基于预测模型的无线传感器网络数据融合研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 无线传感器网络简介 | 第10-11页 |
| 1.3 数据融合技术研究历史 | 第11-12页 |
| 1.4 本论文的研究内容和意义 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第2章 WSN技术及数据融合技术 | 第14-26页 |
| 2.1 无线传感器网络简介 | 第14-17页 |
| 2.2 数据融合技术简介 | 第17-22页 |
| 2.3 基于预测的数据融合算法 | 第22-24页 |
| 2.4 基于预测的数据融合过程 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基因表达式编程 | 第26-41页 |
| 3.1 GEP算法介绍 | 第26-32页 |
| 3.1.1 开放读码框架 | 第27-30页 |
| 3.1.2 GEP中的基因 | 第30-32页 |
| 3.2 适应度函数的选择与评估 | 第32-33页 |
| 3.3 时序预测算法的基本原理 | 第33-35页 |
| 3.3.1 GEP算法在时序预测中的应用 | 第33页 |
| 3.3.2 ARMA算法在时序预测中的应用 | 第33-35页 |
| 3.4 实验仿真 | 第35-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 混沌预测算法 | 第41-57页 |
| 4.1 混沌理论介绍 | 第41-49页 |
| 4.1.1 混沌理论的发展 | 第41-42页 |
| 4.1.2 动力系统的基本概念 | 第42-47页 |
| 4.1.3 混沌与分形理论典型图像 | 第47-49页 |
| 4.2 混沌辨识方法 | 第49-52页 |
| 4.2.1 功率谱方法 | 第49-50页 |
| 4.2.2 主成分分析 | 第50-51页 |
| 4.2.3 最大Lyapunov指数法 | 第51页 |
| 4.2.4 混沌辨识仿真 | 第51-52页 |
| 4.3 混沌预测算法简介 | 第52-54页 |
| 4.4 数据融合算法流程 | 第54-55页 |
| 4.5 数据仿真实验 | 第55-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 NARX神经网络算法 | 第57-75页 |
| 5.1 神经网络简介 | 第57-58页 |
| 5.2 BP算法介绍 | 第58-67页 |
| 5.2.1 BP网络结构 | 第58-60页 |
| 5.2.2 BP网络学习算法 | 第60-65页 |
| 5.2.3 神经网络预测 | 第65-66页 |
| 5.2.4 BP神经网络预测的缺陷 | 第66-67页 |
| 5.3 非线性自回归神经网络 | 第67-69页 |
| 5.3.1 NARX网络模型 | 第68页 |
| 5.3.2 NARX网络数据融合步骤 | 第68-69页 |
| 5.4 基于NARX网络仿真实验 | 第69-74页 |
| 5.4.1 NARX网络延迟参数取值实验 | 第69-73页 |
| 5.4.2 神经网络数据融合实验 | 第73-74页 |
| 5.5 本章小结 | 第74-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第82-83页 |
| 致谢 | 第83-84页 |
