基于NARX神经网络时序预测模型的分簇数据融合研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 无线传感器网络简介 | 第12-14页 |
| 1.3 研究现状 | 第14-17页 |
| 1.3.1 无线传感器网络的研究现状 | 第14-16页 |
| 1.3.2 数据融合的研究现状 | 第16-17页 |
| 1.4 本文主要研究内容 | 第17-18页 |
| 1.5 本文结构安排 | 第18-19页 |
| 第2章 现有数据融合算法分析 | 第19-35页 |
| 2.1 无线传感器网络的数据融合算法 | 第19-22页 |
| 2.1.1 数据融合技术的一般模型及分类 | 第19-21页 |
| 2.1.2 数据融合的基本方式 | 第21-22页 |
| 2.2 数据融合算法分类分析 | 第22-34页 |
| 2.2.1 基于网络结构的数据融合 | 第22-30页 |
| 2.2.2 基于预测的数据融合算法 | 第30-32页 |
| 2.2.3 基于时空相关的数据融合 | 第32-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第3章 基于NARX神经网络的分簇数据融合算法 | 第35-58页 |
| 3.1 神经网络技术 | 第35-38页 |
| 3.1.1 神经网络模型 | 第35-36页 |
| 3.1.2 神经网络分类 | 第36-37页 |
| 3.1.3 神经网络主要特征 | 第37页 |
| 3.1.4 神经网络在WSNs中的应用 | 第37-38页 |
| 3.2 现有时空相关数据融合算法存在的问题 | 第38-39页 |
| 3.3 基于矢量量化分簇算法的分析与改进 | 第39-45页 |
| 3.3.1 矢量量化算法概述 | 第39-40页 |
| 3.3.2 矢量量化的定义 | 第40-43页 |
| 3.3.3 能量均衡的矢量量化分簇算法 | 第43-45页 |
| 3.4 基于NARX神经网络的分簇数据融合算法 | 第45-50页 |
| 3.4.1 NARX神经网络概述 | 第45-47页 |
| 3.4.2 N-CDAA算法设计 | 第47-50页 |
| 3.5 仿真分析 | 第50-56页 |
| 3.5.1 网络模型 | 第51页 |
| 3.5.2 测试环境和性能指标 | 第51-53页 |
| 3.5.3 仿真结果与分析 | 第53-56页 |
| 3.6 本章小结 | 第56-58页 |
| 第4章 WSNs中节点数据异常检测算法 | 第58-69页 |
| 4.1 引言 | 第58页 |
| 4.2 WSNs中异常检测研究 | 第58-61页 |
| 4.2.1 数据异常检测简介 | 第58-60页 |
| 4.2.2 WSNs中的异常检测技术 | 第60-61页 |
| 4.3 数据异常检测算法改进 | 第61-65页 |
| 4.3.1 奇异值分解法概述 | 第61-62页 |
| 4.3.2 SVD-CI算法设计 | 第62-64页 |
| 4.3.3 算法性能分析 | 第64-65页 |
| 4.4 仿真实验与分析 | 第65-68页 |
| 4.4.1 测试环境与性能指标 | 第65页 |
| 4.4.2 仿真结果与分析 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 结束语 | 第69-71页 |
| 5.1 本文工作总结 | 第69-70页 |
| 5.2 下一步工作 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-78页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第78页 |
