针对提高Wi-Fi指纹室内定位技术性能，提出了一种基于卷积神经网络（Convolutional neural networks，CNN）的信道状态信息（Channel state information，CSI）指纹室内定位方法。在离线阶段联合定位环境参考点的幅度差和相位差信息，利用CNN进行训练，保存训练后的CNN网络模型作为指纹；在线阶段，针对不同实验场景，对测试数据的幅度差信息和相位差信息进行加权处理，引入改进的基于概率的指纹匹配算法，利用待定位点的CSI信息并通过CNN网络模型预测待定位点的坐标。此外，为增强算法普适性，针对复杂室内场景，提出了双节点定位方案来提高定位精度。在廊厅和实验室室内两种不同定位场景进行了实验，信息联合定位算法分别获得了24.7 cm和48.1 cm的平均定位误差，验证了基于CNN的CSI幅度差和相位差联合定位算法的有效性

10.1网络编程基础 10.1.1统一资源定位(URL) 10.1.2 Internet编址和端口号 10.1.3客户/服务器模式 10.1.4代理服务器 10.1.5TCP/P与UDP协议 10.2ava和网络 10.2.1网络类和接口 10.2.2 InetAddress类 10.2.3URL类

8.1 计算机网络概述 8.2 客户/服务器模式 8.3 网络操作系统的功能 8.4 网络操作系统提供的服务 8.5 支持Internet与Intranet的功能和服务 8.6 Windows NT

一、计算机网络的产生和发展 1.产生 60年代初,由多台终端设备通过线路连到一台中央计算机上而形成的“主 机终端”系统是计算机网络的雏形;有人称之为面向终端的计算机网络

无人驾驶车辆自身具有强烈的非线性、信号时延和参数不确定性，对它的控制还受到道路附着系数的变化、侧向风等外界因素影响。因此传统控制方法往往难以对其稳定和精确地控制。神经网络所具有的学习能力、自适应能力和近似非线性映射的能力，为解决车辆模型参数的不确定性、外界的扰动以及车辆自适应控制问题提供了有效的途径。针对上述几个方面，对近几年国内外学者将神经网络应用到无人驾驶车辆运动控制中所取得的成果与进展进行了归纳分类，分别介绍了应用情况并对优缺点进行评价。最后总结了神经网络在无人驾驶车辆运动控制中存在的主要问题，并展望了可能的发展方向

第2章计算机网络与因特网体系结构 2.1计算机网络概念 2.2因特网体系结构 2.3si-RM与TCP/IP的关系 2.4TCP/IP协议簇

6.1 域名系统 DNS 6.1.1 域名系统概述 6.1.2 因特网的域名结构 6.1.3 域名服务器 6.2 文件传送协议 6.2.1 FTP 概述 6.2.2 FTP 的基本工作原理 6.2.3 简单文件传送协议 TFTP 6.3 远程终端协议 TELNET 6.4 万维网 WWW 6.4.1 概述 6.4.2 统一资源定位符 URL 6.4.3 超文本传送协议 HTTP 6.4.4 万维网的文档 6.4.5 万维网的信息检索系统 6.5 电子邮件 6.5.1 电子邮件概述 6.5.2 简单邮件传送协议 SMTP 6.5.3 电子邮件的信息格式 6.5.4 邮件读取协议 POP3 和 IMAP 6.5.5 基于万维网的电子邮件 6.5.6 通用因特网邮件扩充 MIME 6.6 动态主机配置协议 DHCP 6.7 简单网络管理协议 SNMP 6.7.1 网络管理的基本概念 6.7.2 管理信息结构 SMI 6.7.3 管理信息库 MIB 6.7.4 SNMP 的协议数据单元和报文 6.8 应用进程跨越网络的通信 6.8.1 系统调用和应用编程接口 6.8.2 几种常用的系统调用

第七章多媒体通信网络技术 一、分布式多媒体应用对通信网络的需求 二、多媒体通信的服务质量 三、多媒体通信网络环境 四、多媒体通信协议

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

5.1 引言 5.2 用信号流图表示网络结构 5.3 无奶长脉冲响应基本网络结构 5.4 有限长脉冲响应基本网络结构 5.5 状态变量分析法