基于模糊支持向量回归机的WSN链路质量预测模型
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 研究内容 | 第10页 |
| 1.3 本文组织结构 | 第10-12页 |
| 第2章 WSN链路质量研究现状 | 第12-28页 |
| 2.1 链路质量参数 | 第12-18页 |
| 2.1.1 RSSI | 第12-13页 |
| 2.1.2 SNR | 第13-14页 |
| 2.1.3 LQI | 第14页 |
| 2.1.4 PRR | 第14-15页 |
| 2.1.5 参数间相关性 | 第15-18页 |
| 2.2 链路特性研究现状 | 第18-24页 |
| 2.2.1 环境影响因子 | 第18-19页 |
| 2.2.2 不规则性 | 第19-20页 |
| 2.2.3 非对称性 | 第20-21页 |
| 2.2.4 时间特性 | 第21页 |
| 2.2.5 空间特性 | 第21-23页 |
| 2.2.6 干扰 | 第23页 |
| 2.2.7 不稳定性 | 第23-24页 |
| 2.3 链路质量预测模型研究现状 | 第24-27页 |
| 2.3.1 基于链路特性的预测模型 | 第24-25页 |
| 2.3.2 基于概率估计的预测模型 | 第25-26页 |
| 2.3.3 基于智能学习理论的预测模型 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于PCA及KFCM的样本预处理 | 第28-37页 |
| 3.1 链路质量预测模型 | 第28-29页 |
| 3.2 属性约简 | 第29-32页 |
| 3.2.1 PCA数学模型 | 第30页 |
| 3.2.2 PCA几何意义 | 第30-32页 |
| 3.3 细粒度化样本 | 第32-35页 |
| 3.3.1 模糊核聚类 | 第33-34页 |
| 3.3.3 聚类有效性指标 | 第34-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 基于FSVR的链路质量预测 | 第37-47页 |
| 4.1 统计学习理论 | 第37-38页 |
| 4.2 支持向量机原理 | 第38-40页 |
| 4.3 模糊支持向量回归机 | 第40-42页 |
| 4.4 链路质量预测方法设计 | 第42-46页 |
| 4.4.1 核函数选择 | 第42-43页 |
| 4.4.2 模型参数确定 | 第43-45页 |
| 4.4.3 预测模型建立 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 实验设计及分析 | 第47-61页 |
| 5.1 实验平台介绍 | 第47-49页 |
| 5.1.1 硬件平台 | 第47-48页 |
| 5.1.2 软件平台 | 第48-49页 |
| 5.1.3 LIBSVM | 第49页 |
| 5.2 实验场景描述 | 第49-51页 |
| 5.3 样本数据分析 | 第51-55页 |
| 5.4 FSVR预测模型验证 | 第55-60页 |
| 5.4.1 数据降维分析 | 第56-57页 |
| 5.4.2 参数优化方法结果分析比较 | 第57-59页 |
| 5.4.3 不同模型性能分析比较 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间参与课题情况 | 第69-70页 |
| 攻读硕士期间发表论文及软件著作权情况 | 第70-71页 |
| 致谢 | 第71-72页 |
