| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| Acknowledgement | 第8-9页 |
| Dedication | 第9-10页 |
| Table of Contents | 第10-14页 |
| List of Figures | 第14-16页 |
| List of Tables | 第16-18页 |
| Chapter 1 Introduction | 第18-30页 |
| 1.1 Fundamental of WSN | 第19-22页 |
| 1.1.1 Sensor Node Components | 第19-20页 |
| 1.1.2 WSN Architecture | 第20-21页 |
| 1.1.3 Deployment of WSN | 第21-22页 |
| 1.2 Fundamental of Data Mining | 第22-25页 |
| 1.3 Motivations | 第25-27页 |
| 1.4 Contributions | 第27-28页 |
| 1.5 Thesis Outline | 第28-30页 |
| Chapter 2 Background Knowledge and Related Work | 第30-53页 |
| 2.1 Taxonomy Framework of Data Mining Techniques | 第30-31页 |
| 2.2 State of the Art of Data Mining Techniques for WSN | 第31-43页 |
| 2.2.1 Frequent Pattern Mining | 第31-34页 |
| 2.2.2 Sequential Pattern Mining | 第34-36页 |
| 2.2.3 Clustering | 第36-40页 |
| 2.2.4 Classification | 第40-43页 |
| 2.3 Comparison of Data Mining Techniques for WSN | 第43-51页 |
| 2.4 Limitations of Existing Data Mining Techniques | 第51-52页 |
| 2.5 Summary | 第52-53页 |
| Chapter 3 A Hybrid Data Mining Method | 第53-67页 |
| 3.1 Data Mining in WSN | 第53-55页 |
| 3.1.1 Challenges to Apply Data Mining for WSN | 第54-55页 |
| 3.2 Generic Data Mining Method in WSN | 第55-60页 |
| 3.2.1 Data Extraction and Transfer | 第56-58页 |
| 3.2.2 Data Pre-Processing | 第58-59页 |
| 3.2.3 Data Transformation | 第59页 |
| 3.2.4 Mining Techniques | 第59页 |
| 3.2.5 Post-processing | 第59-60页 |
| 3.3 Proposed Hybrid Data Mining Method | 第60-62页 |
| 3.4 Components of Hybrid Method | 第62-66页 |
| 3.4.1 Distributed Data Extraction Method (DDE) | 第64-65页 |
| 3.4.2 Sensory Data Miner | 第65-66页 |
| 3.5 Summary | 第66-67页 |
| Chapter 4 Distributed Data Extraction-Local & Network Model View | 第67-94页 |
| 4.1 Association Rule Mining Problem in WSN | 第67-69页 |
| 4.2 Distributed Data Extraction (DDE) Method | 第69-80页 |
| 4.2.1 Network Model | 第69-70页 |
| 4.2.2 Initialization | 第70-72页 |
| 4.2.3 Cluster Formation | 第72-73页 |
| 4.2.4 Cluster Head Selection | 第73-75页 |
| 4.2.5 Missing Value Estimation | 第75-80页 |
| 4.3 DDE Evaluation | 第80-86页 |
| 4.3.1 LEACH | 第80-81页 |
| 4.3.2 Energy-LEACH | 第81-82页 |
| 4.3.3 Comparison of DDE, LEACH and Energy-LEACH | 第82-83页 |
| 4.3.4 Window Association Rule Mining (WARM) | 第83-84页 |
| 4.3.5 Average Window Size (AWS) | 第84页 |
| 4.3.6 Comparison of DDE with WARM and AWS | 第84-86页 |
| 4.4 Results of Distributed Data Method (DDE) | 第86-91页 |
| 4.4.1 Experimental setup | 第86-87页 |
| 4.4.2 Number of Rounds | 第87页 |
| 4.4.3 Data Loss Rate | 第87-88页 |
| 4.4.4 Average Energy Consumption | 第88-89页 |
| 4.4.5 Number of Messages Broadcasts | 第89页 |
| 4.4.6 Number of Force Cluster Heads | 第89页 |
| 4.4.7 Number of Dead Nodes | 第89-91页 |
| 4.5 Comparison of DDE with WARM and AWS | 第91-93页 |
| 4.5.1 Root Mean Square Error (RMSE) | 第91-92页 |
| 4.5.2 Percentage of Estimation | 第92-93页 |
| 4.6 Summary | 第93-94页 |
| Chapter 5 Sensory Data Miner-Global Model View | 第94-119页 |
| 5.1 Clustering Model | 第95-98页 |
| 5.1.1 Application of Hierarchical Clustering (HC) Algorithm | 第95-97页 |
| 5.1.2 The Application of K-Means Algorithm | 第97页 |
| 5.1.3 The Application of Gaussian Mixture Models Algorithm | 第97-98页 |
| 5.2 Analyzer | 第98-101页 |
| 5.2.1 Analyzer Process | 第98-100页 |
| 5.2.2 Analyzer's Algorithm | 第100-101页 |
| 5.3 Incremental Learner | 第101-104页 |
| 5.3.1 Learning Process | 第101-103页 |
| 5.3.2 Learning Algorithm | 第103-104页 |
| 5.4 Evaluation of Clustering Algorithms | 第104-106页 |
| 5.4.1 Davies Bouldin Index | 第104-105页 |
| 5.4.2 Silhouette Index | 第105页 |
| 5.4.3 Dunn Index | 第105-106页 |
| 5.5 Clustering Evaluation Results | 第106-108页 |
| 5.6 Results of Sensory Data Miner | 第108-113页 |
| 5.6.1 Experimental setup | 第108-113页 |
| 5.7 Performance Evaluation | 第113-118页 |
| 5.7.1 Clustering Accuracy | 第113-116页 |
| 5.7.2 Energy Consumption | 第116页 |
| 5.7.3 Patient Comfort Level | 第116-118页 |
| 5.8 Summary | 第118-119页 |
| Chapter 6 Conclusion and Future Work | 第119-123页 |
| 6.1 Conclusion | 第119-121页 |
| 6.2 Future Work | 第121-123页 |
| References | 第123-132页 |
| Research Publications | 第132页 |
