基于高斯过程回归的链路质量预测方法
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 研究内容 | 第10页 |
| 1.3 本文组织结构 | 第10-12页 |
| 第2章 WSNs链路质量概述 | 第12-22页 |
| 2.1 链路特性 | 第12-17页 |
| 2.1.1 链路不规则性 | 第12-14页 |
| 2.1.2 链路非对称性 | 第14-15页 |
| 2.1.3 链路时空波动性 | 第15-17页 |
| 2.2 链路质量预测方法 | 第17-21页 |
| 2.2.1 基于硬件的预测方法 | 第17-18页 |
| 2.2.2 基于软件的预测方法 | 第18-19页 |
| 2.2.3 基于综合性的预测方法 | 第19页 |
| 2.2.4 基于机器学习理论的预测方法 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 相关的链路质量参数 | 第22-29页 |
| 3.1 物理层参数 | 第22-25页 |
| 3.1.1 RSSI | 第23-24页 |
| 3.1.2 LQI | 第24页 |
| 3.1.3 SNR | 第24-25页 |
| 3.2 链路层参数PRR | 第25页 |
| 3.3 链路质量参数之间的相关性 | 第25-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 基于高斯过程回归的链路质量预测 | 第29-40页 |
| 4.1 链路质量预测模型的主要过程 | 第29-30页 |
| 4.2 链路质量参数灰关联分析 | 第30-32页 |
| 4.3 基于GPR的链路质量预测 | 第32-39页 |
| 4.3.1 贝叶斯线性回归 | 第32-34页 |
| 4.3.2 高斯过程回归 | 第34-36页 |
| 4.3.3 协方差函数选取 | 第36-38页 |
| 4.3.4 超参数优化 | 第38-39页 |
| 4.4 模型验证 | 第39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 实验设计与分析 | 第40-57页 |
| 5.1 实验平台介绍 | 第40-45页 |
| 5.1.1 硬件平台 | 第40-42页 |
| 5.1.2 软件平台 | 第42-45页 |
| 5.2 实验方案设计 | 第45-47页 |
| 5.2.1 实验场景选择 | 第45-47页 |
| 5.2.2 实验参数设置 | 第47页 |
| 5.3 实验结果与分析 | 第47-52页 |
| 5.3.1 链路质量数据时空性分析 | 第47-49页 |
| 5.3.2 链路质量参数数据分析 | 第49-52页 |
| 5.4 预测模型验证 | 第52-56页 |
| 5.4.1 数据降维分析 | 第52-53页 |
| 5.4.2 不同协方差函数预测结果分析比较 | 第53-55页 |
| 5.4.3 不同模型性能分析比较 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间参与课题情况 | 第64-65页 |
| 攻读硕士学位期间发表论文、著作权及获奖情况 | 第65-66页 |
| 致谢 | 第66-67页 |
