深度學習及其在車聯網中的應用

Fei Hu是阿拉巴馬大學電氣與計算機工程系的教授。他的研究重點包括網絡安全和網絡。他於1999年在同濟大學（中國上海）獲得信號處理博士學位，並於2002年在克拉克森大學（美國紐約）獲得電氣與計算機工程博士學位。他發表了200多篇期刊/會議論文。他的研究得到了美國 科學基金會、思科、Sprint等的支持。

譯者序
前言
貢獻者名單
部分　面向車輛安全和保護措施的深度學習
第1章　車輛安全和保護措施的深度學習2
1.1　引言2
1.2　車輛內部監控的深度學習3
1.2.1　攝像頭系統3
1.2.2　基於可穿戴傳感器的系統3
1.2.3　駕駛人行為監控4
1.3　對周圍環境感知的深度學習4
1.3.1　道路檢測5
1.3.2　車輛周圍環境檢測5
1.3.3　挑戰性環境下的目標檢測6
1.4　交通管理的深度學習6
1.4.1　交通流建模7
1.4.2　車對基礎設施的通信7
1.5　基於深度學習的路線規劃和導航8
1.5.1　出行者路線規劃9
1.5.2　食品運輸路線規劃9
1.5.3　未知地圖的動態路線規劃9
1.6　結論9
參考文獻10
第2章　應用於安全車輛的駕駛人疲勞分類的深度學習14
2.1　引言14
2.1.1　疲勞檢測的重要性14
2.1.2　在未來自動化車輛中的應用14
2.2　駕駛人疲勞檢測方法15
2.2.1　主觀測量15
2.2.2　客觀測量16
2.2.3　深度學習方法17
2.3　方法比較23
2.4　結論25
2.5　註釋26
參考文獻26
第3章　網聯自動駕駛汽車（CAV）網絡安全與威脅情報的深度學習33
3.1　引言33
3.2　CAV技術促進因素:自動化和連通性34
3.3　CAV威脅景觀和威脅情報35
3.3.1　聯邦學習35
3.3.2　車內（低級傳感器）網絡漏洞36
3.3.3　車輛控制模塊36
3.3.4　CAV威脅安全分析37
3.3.5　攻擊面37
3.3.6　CAV生態系統的組織風險38
3.4　CAV威脅緩解：基於深度學習的異常檢測與分類38
3.5　深度學習的前沿（進步和未來）39
3.6　面向C 絡攻擊檢測的端到端深度CNN-LSTM架構41
3.6.1　性能分析42
3.6.2　結果與討論45
3.7　結論47
參考文獻47
第二部分　面向車載通信的深度學習
第4章　無人機網絡優化的深度學習52
4.1　引言52
4.2　提高無人機網絡吞吐量的關鍵類別54
4.3　針對無人機網絡吞吐量的路線增強55
4.3.1　基於位置的路線選擇55
4.3.2　基於拓撲的路線選擇56
4.3.3　基於集群的路線選擇56
4.3.4　應用深度學習路線選擇的無人機網絡57
4.4　無人機網絡結構58
4.4.1　無人機集群網絡結構58
4.4.2　應用深度學習的無人機集群網絡結構增強60
4.5　應用深度學習的無人機網絡吞吐量61
4.5.1　應用深度學習分配增加吞吐量63
4.5.2　應用深度學習調度增加吞吐量64
4.6　結論68
參考文獻68
第5章　物理層深度學習在未來無線通信系統和網絡中的 技術78
5.1　引言78
5.1.1　相關調查文獻79
5.1.2　本章摘要81
5.2　基於數據驅動的機器學習方法的收發器優化81
5.2.1　基於數據驅動的端到端收發器優化方法81
5.2.2　用於模塊化收發器優化的模型輔助數據驅動方法83
5.3　深度學習用於符號檢測任務83
5.3.1　將專業知識納入自編碼器84
5.3.2　在接收器處實現神經網絡85
5.3.3　使用機器學習的順序檢測器86
5.4　使用機器學習進行信道估計90
5.5　使用機器學習在頻域和時域進行信道預測91
5.6　AI/ML在信道編碼中的應用92
5.7　智能鏈路適應93
5.8　智能無線電95
5.8.1　智能頻譜感知95
5.8.2　使用卷積神經網絡（CNN）進行自動信號識別96
5.8.3　智能無線電環境96
