数据感知优化技术及其应用

1 绪论
1．1 基本知识介绍
1．1．1 无线传感器网络基本知识
1．1．2 压缩感知基本知识
1．2 国内外研究现状
1．2．1 无线传感器网络的研究现状
1．2．2 压缩感知的研究现状
1．2．3 数据融合技术的研究现状
1．3 压缩感知在无线传感器网络中的应用
参考文献

2 无线传感器网络体系结构
2．1 无线传感器网络的基本概念及结构
2．1．1 无线传感器网络的概念
2．1．2 无线传感器网络的结构
2．1．3 无线传感器网络节点的体系结构
2．1．4 无线传感器网络的生成过程
2．2 无线传感器网络的特点
2．3 无线传感器网络的关键技术
2．4 无线传感器网络的应用
参考文献

3 无线传感器网络数据管理技术
3．1 无线传感器网络数据管理的基本概念
3．1．1 以数据为中心的无线传感器网络数据库
3．1．2 无线传感器网络数据管理系统的特殊性及设计目标
3．1．3 无线传感器网络数据管理技术的研究热点
3．2 无线传感器网络数据管理的关键技术
3．2．1 无线传感器网络数据存储结构
3．2．2 数据查询处理技术
3．2．3 数据压缩技术
3．2．4 数据融合技术
3．3 几种常见的数据管理系统
3．3．1 TinyDB系统
3．3．2 Cougar系统
3．3．3 现有无线传感器网络数据管理系统分析
3．4 无线传感器网络数据管理系统Dis WareDM
3．4．1 基于移动Agent中间件的传感器网络数据管理概述
3．4．2 DisWareDM整体功能和系统结构设计
3．4．3 DisWareDM系统的详细设计
3．4．4 DisWareDM的系统功能
参考文献

4 压缩感知理论基本原理
4．1 概述
4．2 压缩感知的工作原理
4．3 信号的稀疏表示
4．4 观测矩阵的设计
4．5 压缩感知的实际应用
4．5．1 压缩成像
4．5．2 信道编码
4．5．3 天文观测
4．6 压缩感知的基本算法
4．6．1 观测矩阵的基础知识
4．6．2 重构算法的基础知识
参考文献
附件

5 基追踪算法
5．1 基追踪算法的研究现状
5．2 基追踪算法的基础知识
5．2．1 预备知识
5．2．2 基追踪的使用
5．2．3 基追踪算法的运算
5．2．4 改进的基追踪算法
5．3 匹配追踪算法的基础知识
5．3．1 信号的稀疏表示
5．3．2 匹配追踪算法的运算
5．4 Bregman迭代算法的基础知识
5．4．1 Bregman距离
5．4．2 Bregman迭代算法的运算
5．5 几种算法的对比
5．6 基追踪算法仿真
5．6．1 用于压缩感知的基追踪算法程序
5．6．2 正交匹配追踪算法程序
5．6．3 基追踪与压缩感知的仿真
5．6．4 匹配追踪与压缩感知的仿真
5．6．5 基追踪和匹配追踪的对比
5．6．6 基追踪在压缩感知上的实际应用
参考文献
附件

6 梯度追踪优化算法研究
6．1 概述
6．2 不同种类的梯度追踪算法总结
6．2．1 基于*速下降法的梯度追踪算法
6．2．2 基于牛顿法的梯度追踪算法
6．2．3 基于共轭梯度法的梯度追踪算法
6．3 梯度追踪算法仿真及结果分析
6．3．1 梯度追踪算法实验仿真
6．3．2 仿真结果分析
参考文献

7 正交匹配追踪算法
7．1 正交匹配追踪（OMP）算法的基础知识
7．1．1 利用OMP算法重构一维信号
7．1．2 利用OMP算法重构二维图像信号
7．2 基于OMP算法的优化方案
7．3 StOMP算法的实际应用
参考文献
附件

8 基于无线传感器网络的压缩感知及数据融合技术
8．1 概述
8．2 数据融合的作用
8．3 多源传感器数据融合
8．3．1 多源传感器数据融合的基础知识
8．3．2 多传感器数据融合的优势
8．3．3 多传感器多源数据融合模型
8．3．4 数据融合的结构模型
8．3．5 数据融合的功能模型
8．4 数据的压缩、重构及仿真结果的数据分析
8．4．1 压缩率分析
8．4．2 数据分析
8．5 基于联合稀疏模型的分布式压缩算法
8．5．1 两级压缩感知算法
8．5．2 分布式稀疏随机投影算法的基础知识
8．5．3 分布式稀疏随机投影的改进算法
8．5．4 改进算法的网络模型选择与数据处理
8．5．5 数据仿真处理与分析
8．6 基于集中式的数据压缩算法
8．6．1 集中式压缩算法描述
8．6．2 选择传感器矩阵
8．6．3 集中式压缩感知算法的模型分析
8．6．4 仿真及结果分析
参考文献
附件

9 总结与展望
9．1 总结
9．2 展望