| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 体域网现状 | 第11-12页 |
| 1.2.2 体域网 MAC 层协议研究现状 | 第12-13页 |
| 1.2.3 数据融合技术研究现状 | 第13-14页 |
| 1.3 本课题来源 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 相关理论及背景知识介绍 | 第16-26页 |
| 2.1 超声波传感器节点体系结构 | 第16-17页 |
| 2.2 USN 网络体系结构 | 第17-18页 |
| 2.3 超声波体域网特性 | 第18-19页 |
| 2.4 自组织特征映射神经网络 | 第19-25页 |
| 2.4.1 自组织特征映射网络模型 | 第19-20页 |
| 2.4.2 自组织特征映射网络的学习规则 | 第20-22页 |
| 2.4.3 SOFM 神经网络应用实例 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 USN 中的 MAC 层协议 | 第26-42页 |
| 3.1 USN-MAC 协议 | 第26-35页 |
| 3.1.1 帧结构及距离计算模型 | 第26-27页 |
| 3.1.2 UWN-MAC 协议工作方式 | 第27-30页 |
| 3.1.3 仿真实验结果与分析 | 第30-35页 |
| 3.2 跨层协作的方向性超声波节点的 MAC 层工作方法 | 第35-41页 |
| 3.2.1 问题描述 | 第36-37页 |
| 3.2.2 算法步骤描述 | 第37-40页 |
| 3.2.3 D-USN 的节点数量的探讨 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第4章 基于 SOFM 的 USN 动态自适应的数据融合算法 | 第42-55页 |
| 4.1 条件和概念 | 第42-43页 |
| 4.2 能耗模型 | 第43-44页 |
| 4.3 算法的详细设计和步骤 | 第44-47页 |
| 4.4 实验分析 | 第47-54页 |
| 4.4.1 实验环境 | 第47页 |
| 4.4.2 实验场景和结果分析 | 第47-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 作者简介及在学期间所取得的科研成果 | 第60-61页 |
| 致谢 | 第61页 |