| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 RSS数据挖掘 | 第15-16页 |
| 1.2.2 时间序列相似性度量方法概述 | 第16页 |
| 1.2.3 时间序列相似性度量方法研究现状 | 第16-19页 |
| 1.3 本文的主要研究内容和章节安排 | 第19-20页 |
| 第二章 时间序列相似性度量分析 | 第20-27页 |
| 2.1 RSS数据特性分析 | 第20-21页 |
| 2.1.1 节点位置对RSS的影响 | 第20页 |
| 2.1.2 非视距传播对RSS的影响 | 第20页 |
| 2.1.3 多径传播对RSS的影响 | 第20-21页 |
| 2.1.4 其他电子设备对RSS的影响 | 第21页 |
| 2.2 时间序列的近似表示方法 | 第21-23页 |
| 2.2.1 离散傅立叶变换 | 第21-22页 |
| 2.2.2 分段线性表示方法 | 第22页 |
| 2.2.3 符号化表示方法 | 第22-23页 |
| 2.3 时间序列的相似性度量 | 第23-25页 |
| 2.3.1 欧氏距离 | 第23页 |
| 2.3.2 闵可夫斯基距离 | 第23-24页 |
| 2.3.3 动态时间规整 | 第24-25页 |
| 2.4 时间序列的聚类分析 | 第25-26页 |
| 2.4.1 基于划分的聚类 | 第25页 |
| 2.4.2 基于层次的聚类 | 第25-26页 |
| 2.4.3 基于密度的聚类 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于DTW的RSS时间序列相似性度量 | 第27-41页 |
| 3.1 基于DTW距离的RSS时间序列相似性度量 | 第27-32页 |
| 3.1.1 RSS数据的采集和滤波 | 第28-30页 |
| 3.1.2 DTW距离计算 | 第30-32页 |
| 3.1.3 基于DTW距离阈值的相似性判定 | 第32页 |
| 3.2 基于聚类的RSS时间序列相似性度量 | 第32-35页 |
| 3.2.1 RSS时间序列特征提取 | 第32-33页 |
| 3.2.2 基于谱聚类的粗粒度相似性判定 | 第33-35页 |
| 3.3 实验 | 第35-40页 |
| 3.3.1 仿真 | 第35-38页 |
| 3.3.2 实验 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于卷积神经网络的RSS时间序列相似性度量 | 第41-52页 |
| 4.1 距离度量学习 | 第41-43页 |
| 4.1.1 线性近邻成分分析 | 第41-42页 |
| 4.1.2 非线性近邻成分分析 | 第42-43页 |
| 4.2 卷积神经网络 | 第43-44页 |
| 4.2.1 卷积神经网络的概念 | 第43页 |
| 4.2.2 卷积神经网络的网络结构 | 第43-44页 |
| 4.2.3 卷积神经网络的优点 | 第44页 |
| 4.3 基于卷积神经网络的RSS时间序列特征提取与相似性判定 | 第44-48页 |
| 4.3.1 模型架构 | 第44-46页 |
| 4.3.2 卷积神经网络的学习过程 | 第46-48页 |
| 4.4 实验 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 RSS时间序列相似性度量应用研究 | 第52-60页 |
| 5.1 唯一性检测概述 | 第52-54页 |
| 5.1.1 唯一性检测 | 第52-53页 |
| 5.1.2 煤矿入井人员唯一性检测 | 第53-54页 |
| 5.2 实验系统的构架设计及搭建 | 第54-56页 |
| 5.3 实验结果与分析 | 第56-59页 |
| 5.3.1 基于DTW的RSS时间序列相似性度量算法分析 | 第56-58页 |
| 5.3.2 基于卷积神经网络的RSS时间序列相似性度量算法分析 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间的学术活动及成果清单 | 第67-68页 |
