基于WSN的生物创新实验室关键技术研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 背景与意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 节点数据融合技术研究现状 | 第16-17页 |
| 1.2.2 路由选择技术研究现状 | 第17-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 相关技术概述 | 第21-34页 |
| 2.1 人工神经网络 | 第21-23页 |
| 2.1.1 神经元 | 第21-22页 |
| 2.1.2 人工神经网络 | 第22-23页 |
| 2.1.3 监督学习与非监督学习 | 第23页 |
| 2.2 深度学习 | 第23-31页 |
| 2.2.1 深度学习概述 | 第24-25页 |
| 2.2.2 BP反向传播算法 | 第25-27页 |
| 2.2.3 稀疏自编码器 | 第27-29页 |
| 2.2.4 Softmax回归 | 第29-30页 |
| 2.2.5 深度学习训练过程 | 第30-31页 |
| 2.3 数据融合技术 | 第31-32页 |
| 2.4 路由选择技术 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 生物创新实验室系统框架设计 | 第34-42页 |
| 3.1 系统整体架构 | 第34-35页 |
| 3.2 算法相关工作 | 第35-36页 |
| 3.2.1 传感器网络模型 | 第35-36页 |
| 3.2.2 无线通信能耗模型 | 第36页 |
| 3.3 算法抽象模型及节点信息表 | 第36-41页 |
| 3.3.1 简单网络模型能耗对比 | 第36-39页 |
| 3.3.2 算法抽象模型 | 第39-40页 |
| 3.3.3 节点信息表 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于深度学习的数据融合算法 | 第42-56页 |
| 4.1 算法流程 | 第42-43页 |
| 4.2 相关核心模块 | 第43-49页 |
| 4.2.1 节点聚类划分 | 第43-45页 |
| 4.2.2 数据预处理 | 第45-46页 |
| 4.2.3 数据特征提取及分类 | 第46-48页 |
| 4.2.4 分簇及数据融合 | 第48-49页 |
| 4.3 实验与分析 | 第49-55页 |
| 4.3.1 仿真环境 | 第49-50页 |
| 4.3.2 性能指标 | 第50页 |
| 4.3.3 实验过程及性能分析 | 第50-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于分层模型的蚁群优化多径路由算法 | 第56-70页 |
| 5.1 问题描述 | 第56页 |
| 5.2 传统蚁群算法与多径路由模型 | 第56-60页 |
| 5.2.1 蚁群算法原理及其不足 | 第56-58页 |
| 5.2.2 多径路由模型及相关问题定义 | 第58-60页 |
| 5.3 多径路由算法改进 | 第60-64页 |
| 5.3.1 改进链路初始化信息素 | 第60-61页 |
| 5.3.2 优化链路启发值 | 第61-62页 |
| 5.3.3 信息素更新策略 | 第62-63页 |
| 5.3.4 多径路由选择机制 | 第63-64页 |
| 5.4 算法基本流程 | 第64-65页 |
| 5.5 实验与分析 | 第65-69页 |
| 5.5.1 仿真环境 | 第65页 |
| 5.5.2 实验结果与分析 | 第65-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间发表论文和参与科研项目情况 | 第77-78页 |
| 致谢 | 第78页 |
