空天飛行器智能感知與控制

目錄
序
前言
第1章 緒論 1
1.1 空天飛行器概述 1
1.1.1 定義與發(fā)展現(xiàn)狀 1
1.1.2 關鍵技術問題 2
1.2 未來發(fā)展趨勢 5
1.2.1 智能感知技術 5
1.2.2 智能控制技術 6
思考題 7
第2章 數(shù)據(jù)解譯與特征工程 8
2.1 特征提取 8
2.1.1 主成分分析法 8
2.1.2 線性判別分析法 9
2.1.3 局部線性嵌入法 10
2.2 聚類分析 11
2.2.1 均值聚類算法 11
2.2.2 密度聚類算法 12
2.2.3 譜聚類算法 12
2.3 回歸與分類分析 14
2.3.1 *小二乘回歸 14
2.3.2 K近鄰分類器 15
2.3.3 支持向量機 15
2.4 算例仿真 17
2.4.1 **遙感圖像數(shù)據(jù)集特征提取算例 17
2.4.2 飛行器圖像數(shù)據(jù)集“背景-目標”聚類算例 18
思考題 19
第3章 深度學習理論 20
3.1 神經網(wǎng)絡基礎 20
3.1.1 神經元 20
3.1.2 多層感知機 21
3.1.3 反向傳播神經網(wǎng)絡 23
3.2 卷積神經網(wǎng)絡 25
3.2.1 卷積神經網(wǎng)絡基本結構 25
3.2.2 AlexNet 28
3.2.3 VGGNet 28
3.3 新型神經網(wǎng)絡 29
3.3.1 遞歸神經網(wǎng)絡 29
3.3.2 長短期記憶神經網(wǎng)絡 30
3.3.3 生成對抗神經網(wǎng)絡 31
3.3.4 Transformer神經網(wǎng)絡 32
3.4 神經網(wǎng)絡壓縮 34
3.4.1 模型剪枝 34
3.4.2 權重共享 35
3.4.3 參數(shù)量化 36
3.5 算例仿真 37
3.5.1 卷積神經網(wǎng)絡特征圖可視化算例 37
3.5.2 航天器狀態(tài)監(jiān)控及故障檢測算例 38
思考題 39
第4章 強化學習理論 40
4.1 馬爾可夫過程 40
4.1.1 強化學習概念 40
4.1.2 動態(tài)規(guī)劃 44
4.1.3 蒙特卡洛方法 46
4.1.4 時間差分學習 47
4.2 深度強化學習 49
4.2.1 DQN算法 49
4.2.2 DDPG算法 51
4.2.3 PPO算法 53
4.3 多智能體強化學習 54
4.3.1 多智能體系統(tǒng) 54
4.3.2 MADDPG 算法 55
4.3.3 MAPPO 算法 57
4.4 算例仿真 57
4.4.1 DQN算法訓練倒立擺算例 57
4.4.2 MADDPG算法訓練MPE算例 59
思考題 61
第5章 空天飛行器空中目標感知 63
5.1 運動目標檢測 63
5.1.1 背景減除法 63
5.1.2 幀間差分法 66
5.1.3 光流法 68
5.2 光學目標檢測 70
5.2.1 單階段目標檢測 70
5.2.2 雙階段目標檢測 73
5.3 動態(tài)目標跟蹤 75
5.3.1 基于相關濾波的目標跟蹤 75
5.3.2 基于深度學習的目標跟蹤 82
5.4 算例仿真 87
5.4.1 背景減除法運動目標檢測算例 87
5.4.2 單階段目標檢測算例 88
5.4.3 相關濾波法目標跟蹤算例 89
思考題 90
第6章 空天飛行器地物目標感知 91
6.1 目標檢測方法 91
6.1.1 水平邊界框目標檢測 92
6.1.2 定向邊界框目標檢測 94
6.2 變化檢測方法 100
6.2.1 變化檢測基本流程 101
6.2.2 圖像差分法 104
6.2.3 圖像回歸法 106
6.2.4 變化向量分析法 106
6.3 異常檢測方法 108
6.3.1 基于RX算法的異常檢測方法 109
6.3.2 基于協(xié)同表示的異常檢測方法 113
6.3.3 基于低秩性與稀疏性的異常檢測方法 114
6.4 星載多源圖像目標識別 117
6.4.1 星載多源圖像目標特征表征 117
6.4.2 復雜環(huán)境條件下星載多源圖像目標識別 122
6.5 SAR圖像目標檢測 126
6.5.1 基于統(tǒng)計模型的檢測方法 127
6.5.2 基于極化特征的檢測方法 129
6.5.3 基于干涉相干性的檢測方法 131
6.5.4 基于深度學習的檢測方法 134
6.6 算例方法 136
6.6.1 水平邊界框目標檢測算例 136
6.6.2 RX算法異常檢測算例 137
6.6.3 基于CFAR算法的SAR圖像目標檢測算例 138
思考題 139
第7章 空天飛行器智能制導與控制 140
7.1 **制導與控制理論 140
7.1.1 飛行器制導與控制模型 140
7.1.2 PID控制 143
7.1.3 比例導引 144
7.2 智能飛行控制系統(tǒng) 148
7.2.1 強化學習智能控制方法 148
7.2.2 模糊自適應智能控制方法 150
7.2.3 神經網(wǎng)絡智能控制方法 152
7.3 容錯飛行控制系統(tǒng) 155
7.3.1 容錯控制相關概念 156
7.3.2 飛行器故障分析與診斷 157
7.3.3 滑模變結構控制 161
7.3.4 非線性動態(tài)逆控制 165
7.4 協(xié)同制導控制系統(tǒng) 166
7.4.1 相對運動制導模型構建 166
7.4.2 多智能體一致性理論簡介 169
7.4.3 多約束條件下的協(xié)同制導律設計方法 171
7.5 算例方法 177
7.5.1 無人機增穩(wěn)回路設計算例 177
7.5.2 飛行器協(xié)同攔截仿真分析算例 179
思考題 184
第8章 空天飛行器博弈制導與控制 186
8.1 微分博弈制導控制 186
8.1.1 納什-龐特里亞金*大*小原理 186
8.1.2 微分博弈納什均衡解 188
8.1.3 基于納什均衡解的*優(yōu)控制方法 189
8.2 非零和博弈制導控制 191
8.2.1 CW追逃博弈 191
8.2.2 粒子群優(yōu)化算法 193
8.2.3 非零和博弈*優(yōu)控制方法 195
8.3 強化學習博弈制導控制 202
8.3.1 Q 學習制導控制 202
8.3.2 強化學習比例導引控制 206
8.3.3 強化學習過載制導控制 210
8.4 算例仿真 211
8.4.1 飛行器博弈制導控制算例 211
8.4.2 在軌航天器追逃博弈控制算例 213
思考題 218
參考文獻 220