基于概率图模型的无线传感器网络信息融合
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·背景及意义 | 第9-10页 |
| ·无线传感器网络概述 | 第10-11页 |
| ·无线传感器网络的概念 | 第10页 |
| ·无线传感器网络的特征 | 第10-11页 |
| ·无线传感器网络的应用 | 第11页 |
| ·信息融合技术概述 | 第11-12页 |
| ·信息融合的基本原理 | 第11-12页 |
| ·信息融合的优缺点 | 第12页 |
| ·无线传感器网络信息融合的发展和研究意义 | 第12-13页 |
| ·论文组织结构 | 第13-14页 |
| 第二章 无线传感器网络的信息融合技术 | 第14-25页 |
| ·无线传感器网络的结构 | 第14-16页 |
| ·典型的无线传感器网络的结构 | 第14-15页 |
| ·无线传感器网络的协议栈 | 第15页 |
| ·无线传感器网络的关键问题 | 第15-16页 |
| ·无线传感器网络中的信息融合 | 第16-20页 |
| ·融合与能源消耗 | 第16-18页 |
| ·融合技术 | 第18页 |
| ·应用于无线传感器网络的融合技术 | 第18-20页 |
| ·基于概率图模型的信息融合 | 第20-24页 |
| ·概率图模型 | 第20-21页 |
| ·贝叶斯网络 | 第21-23页 |
| ·动态贝叶斯网络 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 无线传感器网络的静态模型 | 第25-34页 |
| ·分布式环境中的无线传感器网络的静态模型 | 第25-28页 |
| ·网络结构 | 第25-27页 |
| ·模型结构 | 第27-28页 |
| ·有向静态模型的信度传播 | 第28-30页 |
| ·有向静态模型的学习 | 第30-31页 |
| ·实验及分析说明 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 无线传感器网络的分布式动态模型 | 第34-50页 |
| ·物理模型的建立 | 第34-35页 |
| ·分布式连续贝叶斯 | 第35-38页 |
| ·分布式连续贝叶斯估计 | 第35-37页 |
| ·分布式连续贝叶斯算法 | 第37-38页 |
| ·信度循环算法 | 第38-43页 |
| ·高斯逼近法 | 第38-40页 |
| ·LPG 函数逼近法 | 第40-43页 |
| ·高斯近似法和 LPG 函数逼近法的比较 | 第43页 |
| ·最佳传感器节点的选取 | 第43页 |
| ·实验分析及说明 | 第43-49页 |
| ·本章小节 | 第49-50页 |
| 第五章 总结和展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 发表论文和科研情况说明 | 第54-55页 |
| 致谢 | 第55-56页 |
