| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 引言 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 研究目的与研究意义 | 第10页 |
| 1.3.1 研究目的 | 第10页 |
| 1.3.2 研究意义 | 第10页 |
| 1.4 研究内容 | 第10-12页 |
| 1.5 论文结构 | 第12-13页 |
| 2 基于能量衰减模型的 ML 目标定位算法 | 第13-25页 |
| 2.1 基于能量衰减模型的目标定位概述 | 第13-14页 |
| 2.2 WSNs 模型建立 | 第14-16页 |
| 2.3 利用量化数据的本地估计 | 第16-19页 |
| 2.3.1 多位数据的本地估计 | 第16-18页 |
| 2.3.2 模拟数据的本地估计 | 第18-19页 |
| 2.4 仿真分析 | 第19-24页 |
| 2.4.1 三种加权平均估计算法简介 | 第19页 |
| 2.4.2 加权平均估计和最大似然估计性能分析 | 第19-22页 |
| 2.4.3 最大似然估计的平均 NEES 分析 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于多参数估计的目标定位算法 | 第25-39页 |
| 3.1 HATA 模型的建立 | 第25-27页 |
| 3.2 基于粒子滤波和似然估计的多参数估计 | 第27-31页 |
| 3.2.1 粒子滤波的基本原理 | 第27-30页 |
| 3.2.2 改进的粒子滤波估计算法 | 第30-31页 |
| 3.3 估计性能分析 | 第31-35页 |
| 3.4 仿真分析 | 第35-37页 |
| 3.5 本章小结 | 第37-39页 |
| 4 传感器的选择方法 | 第39-48页 |
| 4.1 启发式最优量化门限理论 | 第39-41页 |
| 4.2 启发式最优量化门限决策法 | 第41-43页 |
| 4.3 传感器选择 | 第43-45页 |
| 4.3.1 利用预设锚节点的传感器选择 | 第43-44页 |
| 4.3.2 能量的节约 | 第44-45页 |
| 4.4 仿真分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 针对 Byzantine 攻击的动态非等量量化 | 第48-57页 |
| 5.1 存在 Byzantine 传感器的 WSNs 系统 | 第48-50页 |
| 5.1.1 独立攻击模型 | 第49页 |
| 5.1.2 致盲融合中心 | 第49-50页 |
| 5.1.3 传感器的虚实部署 | 第50页 |
| 5.2 等量量化 Byzantine 识别 | 第50-51页 |
| 5.3 减缓 Byzantine 的动态非等量量化 | 第51-54页 |
| 5.3.1 仅有 Honest 节点存在 | 第52页 |
| 5.3.2 适用于非等量量化的启发式方法 | 第52-53页 |
| 5.3.3 Honest 节点和 Byzantine 节点间的博弈 | 第53-54页 |
| 5.4 仿真分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 6 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |
| A. 作者在攻读学位期间发表的论文 | 第62页 |
| B. 作者在攻读学位期间取得的成果专利 | 第62页 |
