| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究进展 | 第12-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 无线传感器网络和核学习机理论 | 第16-26页 |
| 2.1 无线传感器网络 | 第16-18页 |
| 2.1.1 无线传感器网络架构特点 | 第16-18页 |
| 2.1.2 无线传感器网络与机器学习 | 第18页 |
| 2.2 核学习机理论 | 第18-25页 |
| 2.2.1 线性支持向量机 | 第19-21页 |
| 2.2.2 非线性支持向量机 | 第21-23页 |
| 2.2.3 相关向量机 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于相关向量核学习机的增量学习方法研究 | 第26-46页 |
| 3.1 稀疏贝叶斯模型 | 第26-29页 |
| 3.1.1 模型描述 | 第26-28页 |
| 3.1.2 自上而下的基函数选择学习方法 | 第28-29页 |
| 3.2 核学习机增量学习方法 | 第29-32页 |
| 3.2.1 增量学习基础理论 | 第29-30页 |
| 3.2.2 经典增量算法 | 第30-32页 |
| 3.3 一种基于相关向量机的增量学习算法 | 第32-35页 |
| 3.3.1 增量过程分析 | 第32-34页 |
| 3.3.2 相关向量核学习机增量学习算法 | 第34-35页 |
| 3.4 仿真实验与结果分析 | 第35-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于数据降维的核学习机增量学习算法研究 | 第46-58页 |
| 4.1 核主成分分析降维方法 | 第46-48页 |
| 4.1.1 核主成分分析 | 第46-47页 |
| 4.1.2 核主成分算法 | 第47-48页 |
| 4.2 基于数据降维的相关向量核学习机增量学习算法 | 第48-50页 |
| 4.2.1 数据降维过程分析 | 第48-49页 |
| 4.2.2 基于核主成分分析方法的相关向量核学习机增量算法 | 第49-50页 |
| 4.3 仿真实验与结果分析 | 第50-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 基于非平均分簇策略的分簇算法研究 | 第58-66页 |
| 5.1 WSN分簇策略 | 第58-60页 |
| 5.1.1 问题提出 | 第58-59页 |
| 5.1.2 WSN非平均分簇策略 | 第59-60页 |
| 5.2 一种基于非平均分簇策略的分簇算法 | 第60-61页 |
| 5.3 仿真实验与结果分析 | 第61-64页 |
| 5.4 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的学术论文 | 第72-74页 |
| 致谢 | 第74页 |