該書是西北工業(yè)大學航天學院新建微專業(yè)必修課程“空天飛行器智能感知與控制”的教材，于2023年獲批教育部航空航天類戰(zhàn)略新興領域教材。本書全面地敘述空天飛行器智能感知與控制的基本理論、方法和應用。主要內容為：緒論、數(shù)據(jù)解析與特征工程、深度學習基礎、強化學習基礎、空天飛行器空中目標感知、空天飛行器智能制導與控制、空天飛行器博弈制導與控制等
本書邏輯嚴密，突出理論聯(lián)系實際，敘述深入淺出，在書中給出了一些智能算法的偽代碼和應用實例。
更多科學出版社服務，請掃碼獲取。
國家重點研發(fā)計劃項目"面向工業(yè)機器人的快速高精度三維視覺測量技術與系統(tǒng)"的課題"三維點云多目標識別與決策技術"
第1章 緒論 1
1.1 空天飛行器概述 1
1.1.1 定義與分類 1
1.1.2 發(fā)展現(xiàn)狀 1
1.1.3 基礎科學問題 3
1.2 空天飛行器智能感知 10
1.2.1 光電成像感知 10
1.2.2 多光譜成像感知 11
1.2.3 高光譜成像感知 11
1.3 空天飛行器智能控制 12
1.3.1 動力學建模 12
1.3.2 軌跡優(yōu)化與制導 13
1.3.3 飛行控制技術 15
1.4 未來發(fā)展趨勢 16
1.4.1 智能感知技術 17
1.4.2 智能控制技術 18
第2章 數(shù)據(jù)解譯與特征工程 19
2.1 數(shù)據(jù)預處理 19
2.1.1 數(shù)據(jù)預清洗 19
2.1.2 特征預處理 20
2.2 特征提取 21
2.2.1 主成分分析法 21
2.2.2 線性判別分析法 22
2.2.3 局部線性嵌入法 23
2.2.4 拉普拉斯特征映射 24
2.3 特征選擇 25
2.3.1 過濾式 25
2.3.2 包裝式 27
2.3.3 嵌入式 28
2.4 聚類分析 29
2.4.1 均值聚類 29
2.4.2 密度聚類 30
2.4.3 圖聚類 31
2.5 回歸與分類 33
2.5.1 最小二乘回歸 33
2.5.2 支持向量回歸 34
2.5.3 K近鄰分類器 36
2.5.4 支持向量機 37
2.6 算例仿真 41
2.6.1 DC mall遙感圖像數(shù)據(jù)集特征提取算例 41
2.6.2 飛行器圖像數(shù)據(jù)集“背景-目標”聚類算例 43
第3章 深度學習理論 45
3.1 神經(jīng)網(wǎng)絡基礎 45
3.1.1 神經(jīng)元 46
3.1.2 多層感知機 52
3.1.3 反向傳播神經(jīng)網(wǎng)絡 52
3.2 卷積神經(jīng)網(wǎng)絡 55
3.2.1 卷積神經(jīng)網(wǎng)絡基本結構 56
3.2.2 AlexNet網(wǎng)絡 60
3.2.3 VGGNet網(wǎng)絡 62
3.3 新型神經(jīng)網(wǎng)絡 65
3.3.1 遞歸神經(jīng)網(wǎng)絡 66
3.3.2長短期記憶神經(jīng)網(wǎng)絡 68
3.3.3生成對抗神經(jīng)網(wǎng)絡 69
3.3.4 Transformer神經(jīng)網(wǎng)絡 70
3.4 神經(jīng)網(wǎng)絡壓縮 73
3.4.1 模型剪枝 73
3.4.2 權重共享 74
3.4.3 參數(shù)量化 76
3.4.4 輕量型卷積核設計 77
3.4.5 知識蒸餾 79
3.5 算例仿真 80
3.5.1 卷積神經(jīng)網(wǎng)絡特征圖可視化算例 80
3.5.2 航天器狀態(tài)監(jiān)控及故障檢測算例 82
第4章 強化學習理論 85
4.1 馬爾可夫過程 85
4.1.1 強化學習概念 85
4.1.2 馬爾科夫決策過程 87
4.1.3 動態(tài)規(guī)劃 91
4.1.4 蒙特卡洛方法 94
4.1.5 時間差分學習 95
4.2 深度強化學習方法 98
4.2.1 DQN算法 98
4.2.2 DDPG算法 101
4.2.3 TD3算法 103
4.2.4 PPO算法 104
4.3 多智能體強化學習 105
4.3.1 多智能體系統(tǒng) 106
4.3.2 MADDPG算法 108
4.3.3 MAPPO算法 109
4.4 算例仿真 110
4.4.1 DQN算法訓練CartPole算例 110
