無(wú)線傳感器網(wǎng)絡(luò)與監(jiān)測(cè)應(yīng)用

第1章 緒論
1.1 當(dāng)代信息化發(fā)展的技術(shù)趨勢(shì)
1.2 基于無(wú)線傳感器網(wǎng)絡(luò)的信息獲取
1.2.1 傳感技術(shù)及其發(fā)展
1.2.2 無(wú)線傳感器網(wǎng)絡(luò)的發(fā)展及其特點(diǎn)
1.2.3 無(wú)線傳感器網(wǎng)絡(luò)關(guān)鍵技術(shù)
1.3 無(wú)線傳感器網(wǎng)絡(luò)監(jiān)測(cè)應(yīng)用
1.3.1 工業(yè)無(wú)線傳感器網(wǎng)絡(luò)
1.3.2 水下環(huán)境多源監(jiān)測(cè)
1.3.3 運(yùn)動(dòng)目標(biāo)跟蹤
參考文獻(xiàn)
第2章 水情監(jiān)測(cè)無(wú)線傳感器網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和路由算法
2.1 水情監(jiān)測(cè)的國(guó)內(nèi)外發(fā)展?fàn)顩r
2.2 面向水情實(shí)時(shí)監(jiān)測(cè)的wsn總體設(shè)計(jì)方案
2.2.1 基于wsn的水情監(jiān)測(cè)系統(tǒng)整體架構(gòu)
2.2.2 節(jié)點(diǎn)硬件設(shè)計(jì)
2.2.3 協(xié)議軟件部分
2.2.4 常用網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
2.3 水情wsn異構(gòu)混合樹(shù)形網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
2.3.1 背景
2.3.2 異構(gòu)混合樹(shù)形拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)
2.3.3 簇頭節(jié)點(diǎn)的選取
2.3.4 信息傳輸與能量管理
2.3.5 計(jì)算與分析
2.4 基于簇分布的leach協(xié)議改進(jìn)算法
2.4.1 水情監(jiān)測(cè)中選用leach路由協(xié)議的原因
2.4.2 leach路由協(xié)議研究及其存在的問(wèn)題
2.4.3 leach-nd算法設(shè)計(jì)與，性能分析
參考文獻(xiàn)
第3章 水情監(jiān)測(cè)無(wú)線傳感器網(wǎng)絡(luò)mac層協(xié)議優(yōu)化
3.1 csma／ca性能優(yōu)化及應(yīng)用
3.1.1 1eee 802.15.4 mac層協(xié)議概述
3.1.2 基于差分服務(wù)markov鏈csma／ca性能評(píng)估模型
3.1.3 實(shí)時(shí)水情監(jiān)測(cè)基于信道接入機(jī)制的差分服務(wù)
3.1.4 基于隊(duì)列機(jī)制的差分服務(wù)
3.2 實(shí)時(shí)數(shù)據(jù)占空比自適應(yīng)算法
3.2.1 概述
3.2.2 計(jì)算與分析
3.3 時(shí)延歸類改進(jìn)型gts算法
3.3.1 網(wǎng)絡(luò)微積分模型
3.3.2 基于時(shí)延歸一化的dcgts算法
3.3.3 計(jì)算與分析
參考文獻(xiàn)
第4章 基于人工神經(jīng)網(wǎng)絡(luò)wsn匯聚節(jié)點(diǎn)融合建模與硬件設(shè)計(jì)
4.1 基于人工神經(jīng)網(wǎng)絡(luò)水情監(jiān)測(cè)wsn匯聚節(jié)點(diǎn)融合系統(tǒng)
4.1.1 水情信息時(shí)空相關(guān)性分析
4.1.2 基于人工神經(jīng)網(wǎng)絡(luò)匯聚節(jié)點(diǎn)融合系統(tǒng)
4.1.3 人工神經(jīng)網(wǎng)絡(luò)融合模型
4.2 面向水情數(shù)據(jù)校正人工神經(jīng)網(wǎng)絡(luò)融合模型
4.2.1 基于人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)校正原理
4.2.2 樣本獲取及數(shù)據(jù)預(yù)處理
4.2.3 基于改進(jìn)bpnn水情數(shù)據(jù)校正模型
4.2.4 基于rbfnn水情數(shù)據(jù)校正模型
4.2.5 兩種ann水情數(shù)據(jù)校正模型的性能評(píng)價(jià)
4.3 面向明渠流量軟測(cè)量人工神經(jīng)網(wǎng)絡(luò)融合模型
4.3.1 基于人工神經(jīng)網(wǎng)絡(luò)明渠流量軟測(cè)量原理
4.3.2 二次變量選取和樣本獲取
4.3.3 基于改進(jìn)bpnn明渠流量軟測(cè)量模型
4.3.4 基于rbfnn明渠流量軟測(cè)量模型
4.3.5 兩種人工神經(jīng)網(wǎng)絡(luò)明渠流量軟測(cè)量模型性能評(píng)價(jià)
4.4 基于可重構(gòu)人工神經(jīng)網(wǎng)絡(luò)融合模型匯聚節(jié)點(diǎn)設(shè)計(jì)
4.4.1 匯聚節(jié)點(diǎn)硬件電路設(shè)計(jì)
4.4.2 可重構(gòu)人工神經(jīng)網(wǎng)絡(luò)融合模型fpga實(shí)現(xiàn)
4.4.3 匯聚節(jié)點(diǎn)軟硬件集成及仿真
參考文獻(xiàn)
第5章 無(wú)線傳感器網(wǎng)絡(luò)多節(jié)點(diǎn)協(xié)作動(dòng)目標(biāo)跟蹤
5.1 無(wú)線傳感器網(wǎng)絡(luò)目標(biāo)跟蹤主要方法與應(yīng)用發(fā)展
5.1.1 研究意義
5.1.2 目標(biāo)跟蹤主要方法
5.1.3 目標(biāo)跟蹤應(yīng)用發(fā)展
5.2 協(xié)作跟蹤理論與目標(biāo)跟蹤方法
5.2.1 協(xié)作跟蹤理論與跟蹤過(guò)程
5.2.2 目標(biāo)檢測(cè)與定位方法
5.2.3 目標(biāo)跟蹤預(yù)測(cè)方法
5.3 基于粒子濾波預(yù)測(cè)的動(dòng)目標(biāo)跟蹤
5.3.1 卡爾曼預(yù)測(cè)算法原理
5.3.2 粒子濾波預(yù)測(cè)算法原理
5.3.3 基于粒子濾波預(yù)測(cè)的動(dòng)目標(biāo)跟蹤
5.3.4 計(jì)算與分析
5.4 基于區(qū)域控制的節(jié)點(diǎn)調(diào)度管理方法
5.4.1 現(xiàn)有動(dòng)目標(biāo)跟蹤節(jié)點(diǎn)調(diào)度算法
5.4.2 動(dòng)目標(biāo)跟蹤節(jié)點(diǎn)組織形式
5.4.3 基于區(qū)域控制的節(jié)點(diǎn)動(dòng)態(tài)管理算法
5.4.4 計(jì)算與分析
參考文獻(xiàn)