致谢 | 第5-6页 |
摘要 | 第6-8页 |
ABSTRACT | 第8-9页 |
英文缩略语表 | 第15-18页 |
1 绪论 | 第18-28页 |
1.1 背景和意义 | 第18-21页 |
1.1.1 研究背景 | 第18-20页 |
1.1.2 选题意义 | 第20-21页 |
1.2 WSN的研究现状 | 第21-25页 |
1.3 论文主要工作和组织结构 | 第25-28页 |
1.3.1 论文主要工作 | 第25-26页 |
1.3.2 论文组织结构 | 第26-28页 |
2 无线传感器网络数据融合技术 | 第28-54页 |
2.1 WSN的体系结构 | 第28-33页 |
2.2 数据融合技术 | 第33-43页 |
2.2.1 数据融合的作用 | 第35-36页 |
2.2.2 功能模型 | 第36-38页 |
2.2.3 应用分类 | 第38-43页 |
2.3 数据融合技术的研究现状 | 第43-54页 |
2.3.1 数据融合算法类型 | 第43-44页 |
2.3.2 数据融合方法 | 第44-51页 |
2.3.3 当前技术分析 | 第51-54页 |
3 异构网络数据融合中一种有效的敏感事件检测方法 | 第54-86页 |
3.1 引言 | 第54-56页 |
3.2 相关技术 | 第56-57页 |
3.3 基于数据融合的异构网络事件检测方法 | 第57-73页 |
3.3.1 异构网络的特征 | 第57-58页 |
3.3.2 异构网络模型 | 第58-60页 |
3.3.3 异构网络的能耗 | 第60-64页 |
3.3.4 异构网络的拓扑结构 | 第64-69页 |
3.3.5 异构网络数据融合方法 | 第69-73页 |
3.4 传感器网络事件检测方法 | 第73-78页 |
3.4.1 事件的定义及分类 | 第73-74页 |
3.4.2 事件检测方案设计 | 第74-78页 |
3.5 实验仿真 | 第78-84页 |
3.6 本章小结 | 第84-86页 |
4 基于最优权重分配的无线传感器数据融合算法 | 第86-102页 |
4.1 引言 | 第86-87页 |
4.2 分布式无线传感器网络K-means聚类算法 | 第87-92页 |
4.2.1 k均值聚类方法 | 第87-91页 |
4.2.2 分布式数据处理(DKMC) | 第91-92页 |
4.3 基于最优权重分配的数据融合算法 | 第92-97页 |
4.3.1 算法 | 第92-95页 |
4.3.2 方差估值 | 第95-97页 |
4.4 仿真实验 | 第97-101页 |
4.4.1 算法性能实验 | 第97页 |
4.4.2 算法开销比较 | 第97-99页 |
4.4.3 最优权重分配算法应用于温度监测的实例 | 第99-101页 |
4.5 本章小结 | 第101-102页 |
5 基于改进聚合树模型的低能耗数据融合算法 | 第102-118页 |
5.1 引言 | 第102-104页 |
5.2 网络模型 | 第104-105页 |
5.2.1 数据融合树 | 第104-105页 |
5.2.2 融合度 | 第105页 |
5.3 基于融合树支持度的数据融合 | 第105-112页 |
5.3.1 组播树的构建 | 第106-107页 |
5.3.2 消息洪泛 | 第107-110页 |
5.3.3 改进的支持度矩阵 | 第110-111页 |
5.3.4 数据融合处理 | 第111-112页 |
5.4 性能评价 | 第112-116页 |
5.4.1 时间复杂度分析 | 第112-113页 |
5.4.2 能量消耗 | 第113-114页 |
5.4.3 融合结果比较 | 第114-116页 |
5.5 本章小结 | 第116-118页 |
6 基于直觉模糊信息的WSN安全评估模型 | 第118-126页 |
6.1 引言 | 第118页 |
6.2 模糊理论及相关函数 | 第118-121页 |
6.3 基于直觉模糊信息的安全评估模型 | 第121-122页 |
6.4 实例分析 | 第122-124页 |
6.5 本章小结 | 第124-126页 |
7 总结与展望 | 第126-128页 |
7.1 本文工作总结 | 第126-127页 |
7.2 工作展望 | 第127-128页 |
参考文献 | 第128-140页 |
作者简历 | 第140-144页 |
学位论文数据集 | 第144页 |