无线传感器网络中基于预测模型的数据融合算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·课题研究背景与意义 | 第10-11页 |
| ·课题研究历史与现状 | 第11-12页 |
| ·本文的研究内容和组织结构 | 第12-14页 |
| 第2章 无线传感器网络技术 | 第14-29页 |
| ·无线传感器网络概述 | 第14-21页 |
| ·传感器网络的关键问题 | 第14-16页 |
| ·无线传感器网络体系结构 | 第16-17页 |
| ·无线传感器网络的标准 | 第17-19页 |
| ·无线传感器网络的类型 | 第19-20页 |
| ·无线传感器网络的应用 | 第20-21页 |
| ·数据融合概述 | 第21-28页 |
| ·数据融合的模型 | 第22-25页 |
| ·数据融合的分类 | 第25-26页 |
| ·无线传感器网络中的数据融合 | 第26-28页 |
| ·本章小节 | 第28-29页 |
| 第3章 基于概率模型的数据融合算法 | 第29-35页 |
| ·基于概率模型的数据融合 | 第29-30页 |
| ·KEN 拷贝动态概率模型 | 第30-33页 |
| ·DJC 模型介绍 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于 PSO-SVR 的 DJC 模型 | 第35-46页 |
| ·粒子群算法 | 第35-37页 |
| ·基本粒子群算法 | 第35-36页 |
| ·粒子群算法基本步骤 | 第36页 |
| ·粒子群算法参数 | 第36-37页 |
| ·支持向量机预测模型 | 第37-41页 |
| ·支持向量机 | 第37-38页 |
| ·支持向量回归机 | 第38-40页 |
| ·支持向量机的参数分析 | 第40-41页 |
| ·PSO-SVR 模型 | 第41-43页 |
| ·基于 PSO-SVR 的 DJC 预测模型 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 感知数据预测仿真实验分析 | 第46-53页 |
| ·实验环境介绍 | 第46页 |
| ·实验模型建立 | 第46-48页 |
| ·模型参数确定 | 第48-49页 |
| ·PSO-SVR 参数选择 | 第48页 |
| ·T-SVR 参数选择 | 第48页 |
| ·反馈神经网络 | 第48-49页 |
| ·实验结果分析 | 第49-52页 |
| ·SVR 参数选择试验结果 | 第49页 |
| ·感知数据预测实验结果 | 第49-51页 |
| ·不同样本空间实验对比分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第6章 结论与展望 | 第53-55页 |
| ·总结 | 第53-54页 |
| ·展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 作者简介及在学期间所取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |
