| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景与意义 | 第12页 |
| 1.2 无线传感器网络数据故障检测研究现状 | 第12-15页 |
| 1.2.1 基于空间相关性故障检测的相关工作 | 第13-14页 |
| 1.2.2 基于时间相关性故障检测的相关工作 | 第14-15页 |
| 1.3 主要研究内容 | 第15页 |
| 1.3.1 基于空间相关性的传感器数据故障检测研究 | 第15页 |
| 1.3.2 基于时间相关性的传感器数据故障检测研究 | 第15页 |
| 1.4 本文主要结构 | 第15-17页 |
| 第二章 基于Kolmogorov-Smimov检验和投票的实数免疫遗传故障检测算法 | 第17-52页 |
| 2.1 简介 | 第17页 |
| 2.2 无线传感器网络故障类型 | 第17-18页 |
| 2.3 Kolmogorov-Smirnov检验的原理 | 第18-20页 |
| 2.4 实数免疫遗传算法原理 | 第20-22页 |
| 2.5 实数免疫遗传故障检测算法 | 第22-34页 |
| 2.5.1 实数免疫遗传故障检测算法的整体架构 | 第22-23页 |
| 2.5.2 实数免疫遗传故障检测算法 | 第23-32页 |
| 2.5.2.1 算法伪码 | 第23-26页 |
| 2.5.2.1.1 初始化种群 | 第25-26页 |
| 2.5.2.1.2 停止条件 | 第26页 |
| 2.5.2.2 实数免疫遗传算法中的算子及其物理意义 | 第26-29页 |
| 2.5.2.2.1 实数免疫遗传算法的算子及其实现细节 | 第26-28页 |
| 2.5.2.2.2 实数免疫遗传算法算子的物理意义 | 第28-29页 |
| 2.5.2.3 适应度函数及其物理意义 | 第29-32页 |
| 2.5.2.3.1 适应度函数的实现细节 | 第29-30页 |
| 2.5.2.3.2 KS检验的物理意义 | 第30-31页 |
| 2.5.2.3.3 绝对相同系数的物理意义 | 第31页 |
| 2.5.2.3.4 适应度函数的故障检测原理 | 第31-32页 |
| 2.5.3 投票故障检测算法 | 第32-34页 |
| 2.5.3.1 投票算法的伪码 | 第32-34页 |
| 2.5.3.2 基于正态分布假设的投票算法原理 | 第34页 |
| 2.6 实验结果对比和讨论 | 第34-43页 |
| 2.6.1 实验设计 | 第34-38页 |
| 2.6.1.1 真实数据集 | 第35-36页 |
| 2.6.1.2 对比算法 | 第36-37页 |
| 2.6.1.3 故障注入 | 第37页 |
| 2.6.1.4 评价标准 | 第37-38页 |
| 2.6.2 算法参数设置 | 第38页 |
| 2.6.3 IBRL数据集实验结果对比和讨论 | 第38-41页 |
| 2.6.4 GStB数据集实验结果对比和讨论 | 第41-43页 |
| 2.7 复杂情况下的实验结果和讨论 | 第43-48页 |
| 2.7.1 实验设计 | 第43-44页 |
| 2.7.1.1 真实数据集 | 第43-44页 |
| 2.7.1.2 故障注入 | 第44页 |
| 2.7.1.3 评价标准 | 第44页 |
| 2.7.2 算法参数设置 | 第44页 |
| 2.7.3 单个节点同时发生两种类型故障的实验结果和讨论 | 第44-45页 |
| 2.7.4 两个节点同时发生故障的实验结果和讨论 | 第45-48页 |
| 2.7.4.1 仅在一个节点中注入故障的实验结果 | 第45-47页 |
| 2.7.4.2 在两个节点中都注入故障的实验结果 | 第47-48页 |
| 2.8 实物级验证 | 第48-50页 |
| 2.8.1 传感器网络的软硬件实现 | 第48-49页 |
| 2.8.2 故障检测结果分析 | 第49-50页 |
| 2.9 本章小结 | 第50-52页 |
| 第三章 基于集成深度信念网络的故障检测算法 | 第52-83页 |
| 3.1 简介 | 第52页 |
| 3.2 人工神经网络 | 第52-61页 |
| 3.2.1 人工神经网络原理 | 第52-55页 |
| 3.2.2 深度学习原理 | 第55-60页 |
| 3.2.2.1 受限玻尔兹曼机原理 | 第56-59页 |
| 3.2.2.2 深度信念网络原理 | 第59-60页 |
| 3.2.3 对比和讨论 | 第60-61页 |
| 3.3 集成深度信念网络故障检测算法 | 第61-71页 |
| 3.3.1 算法整体框架 | 第61-62页 |
| 3.3.2 特征提取 | 第62-66页 |
| 3.3.2.1 特征提取算法伪码 | 第62-64页 |
| 3.3.2.2 特征提取算法范例 | 第64-66页 |
| 3.3.3 集成深度信念网络训练算法 | 第66-69页 |
| 3.3.3.1 算法伪码 | 第66-67页 |
| 3.3.3.2 深度信念网络训练算法实现及其物理意义 | 第67-69页 |
| 3.3.3.2.1 深度信念网络训练算法实现细节 | 第67-68页 |
| 3.3.3.2.2 深度信念网络训练的物理意义 | 第68-69页 |
| 3.3.4 深度信念网络集成故障检测及其物理意义 | 第69-71页 |
| 3.3.4.1 集成深度信念网络故障检测实现细节 | 第69-71页 |
| 3.3.4.2 集成深度信念网络故障检测的物理意义 | 第71页 |
| 3.4 实验结果对比和讨论 | 第71-77页 |
| 3.4.1 实验设计 | 第71-73页 |
| 3.4.1.1 真实数据集 | 第71-72页 |
| 3.4.1.2 对比算法 | 第72页 |
| 3.4.1.3 故障注入 | 第72-73页 |
| 3.4.1.4 评价标准 | 第73页 |
| 3.4.2 算法参数设置 | 第73页 |
| 3.4.3 不同参数设置的实验结果 | 第73-74页 |
| 3.4.4 IBRL数据集实验结果对比和讨论 | 第74-76页 |
| 3.4.5 GStB数据集实验结果对比和讨论 | 第76-77页 |
| 3.5 与集成BP神经网络检测结果对比 | 第77-78页 |
| 3.5.1 集成BP神经网络的整体框架 | 第77页 |
| 3.5.2 集成BP神经网络的参数设置 | 第77页 |
| 3.5.3 实验结果对比 | 第77-78页 |
| 3.6 实物级验证 | 第78-81页 |
| 3.6.1 系统软硬件设计 | 第78-80页 |
| 3.6.2 故障检测结果分析 | 第80-81页 |
| 3.7 本章小结 | 第81-83页 |
| 第四章 总结与展望 | 第83-85页 |
| 4.1 论文总结 | 第83-84页 |
| 4.2 后续工作展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-90页 |
| 攻读硕士期间发表的论文 | 第90页 |
