文档介绍：中文摘要●●—■置■■置——■———————■■——————■—■●—●———置暑暑羞葺置置—置薯——●——置————■—皇■一基于影响因子的概率小波算法一8菪〔ㄏ凳齱谖蟛钍髦卸砸蹲咏—瘛狪结构健康监测,简称是无线传感器网络极具代表性的应用之一,以桥梁结构健康监测系统为例,这类应用通常需要高密度地布置大量的传感器节点以覆盖整个桥梁,而且为了实时地获取监测信息,传感器节点需要频繁地进行数据收集工作,这将消耗大量的节点能量。这对于能量有限的传感器节点来说难以维持较长的工作时间,特别是当收集的数据是多维的时候,问题将更加严重。本文研究的重点为如何进行能量有效地传感器网络中的数据收集。本文的贡献如下:岢隽嘶谛〔ǎ侄纬V笛顾醯氖菔占惴,该算法减少了数据收集时的信息传输,当网络规模较大的时候可以大大节省通信能量消耗,延长网络生命周期。传统的数据收集方法总通信量能达到数量级顾醪裳法为疚乃惴ń芡ㄐ潘浇档臀狾,其中禡。本文对算法进行了模拟实验,实验分析结果表明,该算法能够有效降低总数据传输量,并且重构误差在可接受范围之内。车腍〔ㄑ顾跫际酰ü兄倒耍ú糠植惶乇鹬匾5男〔ㄏ数舍弃。而在这部分被舍弃的小波系数中,仍然存在着一些对于小波重构影响很大的小波系数,这些系数应当保留。因此,为了减小小波重构误差,本文提出了点的影响程度计算得到小波系数的影响因子惴ㄒ杂跋煲蜃游;迹乖煨波系数的随机舍入概率,然后以该概率来对小波系数进行随机取舍。理论分析证明了该算法在小波系数选取上的有效性和正确性。实验结果表明:这种概率小波的随机舍入思想,大大降低了小波的重构误差,提高了小波重构的准确性。关键字:无线传感器网络;数据收集;小波分段常值压缩;
,,瑂,琲仔.—Ⅱ
—產瓵,.,甌,簍,.:;;猻
目录绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯研究背景及意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.国内外数据收集算法的研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯基于簇的收集方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。基于树的收集方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯近似的收集方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..目前存在的问题⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.本文主要研究工作及贡献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。论文章节安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.基础知识⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.小波压缩—⑿〔ḿ际酢压缩采样理论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.数据收集算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯直观数据收集⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.压缩采样数据收集算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯数据收集算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第一阶段压缩⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.第二阶段压缩⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。数据还原过程⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯数据收集算法中文摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第基于链的收集方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯多维数据降维⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯.⋯⋯⋯⋯.⋯⋯.⋯⋯.⋯⋯⋯⋯⋯.⋯.⋯⋯.⋯⋯⋯⋯⋯⋯...⋯⋯⋯.⋯⋯⋯.⋯⋯.⋯..黑龙汀大学硕士学位论文
带有误差保障的概率小波算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯变量定义及理论准备⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.最小化最大相对误差⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯基于影响因子的概率小波算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯惴ㄉ杓啤算法有效性证明⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯实验分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.实验准备⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.总通信量的对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯误差对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯基于影响因子的概率小波算法实验分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯实验准备⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..参数变化对还原误差的影响⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯压缩比相同下还原误差的对比⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。攻读学位期间发表的学术论文⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