| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究意义 | 第10页 |
| 1.2 故障诊断技术 | 第10-11页 |
| 1.3 WSN故障诊断的研究现状 | 第11-13页 |
| 1.4 基于神经网络的WSN故障诊断技术现状 | 第13-14页 |
| 1.5 论文的主要内容及组织结构 | 第14-15页 |
| 第二章 基于联合神经网络的WSN故障诊断方法研究 | 第15-26页 |
| 2.1 WSN系统模型 | 第15-16页 |
| 2.2 WSN节点故障征兆信号分析 | 第16-19页 |
| 2.2.1 电源单元故障及其征兆 | 第17-18页 |
| 2.2.2 传感器单元故障及其征兆 | 第18-19页 |
| 2.3 WSN网络故障征兆信号分析 | 第19-21页 |
| 2.3.1 到达率 | 第20页 |
| 2.3.2 延时指数 | 第20-21页 |
| 2.4 WSN故障征兆信号与故障类型的关系 | 第21-22页 |
| 2.5 基于联合神经网络的WSN故障诊断方案 | 第22-25页 |
| 2.5.1 孤立节点的故障诊断 | 第22-24页 |
| 2.5.2 簇头节点的故障诊断 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于径向基Elman神经网络的传感器单元故障检测研究 | 第26-42页 |
| 3.1 用于传感器故障检测的神经网络类型选择 | 第26-27页 |
| 3.1.1 反馈神经网络的优越性 | 第26页 |
| 3.1.2 Elman神经网络 | 第26-27页 |
| 3.2 Elman神经网络预测器设计 | 第27-35页 |
| 3.2.1 径向基Elman神经网络的结构 | 第27-30页 |
| 3.2.2 径向基Elman神经网络预测器的学习算法 | 第30-32页 |
| 3.2.3 径向基Elman神经网络预测器仿真分析 | 第32-35页 |
| 3.3 传感器单元故障检测的径向基Elman神经网络方法及仿真 | 第35-41页 |
| 3.3.1 传感器单元故障仿真模型 | 第35-36页 |
| 3.3.2 基于径向基Elman网络的传感器单元故障检测仿真分析 | 第36-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于RBF神经网络WSN故障信息分类研究 | 第42-60页 |
| 4.1 RBF神经网络及其用于WSN故障分类的优势 | 第42-43页 |
| 4.2 RBF神经网络WSN故障分类器学习算法 | 第43-53页 |
| 4.2.1 量子遗传算法编码方式的改进 | 第43-47页 |
| 4.2.1.1 二进制比特位编码量子遗传算法 | 第43-44页 |
| 4.2.1.2 现有量子遗传算法的优点与缺陷 | 第44-45页 |
| 4.2.1.3 双参数实数编码 | 第45-46页 |
| 4.2.1.4 观测与选择 | 第46页 |
| 4.2.1.5 交叉、变异与更新 | 第46-47页 |
| 4.2.2 双参数实数编码量子遗传算法 | 第47-51页 |
| 4.2.3 混合递阶量子遗传RBF神经网络学习算法 | 第51-53页 |
| 4.3 基于RBF神经网络的WSN故障分类器建模 | 第53-59页 |
| 4.3.1 故障分类器构建 | 第53-55页 |
| 4.3.3 仿真结果及其比较分析 | 第55-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 实验与测试分析 | 第60-69页 |
| 5.1 WSN故障诊断联合神经网络方法的软件实现 | 第60-62页 |
| 5.1.1 节点故障诊断子程序 | 第60-62页 |
| 5.1.2 监控中心控制子程序 | 第62页 |
| 5.2 实验测试与分析 | 第62-68页 |
| 5.2.1 测试网络组建 | 第62-64页 |
| 5.2.2 测试结果及分析 | 第64-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 论文的主要工作及创新点 | 第69-70页 |
| 6.2 后续工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士研究生期间取得的研究成果 | 第75-76页 |
