發(fā)布時(shí)間：2017-03-19 09:02

  本文關(guān)鍵詞：無(wú)線傳感器網(wǎng)絡(luò)決策級(jí)融合算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)能夠去除感知數(shù)據(jù)中的冗余信息、減少傳輸過(guò)程中的能量消耗、提高獲取信息的準(zhǔn)確性,對(duì)于節(jié)點(diǎn)能量受限的無(wú)線傳感器網(wǎng)絡(luò)具有十分重要的研究意義。決策級(jí)融合作為信息處理最高層次的融合,具有通信量小、不要求傳感器同質(zhì)性、處理速度快、實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn),在目標(biāo)監(jiān)測(cè)、追蹤、屬性判斷等研究方向得到廣泛應(yīng)用。本文對(duì)無(wú)線傳感器網(wǎng)絡(luò)決策級(jí)融合算法進(jìn)行研究,針對(duì)基于事件驅(qū)動(dòng)的目標(biāo)監(jiān)測(cè)及分類這一應(yīng)用場(chǎng)景,對(duì)無(wú)線傳感器網(wǎng)絡(luò)本地決策算法及決策融合算法進(jìn)行了重點(diǎn)研究。首先,本文對(duì)貝葉斯推理、證據(jù)理論、模糊集理論等傳統(tǒng)的無(wú)線傳感器數(shù)據(jù)融合方法進(jìn)行了簡(jiǎn)要介紹及優(yōu)缺點(diǎn)分析,針對(duì)傳統(tǒng)模糊集對(duì)原始數(shù)據(jù)的模糊性表示不夠精確這一問(wèn)題,提出使用直覺(jué)模糊集來(lái)表示原始數(shù)據(jù)的思路�，F(xiàn)有的直覺(jué)模糊構(gòu)造方法多為人工賦值或根據(jù)圖像處理等特定的應(yīng)用場(chǎng)景設(shè)計(jì),不適用于無(wú)線傳感器網(wǎng)絡(luò)環(huán)境。因此,本文提出一種基于數(shù)據(jù)分布的直覺(jué)模糊構(gòu)造方法,根據(jù)節(jié)點(diǎn)采集的原始數(shù)據(jù)集的標(biāo)準(zhǔn)差確定猶豫度,從而根據(jù)模糊集與直覺(jué)模糊集轉(zhuǎn)化關(guān)系將傳感器網(wǎng)絡(luò)采集的原始屬性值集合轉(zhuǎn)化為直覺(jué)模糊集。然后,針對(duì)多屬性融合分類問(wèn)題,對(duì)基于直覺(jué)模糊集成的無(wú)線傳感器網(wǎng)絡(luò)本地決策算法展開研究。首先,提出了類別間相似度概念,根據(jù)不同監(jiān)測(cè)目標(biāo)類別間的直覺(jué)模糊相似度確定各屬性權(quán)重；進(jìn)而提出了基于類別間相似度的加權(quán)TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)直覺(jué)模糊決策算法,用于節(jié)點(diǎn)本地融合分類決策。該算法改進(jìn)了傳統(tǒng)TOPSIS法正負(fù)理想解的確定方式,根據(jù)待測(cè)目標(biāo)各屬性訓(xùn)練樣本集的特征確定正負(fù)理想解,從而獲得更為準(zhǔn)確的多屬性分類結(jié)果。仿真結(jié)果表明,本文提出的本地決策算法相比于傳統(tǒng)模糊融合算法及直覺(jué)模糊加權(quán)集成算法,其分類準(zhǔn)確率均得到一定程度提高。最后,針對(duì)全網(wǎng)決策級(jí)融合問(wèn)題,提出了一種基于分簇及模糊邏輯的無(wú)線傳感器網(wǎng)絡(luò)決策級(jí)融合算法。首先,為減少簇內(nèi)通信消耗,提出一種基于k-Means聚類的節(jié)點(diǎn)分簇算法,并通過(guò)仿真對(duì)分簇效果進(jìn)行了有效性分析；為提高最終決策融合準(zhǔn)確性,采用基于模糊邏輯推理的簇頭權(quán)重確定方法來(lái)衡量各簇的融合準(zhǔn)確程度,從而得到對(duì)監(jiān)測(cè)目標(biāo)分類更為準(zhǔn)確的決策判斷。
【關(guān)鍵詞】：無(wú)線傳感器網(wǎng)絡(luò) 數(shù)據(jù)融合 直覺(jué)模糊集 TOPSIS 模糊邏輯 k-Means
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP212.9;TN929.5;TP202
