1、Bayes网络推理算法

贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型，所谓概率推理就是通过一些变量的信息来获取其他变量的概率信息的过程，基于概率推理的贝叶斯网络(Bayesian network，简称BN)是为了解决不确定性和不完整性问题而提出的，它在解决复杂设备不确定性和关联性引起的故障时有很大的优势，在多个领域中获得广泛应用。

2、D-S证据理论算法

证据理论是由Dempster于1967年首先提出，由他的学生shafer于1976年进一步发展起来的一种不精确推理理论[10]，即Dempster-Shafer 证据理论(D-S证据理论)，属于人工智能范畴，最早应用于专家系统中，并能处理由未知引起的不确定性的能力[9]，作为一种不确定推理方法，证据理论的主要特点是：满足比贝叶斯概率论更弱的条件；具有直接表达“不确定”和“不知道”的能力。

1.2  国内外研究状况

1.3  本文主要研究内容

本文主要通过贝叶斯网络来实现对老人跌倒动作的检测。构建模拟实验环境，使用无线网络将服务器和传感器连接；设计结合数据清洗、数据融合、上下文与知识生成的医疗健康监测分层新架构。进而验证贝叶斯网络的可靠性。

第一章 绪论。介绍相关背景，相关研究方法，国内外研究状况。为后文研究做指导，并给出论文的大体结构。

第二章 相关技术的研究发展概述。 主要介绍以概率论和图论为基础贝叶斯网络理论。介绍贝叶斯网络的性质和应用推理过程。

第三章 介绍贝叶斯网络理论在普适医疗系统中的应用。给出模拟系统的结构图，介绍各个组件的作用。

第四章 系统模拟实验。给出贝叶斯网络的实现，模拟实验的具体要求，仪器的说明，端口的设置，以及相关函数的说明。并完成对实验场景的模拟演示和结论总结。

第五章 结论与展望。对本文的主要工作进行总结并分析尚存在的问题和下一步研究工作。

2  相关技术研究发展现状

2.1  数据融合技术文献综述

多传感器融合技术是利用计算机技术对来自于不同传感器的数据按时序和一定准则加以自动分析和综合的数据处理过程。以完成所需要的决策和判定[10]。数据融合技术，包括对各种信息源给出的有用信息的采集、传输、综合、过滤、相关及合成，以便辅助人们进行态势/环境的判定、规划、探测、验证和诊断。数据采集、特征提取、决策分析是融合技术的三个核心步骤[11][13][15]。

由于不同数据类型属性之间往往存在一定的相关性，多类型数据属性的相关性分析是为了提高监测质量，从不同因素来反映单个事件或现象的变化或现状。使用多传感器、多时域、多角度来监测目标信息。

数据属性相关性指由于无线传感器网络不同监测数据类型有一定的相似，为了防止数据的冗余，通过数据融合技术选择优质的数据进行预测，有效的避免了相关性的冗余度[8]。

关于数据融合推理算法也有许多，例如：源:自/优尔-·论,文'网·www.youerw.com/

作为图模型范畴之一的贝叶斯网络（Bayesian Network，简称BN），是人工智能中处理不确定性问题建模与分析工具。它是以概率论与图论为支撑，用以解决复杂因果关系的分析。

BN理论在处理不确定性复杂问题方面有其独特的优点，而且在人工智能的机器学习领域起着至关重要的作用。国外早期的研究主要是在基本的原理和推理算法以及专家系统中采用BN，把不确定性的专家知识进行编码描述。20世纪90年代中期以来，研究热点集中于各种高效的推理算法，从数据集中进行BN学习的方法以及在动态系统中的各种应用。