| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-16页 |
| 缩略语对照表 | 第16-23页 |
| 第一章 绪论 | 第23-35页 |
| 1.1 研究背景与意义 | 第23-26页 |
| 1.2 研究现状概述 | 第26-29页 |
| 1.2.1 蜂窝网络 | 第26-28页 |
| 1.2.2 物联网与无线传感器网络 | 第28页 |
| 1.2.3 大数据挖掘与空气质量预测 | 第28-29页 |
| 1.3 研究内容与主要贡献点 | 第29-32页 |
| 1.3.1 研究内容 | 第29-30页 |
| 1.3.2 主要贡献点 | 第30-32页 |
| 1.4 本文结构安排 | 第32-35页 |
| 第二章 分布式交替方向乘子算法概述 | 第35-51页 |
| 2.1 引言 | 第35-37页 |
| 2.1.1 并行与分布式计算的应用场景 | 第35-36页 |
| 2.1.2 并行算法与分布式算法的区别 | 第36-37页 |
| 2.1.3 本文中的分布式算法 | 第37页 |
| 2.2 近端算子法 | 第37-42页 |
| 2.2.1 近端算子的定义 | 第38-39页 |
| 2.2.2 基于近端算子的凸优化方法 | 第39-41页 |
| 2.2.3 与传统优化算法的对比 | 第41-42页 |
| 2.3 交替方向乘子算法 | 第42-47页 |
| 2.3.1 交替方向乘子法概述 | 第42-43页 |
| 2.3.2 最优化条件与停止准则 | 第43-45页 |
| 2.3.3 收敛性分析 | 第45-46页 |
| 2.3.4 基本的分布式ADMM算法 | 第46-47页 |
| 2.4 分布式优化算法 | 第47-51页 |
| 2.4.1 优化问题的分解 | 第47页 |
| 2.4.2 迭代算法的分布式运算 | 第47页 |
| 2.4.3 同步迭代与异步迭代 | 第47-48页 |
| 2.4.4 子问题间的协调 | 第48-49页 |
| 2.4.5 运算复杂度 | 第49-51页 |
| 第三章 无线通信网络中的分布式移动数据流量卸载 | 第51-89页 |
| 3.1 引言 | 第51-54页 |
| 3.2 相关工作 | 第54-55页 |
| 3.3 基于分解-协调的分布式移动数据流量卸载框架 | 第55-63页 |
| 3.3.1 网络模型 | 第56-59页 |
| 3.3.2 框架概述 | 第59-61页 |
| 3.3.3 数学模型简化 | 第61-63页 |
| 3.4 分布式同步迭代多块近似雅克比交替方向乘子算法 | 第63-68页 |
| 3.4.1 ProxJ-ADMM算法推导 | 第63-67页 |
| 3.4.2 收敛性能分析 | 第67-68页 |
| 3.5 分布式异步迭代交替方向乘子算法 | 第68-77页 |
| 3.5.1 异步迭代算法概述 | 第68-71页 |
| 3.5.2 Async-ADMM算法推导 | 第71-75页 |
| 3.5.3 收敛性能分析 | 第75-77页 |
| 3.6 数值仿真与结果分析 | 第77-83页 |
| 3.6.1 参数设置 | 第78-80页 |
| 3.6.2 算法收敛性比较 | 第80-81页 |
| 3.6.3 性能提升与分析 | 第81-83页 |
| 3.7 本章小结 | 第83-85页 |
| 3.8 附录A:定理3-1的证明 | 第85-86页 |
| 3.9 附录B:引理3-1的证明 | 第86-87页 |
| 3.10 附录C:定理3-2的证明 | 第87-89页 |
| 第四章 无线传感器网络中的低能耗混合数据流量卸载 | 第89-111页 |
| 4.1 引言与相关工作 | 第89-91页 |
| 4.2 网络模型概述 | 第91-93页 |
| 4.3 混合数据流量卸载框架 | 第93-96页 |
| 4.3.1 未授权频段运作(UBO) | 第93-95页 |
| 4.3.2 授权频段租赁(LBR) | 第95页 |
| 4.3.3 授权频段与设施租赁(LBIR) | 第95-96页 |
| 4.3.4 混合数据流量卸载成本最小化问题 | 第96页 |
| 4.4 基于异步协调更新的分布式混合数据流量卸载算法 | 第96-103页 |
| 4.4.1 数学模型简化 | 第97-98页 |
| 4.4.2 AsyncHDO算法推导 | 第98-102页 |
| 4.4.3 收敛性能分析 | 第102-103页 |
| 4.5 数值仿真与结果分析 | 第103-108页 |
| 4.5.1 参数设置 | 第104页 |
| 4.5.2 算法收敛性比较 | 第104-105页 |
| 4.5.3 性能提升与分析 | 第105-108页 |
| 4.6 本章小结 | 第108-109页 |
| 4.7 附录D：定理4-1的证明 | 第109-111页 |
| 第五章 基于异构大数据源的空气质量预测 | 第111-135页 |
| 5.1 引言 | 第111-114页 |
| 5.2 相关工作 | 第114-115页 |
| 5.2.1 现有的空气质量预测模型 | 第114-115页 |
| 5.2.2 三维数据重构模型 | 第115页 |
| 5.3 动态时空观测模型 | 第115-118页 |
| 5.4 高分辨率空气污染物分布信息预测 | 第118-122页 |
| 5.4.1 贝叶斯框架 | 第119页 |
| 5.4.2 基于INLA法的高分辨预测 | 第119-122页 |
| 5.5 基于全变差最小化的预测精度提升算法 | 第122-126页 |
| 5.5.1 问题描述 | 第122-124页 |
| 5.5.2 基于SOCP的对数障碍求解算法 | 第124页 |
| 5.5.3 基于ADMM的求解算法 | 第124-126页 |
| 5.6 数值仿真结果与分析 | 第126-132页 |
| 5.6.1 数据源介绍 | 第126-127页 |
| 5.6.2 仿真场景设置 | 第127-128页 |
| 5.6.3 收敛性能分析 | 第128-129页 |
| 5.6.4 精度提升性能分析 | 第129-132页 |
| 5.7 本章小结 | 第132-135页 |
| 第六章 总结与展望 | 第135-139页 |
| 6.1 本文工作总结 | 第135-136页 |
| 6.2 未来工作展望 | 第136-139页 |
| 参考文献 | 第139-153页 |
| 致谢 | 第153-155页 |
| 作者简介 | 第155-157页 |
