| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于时空相关的方式 | 第12-13页 |
| 1.2.2 基于簇的方式 | 第13页 |
| 1.2.3 基于概率统计的方式 | 第13-14页 |
| 1.2.4 基于人工神经网络的方式 | 第14-15页 |
| 1.2.5 可视化检测平台 | 第15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 相关理论与技术 | 第18-32页 |
| 2.1 WSN体系结构与故障分类 | 第18-21页 |
| 2.2 数据分析的相关理论 | 第21-25页 |
| 2.2.1 小波变换去噪处理 | 第21-23页 |
| 2.2.2 向量空间技术 | 第23-24页 |
| 2.2.3 滑动窗口技术 | 第24-25页 |
| 2.3 相似性判定的相关理论 | 第25-26页 |
| 2.4 人工神经网络算法 | 第26-30页 |
| 2.4.1 BP神经网络 | 第27-28页 |
| 2.4.2 RBF神经网络 | 第28-29页 |
| 2.4.3 Hopfield神经网络 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于感知数据的WSN节点故障检测方法 | 第32-44页 |
| 3.1 WSN节点故障检测方法整体框架 | 第32页 |
| 3.2 基于小波变换的数据预处理 | 第32-34页 |
| 3.3 基于多维感知数据的数学模型 | 第34-38页 |
| 3.3.1 感知数据多维向量空间模型 | 第34-36页 |
| 3.3.2 感知数据滑动窗口模型 | 第36-38页 |
| 3.4 基于感知数据的故障节点检测机制 | 第38-39页 |
| 3.5 实验设计及其分析 | 第39-43页 |
| 3.5.1 实验设计 | 第39-41页 |
| 3.5.2 衡量指标 | 第41页 |
| 3.5.3 实验结果分析 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于人工神经网络的传感器模块故障智能检测方法 | 第44-62页 |
| 4.1 基于人工神经网络的故障智能检测总体框架 | 第44-45页 |
| 4.2 基于BP神经网络的智能检测方法 | 第45-50页 |
| 4.2.1 BP神经网络故障智能检测模型训练 | 第46-49页 |
| 4.2.2 网络训练模型终止条件 | 第49-50页 |
| 4.3 基于RBF神经网络的智能检测方法 | 第50-53页 |
| 4.3.1 RBF神经网络故障智能检测模型训练 | 第51-53页 |
| 4.3.2 网络训练遵循原则 | 第53页 |
| 4.4 基于Hopfield神经网络的智能检测方法 | 第53-54页 |
| 4.5 神经网络训练模型的运用过程 | 第54-56页 |
| 4.6 实验设计及其分析 | 第56-60页 |
| 4.6.1 实验设计 | 第56-58页 |
| 4.6.2 实验结果及其分析 | 第58-60页 |
| 4.7 本章小结 | 第60-62页 |
| 第5章 WSN节点智能化故障检测原型系统的设计与实现 | 第62-76页 |
| 5.1 场景描述 | 第62-63页 |
| 5.2 总体设计 | 第63-64页 |
| 5.2.1 架构设计 | 第63页 |
| 5.2.2 模块设计 | 第63-64页 |
| 5.3 详细设计 | 第64-69页 |
| 5.3.1 用例设计 | 第64-65页 |
| 5.3.2 模块功能设计 | 第65-68页 |
| 5.3.3 类设计 | 第68-69页 |
| 5.4 实现与测试 | 第69-75页 |
| 5.4.1 硬件的部署实现与应用测试 | 第69-71页 |
| 5.4.2 软件的部署实现与应用测试 | 第71-75页 |
| 5.5 本章小结 | 第75-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间获得的科研成果 | 第82-84页 |
| 致谢 | 第84页 |
