無(wú)線傳感器網(wǎng)絡(luò)（Wireless sensor networks,WSNs）技術(shù)具備感知、數(shù)據(jù)處理、存儲(chǔ)和無(wú)線通信等綜合處理能力,具有涉及學(xué)科多、知識(shí)面廣和應(yīng)用范圍大等特點(diǎn),是構(gòu)建智能感知環(huán)境的主要技術(shù)支撐。隨著傳感器技術(shù)、無(wú)線通信技術(shù)和物聯(lián)網(wǎng)技術(shù)的迅速發(fā)展,對(duì)WSN技術(shù)的研究得到了進(jìn)一步的深入。WSN節(jié)點(diǎn)作為網(wǎng)絡(luò)的最前端,其數(shù)據(jù)處理能力對(duì)網(wǎng)絡(luò)的安全性、高效性和智能性等有著重要的影響。論文以WSN節(jié)點(diǎn)作為研究對(duì)象,著重對(duì)多傳感器信息融合技術(shù)相關(guān)理論和算法進(jìn)行研究,主要工作包括:（1）對(duì)WSN和多傳感器信息融合的相關(guān)知識(shí)做了簡(jiǎn)要介紹,提出一種基于距離矢量的多傳感器信息決策算法。該算法利用傳感器信息決策特點(diǎn),結(jié)合系統(tǒng)評(píng)價(jià)標(biāo)準(zhǔn),通過(guò)對(duì)支持度矩陣的歸一化處理,得出優(yōu)勢(shì)度函數(shù),經(jīng)規(guī)范化后對(duì)決策結(jié)果進(jìn)行排序,取值最大為最優(yōu)解方案。同時(shí),定義了區(qū)分度函數(shù),為算法評(píng)價(jià)提供科學(xué)依據(jù)。仿真分析表明,該方法在傳感器信息決策中識(shí)別區(qū)分度均達(dá)到0.5以上,在計(jì)算過(guò)程中避免了對(duì)傳感器數(shù)據(jù)的概率賦值,相對(duì)于其他在決策中需要對(duì)傳感器數(shù)據(jù)進(jìn)行概率賦值的算法,具有明顯優(yōu)勢(shì)。（2）提出采用冪均算子與D-S證據(jù)理論的數(shù)據(jù)融合... 

【文章頁(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 問(wèn)題的提出
        1.2.1 WSN研究進(jìn)展現(xiàn)狀
        1.2.2 多傳感器信息融合技術(shù)研究進(jìn)展
    1.3 論文的主要內(nèi)容
    1.4 本章小結(jié)
第二章 WSN與多傳感器信息融合相關(guān)技術(shù)
    2.1 WSN結(jié)構(gòu)
    2.2 WSN網(wǎng)絡(luò)節(jié)點(diǎn)
        2.2.1 WSN網(wǎng)絡(luò)節(jié)點(diǎn)組成
        2.2.2 傳感器模塊
        2.2.3 處理器模塊
        2.2.4 無(wú)線通信模塊
        2.2.5 能量供應(yīng)模塊
        2.2.6 存儲(chǔ)模塊
    2.3 多傳感器信息融合技術(shù)
        2.3.1 多傳感器信息融合特點(diǎn)
        2.3.2 多傳感器信息融合的功能模型
        2.3.3 多傳感器信息融合級(jí)別
        2.3.4 處理結(jié)構(gòu)
        2.3.5 多傳感器信息融合過(guò)程
        2.3.6 多傳感器信息融合主要技術(shù)和方法
    2.4 本章小結(jié)
第三章 基于距離矢量的多傳感器信息決策算法
    3.1 多傳感器信息決策模型
    3.2 算法原理
        3.2.1 單屬性信息融合算法
        3.2.2 多屬性信息融合算法
    3.3 基于距離矢量的多傳感器決策算法
    3.4 仿真算例
    3.5 本章小結(jié)
第四章 基于冪均算子與D-S證據(jù)理論的多傳感器信息融合算法
    4.1 多傳感器決策信息融合模型
    4.2 冪均算子
    4.3 D-S證據(jù)理論
    4.4 算法改進(jìn)
        4.4.1 數(shù)據(jù)預(yù)處理
        4.4.2 D-S證據(jù)理論融合過(guò)程
    4.5 案例分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷
在校期間的研究成果及發(fā)表的學(xué)術(shù)論文清單


【參考文獻(xiàn)】：
期刊論文
[1]基于蟻群優(yōu)化的WSN網(wǎng)絡(luò)數(shù)據(jù)融合算法[J]. 丁華.  沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào). 2020(02)
[2]基于SVDD和D-S理論的曲軸軸承故障診斷[J]. 張懿,崔佳.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(11)
[3]基于前景理論和證據(jù)推理的混合型多屬性決策方法[J]. 羅承昆,陳云翔,顧天一,項(xiàng)華春.  國(guó)防科技大學(xué)學(xué)報(bào). 2019(05)
[4]Data Fusion Algorithm Based on Fuzzy Sets and D-S Theory of Evidence[J]. Guangzhe Zhao,Aiguo Chen,Guangxi Lu,Wei Liu.  Tsinghua Science and Technology. 2020(01)
[5]基于改進(jìn)D-S證據(jù)理論的導(dǎo)彈控制系統(tǒng)完好性評(píng)估[J]. 李遠(yuǎn)冬,岳瑞華,丁宸宇,蒲俊,顧凡.  電光與控制. 2020(02)
[6]融合高階信息的社交網(wǎng)絡(luò)重要節(jié)點(diǎn)識(shí)別算法[J]. 閆光輝,張萌,羅浩,李世魁,劉婷.  通信學(xué)報(bào). 2019(10)
[7]SNDQ-WISE:一種新的基于SDWSN的QOS路由協(xié)議[J]. 湯季,譚小波,朱騰.  沈陽(yáng)理工大學(xué)學(xué)報(bào). 2019(04)
[8]基于改進(jìn)Jousselme證據(jù)距離的多傳感器決策融合方法[J]. 張雅媛,孫力帆,鄭國(guó)強(qiáng).  儀表技術(shù)與傳感器. 2019(07)
[9]基于高階馬爾可夫鏈WSN低時(shí)延調(diào)度算法[J]. 孔凡鳳,陳曦,宋燕輝,歐紅玉.  科技通報(bào). 2019(05)
[10]沖突證據(jù)決策新方法及應(yīng)用[J]. 趙靜,關(guān)欣,劉海橋.  北京航空航天大學(xué)學(xué)報(bào). 2019(09)

碩士論文
[1]無(wú)線傳感器網(wǎng)絡(luò)覆蓋與資源優(yōu)化研究[D]. 張青.西安郵電大學(xué) 2018
[2]基于無(wú)線傳感器網(wǎng)絡(luò)的礦區(qū)大氣質(zhì)量監(jiān)測(cè)系統(tǒng)[D]. 婁鵬飛.西安郵電大學(xué) 2018
[3]基于無(wú)錨節(jié)點(diǎn)的無(wú)線傳感器網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)[D]. 李永彪.西安電子科技大學(xué) 2018
[4]基于D-S證據(jù)理論的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合[D]. 劉雨岑.北京交通大學(xué) 2017



本文編號(hào)：3717354