分布式变分贝叶斯算法及其应用
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第15-27页 |
| 1.1 无线传感器网络概述 | 第15-16页 |
| 1.2 分布式信息处理 | 第16-19页 |
| 1.3 贝叶斯学习与变分贝叶斯 | 第19-24页 |
| 1.4 本文研究内容与结构安排 | 第24-27页 |
| 2 分布式变分贝叶斯算法框架 | 第27-55页 |
| 2.1 引言 | 第27-28页 |
| 2.2 问题描述与预备知识 | 第28-32页 |
| 2.3 分布式变分贝叶斯算法 | 第32-41页 |
| 2.4 例子:基于分布式贝叶斯的高斯混合模型 | 第41-43页 |
| 2.5 仿真实验与结果 | 第43-53页 |
| 2.6 本章小结 | 第53-55页 |
| 3 基于量化通信的分布式联合稀疏贝叶斯学习 | 第55-77页 |
| 3.1 引言 | 第55-56页 |
| 3.2 问题描述与分布式联合稀疏贝叶斯模型 | 第56-59页 |
| 3.3 分布式联合稀疏贝叶斯学习算法 | 第59-63页 |
| 3.4 基于量化通信的分布式平均 | 第63-68页 |
| 3.5 收敛性分析 | 第68-71页 |
| 3.6 仿真实验与结果 | 第71-76页 |
| 3.7 本章小结 | 第76-77页 |
| 4 基于分布式变分贝叶斯的鲁棒卡尔曼滤波 | 第77-100页 |
| 4.1 引言 | 第77-78页 |
| 4.2 鲁棒卡尔曼滤波的贝叶斯模型 | 第78-80页 |
| 4.3 基于变分贝叶斯的鲁棒卡尔曼滤波 | 第80-87页 |
| 4.4 分布式鲁棒卡尔曼滤波 | 第87-92页 |
| 4.5 仿真实验与结果 | 第92-98页 |
| 4.6 本章小结 | 第98-100页 |
| 5 基于分布式变分贝叶斯的扩展目标跟踪 | 第100-123页 |
| 5.1 引言 | 第100-101页 |
| 5.2 扩展目标跟踪的贝叶斯模型 | 第101-104页 |
| 5.3 基于变分贝叶斯的扩展目标跟踪 | 第104-109页 |
| 5.4 分布式扩展目标跟踪 | 第109-115页 |
| 5.5 仿真实验与结果 | 第115-121页 |
| 5.6 本章小结 | 第121-123页 |
| 6 总结与展望 | 第123-125页 |
| 参考文献 | 第125-136页 |
| 附录 | 第136-142页 |
| A 基于分布式VB的高斯混合模型 | 第136页 |
| B 指数族分布的KL散度 | 第136-138页 |
| C Wishart分布以及逆Wishart分布 | 第138页 |
| D 变分下界(4.43)中的期望 | 第138-139页 |
| E 公式(5.34)的证明 | 第139-142页 |
| 致谢 | 第142-143页 |
| 作者简历 | 第143-144页 |
| 攻读博士学位期间的研究成果 | 第144页 |
