封面
前折页
书名页
版权
前言
第1章 总论
 1.1 机器学习的跨域应用价值
  1.1.1 多领域融合中的算法迁移价值
  1.1.2 跨学科研究的创新范式与突破路径
 1.2 核心应用领域的技术关联性
  1.2.1 无人系统（船/机/车）的智能共性需求
  1.2.2 脑电信号处理与材料科学的数据流共性特征
  1.2.3 跨域技术迁移的可行性与挑战
 1.3 小结
第2章 机器学习算法基础
 2.1 基础框架与分类
  2.1.1 监督学习、无监督学习及强化学习的核心逻辑
  2.1.2 算法选择的场景适配原则
 2.2 跨域通用算法
  2.2.1 深度学习与神经网络的跨场景适配原理
  2.2.2 强化学习与决策优化的通用建模方法
  2.2.3 迁移学习与领域自适应的核心技术
 2.3 数据处理与模型优化
  2.3.1 小样本场景下的模型训练技巧
  2.3.2 模型压缩与实时部署的实现路径
 2.4 小结
第3章 无人船：智能感知与决策
 3.1 目标识别与环境感知
  3.1.1 水面目标的深度学习识别算法
  3.1.2 复杂水域环境下的识别鲁棒性优化
 3.2 状态估计与航态感知
  3.2.1 基于多传感器融合的无人船位置与姿态估计
  3.2.2 船舶动力系统状态的机器学习评估方法
  3.2.3 考虑能耗与航行时间的多目标轨迹优化算法
 3.3 水面目标意图预测与交互决策
  3.3.1 周边船舶航行意图的机器学习预测模型
  3.3.2 基于博弈论的无人船交互决策方法
  3.3.3 复杂会遇场景下的行为决策优化策略
 3.4 小结
第4章 无人机：自主控制与场景适配
 4.1 空域环境感知与导航
  4.1.1 障碍物快速识别
  4.1.2 视觉里程计导航
 4.2 无人机集群协同与任务调度
  4.2.1 无人机集群的分布式通信与协作机制
  4.2.2 动态任务的实时分配与重规划算法
  4.2.3 基于强化学习的集群编队控制策略
 4.3 特殊场景的适应性控制
  4.3.1 强风环境下的姿态自适应调节模型
  4.3.2 低光照条件下的目标检测优化方法
 4.4 小结
第5章 无人车：环境交互与安全驾驶
 5.1 自动驾驶技术体系与发展现状
  5.1.1 自动驾驶分级标准
  5.1.2 自动驾驶系统架构
 5.2 无人车环境感知的机器学习方法
  5.2.1 基于视觉的场景感知
  5.2.2 传感器融合与多模态感知
 5.3 无人车决策规划算法
  5.3.1 基于强化学习的驾驶策略
  5.3.2 路径规划与轨迹优化算法
 5.4 小结
第6章 脑电信号：解码与应用拓展
 6.1 信号处理与特征提取
  6.1.1 噪声抑制与预处理技术
  6.1.2 时空特征融合的有效特征筛选方法
  6.1.3 多通道的维度压缩策略
 6.2 相关算法介绍
  6.2.1 运动意图解码的实时分类模型
  6.2.2 基于深度学习的脑电模式识别
  6.2.3 系统的自适应校准方法
 6.3 临床与健康应用
  6.3.1 预警算法
  6.3.2 睡眠分期的自动识别模型
  6.3.3 认知负荷的实时监测与评估
 6.4 小结
第7章 材料科学：数据驱动的创新
 7.1 材料性能预测模型
  7.1.1 成分结构性能关系的机器学习建模
  7.1.2 极端环境下材料性能的预测方法
  7.1.3 多尺度数据融合的性能评估模型
 7.2 智能设计与筛选
  7.2.1 新型功能材料的逆向设计算法
  7.2.2 高通量试验中的材料筛选策略
  7.2.3 基于强化学习的材料配方优化
 7.3 小结
第8章 跨域共性与前沿探索
 8.1 技术瓶颈与突破路径
  8.1.1 跨域数据标注的高效解决方案
  8.1.2 实时性与精度平衡的优化策略
  8.1.3 复杂动态环境下的模型鲁棒性提升
 8.2 多域融合应用案例
  8.2.1 无人系统协同作业的智能调度平台
  8.2.2 脑电信号与无人设备的联动控制
  8.2.3 智能材料与无人系统的集成设计
 8.3 小结
参考文献
后折页
封底