声明
第1章 绪论
1.1 研究背景
1.1.1 汽车CPS概述
1.1.2 大数据认知计算
1.2 研究现状与分析
1.3 研究问题与挑战
1.3.1 研究问题
1.3.2 面临的困难与挑战
1.4 研究内容与创新
1.4.1 研究思路
1.4.2 研究内容
1.4.3 研究贡献
1.5 论文的组织
第2章 汽车CPS大数据认知计算
2.1 汽车CPS认知计算
2.2 交通流预测方法
2.3 汽车CPS大数据表示
2.3.1 多模态数据表示
2.3.2 张量数据表示
2.4 汽车CPS大数据的深度学习认知方法
2.4.1 深度学习工作原理
2.4.2 卷积神经网络
2.4.3 栈式自编码器
2.4.4 递归神经网络
2.4.5 基于张量的深度学习
2.4.6 深度学习模型优化
2.5 汽车CPS大数据应用并行计算
2.5.1 数据并行与模型并行
2.5.2 GPU加速与计算集群
2.5.3 并行应用的计算资源分配
2.6 深度学习认知计算应用与挑战
2.6.1 深度学习认知计算应用
2.6.2 深度学习认知计算挑战
2.7 本章小结
第3章 基于张量的汽车CPS大数据表示方法
3.1 本章引言
3.2 张量数据表示
3.3 基于张量的深度计算
3.3.1 基于张量的深度计算模型
3.3.2 重构误差
3.3.3 基于张量训练的学习算法
3.4 Tucker分解深度计算
3.4.1 Tucker分解
3.4.2 Tucker分解深度计算模型
3.4.3 基于Tucker分解的深度计算学习算法
3.5 实验
3.5.1 实验设置
3.5.2 评价指标
3.5.3 实验结果
3.6 本章小结
第4章 基于模糊深度卷积网的汽车CPS大数据认知
4.1 本章引言
4.2 相关技术基础
4.2.1 模糊理论
4.2.2 深度卷积网模型
4.2.3 问题形式化
4.3 模糊卷积网模型及学习算法
4.3.1 模糊深度残差网模型
4.3.2 FDCN学习算法
4.4 实验结果
4.4.1 实验设置
4.4.2 评价指标
4.4.3 模型收敛性分析
4.4.4 模型设计因素分析
4.4.5 预测性能比较
4.5 本章小结
第5章 满足实时需求的汽车CPS大数据应用并行方法
5.1 本章引言
5.2 系统模型和成本模型
5.2.1 系统模型
5.2.2 成本模型
5.2.3 任务优先级
5.3 有成本限制的并行应用执行时间最小化
5.3.1 问题形式化
5.3.2 已有的HBCS算法
5.3.3 成本限制
5.3.4 满足成本限制
5.3.5 执行时间最小化
5.3.6 提出的MSLBL算法
5.3.7 MSLBL算法实例
5.4 有时间限制的并行应用执行成本最小化
5.4.1 问题描述
5.4.2 满足时间限制
5.4.3 提出的DCO算法
5.4.4 提出的DUCO算法
5.5 实验结果
5.5.1 实验设置
5.5.2 评价指标
5.5.3 MSLBL算法性能分析
5.5.4 DCO和DUCO算法性能分析
5.6 本章小结
总结与展望
1.工作总结
2.研究展望
参考文献
附录A 发表论文和参加科研情况说明
致谢
湖南大学;