| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-11页 |
| 图索引 | 第11-12页 |
| 表索引 | 第12-13页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 无线传感器网络定位问题 | 第13-16页 |
| 1.1.1 无线传感器网络概念 | 第13-14页 |
| 1.1.2 无线传感器网络节点定位 | 第14-15页 |
| 1.1.3 无线传感器网络定位出现的问题 | 第15-16页 |
| 1.2 机器学习 | 第16-19页 |
| 1.2.1 机器学习技术 | 第16-17页 |
| 1.2.2 机器学习技术用于节点定位的可行性分析 | 第17-18页 |
| 1.2.3 关于机器学习用于传感网节点定位的研究现状 | 第18-19页 |
| 1.3 研究目标和内容 | 第19-20页 |
| 1.3.1 研究目标 | 第19页 |
| 1.3.2 研究内容 | 第19-20页 |
| 1.4 论文组织 | 第20-21页 |
| 第2章 现有主要的无线传感网络节点定位方法 | 第21-30页 |
| 2.1 定位技术简介 | 第21-25页 |
| 2.1.1. 定位技术基本术语 | 第21-22页 |
| 2.1.2. 节点位置计算基本方法 | 第22-24页 |
| 2.1.3. 定位算法分类 | 第24-25页 |
| 2.2 现有的两类WSN定位机制 | 第25-27页 |
| 2.2.1 基于测距的定位 | 第25-26页 |
| 2.2.2 无需测距的定位 | 第26-27页 |
| 2.3 基于机器学习的节点自定位基本的思路 | 第27-30页 |
| 第3章 基于测距的支持向量机“一对一”节点定位算法 | 第30-44页 |
| 3.1 支持向量机原理简介 | 第30-33页 |
| 3.2 SOAOLA算法的设计 | 第33-36页 |
| 3.2.1 建立网络模型 | 第33-34页 |
| 3.2.2 支持向量机建模 | 第34-36页 |
| 3.3 SOAOLA算法的过程描述 | 第36-37页 |
| 3.3.1 训练阶段 | 第36-37页 |
| 3.3.2 广播阶段 | 第37页 |
| 3.3.3 定位阶段 | 第37页 |
| 3.4 SOAOLA算法的实验仿真及分析 | 第37-44页 |
| 3.4.1 仿真环境简介 | 第37-38页 |
| 3.4.2 仿真实验设计 | 第38-40页 |
| 3.4.3 仿真结果及分析 | 第40-44页 |
| 第4章 无需测距的支持向量机“决策树”节点定位算法 | 第44-60页 |
| 4.1 网络模型的建立 | 第44页 |
| 4.2 支持向量机建模 | 第44-46页 |
| 4.3 SDTLA算法过程描述 | 第46-48页 |
| 4.3.1 训练阶段 | 第46-47页 |
| 4.3.2 广播阶段 | 第47页 |
| 4.3.3 定位阶段 | 第47-48页 |
| 4.4 误差分析 | 第48-54页 |
| 4.5 SDTLA算法仿真与分析 | 第54-60页 |
| 4.5.1 仿真实验设计 | 第54-55页 |
| 4.5.2 仿真结果分析与比较 | 第55-60页 |
| 第5章 总结与展望 | 第60-63页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间参加的科研项目和成果 | 第68页 |