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-16
• 1.1 研究背景及意義11-13
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀13
• 1.3 研究?jī)?nèi)容及工作13-14
• 1.4 論文組織結(jié)構(gòu)14-16
• 2 相關(guān)工作研究16-22
• 2.1 數(shù)據(jù)融合分類16-19
• 2.1.1 按信息融合處理層次分類16-18
• 2.1.2 按信息融合結(jié)構(gòu)模型分類18-19
• 2.2 數(shù)據(jù)融合數(shù)學(xué)理論19-22
• 2.2.1 貝葉斯推理19-20
• 2.2.2 證據(jù)理論20
• 2.2.3 模糊集理論20-22
• 3 無(wú)線傳感器網(wǎng)絡(luò)本地融合算法研究22-49
• 3.1 應(yīng)用場(chǎng)景及融合框架描述22-23
• 3.2 直覺(jué)模糊集構(gòu)造方法研究23-36
• 3.2.1 現(xiàn)有的直覺(jué)模糊集構(gòu)造方法24-27
• 3.2.2 基于數(shù)據(jù)分布的直覺(jué)模糊集構(gòu)造算法27-30
• 3.2.3 算法仿真結(jié)果及性能分析30-36
• 3.3 基于直覺(jué)模糊集成的本地決策算法研究36-47
• 3.3.1 常見(jiàn)直覺(jué)模糊集成算子36-38
• 3.3.2 直覺(jué)模糊相似度測(cè)度和距離測(cè)度38-39
• 3.3.3 TOPSIS法簡(jiǎn)介39-40
• 3.3.4 基于類別間相似度的加權(quán)TOPSIS直覺(jué)模糊決策算法40-46
• 3.3.5 算法仿真結(jié)果及性能分析46-47
• 3.4 本章小結(jié)47-49
• 4 基于分簇和模糊推理的無(wú)線傳感器網(wǎng)絡(luò)決策融合算法49-66
• 4.1 WSN分簇算法簡(jiǎn)介49-50
• 4.2 CFRBDFA算法流程概述50-52
• 4.3 基于K-MEANS聚類的節(jié)點(diǎn)分簇算法52-55
• 4.3.1 k-Means算法簡(jiǎn)介52-53
• 4.3.2 kBCA算法描述53-55
• 4.4 基于模糊推理的節(jié)點(diǎn)權(quán)重確定方法55-61
• 4.4.1 模糊理論簡(jiǎn)介56-57
• 4.4.2 簇頭節(jié)點(diǎn)權(quán)重計(jì)算57-60
• 4.4.3 決策級(jí)融合60-61
• 4.5 算法仿真結(jié)果及性能分析61-64
• 4.5.1 kBCA分簇效果分析61-64
• 4.5.2 算法復(fù)雜度分析64
• 4.6 本章小結(jié)64-66
• 5 總結(jié)與展望66-68
• 參考文獻(xiàn)68-71
• 附錄A71-73
• 作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果73-75
• 學(xué)位論文數(shù)據(jù)集75

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王科俊;馬慧;;指紋與指靜脈雙模態(tài)識(shí)別決策級(jí)融合方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

2 屈丹,王波,王炳錫;語(yǔ)言辨識(shí)系統(tǒng)的決策級(jí)融合研究[J];電聲技術(shù);2003年11期

3 李志東;楊武;王巍;苘大鵬;;多源入侵檢測(cè)警報(bào)的決策級(jí)融合模型[J];通信學(xué)報(bào);2011年05期

4 程詠梅;周問(wèn)天;王溢;趙春暉;張紹武;;基于決策級(jí)融合的圖像傳感系統(tǒng)目標(biāo)交接[J];傳感技術(shù)學(xué)報(bào);2010年05期

5 李秋華;杜瀊;;雙色紅外圖像目標(biāo)多特征決策級(jí)融合識(shí)別算法[J];計(jì)算機(jī)工程與應(yīng)用;2010年17期

6 熊大容;楊p

本文編號(hào)：255797