Internet环境下遥操作机器人系统的关键技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 问题的提出与研究意义 | 第10页 |
| 1.2 国内外研究现状及发展动态分析 | 第10-12页 |
| 1.3 课题研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 网络HMM模型 | 第15-33页 |
| 2.1 马尔科夫模型 | 第15-16页 |
| 2.2 隐马尔科夫模型 | 第16-17页 |
| 2.3 伪周期T | 第17-22页 |
| 2.3.1 求解最佳伪周期是NP完全问题 | 第20-21页 |
| 2.3.2 伪周期T的近似求解算法 | 第21-22页 |
| 2.3.2.1 直接求解法 | 第21页 |
| 2.3.2.3 Markov平稳分布求解伪周期T | 第21-22页 |
| 2.4 HMM对未来状态的预测 | 第22-23页 |
| 2.4.1 未来状态的l步预测 | 第22页 |
| 2.4.2 未来状态的k步预测 | 第22-23页 |
| 2.4.2.1 基本定义 | 第23页 |
| 2.4.2.2 时延K步预测算法 | 第23页 |
| 2.5 HMM状态数确定 | 第23-25页 |
| 2.5.1 GMM与BIC | 第24-25页 |
| 2.5.2 GMM成分确定 | 第25页 |
| 2.6 网络HMM实验及其结果分析 | 第25-32页 |
| 2.6.1 伪周期T的求解 | 第25-26页 |
| 2.6.2 HMM状态个数的求解 | 第26-30页 |
| 2.6.2.1 GMM | 第26-27页 |
| 2.6.2.2 K-Means | 第27-28页 |
| 2.6.2.3 HMM隐状态个数求解 | 第28-30页 |
| 2.6.3 HMM状态预测 | 第30-32页 |
| 2.6.3.1 时延l步预测 | 第30-31页 |
| 2.6.3.2 时延K步预测 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 时延生成模型 | 第33-51页 |
| 3.1 引言 | 第33-34页 |
| 3.2 时延生成模型 | 第34-36页 |
| 3.2.1 相关术语 | 第34-35页 |
| 3.2.2 DGM符号解释 | 第35-36页 |
| 3.3 DGM图模型 | 第36-42页 |
| 3.3.1 生成过程 | 第37页 |
| 3.3.2 Gibbs Sampling | 第37-38页 |
| 3.3.3 DGM概率公式的推导 | 第38-42页 |
| 3.4 DGM训练算法 | 第42-43页 |
| 3.5 DGM模型估计 | 第43-48页 |
| 3.5.1 文档-主题之间的概率分布 | 第44页 |
| 3.5.2 主题-前字-当前字之间的概率分布 | 第44-45页 |
| 3.5.3 主题-字分布 | 第45-46页 |
| 3.5.4 主题时间标签的Beta分布 | 第46-48页 |
| 3.6 生成随机长度的时延序列 | 第48-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第4章 关键技术及实验验证 | 第51-61页 |
| 4.1 引言 | 第51-52页 |
| 4.2 时延抖动 | 第52-53页 |
| 4.3 链路利用率 | 第53页 |
| 4.4 吞吐率 | 第53-54页 |
| 4.5 丢包率 | 第54页 |
| 4.6 网络仿真实验 | 第54-60页 |
| 4.6.1 仿真软件NS2 | 第54页 |
| 4.6.2 仿真实验的设计 | 第54-55页 |
| 4.6.3 基于HMM-DGM的时延数据预测 | 第55-57页 |
| 4.6.4 发送窗口 | 第57-58页 |
| 4.6.5 链路利用率 | 第58页 |
| 4.6.6 吞吐率 | 第58-59页 |
| 4.6.7 时延抖动 | 第59页 |
| 4.6.8 时延以及丢包率 | 第59-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第5章 结论与展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第68-69页 |
| 致谢 | 第69页 |
