无线传感器网络定位技术研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 引言 | 第9页 |
| 1.2 研究背景 | 第9-11页 |
| 1.3 国内外的发展及研究现状 | 第11-17页 |
| 1.3.1 WSN的发展及研究现状 | 第11-13页 |
| 1.3.2 WSN定位技术的国内外研究现状 | 第13-17页 |
| 1.4 本论文的结构安排 | 第17-18页 |
| 第二章 WSN基本定位理论 | 第18-31页 |
| 2.1 节点定位的基本概念 | 第18-19页 |
| 2.2 定位算法性能的评价 | 第19-20页 |
| 2.3 定位基本原理 | 第20-23页 |
| 2.3.1 常见测距/测向方法 | 第20页 |
| 2.3.2 节点定位计算方法 | 第20-23页 |
| 2.4 经典定位算法 | 第23-30页 |
| 2.4.1 质心定位算法 | 第23-24页 |
| 2.4.2 凸规划定位算法 | 第24-25页 |
| 2.4.3 DV-Hop定位算法 | 第25-26页 |
| 2.4.4 MDS-MAP定位算法 | 第26页 |
| 2.4.5 PDM定位算法 | 第26-28页 |
| 2.4.6 仿真实验 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 机器学习理论研究 | 第31-43页 |
| 3.1 学习问题的表述 | 第31-33页 |
| 3.2 支持向量机的基本理论 | 第33-35页 |
| 3.2.1 VC维 | 第33-34页 |
| 3.2.2 推广性的界 | 第34页 |
| 3.2.3 结构风险最小化 | 第34-35页 |
| 3.3 标准支持向量机模型 | 第35-39页 |
| 3.3.1 最优分类面 | 第35-37页 |
| 3.3.2 广义最优分类面 | 第37页 |
| 3.3.3 核函数方法及核函数 | 第37-38页 |
| 3.3.4 支持向量机 | 第38-39页 |
| 3.4 支持向量机回归 | 第39-41页 |
| 3.4.1 ε-支持向量机回归 | 第39-40页 |
| 3.4.2 最小二乘支持向量机回归 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于SVR的WSN定位方法 | 第43-62页 |
| 4.1 问题描述 | 第43-44页 |
| 4.2 LSVR算法 | 第44-47页 |
| 4.2.1 信息获取 | 第44-45页 |
| 4.2.2 模型训练 | 第45页 |
| 4.2.3 定位 | 第45-46页 |
| 4.2.4 实验仿真 | 第46-47页 |
| 4.3 LMSVR算法 | 第47-49页 |
| 4.3.1 模型训练 | 第47-48页 |
| 4.3.2 定位 | 第48页 |
| 4.3.3 实验仿真 | 第48-49页 |
| 4.4 T-LSVR算法 | 第49-61页 |
| 4.4.1 参数优化选择 | 第49-52页 |
| 4.4.2 实验仿真及分析 | 第52-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 全文总结与展望 | 第62-64页 |
| 5.1 全文总结 | 第62-63页 |
| 5.2 未来工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间取得的成果 | 第70-71页 |
