面向智能汽车的情境模型及中间件研究
| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-29页 |
| ·课题背景 | 第13-24页 |
| ·普适计算 | 第13-18页 |
| ·智能交通系统 | 第18-21页 |
| ·智能汽车 | 第21-24页 |
| ·研究动机 | 第24-26页 |
| ·研究内容和贡献 | 第26-27页 |
| ·论文结构 | 第27-29页 |
| 第2章 情境感知计算综述 | 第29-63页 |
| ·情境定义及其分类 | 第29-33页 |
| ·情境定义 | 第30-32页 |
| ·情境分类 | 第32-33页 |
| ·情境感知计算简介 | 第33-35页 |
| ·情境获取 | 第35-37页 |
| ·情境建模 | 第37-55页 |
| ·键值对模型 | 第37-38页 |
| ·标记配置模型 | 第38-40页 |
| ·面向对象模型 | 第40-46页 |
| ·逻辑模型 | 第46-48页 |
| ·本体模型 | 第48-52页 |
| ·图模型 | 第52-55页 |
| ·其他模型 | 第55页 |
| ·情境推理 | 第55-62页 |
| ·逻辑推理 | 第56-58页 |
| ·机器学习 | 第58-59页 |
| ·统计和证据理论 | 第59-60页 |
| ·本体推理 | 第60-61页 |
| ·基于事例的推理 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第3章 面向知识融合的三层情境模型 | 第63-79页 |
| ·三层模型概述 | 第64-65页 |
| ·基于本体的原子情境层 | 第65-68页 |
| ·基于融合的复合情境层 | 第68-77页 |
| ·复合情境状态定义 | 第68-69页 |
| ·复合情境关系定义 | 第69-73页 |
| ·智能车实例 | 第73-77页 |
| ·本章小结 | 第77-79页 |
| 第4章 面向智能汽车的情境推理 | 第79-95页 |
| ·概述 | 第79-81页 |
| ·基于机器学习的情境识别 | 第81-86页 |
| ·情境模式训练 | 第81-85页 |
| ·实时情境识别 | 第85-86页 |
| ·基于逻辑的情境推理 | 第86-90页 |
| ·规则推理引擎概述 | 第87-88页 |
| ·规则推理算法 | 第88-90页 |
| ·性能评估 | 第90-94页 |
| ·本章小结 | 第94-95页 |
| 第5章 情境感知的中间件平台SCUDWare | 第95-109页 |
| ·SCUDWare1.0中间件平台 | 第95-97页 |
| ·SCUDWare2.0中间件平台 | 第97-104页 |
| ·情境获取器ContextWrapper | 第99-101页 |
| ·情境推理器ContextReasoner | 第101-102页 |
| ·情境存储器ContextStorage | 第102-104页 |
| ·应用程序开发框架 | 第104-108页 |
| ·本章小结 | 第108-109页 |
| 第6章 智能汽车原型系统 | 第109-126页 |
| ·体系架构 | 第109-111页 |
| ·原型实现 | 第111-125页 |
| ·网络基础设施 | 第111-113页 |
| ·硬件基础设施 | 第113-116页 |
| ·智能汽车服务 | 第116-125页 |
| ·本文小结 | 第125-126页 |
| 第7章 结束语 | 第126-128页 |
| ·本文工作总结 | 第126-127页 |
| ·不足之处和进一步工作 | 第127-128页 |
| 参考文献 | 第128-139页 |
| 攻读博士学位期间主要的研究成果 | 第139-141页 |
| 致谢 | 第141-142页 |
