| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 引言 | 第7-10页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究内容 | 第8页 |
| 1.3 本文组织结构 | 第8-10页 |
| 第2章 链路质量相关研究现状 | 第10-19页 |
| 2.1 链路特性研究 | 第10-15页 |
| 2.1.1 链路的不规则性 | 第10-12页 |
| 2.1.2 链路的非对称性 | 第12-13页 |
| 2.1.3 链路的时间波动性 | 第13-15页 |
| 2.2 链路质量预测模型的研究概述 | 第15-18页 |
| 2.2.1 基于链路特性的预测模型 | 第15-16页 |
| 2.2.2 基于概率估计的预测模型 | 第16-17页 |
| 2.2.3 基于智能学习理论的预测模型 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 链路质量度量参数的选取 | 第19-27页 |
| 3.1 基于物理层参数指标 | 第19-21页 |
| 3.1.1 RSSI | 第19-20页 |
| 3.1.2 LQI | 第20页 |
| 3.1.3 SNR | 第20-21页 |
| 3.2 基于链路层参数PRR指标 | 第21-22页 |
| 3.3 各个参数之间的相关性分析 | 第22-26页 |
| 3.3.1 RSSI与PRR相关性分析 | 第22-24页 |
| 3.3.2 SNR与PRR相关性分析 | 第24-25页 |
| 3.3.3 LQI与PRR相关性分析 | 第25-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第4章 基于云模型的链路质量预测 | 第27-43页 |
| 4.1 链路质量预测模型的整体设计结构 | 第27页 |
| 4.2 自适应高斯云变换算法的链路质量划分 | 第27-35页 |
| 4.2.1 云模型相关理论 | 第27-30页 |
| 4.2.2 自适应高斯云变换算法 | 第30-35页 |
| 4.3 Apriori算法的介绍 | 第35-36页 |
| 4.4 链路质量预测模型的设计 | 第36-42页 |
| 4.4.1 三维正向云算法 | 第36-37页 |
| 4.4.2 三条件前件云发生器 | 第37-39页 |
| 4.4.3 云推理链路质量预测方法建立 | 第39-40页 |
| 4.4.4 云模型时间序列链路质量预测模型的建立 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 实验设计及分析 | 第43-64页 |
| 5.1 实验平台介绍 | 第43-48页 |
| 5.1.1 硬件平台 | 第43-45页 |
| 5.1.2 软件平台 | 第45-48页 |
| 5.2 实验场景与方案 | 第48-50页 |
| 5.3 样本数据分析 | 第50-52页 |
| 5.4 参数相关性实验结果 | 第52-55页 |
| 5.5 云模型链路质量预测模型验证 | 第55-62页 |
| 5.5.1 链路质量参数分类实验结果 | 第55-60页 |
| 5.5.2 参数间关联规则的挖掘实验结果 | 第60页 |
| 5.5.3 云推理链路质量预测性能分析 | 第60-62页 |
| 5.5.4 云模型时间序列链路质量预测性能分析比较 | 第62页 |
| 5.6 本章小结 | 第62-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间参与课题情况 | 第70-71页 |
| 攻读硕士期间发表论文、软件著作权及获奖情况 | 第71-72页 |
| 致谢 | 第72-73页 |