| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 无线传感器网络定位算法国内外研究状况 | 第9-11页 |
| 1.3 论文的主要内容 | 第11-13页 |
| 第二章 无线传感器网络综述 | 第13-25页 |
| 2.1 无线传感器网络的介绍 | 第13-15页 |
| 2.1.1 无线传感器网络的体系结构 | 第13-14页 |
| 2.1.2 无线传感器的特点 | 第14页 |
| 2.1.3 无线传感器网络的应用场景 | 第14-15页 |
| 2.2 无线传感器网络名词含义与定位机制 | 第15-18页 |
| 2.2.1 无线传感器网络中节点定位基本的概念 | 第15-16页 |
| 2.2.2 无线传感器网络中计算节点坐标机制 | 第16-18页 |
| 2.3 无线传感器网络定位算法 | 第18-21页 |
| 2.3.1 基于测距的定位算法 | 第18-20页 |
| 2.3.2 基于非测距定位算法 | 第20-21页 |
| 2.4 定位性能的评价指标 | 第21-23页 |
| 2.4.1 定位精度 | 第22-23页 |
| 2.4.2 锚节点密度 | 第23页 |
| 2.4.3 平均连通性 | 第23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 基于改进粒子群算法优化CPSODVC-HOP算法 | 第25-41页 |
| 3.1 传统的DV-HOP算法及误差分析 | 第25-27页 |
| 3.1.1 传统的DV-HOP算法 | 第25-26页 |
| 3.1.2 DV-HOP误差来源分析 | 第26-27页 |
| 3.2 平均每跳距离修正 | 第27-29页 |
| 3.2.1 平均每跳距离修正的详细步骤 | 第28-29页 |
| 3.3 粒子群优化算法改进的DVC-HOP算法 | 第29-35页 |
| 3.3.1 群体智能优化算法-粒子群算法的介绍 | 第29-32页 |
| 3.3.2 适应度函数 | 第32页 |
| 3.3.3 基于粒子群的PSODVC-HOP算法仿真分析 | 第32-35页 |
| 3.4 改进的粒子算法CPSO算法 | 第35-37页 |
| 3.4.1 种群健康程度指标 | 第35-36页 |
| 3.4.2 基于随机扰动的粒子更新办法 | 第36-37页 |
| 3.4.3 基于随机扰动的粒子群改进算法CPSO算法 | 第37页 |
| 3.5 基于改进的粒子群算法的DVC-HOP算法及其仿真分析 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于TDOA数据融合算法 | 第41-57页 |
| 4.1 TDOA的定位模型 | 第41-43页 |
| 4.1.1 双信号定位模型 | 第41-42页 |
| 4.1.2 双曲线定位模型 | 第42-43页 |
| 4.2 基于TDOA传统的定位算法分析与研究 | 第43-48页 |
| 4.2.1 CHAN算法 | 第43-46页 |
| 4.2.2 TAYLOR算法 | 第46-47页 |
| 4.2.3 球面差值算法 | 第47-48页 |
| 4.3 基于TDOA的传统算法的仿真与分析 | 第48-51页 |
| 4.4 基于CHAN与TAYLOR算法加权数据融合定位算法 | 第51-56页 |
| 4.4.1 数据融合算法的流程图 | 第53-54页 |
| 4.4.2 数据融合算法的仿真分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-58页 |
| 5.1 本文总结 | 第57页 |
| 5.2 未来展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间的研究成果 | 第62-63页 |
