掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
汽車安全與自動駕駛:信號處理和機器學習基礎 版權信息
- ISBN：9787111718093
- 條形碼：9787111718093 ; 978-7-111-71809-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
汽車安全與自動駕駛:信號處理和機器學習基礎 本書特色
適讀人群 ：自動駕駛工程師 計算機算法工程師 高校師生本書涵蓋了在整體車輛安全和自動駕駛領域中需要用到的信號處理和機器學習方法，以信號處理相關算法為基礎，引入了對應的車輛模型、軌跡算法和行車中的統計信號處理方法，并著重介紹了機器學習及其在該領域的應用。為了能自行設計并實現車輛控制中的自動干預算法，本書提供了相關的數學基礎知識。各個重點內容將形象地通過習題與解題示例來闡明。對于有編程需求的習題，本書還提供了相應的MATLAB 腳本。本書可供汽車領域的工程師閱讀參考，也可作為高等院校車輛工程、電氣工程、機電工程和計算機科學專業師生的教學參考書。
汽車安全與自動駕駛:信號處理和機器學習基礎 內容簡介
本書涵蓋了在整體車輛安全和自動駕駛領域中需要用到的信號處理和機器學習方法，以信號處理相關算法為基礎，引入了對應的車輛模型、軌跡算法和行車中的統計信號處理方法，并著重介紹了機器學習及其在該領域的應用。為了能自行設計并實現車輛控制中的自動干預算法，本書提供了相關的數學基礎知識。各個重點內容將形象地通過習題與解題示例來闡明。對于有編程需求的習題，本書還提供了相應的MATLAB 腳本。本書可供汽車領域的工程師閱讀參考，也可作為高等院校車輛工程、電氣工程、機電工程和計算機科學專業師生的教學參考書。
汽車安全與自動駕駛:信號處理和機器學習基礎 目錄
前言
第1章 自動駕駛與車輛安全導論 1
1.1 自動駕駛 1
1.2 整車安全與事故統計 5
1.3 關鍵增值：電子元件與信號處理 12
1.4 習題 14
第2章 信號處理基礎 15
2.1 線性代數 15
2.1.1 定義與符號 15
2.1.2 線性代數常見運算規則 19
2.1.3 向量與矩陣求導 22
2.1.4 特征值和奇異值分解，矩陣范數 24
2.2 用拉格朗日乘數求解優化問題 27
2.2.1 帶等式約束條件的優化問題 28
2.2.2 帶不等式約束條件的優化問題 29
2.3 概率論 31
2.3.1 概率空間和隨機變量 31
2.3.2 條件概率和貝葉斯定理 35
2.3.3 信息論概述 36
2.3.4 高斯隨機變量 37
2.3.5 隨機變量的變換 40
2.3.6 隨機過程 41
2.4 線性系統 45
2.4.1 連續時間系統 45
2.4.2 離散時間系統 46
2.4.3 離散化 46
2.5 頻域信號濾波 57
2.5.1 線性時不變系統在頻域中的描述 57
2.5.2 低通濾波、帶通濾波和高通濾波 59
2.5.3 碰撞加速度信號的低通濾波 61
2.6 習題 63
第3章 汽車模型和軌跡 70
3.1 用于被動車輛安全的碰撞模型 70
3.1.1 質量-彈簧-阻尼器模型 72
3.1.2 多體仿真和有限元計算 79
3.2 涉及自動駕駛和主動車輛安全的車輛動力學模型 80
3.2.1 相對運動 80
3.2.2 交通參與者運動模型 92
3.2.3 車輛運動力學模型 103
3.2.4 單軌模型和轉向行為 115
3.2.5 非線性雙軌模型 142
3.3 軌跡規劃與控制 147
3.4 習題 158
第4章 統計濾波 169
4.1 優統計濾波器 169
4.2 卡爾曼濾波器 176
4.2.1 卡爾曼濾波器的推導 176
4.2.2 用卡爾曼濾波器進行跟蹤 189
4.2.3 卡爾曼濾波的推廣 198
4.3 傳感器數據融合 199
4.4 習題 205
第5章 機器學習 211
5.1 機器學習概論 211
5.1.1 分類與回歸 212
5.1.2 維數災難 215
5.1.3 特征向量的規范化 215
5.1.4 參數化和非參數化方法 216
5.1.5 分類和回歸 217
5.1.6 大似然法和大后驗法的參數估計 218
5.1.7 線性回歸和分類 220
5.1.8 使用softmax函數進行分類 229
5.1.9 核密度估計、k近鄰分類和核回歸 232
5.1.10 泛化與偏差-方差分解 237
5.1.11 機器學習模型選擇與評估 242
5.1.12 隨機梯度下降法 248
5.1.13 監督學習方法概述 251
5.2 人工神經網絡和深度學習 251
5.2.1 深度多層感知機 253
5.2.2 反向傳播 257
5.2.3 徑向基函數神經網絡 262
5.2.4 深度卷積神經網絡 263
5.3 支持向量機 275
5.3.1 用于分類的支持向量機以及核函數 275
5.3.2 用于回歸的支持向量機 282
5.4 決策樹和回歸樹 286
5.4.1 決策樹 286
5.4.2 回歸樹 289
5.5 隨機森林 291
5.5.1 袋外誤差 295
5.5.2 通過隨機森林進行特征選擇 296
5.5.3 鄰近性 298
5.6 無監督學習 300
5.6.1 聚類分析 300
5.6.2 隨機森林的無監督學習 312
5.6.3 自編碼器 314
5.6.4 變量自編碼器和生成式串行網絡 321
5.7 安全自動駕駛的應用 327
5.7.1 道路交通中的危急程度估計 331
5.7.2 碰撞嚴重程度的預測 335
5.7.3 避免碰撞的軌跡規劃 337
5.7.4 約束系統的觸發 339
5.7.5 交通場景聚類 341
5.7.6 使用變異自編碼器生成場景 343
5.7.7 靜止狀態識別 345
5.8 習題 346
符號標記 358
參考文獻 367
展開全部
書友推薦
- >
詩經-先民的歌唱
- >
羅曼·羅蘭讀書隨筆-精裝
- >
我從未如此眷戀人間
- >
姑媽的寶刀
- >
莉莉和章魚
- >
自卑與超越
- >
史學評論
- >
二體千字文
本類暢銷
