本目录基于对 CSDN 专栏「人工智能技术白皮书」的扫描结果整理。该专栏共收录，由于 CSDN 未登录分页限制，以下目录基于已扫描到的构建，按主题分类合并，并给出学习路线图。未扫描到的文章可通过专栏首页继续浏览。

无人机（UAV）系统的可靠运行依赖于指挥与控制（C2）链路及遥测/图传数据链路。从信号情报（SIGINT）角度，对这些链路的特征进行深入分析是实现检测、分类和反制（C-UAS）的基石。在数据集中，我们必须通过数据增强来模拟上述物理效应，以防止模型过拟合到“干净”的 LoS 场景。UAV 链路为实现抗干扰（AJ）和低截获概率（LPI），广泛采用扩频技术。将上述系统从实验室推向实战部署，会遇到两大技术

抓取任务建模为 MDP $(\mathcal{S}, \mathcal{A}, \mathcal{P}, \mathcal{R}, \gamma)$，其中智能体通过策略 $\pi(a \mid s)$ 最大化累积奖励。Python"""Content: 5.2.1 马尔可夫决策过程 (MDP) 定义Usage: 直接运行 python mdp_grasp_definition.py功能: 实现抓取

对于雷达功能，$d_{m,n}$ 需优化设计以产生理想的模糊函数特性。当前模式 $M_{\text{cur}} \in \{\text{Radar}, \text{Comm}\}$ ，目标模式 $M_{\text{next}}$ ，阵元数 $N_{\text{elem}}$ ，权值矩阵 $W_{\text{next}} \in \mathbb{C}^{N_{\text{beam}} \times

您将学习到FP16（半精度）和FP32（单精度）在数值范围和精度上的差异，以及Tensor Core如何利用FP16输入进行高速矩阵乘法，同时将结果累加到FP32的累加器中，从而在保证了大部分场景下模型精度的同时，实现数倍的性能提升和显存节省。我们将摒弃浅尝辄止的API调用教学，带领您深入探索GPU的并行计算原理，剖析TensorRT这一业界领先推理引擎的内部机制，掌握从模型图级别到CUDA核函数

LayerNorm（在单样本维度上对特征做均值/方差归一化）不依赖 mini-batch，因此在变长序列或批大小为 1 时表现稳定（Transformer 中广泛使用）。数学上 LayerNorm 的 Jacobian 不涉及跨样本耦合，只有通道内部的重缩放。arXivGroupNorm把通道分成若干组并在每组内计算均值/方差，是在 BatchNorm 与 LayerNorm 之间的折衷方案：在小

其目标是为模型训练提供持续、高质量、无偏的数据流。本节将重点推导数据平衡（Data Balancing）中的核心理论：代价敏感学习（Cost-Sensitive Learning）。模型选择不仅要考虑精度（Accuracy），还必须权衡推理延迟（Latency）、计算资源（FLOPs）和内存占用（Memory）。联邦学习 (Federated Learning, FL) 是一种分布式机器学习范式，

熵正则化的目标等价于在代价和 KL 约束之间权衡（见 Fenchel–Legendre 模）。可理解为在所有耦合中寻找既低成本又高熵（更“扩散”）的耦合。正则化的优势在于数值稳定、易于并行化、可微。

RT-DETR（Real-Time Detection Transformer）是首个实现实时性能的端到端Transformer检测器，通过高效混合编码器（AIFI+CCFM）和IoU感知查询选择机制，在COCO数据集上达到53.0% AP@114FPS（RT-DETR-L），超越同期YOLO模型。其核心架构包含图像编码器（ViT）、提示编码器与轻量级掩码解码器。开放词汇检测（Open-Vocab

减少大模型错误生成。