内容简介：
作者简介：
Jean Walrand
在美国加州大学伯克利分校取得EECS博士学位，自1982年以来一直在该校任教，研究兴趣包括随机过程、排队论、通信网络、博弈论和互联网的经济性。Walrand教授是比利时－美国教育基金会和IEEE的研究员，曾经荣获兰彻斯特奖、莱斯论文奖、IEEE小林宏治奖和ACM测量与评估专业卓越成就奖。
译者简介：
黄隆波
清华大学交叉信息研究院Tenure-track助理教授，博士生导师，中组部“青年千人计划”入选者。于2011年在美国南加州大学电子工程系获得博士学位，于2011年到2012年在美国加州大学伯克利分校电子工程与计算机科学系担任博士后研究员。在美国麻省理工学院信息与系统决策实验室（LIDS）、法国贝尔实验室与香港中文大学网络编码研究所（INC）等机构担任访问学者与访问教授，共发表IEEE/ACM顶级杂志和会议论文40余篇，曾获邀为多个IEEE/ACM顶级期刊审稿并多次担任IEEE/ACM会议程序委员。
作者简介：
作者简介：
Jean Walrand
在美国加州大学伯克利分校取得EECS博士学位，自1982年以来一直在该校任教，研究兴趣包括随机过程、排队论、通信网络、博弈论和互联网的经济性。Walrand教授是比利时－美国教育基金会和IEEE的研究员，曾经荣获兰彻斯特奖、莱斯论文奖、IEEE小林宏治奖和ACM测量与评估专业卓越成就奖。
译者简介：
黄隆波
清华大学交叉信息研究院Tenure-track助理教授，博士生导师，中组部“青年千人计划”入选者。于2011年在美国南加州大学电子工程系获得博士学位，于2011年到2012年在美国加州大学伯克利分校电子工程与计算机科学系担任博士后研究员。在美国麻省理工学院信息与系统决策实验室（LIDS）、法国贝尔实验室与香港中文大学网络编码研究所（INC）等机构担任访问学者与访问教授，共发表IEEE/ACM顶级杂志和会议论文40余篇，曾获邀为多个IEEE/ACM顶级期刊审稿并多次担任IEEE/ACM会议程序委员。
目录：
第1章 PageRank—A1
1.1 模型1
1.2 马尔可夫链3
1.2.1 定义3
1.2.2 n 步后的分布和稳态分布4
1.3 分析5
1.3.1 不可约性和非周期性5
1.3.2 大数定律5
1.3.3 长期时间比例6
1.4 击中时间7
1.4.1 平均击中时间7
1.4.2 击中另一状态之前命中某一状态的概率8
1.4.3 马尔可夫链的首步方程9
1.5 小结10
1.6 参考资料10
1.7 练习11
第2章 PageRank—B15
2.1 样本空间15
2.2 投掷硬币的大数定律17
2.2.1 依概率收敛17
2.2.2 几乎处处收敛18
2.3 独立同分布随机变量的大数定律20
2.3.1 弱大数定律20
2.3.2 强大数定律21
2.4 马尔可夫链的大数定律22
2.5 期望的收敛23
2.6 大定理的证明25
2.6.1 定理1.2(a)的证明25
2.6.2 定理1.2(b)的证明26
2.6.3 周期性27
2.7 小结29
2.8 参考资料29
2.9 练习30
第3章 多路复用—A31
3.1 链路共享32
3.2 高斯随机变量与中心极限定理34
3.3 多路复用与高斯分布37
3.4 置信区间37
3.5 缓冲器39
3.6 多址访问43
3.7 小结44
3.8 参考资料45
3.9 练习45
第4章 多路复用—B47
4.1 特征方程47
4.2 中心极限定理的证明（概要）48
4.3 N(0,1)的高阶矩49
4.4 两个独立同分布于N (0,1)的随机变量平方和50
4.5 特征函数的两个应用51
4.5.1 泊松分布作为二项分布的近似51
4.5.2 指数分布作为几何分布的近似51
4.6 误差函数52
4.7 自适应多址访问53
4.8 小结55
4.9 参考资料55
4.10 练习55
第5章 数字链路—A57
5.1 检测与贝叶斯准则58
5.1.1 贝叶斯准则58
5.1.2 最大后验概率（MAP）与最大似然估计（MLE） 59
