基于因子图的无线传感器网络分布式推理方法研究
| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 专用术语注释表 | 第11-13页 |
| 第一章 绪论 | 第13-33页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 无线传感器网络信息融合概述 | 第15-21页 |
| 1.3 概率图模型推理方法的研究现状 | 第21-30页 |
| 1.3.1 精确推理方法 | 第22-24页 |
| 1.3.2 近似推理方法 | 第24-30页 |
| 1.4 论文的主要工作 | 第30-31页 |
| 1.5 论文的结构安排 | 第31-33页 |
| 第二章 因子图原理与应用 | 第33-48页 |
| 2.1 因子图与和积算法 | 第33-36页 |
| 2.2 有环因子图及变换 | 第36-39页 |
| 2.2.1 有环因子图 | 第36-37页 |
| 2.2.2 有环因子图的变换 | 第37-39页 |
| 2.3 因子图的应用 | 第39-47页 |
| 2.3.1 马尔可夫链与隐马尔可夫模型 | 第40-41页 |
| 2.3.2 马尔可夫随机场与贝叶斯网络 | 第41-44页 |
| 2.3.3 卡尔曼滤波器 | 第44-47页 |
| 2.4 本章小结 | 第47-48页 |
| 第三章 基于重要性采样的粒子化消息传递算法 | 第48-77页 |
| 3.1 引言 | 第48-49页 |
| 3.2 系统模型与问题描述 | 第49-51页 |
| 3.3 粒子滤波器 | 第51-56页 |
| 3.3.1 蒙特卡罗方法与重要性采样 | 第51-54页 |
| 3.3.2 序贯重要性采样算法 | 第54-56页 |
| 3.4 序贯粒子化和积算法 | 第56-65页 |
| 3.4.1 因子结点消息的粒子化 | 第57-61页 |
| 3.4.2 变量结点消息的粒子化 | 第61-65页 |
| 3.5 仿真分析 | 第65-76页 |
| 3.5.1 无线传感器网络目标跟踪问题描述 | 第66-67页 |
| 3.5.2 序贯粒子化和积算法的实现 | 第67-72页 |
| 3.5.3 仿真结果与分析 | 第72-76页 |
| 3.6 本章小结 | 第76-77页 |
| 第四章 基于序贯传递机制的一致加权消息传递算法 | 第77-97页 |
| 4.1 引言 | 第77-78页 |
| 4.2 系统模型与问题描述 | 第78-81页 |
| 4.3 树形加权置信传播 | 第81-82页 |
| 4.4 序贯一致加权和积算法 | 第82-88页 |
| 4.4.1 边显现概率的选取 | 第83-84页 |
| 4.4.2 序贯消息更新调度 | 第84-85页 |
| 4.4.3 算法描述 | 第85-88页 |
| 4.5 仿真分析 | 第88-95页 |
| 4.5.1 静态传感器网络协作定位仿真结果 | 第88-91页 |
| 4.5.2 移动传感器网络协作定位仿真结果 | 第91-95页 |
| 4.6 本章小结 | 第95-97页 |
| 第五章 基于变分推理的参数化消息传递算法 | 第97-115页 |
| 5.1 引言 | 第97-98页 |
| 5.2 概率图模型的变分推理 | 第98-102页 |
| 5.2.1 变分近似推理 | 第98-100页 |
| 5.2.2 变分消息传递算法 | 第100-102页 |
| 5.3 参数化变分和积算法 | 第102-109页 |
| 5.3.1 系统模型与问题描述 | 第102-104页 |
| 5.3.2 变分和积算法的参数化表示 | 第104-109页 |
| 5.4 仿真分析 | 第109-113页 |
| 5.5 本章小结 | 第113-115页 |
| 第六章 总结与展望 | 第115-118页 |
| 6.1 论文总结 | 第115-116页 |
| 6.2 工作展望 | 第116-118页 |
| 参考文献 | 第118-127页 |
| 附录1 攻读博士学位期间撰写的论文 | 第127-128页 |
| 附录2 攻读博士学位期间参加的科研项目 | 第128-129页 |
| 致谢 | 第129页 |
