| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-25页 |
| 1.1 无线传感器网络的研究背景 | 第9-12页 |
| 1.1.1 无线传感器网络研究概述 | 第9-10页 |
| 1.1.2 无线传感器网络的特点 | 第10-11页 |
| 1.1.3 无线传感器网络中的关键技术 | 第11-12页 |
| 1.2 无线传感器网络定位问题的研究 | 第12-22页 |
| 1.2.1 节点定位中的术语 | 第12-14页 |
| 1.2.2 定位品质及评价指标 | 第14-15页 |
| 1.2.3 典型定位方法及分析 | 第15-22页 |
| 1.3 研究内容及章节安排 | 第22-24页 |
| 1.3.1 课题来源 | 第22页 |
| 1.3.2 本文主要研究内容 | 第22-23页 |
| 1.3.3 全文组织结构 | 第23-24页 |
| 1.4 本章小结 | 第24-25页 |
| 2 节点定位中相似度分析应用研究 | 第25-35页 |
| 2.1 基于相似度节点定位的机理 | 第25-28页 |
| 2.1.1 相似性度量计算术语 | 第25-26页 |
| 2.1.2 定位问题的实质 | 第26-27页 |
| 2.1.3 相似度进行节点定位 | 第27-28页 |
| 2.2 MDS算法节点定位应用研究 | 第28-29页 |
| 2.2.1 多维标度技术 | 第28页 |
| 2.2.2 基于MDS的定位算法 | 第28-29页 |
| 2.3 分类算法在节点定位中的应用 | 第29-33页 |
| 2.3.1 分类算法 | 第30-31页 |
| 2.3.2 基于SVM的定位算法 | 第31-33页 |
| 2.4 基于相似度分析定位节点 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 基于K最近邻分类的无线传感器网络定位算法 | 第35-55页 |
| 3.1 引言 | 第35-36页 |
| 3.2 基于K最近邻分类定位算法 | 第36-39页 |
| 3.2.1 网络模型 | 第36页 |
| 3.2.2 KNN分类算法 | 第36-37页 |
| 3.2.3 基于KNN多次分类确定节点坐标 | 第37-38页 |
| 3.2.4 LKNN算法实现过程 | 第38-39页 |
| 3.3 定位误差分析 | 第39-41页 |
| 3.3.1 期望误差 | 第39-40页 |
| 3.3.2 最大误差 | 第40-41页 |
| 3.4 质点弹簧模型优化（Mass-Spring Optimization，MSO） | 第41-42页 |
| 3.5 仿真研究 | 第42-52页 |
| 3.5.1 KNN分类准确度 | 第43-45页 |
| 3.5.2 MSO算法优化定位结果 | 第45-47页 |
| 3.5.3 LKNN与DV-Hop定位结果对比 | 第47-52页 |
| 3.6 实验验证 | 第52-54页 |
| 3.6.1 实验环境 | 第52页 |
| 3.6.2 实验结果分析 | 第52-54页 |
| 3.7 本章小结 | 第54-55页 |
| 4 基于RSSI的多维标度室内定位算法 | 第55-69页 |
| 4.1 引言 | 第55-56页 |
| 4.2 RSSI-CMDS算法 | 第56-61页 |
| 4.2.1 多维标度法 | 第56-57页 |
| 4.2.2 基于RSSI构建相异性矩阵 | 第57-59页 |
| 4.2.3 坐标转换 | 第59-60页 |
| 4.2.4 RSSI-CMDS算法实现 | 第60-61页 |
| 4.3 算法仿真分析 | 第61-66页 |
| 4.3.1 仿真设置 | 第61-62页 |
| 4.3.2 算法仿真测试 | 第62-63页 |
| 4.3.3 算法性能分析 | 第63-66页 |
| 4.4 实际应用测试 | 第66-68页 |
| 4.4.1 实验环境 | 第66-67页 |
| 4.4.2 实验数据分析 | 第67-68页 |
| 4.5 本章小结 | 第68-69页 |
| 5 总结与展望 | 第69-71页 |
| 5.1 工作总结 | 第69-70页 |
| 5.2 研究展望 | 第70-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 附录 | 第79页 |
| A. 作者在攻读硕士学位期间发表的论文 | 第79页 |
| B. 作者在攻读硕士学位期间参与的科研项目 | 第79页 |
| C. 作者在攻读硕士学位期间获得的荣誉 | 第79页 |