| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 SN概述 | 第10-13页 |
| 1.1.1 SN定义与结构 | 第10-11页 |
| 1.1.2 SN的应用领域 | 第11-12页 |
| 1.1.3 SN国内外研究现状与发展趋势 | 第12-13页 |
| 1.2 SN故障概述 | 第13-15页 |
| 1.2.1 SN故障概念和分类 | 第13-14页 |
| 1.2.2 SN故障诊断的方法 | 第14页 |
| 1.2.3 SN故障诊断技术的研究现状 | 第14-15页 |
| 1.3 论文的研究背景及意义 | 第15页 |
| 1.4 论文的主要内容 | 第15-17页 |
| 第二章 本文研究的技术背景 | 第17-31页 |
| 2.1 粗糙集 | 第17-21页 |
| 2.1.1 粗糙集概述 | 第17-19页 |
| 2.1.2 粗糙隶属函数 | 第19页 |
| 2.1.3 知识表达系统属性约简 | 第19-21页 |
| 2.2 模糊集理论 | 第21-23页 |
| 2.2.1 模糊集理论概念 | 第21-22页 |
| 2.2.2 隶属度函数 | 第22-23页 |
| 2.3 人工神经网络 | 第23-30页 |
| 2.3.1 人工神经网络的基本概念 | 第24-25页 |
| 2.3.2 神经网络的基本模型 | 第25-26页 |
| 2.3.3 P神经网络 | 第26-28页 |
| 2.3.4 模糊神经网络 | 第28-30页 |
| 2.4 本章小节 | 第30-31页 |
| 第三章 基于粗糙集和神经网络的WSN故障诊断技术 | 第31-55页 |
| 3.1 维数约简概述 | 第31-32页 |
| 3.2 改进的归纳属性约简算法 | 第32-35页 |
| 3.2.1 归纳属性约简算法概述 | 第32-34页 |
| 3.2.2 改进的归纳属性约简算法 | 第34-35页 |
| 3.3 BF神经网络 | 第35-39页 |
| 3.3.1 BF神经网络概述 | 第35-36页 |
| 3.3.2 BF神经网络机制模型 | 第36-37页 |
| 3.3.3 BF神经网络的学习算法 | 第37-39页 |
| 3.3.4 现有RBF神经网络学习算法 | 第39页 |
| 3.4 改进的RBF神经网络学习算法 | 第39-43页 |
| 3.4.1 确定RBF函数参数 | 第40-41页 |
| 3.4.2 SO算法优化RBF网络参数 | 第41-43页 |
| 3.5 基于粗糙神经网络的WSN故障诊断算法 | 第43-45页 |
| 3.5.1 RSRBF算法 | 第43-44页 |
| 3.5.2 RSRBF算法的故障诊断方法 | 第44-45页 |
| 3.6 仿真实验与结果分析 | 第45-54页 |
| 3.6.1 IARA算法仿真实验与结果分析 | 第46-48页 |
| 3.6.2 改进的RBF神经网络仿真实验与结果分析 | 第48-50页 |
| 3.6.3 RSRBF算法仿真实验与结果分析 | 第50-54页 |
| 3.7 本章小结 | 第54-55页 |
| 第四章 基于模糊神经网络的无线数据收发单元故障诊断技术 | 第55-68页 |
| 4.1WSN节点单元级故障诊断策略 | 第55-59页 |
| 4.1.1 电池单元的故障诊断分析 | 第56页 |
| 4.1.2 数据采集单元的故障诊断分析 | 第56-57页 |
| 4.1.3 数据处理单元的故障诊断分析 | 第57页 |
| 4.1.4 无线数据收发单元的故障诊断分析 | 第57-58页 |
| 4.1.5 建立故障诊断表 | 第58-59页 |
| 4.2 模糊神经网络 | 第59-62页 |
| 4.2.1 模糊神经网络的基本原理 | 第59-60页 |
| 4.2.2 模糊神经网络的学习方式 | 第60-62页 |
| 4.3 无线数据收发单元故障诊断方法 | 第62-64页 |
| 4.3.1 无线数据收发单元电流模型 | 第63-64页 |
| 4.3.2 建立模糊神经网络故障诊断模型 | 第64页 |
| 4.4 仿真实验与结果分析 | 第64-67页 |
| 4.4.1 网络模型效果对比实验 | 第64-66页 |
| 4.4.2 基于模糊神经网络的无线数据收发单元故障诊断实验 | 第66-67页 |
| 4.5 本章小节 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 在校期间的研究成果及发表的学术论文 | 第77页 |
