基于深度信念网络的WSNs链路质量预测机制研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 引言 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究内容 | 第9-10页 |
| 1.3 本文组织结构 | 第10-12页 |
| 第2章 国内外研究现状 | 第12-21页 |
| 2.1 链路特性的相关研究 | 第12-14页 |
| 2.2 链路质量评估或预测方法的相关研究 | 第14-18页 |
| 2.2.1 基于链路特性的方法 | 第14-15页 |
| 2.2.2 基于概率估计的方法 | 第15-17页 |
| 2.2.3 基于机器学习理论的方法 | 第17-18页 |
| 2.3 支持向量机 | 第18-19页 |
| 2.4 深度学习 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 相关理论 | 第21-32页 |
| 3.1 线性模型 | 第21-22页 |
| 3.2 神经网络回归模型 | 第22-23页 |
| 3.3 支持向量机 | 第23-26页 |
| 3.3.1 线性可分问题 | 第23-25页 |
| 3.3.2 线性不可分问题 | 第25-26页 |
| 3.4 深度学习 | 第26-31页 |
| 3.4.1 深度信念网络 | 第27-29页 |
| 3.4.2 受限波尔兹曼机 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于深度信念网络的链路质量预测 | 第32-38页 |
| 4.1 链路质量预测方法设计 | 第32页 |
| 4.2 链路质量度量参数的选取 | 第32-34页 |
| 4.2.1 物理层参数 | 第33-34页 |
| 4.2.2 链路层参数 | 第34页 |
| 4.3 链路质量等级的划分 | 第34-35页 |
| 4.4 链路质量预测模型的建立 | 第35-37页 |
| 4.4.1 LQP-DBN模型评估层 | 第35-36页 |
| 4.4.2 LQP-DBN模型预测层 | 第36-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第5章 实验设计及分析 | 第38-53页 |
| 5.1 实验平台介绍 | 第38-41页 |
| 5.1.1 硬件平台 | 第38-39页 |
| 5.1.2 软件平台 | 第39-41页 |
| 5.2 实验方案设计 | 第41-43页 |
| 5.2.1 实验场景选择 | 第41-42页 |
| 5.2.2 实验参数设置 | 第42-43页 |
| 5.3 实验样本数据分析 | 第43-47页 |
| 5.4 预测模型的实验结果分析 | 第47-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 攻读硕士学位期间参与课题情况 | 第61-62页 |
| 攻读硕士学位期间发表论文、著作权及获奖情况 | 第62-63页 |
| 致谢 | 第63-64页 |
