多运动平台协同导航的分散式算法研究 9787118102611 epub pdf mobi txt 电子书下载 2024

Name: 多运动平台协同导航的分散式算法研究 9787118102611 pdf epub mobi txt 电子书 2024
SKU: 29657894353
Rating: 4 (10 reviews)

☆☆☆☆☆
简体网页||繁体网页

穆华著

下载链接在页面底部

点击这里下载

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到静思书屋

book.tinynews.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

发表于2024-11-25

商品介绍

店铺：韵读图书专营店

出版社：国防工业出版社

ISBN：9787118102611

商品编码：29657894353

包装：平装

出版时间：2015-10-01

多运动平台协同导航的分散式算法研究 9787118102611 epub pdf mobi txt 电子书下载 2024

类似图书点击查看全场最低价

书籍描述

图书基本信息
图书名称	多运动平台协同导航的分散式算法研究	作者	穆华
定价	50.00元	出版社	国防工业出版社
ISBN	9787118102611	出版日期	2015-10-01
字数		页码
版次	1	装帧	平装
开本	16开	商品重量	0.4Kg

内容简介

穆华、吴美平、胡、王飞行编*的《多运动平台协同导航的分散式算法研究》共分为6章。章阐述了多运动平台协同导航的研究背景和意义，总结了分散式数据融合技术和贝叶斯网络推理算法的研究现状。第2章建立了协同导航的状态空间模型和概率图模型。第3章设计了增广信息滤波协同导航算法。
　　分析了增广信息滤波的运算特点，指出状态恢复是全局运算，并给出了适合分散式实现的基于矩阵分解的状态恢复算法。第4章提出了分散式增广信息滤波协同导航算法。算法包含单平台局部数据融合和状态恢复两部分，状态恢复的求解实际上是平台间进行信息共享的过程。建立了一套分散式算法的性能评价指标，并分析了分散式增广信息滤波的各项性能。第5章提出了一种新的高斯动态贝叶斯网络推理算法。针对变量间存在确定的贝叶斯网络，提出了矩参数懒惰推理算法，为高斯贝叶斯网络的推理提供了通用、直接的解决方案。针对动态贝叶斯网络的推理，设计了新的递增动态联合树算法。上述两个新算法结合起来可以对高斯动态贝叶斯网络进行推理，从而为协同导航分散式联合树算法设计奠定了基础。第6章提出了协同导航分散式联合树算法框架。分析了算法的复杂度及工作负载均衡性，比较研究了分散式卡尔曼滤波和矩参数分散式联合树算法，以及分散式增广信息滤波和分散式信息参数联合树算法。

作者简介

章绪论
1.1 研究背景
1.2 多运动平台协同导航的相关研究
1.3 分散式数据融合技术
1.3.1 多传感器目标跟踪
1.3.2 传感器网络的校准
1.4 分散式协同导航算法研究
1.5 贝叶斯网络推理算法
1.5.1 算法分类
1.5.2 几种推理算法
1.6 机器人同步定位与建图(SLAM)的启示
第2章多运动平台协同导航的数学模型
2.1 协同导航系统特征分析
2.2 协同导航的状态空间模型
2.2.1 单平台的状态空间模型
2.2.2 平台系统的状态空间模型
2.2.3 状态空间模型小结
2.3 协同导航的概率图模型
2.3.1 概率图模型
2.3.2 动态贝叶斯网络表达
2.3.3 马尔可夫场
2.4 小结
第3章协同导航增广信息滤波算法
3.1 协同导航的高斯滤波
3.1.1 高斯滤波
3.1.2 矩参数表达
3.1.3 信息参数表达
3.2 协同导航的增广信息滤波
3.3 基于矩阵分解的状态恢复算法
3.3.1 均值恢复
3.3.2 协方差按列恢复
3.3.3 稀疏协方差恢复
3.4 增广信息滤波的马尔可夫场
3.5 小结
第4章协同导航分散式增广信息滤波算法设计
4.1 单平台局部数据融合
4.1.1 状态添加
4.1.2 观测更新
4.1.3 状态消元
4.2 分布式递增Cholesky修正算法
4.2.1 矩阵的Cholesky分解
4.2.2 递增Cholesky修正
4.2.3 递增的状态恢复
4.2.4 分布式递增Cholesky修正
4.2.5 关于选取Cholesky分解算法的讨论
4.3 基于递增Cholesky修正的分散式状态恢复
4.3.1 递增Cholesky修正
4.3.2 状态恢复
4.3.3 存储管理
4.4 算法框架及性能分析
4.4.1 算法框架
4.4.2 性能指标
4.4.3 性能分析
4.5 仿真实验
4.6 比较：分散式卡尔曼滤波(DKF)
4.7 小结
第5章高斯动态贝叶斯网络推理算法设计
5.1 引言
5.2 联合树及其构造
5.2.1 概率图消元
5.2.2 联合树的构造
5.3 离散贝叶斯网络联合树算法
5.3.1 运算定义
5.3.2 证据引入
5.3.3 消息传递策略
5.4 高斯贝叶斯网络信息参数联合树算法
5.4.1 势函数
5.4.2 证据引入
5.4.3 势函数运算
5.4.4 算例
5.5 高斯贝叶斯网络矩参数懒惰推理算法设计
5.5.1 研究动机
5.5.2 矩参数的推理特点
5.5.3 利用有向图信息
5.5.4 联合树相关操作
5.5.5 懒惰算法设计
5.5.6 算法分析
5.6 动态贝叶斯网络递增推理算法设计
5.6.1 前向界面算法
5.6.2 递增动态联合树算法设计
5.7 仿真算例
5.8 小结
第6章协同导航分散式联合树算法设计
6.1 算法框架
6.2 算法实现
6.2.1 消元顺序的选取
6.2.2 连接树的建立
6.2.3 消息传递
6.3 算法性能分析
6.3.1 计算复杂度分析
6.3.2 通信复杂度分析
6.3.3 工作负载的均衡
6.3.4 比较：前向界面算法
6.4 DKF与DJT(M)比较
6.5 DAIF与DJT(I)比较
6.5.1 矩阵分解与消元
6.5.2 复杂度比较
6.6 综合分析
6.7 小结
附录A 高斯分布的矩参数和信息参数表达及概率推演
A.1 高斯分布的矩参数和信息参数
A.2 边缘分布
A.3 条件分布
A.4 联合分布
A.5 观测融合
附录B Cholesky分解算法
B.1 向上看Cholesky分解算法
B.2 向左看cholesky分解算法
B.3 向右看Cholesky分解算法
附录C 图论基本概念及小生成树算法
C.1 一些图论的概念
C.2 小生成树算法
参考文献