基于贝叶斯网络的疲劳驾驶状态研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究及应用现状 | 第11-13页 |
| 1.3 本文研究的主要内容 | 第13页 |
| 1.4 文章组织结构 | 第13-15页 |
| 第2章 理论基础综述 | 第15-22页 |
| 2.1 贝叶斯网络理论基础 | 第15-18页 |
| 2.1.1 概率论基础知识 | 第15-16页 |
| 2.1.2 图论基础知识 | 第16-18页 |
| 2.2 贝叶斯网络概念 | 第18-19页 |
| 2.3 贝叶斯网络应用 | 第19-20页 |
| 2.4 Android开发简介 | 第20-21页 |
| 2.4.1 Android传感器介绍 | 第20页 |
| 2.4.2 Android定位系统 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 疲劳程度判别模型的建立与推理 | 第22-39页 |
| 3.1 确定网络节点 | 第22-25页 |
| 3.2 贝叶斯网络结构学习 | 第25-27页 |
| 3.2.1 手工构造贝叶斯网络 | 第25页 |
| 3.2.2 基于因果关系的贝叶斯网络模型构造 | 第25-26页 |
| 3.2.3 贝叶斯网络结构学习算法 | 第26-27页 |
| 3.3 贝叶斯网络参数学习 | 第27-30页 |
| 3.3.1 完整数据集的参数学习 | 第27页 |
| 3.3.2 缺值数据集的参数学习 | 第27-28页 |
| 3.3.3 基于专家经验的贝叶斯网络模型参数 | 第28-30页 |
| 3.4 贝叶斯网络概率推理 | 第30-38页 |
| 3.4.1 贝叶斯网络推理分类 | 第30-31页 |
| 3.4.2 贝叶斯网络推理方法 | 第31-32页 |
| 3.4.3 联合树算法 | 第32-34页 |
| 3.4.4 疲劳程度判别模型概率推理 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 疲劳驾驶预警系统设计与实现 | 第39-60页 |
| 4.1 需求分析 | 第39-40页 |
| 4.2 客户端功能模块划分 | 第40-42页 |
| 4.3 服务端设计 | 第42-45页 |
| 4.3.1 架构设计 | 第42-43页 |
| 4.3.2 数据库设计 | 第43-45页 |
| 4.4 疲劳驾驶预警系统实现 | 第45-55页 |
| 4.4.1 基于Netica建立模型 | 第45-47页 |
| 4.4.2 Android客户端实现 | 第47-55页 |
| 4.5 调试运行 | 第55-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 总结 | 第60-62页 |
| 5.1 研究工作总结 | 第60页 |
| 5.2 进一步的研究内容 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65页 |