5.9　無線網絡系統級性能評估的機器學習98
5.10　結論99
5.11　註釋100
參考文獻100
第6章　基於深度學習的車載通信指標調制系統105
6.1　引言105
6.2　V2V/V2I通信107
6.3　基於深度學習的指標調制系統108
6.3.1　基於多載波的指標調制系統108
6.3.2　基於單載波的指標調制系統111
6.3.3　基於多輸入多輸出的指標調制系統114
6.4　結論117
參考文獻118
第7章　深度強化學習在互聯自動化交通系統中的應用121
7.1　引言121
7.2　深度強化學習：理論與背景122
7.2.1　（深度）強化學習簡史122
7.2.2　經典強化學習123
7.2.3　深度強化學習126
7.2.4　為CAV應用 （深度）強化學習130
7.3　C 絡中的數據環境131
7.3.1　優勢131
7.3.2　AVS產生的數據133
7.4　深度強化學習應用：車聯網汽車134
7.4.1　換道和輔助134
7.4.2　交通信號控制134
7.4.3　交通流量優化135
7.4.4　鐵路和海運135
7.4.5　數據通信、計算和組網136
7.4.6　DRL在網絡安全中的應用136
7.5　深度強化學習應用：自動駕駛系統137
7.5.1　運動規劃137
7.5.2　橫向控制138
7.5.3　安全138
7.6　挑戰與未來方向138
7.6.1　在實際應用中的可移植性138
7.6.2　交通環境標識139
7.6.3　構建獎勵函數139
7.6.4　CAV環境下多智能體DRL140
7.6.5　部分狀態可觀測性140
參考文獻141
第三部分　面向車輛控制的深度學習
第8章　基於深度強化學習的時變交通信息道路車輛排放控制152
8.1　引言152
8.2　相關工作153
8.3　綜述153
8.3.1　準備工作153
8.3.2　交通數據分析154
8.3.3　問題公式化154
8.4　方法論155
8.4.1　框架155
8.4.2　EFRL模型156
8.5　實驗驗證157
8.5.1　數據和設置157
8.5.2　基線和指標158
8.5.3　結果158
8.6　結論160
參考文獻160
第9章　電動汽車充電負荷預測162
9.1　引言162
9.2　電動汽車充電負荷特性分析163
9.3　擴張因果卷積的分位數回歸模型163
9.3.1　擴張因果卷積163
9.3.2　核密度估計164
9.3.3　擴張因果卷積分位數回歸164
9.3.4　模型評價指標165
9.3.5　基於Python的實例仿真166
9.4　基於深度學習的充電負荷時空動態預測179
9.4.1　充電樁的時空動態負荷預測179
9.4.2　時空動態負荷矩陣構建180
9.4.3　時空卷積網絡模型181
9.4.4　基於擴張因果卷積的時空動態負荷預測182
9.4.5　基於時空神經網絡的時空動態負荷預測183
9.4.6　基於Python的實例仿真184
9.5　結論189
參考文獻190
0章　基於視覺的方法實現自適應的魯棒控制191
10.1　引言191
10.2　通過深度學習選擇參考文獻圖像處理191
10.2.1　CNN分析結果作為對照參考192
10.2.2　實驗數據193
10.2.3　多目標評價195
10.2.4　控制狀態變量196
10.3　魯棒控制設計196
10.3.1　系統識別197
10.3.2　魯棒線性二次型調節器（RLQR）198
10.3.3　H∞控制器200
10.4　混合控制器的案例研究201
10.4.1　仿真環境和問題目標201
10.4.2　機器學習設計202
10.4.3　混合控制設計204
10.4.4　結果評估206
10.5　結論206
參考文獻207
第四部分　面向信息管理的深度學習
1章　基於自然語言處理的自動化物聯網搜索方法210
11.1　引言210
