摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第10-17页 |
1.1 研究的背景和意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-14页 |
1.2.1 压缩感知重构算法的研究现状 | 第11-13页 |
1.2.2 传感器网络中时变稀疏信号重构的研究现状 | 第13-14页 |
1.3 本文的主要研究内容和结构安排 | 第14-17页 |
1.3.1 主要研究内容 | 第14-15页 |
1.3.2 结构安排 | 第15-17页 |
第二章 压缩感知与卡尔曼滤波理论 | 第17-30页 |
2.1 压缩感知理论知识 | 第17-21页 |
2.1.1 信号的稀疏表示 | 第18-19页 |
2.1.2 测量矩阵的构造 | 第19-20页 |
2.1.3 信号的重构 | 第20-21页 |
2.2 卡尔曼滤波算法 | 第21-25页 |
2.2.1 系统模型和问题描述 | 第22-23页 |
2.2.2 卡尔曼滤波算法 | 第23-24页 |
2.2.3 信息滤波算法 | 第24-25页 |
2.3 状态约束下的信号估计过程 | 第25-29页 |
2.3.1 系统模型和问题描述 | 第26页 |
2.3.2 稀疏信号的状态约束 | 第26-28页 |
2.3.3 状态约束下的卡尔曼滤波算法流程 | 第28-29页 |
2.4 本章小结 | 第29-30页 |
第三章 基于信息一致滤波的时变稀疏信号重构 | 第30-53页 |
3.1 一致性策略 | 第31-32页 |
3.2 分布式信息一致滤波算法 | 第32-35页 |
3.2.1 系统模型和问题描述 | 第33-34页 |
3.2.2 分布式信息一致滤波算法 | 第34-35页 |
3.3 分布式时变稀疏信号重构算法 | 第35-40页 |
3.3.1 时变稀疏信号重构问题 | 第36-37页 |
3.3.2 基于信息一致滤波的时变稀疏信号重构算法 | 第37-40页 |
3.4 实验仿真与分析 | 第40-52页 |
3.5 本章小结 | 第52-53页 |
第四章 一种变分贝叶斯集中式卡尔曼滤波算法 | 第53-67页 |
4.1 变分贝叶斯推理 | 第54-55页 |
4.2 集中式卡尔曼滤波算法 | 第55-57页 |
4.2.1 信号重构模型 | 第55-56页 |
4.2.2 嵌入伪测量的集中式卡尔曼重构算法 | 第56-57页 |
4.3 变分贝叶斯集中式卡尔曼滤波稀疏信号重构算法 | 第57-62页 |
4.3.1 系统模型和问题描述 | 第57-58页 |
4.3.2 变分贝叶斯逼近 | 第58-60页 |
4.3.3 动态观测噪声方差 | 第60-61页 |
4.3.4 变分贝叶斯集中式卡尔曼滤波算法 | 第61-62页 |
4.4 实验仿真与分析 | 第62-66页 |
4.4.1 实验仿真环境 | 第62-63页 |
4.4.2 仿真结果与分析 | 第63-66页 |
4.5 本章小结 | 第66-67页 |
总结与展望 | 第67-69页 |
参考文献 | 第69-76页 |
攻读硕士学位期间取得的研究成果 | 第76-77页 |
致谢 | 第77-78页 |
附件 | 第78页 |