本文關(guān)鍵詞：基于預(yù)測(cè)模型的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著科技的發(fā)展,作為新興科技的無線傳感器網(wǎng)絡(luò)(WSN),在物質(zhì)追蹤,智能農(nóng)業(yè),健康監(jiān)測(cè),供應(yīng)鏈管理及環(huán)境感知等領(lǐng)域中具有廣泛的應(yīng)用。無線傳感器網(wǎng)絡(luò)由大量節(jié)點(diǎn)自動(dòng)組網(wǎng)構(gòu)成網(wǎng)絡(luò),其綜合了傳感器技術(shù)、無線通訊技術(shù)、嵌入式技術(shù)等,是多學(xué)科高度交叉的前沿性研究及應(yīng)用領(lǐng)域。數(shù)據(jù)融合技術(shù)是延長無線傳感器網(wǎng)絡(luò)生命周期的關(guān)鍵技術(shù)。數(shù)據(jù)融合利用傳感器節(jié)點(diǎn)處理數(shù)據(jù),在匯聚節(jié)點(diǎn)收集數(shù)據(jù)時(shí)進(jìn)行數(shù)據(jù)融合,從而減少數(shù)據(jù)量,降低能源的限制和通信阻塞、延時(shí)等問題。本文首先介紹了WSN的技術(shù)構(gòu)成,對(duì)不同類型的WSN數(shù)據(jù)融合算法進(jìn)行了概述。然后,對(duì)基于預(yù)測(cè)模型的數(shù)據(jù)融合算法進(jìn)行了詳細(xì)分析,并闡述了基于預(yù)測(cè)模型的數(shù)據(jù)融合過程。其中,基于預(yù)測(cè)原理的數(shù)據(jù)融合算法能否成功最關(guān)鍵的要求是采用合理的時(shí)序預(yù)測(cè)算法。其次,深入研究了基因表達(dá)式編程(GEP)方法在WSN上的預(yù)測(cè)應(yīng)用,對(duì)GEP算法進(jìn)行了詳細(xì)介紹。再次,深入研究了混沌預(yù)測(cè)算法在WSN上的應(yīng)用,介紹了混沌辨識(shí)方法,詳細(xì)討論了混沌預(yù)測(cè)算法及數(shù)據(jù)融合算法流程。最后,研究了基于非線性自回歸(NARX)神經(jīng)網(wǎng)絡(luò)的時(shí)序預(yù)測(cè)算法,介紹了NARX網(wǎng)絡(luò)數(shù)據(jù)融合步驟。通過數(shù)據(jù)仿真實(shí)驗(yàn)可知,GEP算法不依賴先驗(yàn)知識(shí),不僅能夠正確預(yù)測(cè)數(shù)據(jù)趨勢(shì),還可以保證預(yù)測(cè)精度,其預(yù)測(cè)精度高于ARMA算法�；煦缇钟蝾A(yù)測(cè)法能夠?qū)Υ_定性的非線性數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)測(cè),減少了數(shù)據(jù)通信。從而降低了能量消耗,提升了整個(gè)無線網(wǎng)絡(luò)的生存周期。NARX神經(jīng)網(wǎng)絡(luò)可以對(duì)所有特性的數(shù)據(jù)進(jìn)行預(yù)測(cè),其計(jì)算簡(jiǎn)單,無需進(jìn)行相空間重構(gòu),節(jié)省了存儲(chǔ)空間,具有廣泛的應(yīng)用范圍。
【關(guān)鍵詞】：數(shù)據(jù)融合 無線傳感器網(wǎng)絡(luò) 預(yù)測(cè) 混沌算法 自回歸網(wǎng)絡(luò)
【學(xué)位授予單位】：沈陽理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN929.5;TP212.9;TP202
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-14
• 1.1 課題背景9-10
• 1.2 無線傳感器網(wǎng)絡(luò)簡(jiǎn)介10-11
• 1.3 數(shù)據(jù)融合技術(shù)研究歷史11-12
• 1.4 本論文的研究內(nèi)容和意義12-13
• 1.5 本章小結(jié)13-14
• 第2章 WSN技術(shù)及數(shù)據(jù)融合技術(shù)14-26
• 2.1 無線傳感器網(wǎng)絡(luò)簡(jiǎn)介14-17
• 2.2 數(shù)據(jù)融合技術(shù)簡(jiǎn)介17-22
• 2.3 基于預(yù)測(cè)的數(shù)據(jù)融合算法22-24
• 2.4 基于預(yù)測(cè)的數(shù)據(jù)融合過程24-25
• 2.5 本章小結(jié)25-26
• 第3章 基因表達(dá)式編程26-41
• 3.1 GEP算法介紹26-32
• 3.1.1 開放讀碼框架27-30
• 3.1.2 GEP中的基因30-32
• 3.2 適應(yīng)度函數(shù)的選擇與評(píng)估32-33
• 3.3 時(shí)序預(yù)測(cè)算法的基本原理33-35
• 3.3.1 GEP算法在時(shí)序預(yù)測(cè)中的應(yīng)用33
• 3.3.2 ARMA算法在時(shí)序預(yù)測(cè)中的應(yīng)用33-35
• 3.4 實(shí)驗(yàn)仿真35-40
• 3.5 本章小結(jié)40-41
• 第4章 混沌預(yù)測(cè)算法41-57
• 4.1 混沌理論介紹41-49
• 4.1.1 混沌理論的發(fā)展41-42
• 4.1.2 動(dòng)力系統(tǒng)的基本概念42-47
• 4.1.3 混沌與分形理論典型圖像47-49
• 4.2 混沌辨識(shí)方法49-52
• 4.2.1 功率譜方法49-50
• 4.2.2 主成分分析50-51
• 4.2.3 最大Lyapunov指數(shù)法51
• 4.2.4 混沌辨識(shí)仿真51-52
• 4.3 混沌預(yù)測(cè)算法簡(jiǎn)介52-54
• 4.4 數(shù)據(jù)融合算法流程54-55
• 4.5 數(shù)據(jù)仿真實(shí)驗(yàn)55-56
• 4.6 本章小結(jié)56-57
• 第5章 NARX神經(jīng)網(wǎng)絡(luò)算法57-75
• 5.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介57-58
• 5.2 BP算法介紹58-67
• 5.2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)58-60
• 5.2.2 BP網(wǎng)絡(luò)學(xué)習(xí)算法60-65
• 5.2.3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)65-66
• 5.2.4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的缺陷66-67
• 5.3 非線性自回歸神經(jīng)網(wǎng)絡(luò)67-69
• 5.3.1 NARX網(wǎng)絡(luò)模型68
• 5.3.2 NARX網(wǎng)絡(luò)數(shù)據(jù)融合步驟68-69
• 5.4 基于NARX網(wǎng)絡(luò)仿真實(shí)驗(yàn)69-74
• 5.4.1 NARX網(wǎng)絡(luò)延遲參數(shù)取值實(shí)驗(yàn)69-73
• 5.4.2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合實(shí)驗(yàn)73-74
• 5.5 本章小結(jié)74-75
• 結(jié)論75-77
• 參考文獻(xiàn)77-82
• 攻讀碩士學(xué)位期間發(fā)表的論文和獲得的科研成果82-83
• 致謝83-84

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 周紅曉,蔡俊,任德官;一種優(yōu)化多層前饋神經(jīng)網(wǎng)絡(luò)中隱節(jié)點(diǎn)數(shù)的算法[J];浙江師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年03期

  本文關(guān)鍵詞：基于預(yù)測(cè)模型的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：362912