本书从无线传感器网络数据融合着手，侧重介绍可穿戴健康监测系统数据融合的新技术、新方法。与传统的传感器网络相比，大规模复杂传感器网络具有节点类型更多、智能性要求更高、系统复杂性更强等特点。
本书从以下方面展开介绍：①阐述新的多偏好驱动的传感器网络数据融合机制/模型；②给出节点上面向数据级融合的轻量级自适应时间序列特征抽取机制；③介绍面向决策级融合的大规模传感器网络统一建模及分析方法；④介绍大规模医疗社会网络；⑤医疗社会网络医生推荐模型的研究。
样章试读
目录
- 目录
序
前言
第1章 绪论 1
1.1 可穿戴健康监测系统 2
1.1.1 概念定义 2
1.1.2 统一命名 3
1.1.3 系统架构 5
1.1.4 发展现状 7
1.1.5 未来展望 17
1.2 研究背景 21
1.3 研究意义 23
1.4 问题分析 24
1.4.1 传感器网络的应用特征和科研特点 24
1.4.2 传感器网络数据特点 30
1.4.3 存在问题 31
1.5 面临挑战 31
1.6 可穿戴健康监测系统数据融合研究内容 34
1.7 与传统无线传感器网络数据融合的区别 40
1.8 数据融合未来展望 41
1.8.1 发展趋势 41
1.8.2 物联网中数据融合 42
1.8.3 海计算中数据融合 45
1.9 本书内容 47
1.10 未来研究 49
1.11 本章小结 50
参考文献 51
第2章 传感器网络数据融合关键技术研究综述 58
2.1 传感器网络数据融合方法研究 58
2.1.1 数据融合的定义和原理 59
2.1.2 数据融合的应用及特点 60
2.1.3 数据融合的技术/算法 64
2.1.4 数据融合与各协议层的关系 69
2.1.5 数据融合在各协议层的实现 69
2.1.6 数据融合中信息的类型 72
2.2 数据融合模型 73
2.3 数据融合的分类 78
2.4 数据融合当前研究热点 82
2.5 数据融合研究现状及代表性工作 83
2.5.1 研究现状 83
2.5.2 代表性工作 84
2.6 本章小结 90
参考文献 90
第3章 多偏好驱动的传感器网络数据融合模型 98
3.1 MPD-Model产生的背景 98
3.1.1 传感器网络对数据融合模型的需求 98
3.1.2 传感器网络应用对智能性的需求 100
3.1.3 历史数据在融合中的作用 102
3.1.4 传感器网络物理模型的驱动 103
3.2 相关研究 105
3.3 多偏好驱动的传感器网络数据融合模型 107
3.3.1 传感器网络系统描述 108
3.3.2 融合模型设计依据 109
3.3.3 融合模型提出及描述 110
3.3.4 融合模型实例说明 114
3.4 偏好信息量化方法 115
3.5 模型评估方法及指标体系 117
3.5.1 非参数检验 117
3.5.2 基于算法分析与机器学习的评价指标 119
3.5.3 基于JDL模型的评价指标 120
3.6 模型验证及评估 121
3.6.1 实验设置 121
3.6.2 偏好信息影响权重有效性验证 122
3.6.3 与基线方法对比评估 124
3.7 MPD-Model的优点及特色 125
3.7.1 MPD-Model的优点 125
3.7.2 MPD-Model的特色 127
3.8 本章小结 127
参考文献 128
第4章 面向数据级融合的轻量级自适应特征抽取技术 132
4.1 特征抽取面临的问题及挑战 132
4.1.1 感知参数的多样性及模式复杂性 132
4.1.2 传感器网络低信噪比现象及原因 134
4.2 相关研究 134
4.3 数据关联 135
4.4 FEA算法 136
4.4.1 算法自适应设计的依据 137
4.4.2 算法思想 138
4.4.3 信标特征点发现 139
4.4.4 候选特征点标识 139
4.4.5 正式特征点选择 140
4.5 数据属性决策 141
4.6 FEA算法复杂度分析 143
4.7 FEA中自适应参数的有效性验证 144
4.7.1 自动计算自适应参数有效性验证 145
4.7.2 先验知识自适应参数有效性验证 146
4.8 FEA算法的性能评估 146
4.8.1 FEA算法整体有效性验证 146
4.8.2 FEA算法性能评估 148
4.9 本章小结 149
参考文献 150
第5章 基于加权平均法的分布式多偏好特征级融合算法 152
5.1 相关研究 152
5.2 特征关联 153
5.3 多源参数融合影响权重的偏好分析 154
5.4 MFA算法 155
5.5 基于SVM的特征决策算法 156
5.6 TFD-Pattern：一种新的时间序列模式设计及说明 159
5.7 实验评估 161
5.7.1 MFA算法融合有效性评估 161
5.7.2 MFA算法降耗比评估 161
5.7.3 MFA性能评估 162
5.8 本章小结 163
参考文献 163
第6章 面向决策级融合的基于因子图模型的健康状态预测方法 164
6.1 决策级融合问题产生背景 164
6.1.1 研究动机 165
6.1.2 面临挑战 166
6.1.3 方法贡献 167
6.2 算法设计依据及说明 167
6.3 相关研究 168
6.4 基于TS-FGM的决策关联 169
6.4.1 问题定义 169
6.4.2 TS-FGM 170
6.5 面向决策级融合的TS-FGM学习算法 171
6.6 人体健康状态预测/检测 173
6.7 实验评估 174
6.7.1 实验设置 174
6.7.2 预测性能 175
6.7.3 与基线算法对比 177
6.8 本章小结 177
参考文献 178
第7章 大规模医疗社会网络 180
7.1 引言 180
7.2 产生背景 182
7.3 研究意义 183
7.4 概念说明 184
7.4.1 概念定义 184
7.4.2 实例说明 186
7.4.3 PDhms：一个真实的医疗社会网络节点 187
7.4.4 EasiCPR：数据融合关键技术应用验证系统 187
7.5 国内外研究现状及发展动态 195
7.5.1 国内外研究现状 195
7.5.2 国内外发展动态 196
7.6 研究内容及关键科学问题 198
7.6.1 研究内容 198
7.6.2 关键科学问题 201
7.6.3 创新点 202
7.7 技术方案及可行性分析 202
7.7.1 技术方案 202
7.7.2 可行性分析 210
7.8 已有研究基础 212
7.9 研究工作条件 214
7.10 本章小结 214
参考文献 214
第8章 医疗社会网络医生推荐模型的研究 218
8.1 引言 218
8.2 相关研究 219
8.3 模型架构 221
8.4 基于概率因子图模型医生-病人关系挖掘 221
8.5 医生-病人社会关系优化 223
8.6 用于计算医生权威度的特征抽取 225
8.7 基于Ranking SVM的医生权威度排序 226
8.8 基于偏好的个性化医生推荐模型 227
8.9 基于随机游走模型的医生推荐方法 228
8.9.1 转移概率矩阵定义 228
8.9.2 基于随机游走模型的节点排序推荐算法 229
8.10 实验及评估 230
8.10.1 医生-病人关系挖掘评估 232
8.10.2 基于Ranking SVM算法的有效性 233
8.10.3 医生权威度排名评估 234
8.10.4 IDR-Model推荐性能评估 234
8.10.5 RWR-Model推荐性能评估 236
8.11 本章小结 237
参考文献 237
京公网安备 11010102004214号