译者序
前言
贡献者名单
第一部分 面向车辆安全和保护措施的深度学习
第1章 车辆安全和保护措施的深度学习
1.1 引言
1.2 车辆内部监控的深度学习
1.2.1 摄像头系统
1.2.2 基于可穿戴传感器的系统
1.2.3 驾驶人行为监控
1.3 对周围环境感知的深度学习
1.3.1 道路检测
1.3.2 车辆周围环境检测
1.3.3 挑战性环境下的目标检测
1.4 交通管理的深度学习
1.4.1 交通流建模
1.4.2 车对基础设施的通信
1.5 基于深度学习的路线规划和导航
1.5.1 出行者路线规划
1.5.2 食品运输路线规划
1.5.3 未知地图的动态路线规划
1.6 结论
参考文献
第2章 应用于安全车辆的驾驶人疲劳分类的深度学习
2.1 引言
2.1.1 疲劳检测的重要性
2.1.2 在未来自动化车辆中的应用
2.2 驾驶人疲劳检测方法
2.2.1 主观测量
2.2.2 客观测量
2.2.3 深度学习方法
2.3 方法比较
2.4 结论
2.5 注释
参考文献
第3章 网联自动驾驶汽车（CAV）网络安全与威胁情报的深度学习
3.1 引言
3.2 CAV技术促进因素:自动化和连通性
3.3 CAV威胁景观和威胁情报
3.3.1 联邦学习
3.3.2 车内（低级传感器）网络漏洞
3.3.3 车辆控制模块
3.3.4 CAV威胁安全分析
3.3.5 攻击面
3.3.6 CAV生态系统的组织风险
3.4 CAV威胁缓解：基于深度学习的异常检测与分类
3.5 深度学习的前沿（进步和未来）
3.6 面向CAV网络攻击检测的端到端深度CNN-LSTM架构
3.6.1 性能分析
3.6.2 结果与讨论
3.7 结论
参考文献
第二部分 面向车载通信的深度学习
第4章 无人机网络优化的深度学习
4.1 引言
4.2 提高无人机网络吞吐量的关键类别
4.3 针对无人机网络吞吐量的路线增强
4.3.1 基于位置的路线选择
4.3.2 基于拓扑的路线选择
4.3.3 基于集群的路线选择
4.3.4 应用深度学习路线选择的无人机网络
4.4 无人机网络结构
4.4.1 无人机集群网络结构
4.4.2 应用深度学习的无人机集群网络结构增强
4.5 应用深度学习的无人机网络吞吐量
4.5.1 应用深度学习分配增加吞吐量
4.5.2 应用深度学习调度增加吞吐量
4.6 结论
参考文献
第5章 物理层深度学习在未来无线通信系统和网络中的最新技术
5.1 引言
5.1.1 相关调查文献
5.1.2 本章摘要
5.2 基于数据驱动的机器学习方法的收发器优化
5.2.1 基于数据驱动的端到端收发器优化方法
5.2.2 用于模块化收发器优化的模型辅助数据驱动方法
5.3 深度学习用于符号检测任务
5.3.1 将专业知识纳入自编码器
5.3.2 在接收器处实现神经网络
5.3.3 使用机器学习的顺序检测器
5.4 使用机器学习进行信道估计
5.5 使用机器学习在频域和时域进行信道预测
5.6 AI/ML在信道编码中的应用
5.7 智能链路适应
5.8 智能无线电
5.8.1 智能频谱感知
5.8.2 使用卷积神经网络（CNN）进行自动信号识别
5.8.3 智能无线电环境
5.9 无线网络系统级性能评估的机器学习
5.10 结论
5.11 注释
参考文献
第6章 基于深度学习的车载通信指标调制系统
6.1 引言
6.2 V2V/V2I通信
6.3 基于深度学习的指标调制系统
6.3.1 基于多载波的指标调制系统
6.3.2 基于单载波的指标调制系统
6.3.3 基于多输入多输出的指标调制系统
6.4 结论
参考文献
第7章 深度强化学习在互联自动化交通系统中的应用
7.1 引言
7.2 深度强化学习：理论与背景
7.2.1 （深度）强化学习简史
7.2.2 经典强化学习
7.2.3 深度强化学习
7.2.4 为CAV应用定制（深度）强化学习
7.3 CAV网络中的数据环境
7.3.1 优势
7.3.2 AVS产生的数据
7.4 深度强化学习应用：车联网汽车
7.4.1 换道和辅助
7.4.2 交通信号控制
7.4.3 交通流量优化
7.4.4 铁路和海运
7.4.5 数据通信、计算和组网
7.4.6 DRL在网络安全中的应用
7.5 深度强化学习应用：自动驾驶系统
7.5.1 运动规划
7.5.2 横向控制
7.5.3 安全
7.6 挑战与未来方向
7.6.1 在实际应用中的可移植性
7.6.2 交通环境标识
7.6.3 构建奖励函数
7.6.4 CAV环境下多智能体DRL
7.6.5 部分状态可观测性
参考文献
第三部分 面向车辆控制的深度学习
第8章 基于深度强化学习的时
展开
