| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第21-33页 |
| 1.1 无线传感器网络 | 第21-24页 |
| 1.1.1 无线传感器网络体系结构 | 第21-23页 |
| 1.1.2 无线传感器网络特点与应用 | 第23页 |
| 1.1.3 无线传感器网络的关键技术 | 第23-24页 |
| 1.2 无线传感器网络定位 | 第24-27页 |
| 1.2.1 定位算法研究现状 | 第25-26页 |
| 1.2.2 评价定位算法的性能标准 | 第26-27页 |
| 1.3 无线传感器网络路由技术协议 | 第27-30页 |
| 1.3.1 路由设计的特点与目标 | 第27-28页 |
| 1.3.2 路由协议研究现状 | 第28-30页 |
| 1.4 本文研究内容 | 第30-31页 |
| 1.5 本文组织结构 | 第31-33页 |
| 第二章 无线传感器网络路由与定位的基础理论 | 第33-47页 |
| 2.1 网络模型 | 第33页 |
| 2.2 能量消耗模型 | 第33-34页 |
| 2.3 网络感知通讯模型 | 第34-35页 |
| 2.4 节点定位的基本原理 | 第35-38页 |
| 2.4.1 常见测距/向方法 | 第35-36页 |
| 2.4.2 节点位置估算方法 | 第36-38页 |
| 2.5 典型定位算法 | 第38-40页 |
| 2.5.1 基于测距的定位算法 | 第38页 |
| 2.5.2 基于非测距的定位算法 | 第38-39页 |
| 2.5.3 分析与比较 | 第39-40页 |
| 2.6 典型路由协议 | 第40-45页 |
| 2.6.1 平面型路由 | 第40-42页 |
| 2.6.2 层次型路由 | 第42-43页 |
| 2.6.3 地理位置路由 | 第43页 |
| 2.6.4 仿生智能路由 | 第43-44页 |
| 2.6.5 路由协议分析 | 第44-45页 |
| 2.7 本章小结 | 第45-47页 |
| 第三章 基于环境感知的无线传感器网络混合定位 | 第47-69页 |
| 3.1 引言 | 第47-49页 |
| 3.2 信号传输物理模型 | 第49-50页 |
| 3.3 RSSI常见优化方法 | 第50-52页 |
| 3.3.1 统计均值模型 | 第50页 |
| 3.3.2 加权优化估计模型 | 第50-51页 |
| 3.3.3 基于信标间距的校正模型 | 第51页 |
| 3.3.4 高斯模型 | 第51-52页 |
| 3.4 EAHLA算法思想 | 第52-57页 |
| 3.4.1 高斯模型数据过滤 | 第52页 |
| 3.4.2 RSSI置信区间 | 第52-55页 |
| 3.4.3 环境感知 | 第55-56页 |
| 3.4.4 基于最大通信距离的盲节点测距 | 第56页 |
| 3.4.5 改进的RSSI测距校正 | 第56-57页 |
| 3.4.6 质心定位的加权系数确定 | 第57页 |
| 3.5 EAHLA算法描述 | 第57-60页 |
| 3.6 实验仿真 | 第60-66页 |
| 3.6.1 指纹定位精度影响因素 | 第61-64页 |
| 3.6.2 算法结果 | 第64-66页 |
| 3.7 本章小结 | 第66-69页 |
| 第四章 基于分布均匀度、数据相似性的能量均衡地理位置路由 | 第69-89页 |
| 4.1 引言 | 第69-71页 |
| 4.2 GAF路由算法 | 第71-73页 |
| 4.2.1 GAF算法思想 | 第71-73页 |
| 4.2.2 GAF算法性能 | 第73页 |
| 4.3 DSE-GAF算法思想 | 第73-78页 |
| 4.3.1 正六边型虚拟单元格网络划分 | 第73-74页 |
| 4.3.2 基于分布均匀度模型的簇头位置 | 第74-77页 |
| 4.3.3 能量与位置均衡的簇头选举 | 第77页 |
| 4.3.4 基于数据相似性的数据融合 | 第77-78页 |
| 4.4 DSE-GAF算法描述 | 第78-82页 |
| 4.4.1 算法流程 | 第78-80页 |
| 4.4.2 性能分析 | 第80-82页 |
| 4.5 仿真分析 | 第82-87页 |
| 4.5.1 基于分布均匀度的簇头位置 | 第83-85页 |
| 4.5.2 每轮耗费的全网能量 | 第85-86页 |
| 4.5.3 死亡节点出现时间 | 第86-87页 |
| 4.6 本章小结 | 第87-89页 |
| 第五章 基于蚁群优化的无线传感器网络路由和路径修复 | 第89-103页 |
| 5.1 引言 | 第89-90页 |
| 5.2 蚁群算法 | 第90-91页 |
| 5.3 NACO算法思想 | 第91-97页 |
| 5.3.1 计算模型 | 第91-92页 |
| 5.3.2 改进的启发信息函数 | 第92-93页 |
| 5.3.3 路径选择概率模型 | 第93-94页 |
| 5.3.4 基于死亡节点的路径修复策略 | 第94-97页 |
| 5.4 NACO算法描述 | 第97-98页 |
| 5.5 仿真分析 | 第98-102页 |
| 5.5.1 仿真参数的选取 | 第98-100页 |
| 5.5.2 仿真结果 | 第100-102页 |
| 5.6 本章小结 | 第102-103页 |
| 第六章 面向节点位置的广义支配MAPREDUCE SKYLINE查询 | 第103-117页 |
| 6.1 引言 | 第103-104页 |
| 6.2 Skyline查询与MapReduce | 第104-106页 |
| 6.2.1 Skyline定义与算法 | 第104-105页 |
| 6.2.2 MapReduce框架 | 第105-106页 |
| 6.3 MR-EDBNL算法 | 第106-109页 |
| 6.3.1 广义支配及定理 | 第106-108页 |
| 6.3.2 支配能力及定理 | 第108-109页 |
| 6.4 MR-EDBNL算法描述 | 第109-111页 |
| 6.4.1 算法流程 | 第109-110页 |
| 6.4.2 算法效率 | 第110-111页 |
| 6.5 实验结果 | 第111-115页 |
| 6.5.1 实验环境 | 第111-112页 |
| 6.5.2 结果分析 | 第112-114页 |
| 6.5.3 算法评价 | 第114-115页 |
| 6.6 本章小结 | 第115-117页 |
| 第七章 总结与展望 | 第117-121页 |
| 7.1 论文研究总结 | 第117-118页 |
| 7.2 本文的创新点 | 第118-119页 |
| 7.3 未来研究方向 | 第119-121页 |
| 参考文献 | 第121-129页 |
| 攻读博士学位期间的学术活动及成果情况 | 第129-130页 |