4.4.2 PPO算法訓練Pendulum算例 111
4.4.3 MADDPG算法訓練MPE算例 113
第5章 空天飛行器空中目標感知 117
5.1 運動目標檢測 117
5.1.1 背景減除法 117
5.1.2 幀間差分法 121
5.1.3 光流法 123
5.2 光學目標檢測 125
5.2.1 單階段目標檢測 125
5.2.2 雙階段目標檢測 128
5.3 動態(tài)目標跟蹤 130
5.3.1 基于相關濾波的目標跟蹤 131
5.3.2 基于深度學習的目標跟蹤 139
5.4 目標軌跡預測 145
5.4.1 卡爾曼濾波算法 146
5.4.2 隱馬爾可夫模型 149
5.4.3 基于LSTM時序網(wǎng)絡的軌跡預測 156
5.5 算例仿真 162
5.5.1 背景減除法運動目標檢測算例 162
5.5.2 單階段目標檢測算例 162
5.5.3 相關濾波法目標跟蹤算例 162
5.5.4 卡爾曼濾波軌跡預測算例 163
第6章 空天飛行器地物目標感知 167
6.1 目標檢測方法 167
6.1.1 水平邊界框目標檢測（以SSD為例） 168
6.1.2 定向邊界框目標檢測（以RRPN為例） 172
6.2 變化檢測方法 179
6.2.1 變化檢測基本流程 180
6.2.2 圖像差分法 184
6.2.3 圖像回歸法 185
6.2.4 變化矢量分析法 186
6.3 異常檢測方法 188
6.3.1 基于RX算法的異常檢測方法 189
6.3.2 基于聯(lián)合表示的異常檢測方法 193
6.3.3 基于低秩性與稀疏性的異常檢測方法 195
6.4 星載多源圖像目標識別 198
6.4.1 星載多源圖像目標特征表征 198
6.4.2 復雜環(huán)境條件下星載多源圖像目標識別 198
6.5 SAR 圖像目標檢測 198
6.5.1基于統(tǒng)計模型的檢測方法 199
6.5.2基于極化特征的檢測方法 202
6.5.3基于干涉相干性的檢測方法 204
6.5.4基于深度學習的檢測方法 207
6.6 算例仿真 210
6.6.1 水平邊界框目標檢測算例 210
6.6.2 圖像差分法變化檢測算例 218
6.6.3 RX算法異常檢測算例 219
6.6.4 NWPU-RESISC45數(shù)據(jù)集地物目標識別 221
6.5.5 基于CFAR的SAR圖像目標檢測算例 221
第7章 空天飛行器智能制導與控制 227
7.1 經(jīng)典制導控制理論 227
7.1.1 飛行器制導與控制模型 227
7.1.2 PID控制 237
7.1.3 比例導引 239
7.2 協(xié)同制導控制系統(tǒng) 244
7.2.1 強化學習制導控制方法 244
7.2.2 模糊自適應智能控制方法 244
7.2.3 神經(jīng)網(wǎng)絡智能控制方法 244
7.3 協(xié)同制導控制系統(tǒng) 244
7.3.1 飛行器故障類型建模 244
7.3.2 故障檢測與控制分配 244
7.3.3 非線性動態(tài)逆容錯控制方法 244
7.4 協(xié)同制導控制系統(tǒng) 245
7.4.1 相對運動制導模型構建 245
7.4.2 多智能體一致性理論簡介 248
7.4.3 多約束條件下的協(xié)同制導律設計方法 250
7.4.3 算例仿真 255
7.5 算例仿真 260
7.5.1 智能飛行器自動駕駛儀設計 260
7.5.2 多飛行器協(xié)同制導控制方法設計 260
第8章 空天飛行器博弈制導與控制 260
8.1 微分博弈制導控制 260
8.1.1 納什-龐特里亞金最大最小原理 260
8.1.2 微分博弈納什均衡解 260
8.1.3 基于納什均衡解的最優(yōu)控制方法 260
8.2 非零和博弈制導控制 260
8.2.1 CW追逃博弈 260
8.2.2 粒子群優(yōu)化算法 260
8.2.3 非零和博弈最優(yōu)控制方法" 260
8.3 強化學習博弈制導控制 260
8.3.1 Q-learning制導控制 261
8.3.2 強化學習比例制導控制 261
8.3.3 強化學習過載制導控制" 261
8.4 算例仿真 261
8.4.1 強化學習環(huán)境介紹 261
8.4.2 導彈博弈制導控制算例 261
8.4.3 在軌航天器追逃博弈控制算例" 261
參考文獻 263
書單推薦
