網路化系統分散式狀態自適應估計理論及其套用

《網路化系統分散式狀態自適應估計理論及其套用》是2022年8月北京郵電大學出版社出版的圖書,作者:楊樹傑 郝昊 陳星延。

基本介紹

  • 中文名:網路化系統分散式狀態自適應估計理論及其套用
  • 作者:楊樹傑 郝昊 陳星延
  • 出版時間:2022年8月24日
  • 出版社:北京郵電大學出版社
  • ISBN:9787563566969
  • 定價:48 元
出版信息,內容簡介,目錄介紹,

出版信息

  • 書名:網路化系統分散式狀態自適應估計理論及其套用
  • 出版時間:2022-08-24
  • 編 著 者:楊樹傑 郝昊 陳星延
  • 版 次:1-1
  • I S B N:978-7-5635-6696-9
  • 定 價:¥48.00元

內容簡介

近十年里,信息技術的迅猛發展極大地影響著控制系統的結構,隨著控制對象規模的不斷擴大,分散式的網路化系統作為計算機網路未來發展的趨勢已經受到越來越廣泛的關注。本書面向計算機相關專業本科生、研究生,系統介紹了網路化系統分散式狀態自適應估計理論及其實用案例。本書從理論分析到實際套用,從傳統算法的改進到人工智慧方法的引入,為讀者提供多維度的理論介紹和套用展示。
本書共分8章。第1、2章對網路化系統、分散式狀態估計算法理論與卡爾曼濾波分散式理論進行了初步介紹;第3~5章正式提出了一系列新的算法,並將它們分別套用到了動態拓撲、可量化和含約束集的網路化系統實例中;第6~8章引入了人工智慧的方法,使讀者對網路化系統分散式狀態估計算法的未來發展有更深刻的理解。
本書可以作為計算機相關專業本科生、研究生的參考資料,也可供相關領域的研究學者參閱。

目錄介紹

目錄
第1章網路化系統分散式狀態估計簡介1
1.1網路化系統介紹1
1.2分散式狀態估計2
1.2.1部分分散式狀態估計4
1.2.2完全分散式狀態估計5
參考文獻5
第2章分散式狀態估計算法理論7
2.1分散式狀態估計算法研究現狀7
2.2分散式網路10
2.2.1分散式網路分類10
2.2.2自適應分散式網路11
2.3自適應濾波算法12
2.3.1經典自適應濾波算法12
2.3.2基於一致性策略的自適應濾波算法17
2.3.3基於擴散性策略的自適應濾波算法19
2.3.4一致性策略與擴散性策略的比較23
2.3.5穩定性原理24
參考文獻29
第3章動態拓撲的網路化系統下分散式狀態估計34
3.1研究背景34
3.2虛擬感測網路系統簡介36
3.3虛擬感測網路系統描述37
3.3.1網路及通信系統建模37
3.3.2機率化的網路拓撲表征41
3.4基於動態拓撲的擴散性卡爾曼濾波算法42
3.4.1算法概述42
3.4.2算法性能分析44
3.5算法性能對比47
3.5.1實驗環境設定47
3.5.2實驗結果對比分析48
參考文獻52
|網路化系統分散式狀態自適應估計理論及其套用|
|目錄|
第4章可量化的網路化系統下分散式狀態估計54
4.1研究背景54
4.2移動群智感知網路化系統簡介56
4.2.1移動群智感知網路化系統研究現狀56
4.2.2移動群智感知網路化系統組成57
4.3移動群智感知網路化系統描述58
4.3.1網路模型59
4.3.2抖動量化模型61
4.4可量化分散式自適應算法62
4.4.1基於本地信息互動的擴散性卡爾曼濾波算法62
4.4.2基於量化信息互動的擴散性卡爾曼濾波算法63
4.4.3算法性能分析67
4.5移動群智感知對節點運動軌跡的預測及誤差分析70
4.5.1實驗環境設定70
4.5.2實驗結果對比分析72
參考文獻79
第5章含約束集的網路化系統下分散式最佳化81
5.1研究背景81
5.1.1現存問題81
5.1.2研究現狀83
5.2內容中心網路化系統描述87
5.2.1網路模型88
5.2.2內容流行度模型88
5.2.3能量消耗模型89
5.3基於正交投影的擴散性分散式算法設計90
5.3.1快取問題分析90
5.3.2分散式算法構建91
5.3.3算法性能分析93
5.4針對CERNET、GEANT、Abilene拓撲場景下的快取最佳化分析95
5.4.1實驗環境設定96
5.4.2實驗結果對比分析97
參考文獻103
第6章網路化系統中強化學習算法及套用107
6.1經典強化學習算法107
6.1.1巴甫洛夫的實驗107
6.1.2俄羅斯方塊遊戲109
6.1.3強化學習的評價標準111
6.1.4強化學習與馬爾可夫過程112
6.1.5強化學習算法分類113
6.2多更新強化學習算法115
6.3多智慧型體強化學習算法116
6.3.1多智慧型體強化學習基本概念116
6.3.2三種多智慧型體強化學習框架117
參考文獻119
第7章分散式多更新強化學習方法在邊緣計算中的套用120
7.1研究背景120
7.1.1邊緣計算中的服務卸載120
7.1.2強化學習方法介紹122
7.2分散式服務卸載的系統模型122
7.2.1服務卸載的場景化定義123
7.2.2問題的馬爾可夫過程表述125
7.3多更新的強化學習卸載方案127
7.3.1實際問題的公式化描述127
7.3.2最優集合的定義方法128
7.4基於深度強化學習的服務卸載算法設計129
7.4.1行為解集的最優選擇算法129
7.4.2多更新賦能的強化學習算法131
7.5不同資源分布下的算法性能測試135
7.5.1實驗環境設定135
7.5.2實驗結果對比分析136
參考文獻144
第8章網路化多智慧型體強化學習在視頻轉碼中的套用146
8.1研究背景146
8.2直播系統模型構建149
8.2.1行動網路模型149
8.2.2視頻轉碼模型149
8.2.3增廣圖模型150
8.2.4分散式最佳化目標151
8.3基於網路化多智慧型體強化學習的模型重構152
8.4基於多智慧型體強化學習的聯合最佳化算法設計156
8.4.1策略梯度理論156
8.4.2基於網路化MARL的“行動者評論家”算法157
8.4.3MAAC算法的分散式部署159
8.5實驗驗證和性能分析160
8.5.1實驗環境設定160
8.5.2實驗結果對比分析162
參考文獻166

相關詞條

熱門詞條

聯絡我們