| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-24页 |
| ·研究背景 | 第11-13页 |
| ·普适计算环境 | 第11-12页 |
| ·上下文感知计算 | 第12-13页 |
| ·国内外研究现状 | 第13-22页 |
| ·智能空间的研究现状 | 第13-17页 |
| ·上下文建模的研究现状 | 第17-19页 |
| ·上下文推理的研究现状 | 第19-22页 |
| ·本文的主要研究工作 | 第22页 |
| ·论文组织结构 | 第22-24页 |
| 第二章 智能汽车空间的本体建模与映射 | 第24-38页 |
| ·智能汽车空间 | 第24-25页 |
| ·基本概念 | 第24页 |
| ·体系结构 | 第24-25页 |
| ·本体论 | 第25-29页 |
| ·本体概念 | 第25-27页 |
| ·本体描述语言OWL | 第27-29页 |
| ·本体映射概念 | 第29页 |
| ·面向智能汽车空间的上下文建模 | 第29-34页 |
| ·智能汽车空间的上下文组成 | 第29-30页 |
| ·层次化设计方案 | 第30-32页 |
| ·智能汽车空间的本体知识模型 | 第32-33页 |
| ·本体表示 | 第33-34页 |
| ·本体映射 | 第34-37页 |
| ·智能汽车空间的本体映射方法 | 第34-35页 |
| ·智能汽车空间本体的本体映射 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第三章 基于动态贝叶斯网络的驾驶员非常态识别模型 | 第38-45页 |
| ·动态贝叶斯网络概述 | 第38-39页 |
| ·定义 | 第38-39页 |
| ·特点 | 第39页 |
| ·优势 | 第39页 |
| ·驾驶员非常态识别模型构建 | 第39-44页 |
| ·上下文问题域的分析 | 第40-41页 |
| ·拓扑结构的构建 | 第41-43页 |
| ·条件概率分布的确定 | 第43-44页 |
| ·推理和学习 | 第44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于隐马尔科夫模型的驾驶员疲劳认知模型 | 第45-51页 |
| ·隐马尔科夫模型概述 | 第45-47页 |
| ·定义 | 第45-46页 |
| ·应用 | 第46-47页 |
| ·驾驶员疲劳认知模型构建 | 第47-49页 |
| ·上下文问题域的分析 | 第47-48页 |
| ·模型的训练生成 | 第48-49页 |
| ·模型的识别 | 第49页 |
| ·本章小结 | 第49-51页 |
| 第五章 智能汽车空间中的驾驶员状态推理识别应用 | 第51-61页 |
| ·不确定性推理机制过程实现 | 第51-52页 |
| ·开发环境及主要开发工具包介绍 | 第51-52页 |
| ·应用实现过程 | 第52页 |
| ·基于DBN的非常态认知应用 | 第52-56页 |
| ·应用场景 | 第52-53页 |
| ·推理实现 | 第53-56页 |
| ·基于HMM的疲劳识别应用 | 第56-60页 |
| ·应用场景 | 第56页 |
| ·推理实现 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| ·工作总结 | 第61页 |
| ·不足之处与工作展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录: 作者在读期间发表的学术论文及参加的科研项目 | 第69-70页 |
| 详细摘要 | 第70-74页 |