人工智能及其航空航天应用

第1章 绪论
1.1 人工智能的定义
1.2 人工智能的产生与发展
1.3 人工智能的研究目标
1.4 人工智能在航空航天中的应用
1.4.1 人工智能在航空中的应用
1.4.2 人工智能在航天中的应用
1.5 总结
第2章 人工智能研究基础
2.1 人工智能学派
2.1.1 符号主义
2.1.2 联结主义
2.1.3 行为主义
2.2 人工智能基础知识与技能
2.2.1 人工智能问题处理范式
2.2.2 数学基础
2.2.3 数据处理
2.2.4 程序设计技术
2.3 总结
第3章 线性回归——座舱可达性边界预测
3.1 飞机座舱可达性边界预测背景
3.2 线性回归理论
3.2.1 线性回归概念
3.2.2 目标函数与代价函数
3.2.3 线性回归模型求解算法
3.2.4 模型算法调试
3.2.5 模型修正
3.3 飞机座舱可达性边界预测案例
3.3.1 飞机座舱可达性边界预测案例分析
3.3.2 基于线性回归的飞机座舱可达性边界预测程序流程
3.3.3 飞机座舱可达性边界预测模型验证
3.4 总结
3.5 作业
3.6 知识扩展
第4章 逻辑回归——飞行员飞行疲劳预测
4.1 飞行员飞行疲劳预测背景
4.2 逻辑回归理论
4.2.1 逻辑回归的分类依据——“可能性”
4.2.2 目标函数及决策边界
4.2.3 代价函数
4.2.4 逻辑回归算法求解
4.2.5 逻辑回归的正则化
4.2.6 多分类问题
4.3 飞行员飞行疲劳预测案例
4.3.1 飞行员飞行疲劳预测案例与分析
4.3.2 基于逻辑回归的飞行员飞行疲劳预测程序流程
4.4 总结
4.5 作业
4.6 知识扩展
第5章 神经网络——航空飞行器分类
5.1 航空飞行器分类背景
5.2 可用于航空飞行器分类的神经网络结构
5.2.1 神经元单元
5.2.2 输入层、隐含层、输出层
5.2.3 激活函数
5.2.4 训练集与测试集
5.2.5 前向传播与反向传播
5.2.6 优化
5.3 航空飞行器分类问题的程序解算
5.3.1 案例分析
5.3.2 算法流程图
5.3.3 算法实现过程
5.4 总结
5.5 作业
5.6 知识扩展
第6章 聚类——航天器零部件包装标准化方法
6.1 航天器零部件货运装箱背景
6.2 聚类理论
6.3 K均值算法
6.3.1 算法基础
6.3.2 算法流程
6.3.3 优化目标
6.3.4 聚类中心初始化
6.3.5 选择聚类数
6.4 航天器零部件包装标准化问题示例
6.4.1 案例分析
6.4.2 基于聚类算法的航天器零部件包装标准化
6.5 总结
6.6 作业
6.7 知识扩展
第7章 降维——涡扇发动机状态预测
7.1 降维的基本概念
7.1.1 数据压缩
7.1.2 数据可视化
7.2 主成分分析（PCA）算法
7.2.1 主成分分析算法简述
7.2.2 主成分分析算法步骤
7.2.3 选择主成分的数量
7.3 应用PCA算法预测涡扇发动机的状态
7.3.1 数据集和问题说明
7.3.2 发动机系统状态识别方案
7.4 总结
7.5 作业
7.6 知识扩展
第8章 异常检测——火箭发动机异常检测
8.1 火箭发动机异常检测背景
8.2 异常检测理论
8.2.1 异常检测概念
8.2.2 高斯分布与异常检测
8.2.3 基于高斯分布的异常检测算法
8.2.4 异常检测开发与调试
8.2.5 异常检测与监督学习的对比
8.2.6 异常检测特征的选择
8.3 液体火箭发动机异常检测案例
8.3.1 液体火箭发动机异常检测案例分析
8.3.2 基于异常检测的液体火箭发动机异常检测程序流程
8.3.3 液体火箭发动机异常检测结果
8.4 总结
8.5 作业
8.6 知识扩展
第9章 深度学习——卫星遥感图像目标检测
9.1 卫星遥感图像目标检测背景
9.2 深度学习理论
9.2.1 深度学习概念
9.2.2 卷积神经网络
9.3 卫星遥感图像目标检测
9.3.1 卫星遥感图像目标检测分析
9.3.2 基于深度学习的卫星遥感图像目标检测
9.3.3 卫星遥感图像目标检测模型验证
9.4 总结
9.5 作业
9.6 知识扩展
第10章 强化学习——无人机智能避障
10.1 无人机避障面临的问题
10.2 强化学习理论
10.2.1 强化学习概念
10.2.2 强化学习算法
10.2.3 深度强化学习
10.3 无人机智能避障案例
10.3.1 无人机深度强化学习避障建模
10.3.2 网络训练与验证
10.4 总结
10.5 作业
10.6 知识扩展
参考文献