5.1.3 二元对称信道60
5.2 霍夫曼编码62
5.3 高斯信道64
5.4 多维高斯信道66
5.5 假设检验67
5.5.1 规范化问题68
5.5.2 解答68
5.5.3 示例69
5.6 小结75
5.7 参考资料76
5.8 练习76
第6章 数字链路—B79
6.1 霍夫曼编码最优性的证明79
6.2 低密度奇偶校验码（LDPC码）80
6.3 联合高斯分布随机变量85
6.4 联合高斯分布随机变量的密度函数86
6.5 奈曼-皮尔逊定理5.6的证明88
6.6 小结89
6.7 参考资料90
6.8 练习90
第7章 追踪定位—A91
7.1 估计问题92
7.2 线性最小平方估计（LLSE） 93
7.3 线性回归97
7.4 最小均方估计（MMSE）98
7.5 随机向量的情况104
7.6 卡尔曼滤波器106
7.6.1 滤波器106
7.6.2 示例107
7.7 小结110
7.8 参考资料110
7.9 练习 111
第8章 追踪定位—B115
8.1 LLSE的更新115
8.2 卡尔曼滤波器的推导116
8.3 卡尔曼滤波器的特性118
8.3.1 可观测性119
8.3.2 可达性120
8.4 扩展卡尔曼滤波器121
8.5 小结124
8.6 参考资料124
第9章 语音识别—A125
9.1 学习：概念和示例125
9.2 隐马尔可夫链126
9.3 期望最大化和聚类129
9.3.1 一个简单的聚类问题129
9.3.2 回首再探130
9.4 学习：隐马尔可夫链132
9.4.1 硬期望最大化132
9.4.2 训练维特比算法132
9.5 小结132
9.6 参考资料133
9.7 练习133
第10章 语音识别—B135
10.1 在线线性回归135
10.2 随机梯度投影理论136
10.2.1 梯度投影137
10.2.2 随机梯度投影算法140
10.2.3 鞅收敛定理142
10.3 大数据143
10.3.1 相关数据143
10.3.2 压缩感知147
10.3.3 推荐系统150
10.4 小结151
10.5 参考资料151
10.6 练习151
第11章 路线规划—A153
11.1 系统建模153
11.2 方法1：提前规划154
11.3 方法2：适应性算法155
11.4 马尔可夫决策问题156
11.5 无限时域问题161
11.6 小结162
11.7 参考资料162
11.8 练习163
第12章 路线规划—B166
12.1 线性二次型高斯问题166
12.2 有噪声观测时的线性二次型高斯问题169
12.3 部分可观测的马尔可夫决策问题171
12.4 小结173
12.5 参考资料174
12.6 练习174
第13章 视野拓展和补充176
13.1 推断问题176
13.2 充分统计量177
13.3 无限马尔可夫链179
13.4 泊松过程181
13.4.1 定义181
13.4.2 独立自增量182
13.4.3 跳跃次数183
13.5 连续时间马尔可夫链184
13.6 二元对称信道的容量186
13.7 概率界190
13.8 鞅194
13.8.1 定义194
13.8.2 示例195
13.8.3 大数定律199
13.8.4 沃尔德等式200
13.9 小结201
13.10 参考资料201
13.11 练习202
附录A 概率论基础知识206
附录B 线性代数基本知识240
附录C Matlab253
参考文献 273
文章试读：想象一下你正在浏览网页：假设你在网页i上浏览了一个单位时间，然后随机点击进入了网页i指向的一个网页．在这个过程中，从网页i到网页j的概率正好为P(i, j)，与前面的例子相同． 1.2.1 定义 考虑一个包含节点X = {1, 2, …, N}和有向边的有限图．假设其中有些节点具有指向自己的边．图中每条边(i, j)，都有一个权重P(i, j) > 0．这些权值使得每个点外向边的权和为1...
(查看全部试读)