11.2　物聯網搜索引擎211
11.2.1　架構211
11.2.2　關鍵組成部分212
11.2.3　研究挑戰213
11.3　基於NLP的查詢處理213
11.3.1　設計原理213
11.3.2　NLP基本組成部分214
11.3.3　NLP工具215
11.3.4　NLTK與spaCy比較215
11.4　ACQUISE方法216
11.4.1　基線策略216
11.4.2　增強靜態策略217
11.4.3　增強動態策略217
11.5　性能評估223
11.5.1　研究方法223
11.5.2　結果224
11.6　討論226
11.6.1　機器學習226
11.6.2　協議與算法226
11.6.3　安全與隱私226
11.7　相關工作227
11.8　結論227
致謝228
參考文獻228
2章　一種基於強化學習的方法—實現激勵兼容的車輛眾測231
12.1　引言231
12.2　邊緣輔助的車輛群體感知232
12.2.1　結構設計232
12.2.2　工作流程234
12.3　招募車輛的激勵機制234
12.3.1　Stackelberg博弈234
12.3.2　SSP的策略235
12.3.3　車輛的策略235
12.4　案例研究236
12.5　結論237
附錄238
參考文獻242
3章　利用深度學習和數學形態學從噪聲覆雜信號中檢測子信號244
13.1　引言244
13.2　基於LSTM-RNN和數學形態學的算法從噪聲覆雜信號中檢測子信號246
13.2.1　數據準備和預處理247
13.2.2　LSTM-RNN局部子信號學習250
13.2.3　數學形態學的全局子信號測試251
13.3　實驗結果255
13.4　結論260
參考文獻260
第五部分　其他應用
4章　深度學習算法及其對駕駛行為和車輛通信的影響264
14.1　深度學習算法基礎知識和監督學習264
14.1.1　線性回歸和邏輯回歸264
14.1.2　人工神經網絡265
14.1.3　卷積神經網絡266
14.1.4　循環神經網絡267
14.1.5　深度學習架構268
14.2　深度無監督和半監督學習273
14.2.1　受限玻爾茲曼機和深度置信網絡273
14.2.2　自編碼器和變分自編碼器273
14.2.3　生成對抗網絡274
14.2.4　Transformers模型架構274
14.3　超參數、預處理和優化276
14.3.1　數據增強和遷移學習276
14.3.2　權重初始化、激活函數和優化器276
14.3.3　訓練時間、預處理和架構改進278
14.4　深度學習在駕駛行為分析和車輛通信中的應用279
14.5　結論282
參考文獻282
5章　無人機和地面車聯網的深度學習、計算機視覺和物理層
集成仿真287
15.1　引言287
15.2　從CAVIAR模擬中獲益的應用程序288
15.2.1　啟用無人機的AI/ML仿真288
15.2.2　V2I的波束選擇289
15.3　多域集成模擬器291
15.3.1　使用Raymobtime生成無線信道293
15.3.2　CAVIAR模擬296
15.4　仿真結果297
15.4.1　以激光雷達為輸入的V2I的波束選擇297
15.4.2　計算機視覺應用的循環（In-loop） CAVIAR仿真300
15.4.3　三維模型精度對無線信道的影響302
15.5　結論304
致謝305
參考文獻305
1.本書系統解析了深度學習在智能網聯汽車領域的突破性應用，涵蓋車輛安全、通信優化、動態控制、信息管理及創新場景五大核心方向。 2.主編胡斐與拉希德教授聯合 學者， 將深度學習等前沿技術與車聯網深度融合，提出CNN-LSTM網絡檢測、視覺自適應控制等方案。 3.書中實證案例豐富（如充電負荷時空預測、V2X通信優化），理論推導嚴謹，為自動駕駛研發者提供可靠方法論，也可供高校智能汽車、智能交通領域研究生參考閱讀。