基于贝叶斯理论的通信网络数据处理技术研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 研究背景 | 第15-21页 |
| 1.1.1 问题的提出 | 第15页 |
| 1.1.2 问题的进一步分析 | 第15-17页 |
| 1.1.3 贝叶斯理论和贝叶斯网络 | 第17-18页 |
| 1.1.4 应用对象的选择 | 第18-21页 |
| 1.2 本文研究方向及国内外研究现状 | 第21-24页 |
| 1.2.1 数据差错控制相关技术研究 | 第21-22页 |
| 1.2.2 数据融合与压缩 | 第22-23页 |
| 1.2.3 贝叶斯网络 | 第23-24页 |
| 1.3 本文的研究思路和结构安排 | 第24-27页 |
| 第二章 网络数据处理的贝叶斯理论模型 | 第27-41页 |
| 2.1 网络数据传输中不确定性问题建模 | 第27-29页 |
| 2.2 贝叶斯网络与先验性概率表达研究 | 第29-33页 |
| 2.2.1 图模型概述 | 第30-31页 |
| 2.2.2 联合概率分布的贝叶斯网络模型表达 | 第31-33页 |
| 2.3 基于机器学习的概率模型自适应表达 | 第33-38页 |
| 2.3.1 贝叶斯网络参数学习 | 第34-36页 |
| 2.3.2 贝叶斯网络结构学习 | 第36-38页 |
| 2.4 贝叶斯网络推理与最大后验估计模型分析 | 第38-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 快速贝叶斯网络学习算法 | 第41-73页 |
| 3.1 基于结构边界的混合学习算法 | 第41-53页 |
| 3.1.1 相关定义 | 第42-43页 |
| 3.1.2 算法描述 | 第43-50页 |
| 3.1.3 实验结果与分析 | 第50-53页 |
| 3.2 迁移学习算法 | 第53-65页 |
| 3.2.1 迁移学习 | 第54-55页 |
| 3.2.2 贝叶斯网络迁移学习 | 第55-65页 |
| 3.3 仿真结果与分析 | 第65-70页 |
| 3.3.1 结构迁移算法仿真 | 第65-68页 |
| 3.3.2 样本空间迁移算法仿真 | 第68-70页 |
| 3.4 本章小结 | 第70-73页 |
| 第四章 基于先验概率知识表达的网络数据容错处理 | 第73-91页 |
| 4.1 分组字段的关联性特征分析 | 第73-76页 |
| 4.2 基于贝叶斯网络的协议关键字段的前向纠错 | 第76-84页 |
| 4.2.1 问题分析 | 第76-77页 |
| 4.2.2 贝叶斯网络推理的分组纠错模型 | 第77-80页 |
| 4.2.3 仿真结果与分析 | 第80-84页 |
| 4.3 基于样本空间迁移的关键协议字段容错处理 | 第84-90页 |
| 4.3.1 算法描述 | 第85-87页 |
| 4.3.2 实验结果与分析 | 第87-90页 |
| 4.4 本章小结 | 第90-91页 |
| 第五章 基于贝叶斯网络的数据容错压缩还原 | 第91-109页 |
| 5.1 压缩感知 | 第91-94页 |
| 5.2 基于贝叶斯网先验表达的压缩感知重构算法 | 第94-101页 |
| 5.2.1 贝叶斯压缩传感 | 第94-96页 |
| 5.2.2 压缩感知的贝叶斯网络表达 | 第96-98页 |
| 5.2.3 基于先验知识表达的重构算法 | 第98-101页 |
| 5.3 实验验证与分析 | 第101-106页 |
| 5.3.1 多目标定位跟踪场景验证 | 第101-106页 |
| 5.4 本章小结 | 第106-109页 |
| 第六章 总结与展望 | 第109-113页 |
| 一、全文总结 | 第109-111页 |
| 二、展望 | 第111-113页 |
| 参考文献 | 第113-125页 |
| 作者简历攻读博士学位期间完成的主要工作 | 第125-127页 |
| 一、个人简历 | 第125页 |
| 二、攻读博士学位期间发表的学术论文和取得的专利 | 第125页 |
| 三、攻读博士学位期间参与编写的专著 | 第125-126页 |
| 四、攻读博士学位期间的科研情况 | 第126-127页 |
| 致谢 | 第127页 |
