无线传感器网络不确定数据估计算法研究

摘要

无线传感器网络（WSN）是由监测区域内大量的传感器节点组成的，这些节点负责对监测区域内的数据进行采集、处理和将处理后的数据发送给监测人员。由于无线传感器节点具有价格低廉、体积微小等许多优点，所以被广泛的应用于各个领域。但是受WSN的自身特点及外部环境的影响，使得WSN中部分感知数据缺失。因此，对WSN中的缺失数据进行填补至关重要。
　　本文首先提出了改进的基于感知数据空间相关性的多元回归模型（ISM）算法，它在多元回归模型的基础上，利用神经网络中的自适应线性单元学习算法对回归模型中的系数进行优化，得到的估计值具有较高的准确性和稳定性。但是，对于感知数据时间相关性来说，利用ISM算法中系数优化方法进行处理后，会存在收敛速度慢的问题，为了改善这种情况，引入埃特金加速收敛方法，提出了改进的基于感知数据时间相关性的多元回归模型（ITM）算法。实验结果证明了ITM算法具有较高的准确性和收敛速度。最后，本文通过融合感知数据的时间相关性和空间相关性，提出了一种基于时-空相关性的ISTM算法，从而降低了单一算法引入的误差。实验结果表明，ISTM算法在计算复杂度较低的情况下，能准确的估计WSN中的缺失数据，具有精确度高、收敛速度快、稳定性高的性能。

目录

声明

第1章 绪论

1.1 论文的研究背景与意义

1.2 国内外研究现状

1.3 论文的主要工作

第2章 无线传感器网络简介

2.1 无线传感器网络概述

2.2无线传感器网络中不确定数据简介

2.3 无线传感器网络的应用

2.4 本章小结

第3章 基础理论知识

3.1 拉格朗日插值

3.2 多元线性回归模型

3.3 神经网络中自适应线性单元简介

3.4 本章小结

第4章 无线传感器网络不确定数据估计算法

4.1 算法思想

4.2 ISM算法分析

4.3 ITM算法分析

4.4 ISTM算法

4.5 采样频率、邻居节点个数对算法性能影响的仿真与分析

4.6 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