基于Bayesian統(tǒng)計推斷的粒子濾波技術(shù)及應(yīng)用

第1章 緒論
1.1 粒子濾波定義與擴展概述
1.2 粒子濾波算法性能描述
1.3 粒子濾波及其應(yīng)用的分類概述
1.4 粒子濾波算法及其應(yīng)用
1.5 粒子濾波與強化學習結(jié)合在數(shù)字孿生可靠性估計中的應(yīng)用
1.6 本章小結(jié)
第2章 粒子濾波的基本原理
2.1 概念的介紹
2.2 粒子濾波的引入
2.3 粒子濾波的基本類型
2.4 本章小結(jié)
第3章 多尺度粒子濾波算法
3.1 MCMC重要采樣方法
3.2 多尺度粒子濾波算法的引入
3.3 多尺度粒子濾波算法的原理
3.4 多尺度粒子濾波目標識別與跟蹤算法實現(xiàn)
3.5 多尺度粒子濾波算法的深入討論
3.6 多尺度粒子濾波對目標跟蹤與聲源定位仿真
3.7 多尺度粒子濾波算法的總結(jié)和性能分析
3.8 本章小結(jié)
第4章 多尺度粒子濾波的擴展算法
4.1 擴展算法的前提條件
4.2 多尺度粒子濾波的統(tǒng)計算法
4.3 多尺度粒子濾波的概率矩形區(qū)域模型
4.4 粒子濾波在受野值破壞非線性時間序列中的應(yīng)用仿真
4.5 多尺度粒子濾波的均值漂移算法
4.6 本章小結(jié)
第5章 擴展算法在WSN中的應(yīng)用(Ⅰ)
5.1 WSN概述
5.2 WSN中機動目標狀態(tài)的估計
5.3 無線傳感器網(wǎng)絡(luò)信道建模分析
5.4 多尺度粒子濾波的EM算法對信道狀態(tài)的估計
5.5 多尺度粒子濾波的EM算法對記憶信道參數(shù)的估計
5.6 多尺度粒子濾波在信道盲估計中的應(yīng)用
5.7 仿真測試
5.8 本章小結(jié)
第6章 擴展算法在WSN中的應(yīng)用(Ⅱ)
6.1 非高斯噪聲無線多徑衰落信道的描述
6.2 多尺度粒子濾波對混合高斯噪聲系統(tǒng)的特征參數(shù)估計
6.3 仿真測試
6.4 本章小結(jié)
第7章 粒子濾波復(fù)雜應(yīng)用
7.1 基于Stiefel流形和權(quán)值優(yōu)化粒子濾波在CS中的應(yīng)用
7.2 基于粒子濾波EM算法應(yīng)用的典型案例
7.3 時空狀態(tài)演繹模型
7.4 粒子濾波算法與機器學習結(jié)合關(guān)鍵技術(shù)
7.5 粒子濾波在強化學習中的應(yīng)用
7.6 基于粒子濾波聯(lián)邦學習方法框架的構(gòu)建
7.7 本章小結(jié)
參考文獻
附錄與難點解析說明
附錄1 WSN機動目標跟蹤模擬流程圖
附錄2 SIR濾波算法仿真程序
附錄3 多尺度粒子濾波算法及其擴展算法可行性的理論證明與說明
附錄4 不完全β函數(shù)的定義
附錄5 智慧農(nóng)業(yè)感知系統(tǒng)數(shù)據(jù)分析
附錄6 仿真程序與性能進一步分析
附錄7 專業(yè)術(shù)語縮略詞表
附錄8 部分彩圖