無(wú)線傳感網(wǎng)中低能耗近似計(jì)算方法

第1章 緒論1.1 研究的目的和意義1.2 無(wú)線傳感器網(wǎng)絡(luò)簡(jiǎn)介1.2.1 什么是無(wú)線傳感器網(wǎng)絡(luò)1.2.2 無(wú)線傳感器網(wǎng)絡(luò)的特點(diǎn)與挑戰(zhàn)1.2.3 無(wú)線傳感器網(wǎng)絡(luò)領(lǐng)域的研究現(xiàn)狀與熱點(diǎn)問(wèn)題1.3 無(wú)線傳感網(wǎng)中感知數(shù)據(jù)的獲取與計(jì)算技術(shù)簡(jiǎn)介1.3.1 無(wú)線傳感網(wǎng)中感知數(shù)據(jù)獲取與計(jì)算技術(shù)的研究現(xiàn)狀1.3.2 無(wú)線傳感網(wǎng)中感知數(shù)據(jù)的獲取與計(jì)算技術(shù)所面臨的新挑戰(zhàn)1.4 本書(shū)研究的問(wèn)題與成果第2章 靜態(tài)傳感器網(wǎng)絡(luò)中基于均衡抽樣的（ε。δ）一近似聚集算法2.1 引言2.2 問(wèn)題定義2.3 數(shù)學(xué)基礎(chǔ)2.3.1 聚集和的估計(jì)器2.3.2 平均值的估計(jì)器2.3.3 無(wú)重復(fù)計(jì)數(shù)值的估計(jì)器2.4 分布式均衡抽樣算法2.4.1 樣本容量的確定2.4.2 均衡抽樣算法2.5 近似聚集算法2.6 樣本信息維護(hù)算法2.6.1 ε和δ變化時(shí)樣本數(shù)據(jù)信息維護(hù)算法2.6 2感知數(shù)據(jù)變化時(shí)樣本信息維護(hù)算法2.7 實(shí)驗(yàn)結(jié)果2.7 1基于抽樣技術(shù)算法的特有性能2.7.2 查詢(xún)處理過(guò)程中的能量消耗28相關(guān)工作2.9 本章小節(jié)第3章 動(dòng)態(tài)傳感器網(wǎng)絡(luò)中基于Betnoulli抽樣的（ε，δ）-近似聚集算法3.1 引言3.2 預(yù)備知識(shí)3.2.1 問(wèn)題定義3.2.2 Bemoulli抽樣3.3 數(shù)學(xué)基礎(chǔ)3.3.1 計(jì)數(shù)值及聚集和的估計(jì)器3.3.2 平均值估計(jì)器3.4 Bernoulli抽樣算法3.4.1 抽樣概率的確定3.4.2 Bernoulli抽樣算法3.5 基于Bernoulli抽樣的（ε，δ）一聚集算法3.5.1 Snapshot查詢(xún)處理算法3.5.2 連續(xù)查詢(xún)處理算法3.5.3 基于多抽樣概率的（ε，δ）近似聚集算法3.6 實(shí)驗(yàn)結(jié)果3.6.1 大規(guī)模傳感網(wǎng)中算法的性能3.6.2 中等規(guī)模傳感網(wǎng)中算法的性能3.7 本章小結(jié)第4章 傳感器網(wǎng)絡(luò)中地理位置敏感的近似極值點(diǎn)查詢(xún)算法4.1 引言4.2 問(wèn)題定義4.3 貪心算法4.3.1 集中式貪心算法4.3.2 分布式貪心算法4.3.3 算法的復(fù)雜性4.4 基于區(qū)域劃分的分布式算法4.4.1 算法的總體思想4.4.2 RrDk的計(jì)算方法4.4.3 算法的復(fù)雜性4.5 實(shí)驗(yàn)結(jié)果4.5.1 “Top-k”與“LAP（D，k）”的比較4.5.2 不同算法在計(jì)算“LAP-（D,k）”時(shí)的性能4.6 相關(guān)工作4.7 本章小結(jié)第5章 傳感器網(wǎng)絡(luò)中面向物理過(guò)程可重現(xiàn)的感知數(shù)據(jù)采集算法5.1 引言5.2 問(wèn)題定義5.3 兩種變頻數(shù)據(jù)采集算法5.3.1 基于Hermit插值的變頻數(shù)據(jù)采集算法5.3.2 基于三次樣條插值的變頻數(shù)據(jù)采集算法5.4 感知曲線聚集算法5.4.1 問(wèn)題的定義5.4.2 感知曲線聚集算法5.4.3 聚集算法的優(yōu)化策略——曲線合并算法5.5 實(shí)驗(yàn)結(jié)果5.5.1 變頻數(shù)據(jù)采集算法的性能5.5.2 感知曲線聚集算法的性能5.6 相關(guān)工作5.7 本章小結(jié)第6章 結(jié)論參考文獻(xiàn)索引