| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第一章 绪论 | 第14-27页 |
| ·研究背景 | 第14-17页 |
| ·研究现状与挑战 | 第17-21页 |
| ·研究现状 | 第17-19页 |
| ·研究挑战 | 第19-21页 |
| ·研究思路 | 第21-24页 |
| ·问题描述 | 第21-23页 |
| ·研究方案 | 第23-24页 |
| ·工作内容 | 第24-27页 |
| ·本文工作 | 第24-25页 |
| ·论文结构 | 第25-27页 |
| 第二章 摄像机网络节点动态选择技术综述 | 第27-45页 |
| ·概述 | 第27-29页 |
| ·状态建模与获取 | 第29-35页 |
| ·状态表示 | 第30-33页 |
| ·状态估计与预测 | 第33-35页 |
| ·决策规划与控制 | 第35-40页 |
| ·贪心选择 | 第35-36页 |
| ·基于优化的选择规划与控制 | 第36-38页 |
| ·基于策略的选择规划与控制 | 第38-40页 |
| ·选择效用评估 | 第40-42页 |
| ·基于目标的效用评估 | 第40-41页 |
| ·基于视角的效用评估 | 第41-42页 |
| ·讨论 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第三章 基于POMDP的节点选择状态建模与控制规划 | 第45-63页 |
| ·引言 | 第45-46页 |
| ·方法概述 | 第46-47页 |
| ·决策建模与规划 | 第47-51页 |
| ·POMDP | 第47-48页 |
| ·系统状态建模 | 第48-50页 |
| ·选择决策规划 | 第50-51页 |
| ·效用评估 | 第51-54页 |
| ·效用函数设计 | 第52页 |
| ·全局运动特征及评估 | 第52-53页 |
| ·目标属性及评估 | 第53-54页 |
| ·事件检测及评估 | 第54页 |
| ·实验结果与分析 | 第54-62页 |
| ·实验设计 | 第55页 |
| ·效用评估实验结果与分析 | 第55-59页 |
| ·选择结果有效性分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第四章 基于增强学习的选择策略在线优化 | 第63-76页 |
| ·引言 | 第63-64页 |
| ·基于Q-学习的策略优化 | 第64-67页 |
| ·问题定义 | 第65页 |
| ·策略优化算法框架 | 第65-67页 |
| ·Q值初始化 | 第67页 |
| ·动作尝试策略 | 第67页 |
| ·效用评估 | 第67-69页 |
| ·效用函数设计 | 第67-68页 |
| ·目标可见性特征及评价 | 第68页 |
| ·目标朝向特征及评价 | 第68-69页 |
| ·目标清晰度特征及评价 | 第69页 |
| ·实验结果与分析 | 第69-75页 |
| ·实验设计 | 第69-70页 |
| ·仿真实验结果与分析 | 第70-71页 |
| ·真实场景实验结果与分析 | 第71-75页 |
| ·本章小结 | 第75-76页 |
| 第五章 面向节点动态选择的策略空间近似表示 | 第76-91页 |
| ·引言 | 第76-77页 |
| ·方法概述 | 第77-79页 |
| ·近似Q-学习 | 第79-80页 |
| ·策略空间近似表示 | 第80-82页 |
| ·策略GMM近似表示 | 第80页 |
| ·GMM初始化 | 第80-81页 |
| ·策略GMR回归 | 第81-82页 |
| ·近似函数在线更新 | 第82-85页 |
| ·GMM步进序列更新 | 第82-84页 |
| ·模型分量调整 | 第84-85页 |
| ·实验结果与分析 | 第85-90页 |
| ·实验设计 | 第85页 |
| ·仿真实验结果与分析 | 第85-88页 |
| ·真实场景实验结果与分析 | 第88-90页 |
| ·本章小结 | 第90-91页 |
| 第六章 总结与展望 | 第91-94页 |
| ·本文工作总结 | 第91-92页 |
| ·下一步研究方向 | 第92-94页 |
| 参考文献 | 第94-100页 |
| 致谢 | 第100-101页 |
| 附录A 博士期间参与的科研项目 | 第101-102页 |
| 附录B 博士期间发表录用论文和专利 | 第102-104页 |