《无线传感网中低能耗近似计算方法》研究了面向物理过程可重现的数据采集方法，以从源头提高感知数据的获取质量、控制感知数据的规模。大多数研究均假设传感器节点通过等频数据采集而获得的感知数据能够精准地反映物理世界的变化情况。但是，现实中物理地界往往是连续变化的，而传感器节点的等频数据采集仅是对连续变化的物理世界的一个离散过程，故等频数据采集还存在关键点丢失和曲线失真等问题。当然，加大传感器节点的数据采集频率，确实能缩小等频数据采集与真实物理过程之间的差距，但是加大数据采集频率也同样意味着消耗*多的能量，并且会使整个网络中产生大量的感知数据。导致传感器网络陷入感知数据存不下、传不出的困境。鉴于上述原因，本书开展了面向物理过程可高精度重现的数据采集算法的研究，并提出了2种变频数据采集算法，用以获取感知曲线。同时，我们对感知曲线上的查询处理算法进行了讨论，并以聚集操作为例，给出了感知曲线的聚集算法。

第1章  绪论1.1  研究的目的和意义1.2  无线传感器网络简介1.2.1  什么是无线传感器网络1.2.2  无线传感器网络的特点与挑战1.2.3  无线传感器网络领域的研究现状与热点问题1.3  无线传感网中感知数据的获取与计算技术简介1.3.1  无线传感网中感知数据获取与计算技术的研究现状1.3.2  无线传感网中感知数据的获取与计算技术所面临的新挑战1.4  本书研究的问题与成果第2章  静态传感器网络中基于均衡抽样的（ε。δ）一近似聚集算法2.1  引言2.2  问题定义2.3  数学基础2.3.1  聚集和的估计器2.3.2  平均值的估计器2.3.3  无重复计数值的估计器2.4  分布式均衡抽样算法2.4.1  样本容量的确定2.4.2  均衡抽样算法2.5  近似聚集算法2.6  样本信息维护算法2.6.1  ε和δ变化时样本数据信息维护算法2.6  2感知数据变化时样本信息维护算法2.7  实验结果2.7  1基于抽样技术算法的特有性能2.7.2  查询处理过程中的能量消耗28相关工作2.9  本章小节第3章  动态传感器网络中基于Betnoulli抽样的（ε，δ）-近似聚集算法3.1  引言3.2  预备知识3.2.1  问题定义3.2.2  Bemoulli抽样3.3  数学基础3.3.1  计数值及聚集和的估计器3.3.2  平均值估计器3.4  Bernoulli抽样算法3.4.1  抽样概率的确定3.4.2  Bernoulli抽样算法3.5  基于Bernoulli抽样的（ε，δ）一聚集算法3.5.1  Snapshot查询处理算法3.5.2  连续查询处理算法3.5.3  基于多抽样概率的（ε，δ）近似聚集算法3.6  实验结果3.6.1  大规模传感网中算法的性能3.6.2  中等规模传感网中算法的性能3.7  本章小结第4章  传感器网络中地理位置敏感的近似极值点查询算法4.1  引言4.2  问题定义4.3  贪心算法4.3.1  集中式贪心算法4.3.2  分布式贪心算法4.3.3  算法的复杂性4.4  基于区域划分的分布式算法4.4.1  算法的总体思想4.4.2  RrDk的计算方法4.4.3  算法的复杂性4.5  实验结果4.5.1  “Top-k”与“LAP（D，k）”的比较4.5.2  不同算法在计算“LAP-（D,k）”时的性能4.6  相关工作4.7  本章小结第5章  传感器网络中面向物理过程可重现的感知数据采集算法5.1  引言5.2  问题定义5.3  两种变频数据采集算法5.3.1  基于Hermit插值的变频数据采集算法5.3.2  基于三次样条插值的变频数据采集算法5.4  感知曲线聚集算法5.4.1  问题的定义5.4.2  感知曲线聚集算法5.4.3  聚集算法的优化策略——曲线合并算法5.5  实验结果5.5.1  变频数据采集算法的性能5.5.2  感知曲线聚集算法的性能5.6  相关工作5.7  本章小结第6章  结论参考文献索引