基于DV-Distance的无线传感器网络定位算法研究

无线传感器网络是一种全新的信息获取和处理技术,而节点自定位技术是无线传感器网络的主要支撑技术之一.由于无线传感器的节点数量非常大,致使利用GPS定位装置收集节点位置信息的代价将会很大.因此,研究能够适应无线传感器网络节点位置信息的算法是极其重要的.本文重点对距离无关的定位算法中的DV-Distance算法进行了研究,通过MATLAB软件平台对DV-Distance算法进行了仿真实现,结果表明不同信标节点密度时,定位算法的定位误差不同,而当存在障碍物及GPS误差也会影响定位误差.     

基于改进型粒子群优化的节点自定位算法

为了提高测距误差影响下无线传感器网络节点自定位精度,提出一种基于距离的节点自定位新算法.对混沌搜索与粒子群优化进行算法融合,给出一种改进型粒子群优化算法,将其应用于节点自定位.新算法利用未知节点与信标节点之间的距离信息,通过改进型粒子群优化算法获取未知节点的位置.仿真结果表明,改进型粒子群优化算法对两种标准测试函数的搜索结果优于一般的粒子群优化算法.在测距误差和信标节点数量相同的条件下,相对于最小二乘估计法,新算法在各个测距误差级上的定位精度更高,其定位误差随测距误差增大而上升的趋势更缓慢.新算法具有更好的鲁棒性,适用于测距误差较大、信标节点数量较少的情况.     

一种基于Quasi-UDG模型的无线传感器网络非测距定位算法

针对Quasi-UDG模型下无线传感器网络随机部署的拓扑特征,提出了一种非测距基于权重的定位算法EWLS(Enhanced Weighted Least Square).首先,设计出一种节点跳数和距离关系估计的方法,然后依据跳数值与距离关系的概率表达式,给出EWLS定位算法中节点测量距离信息的权重.仿真实验表明,在不同的锚节点密度、Quasi-UDG模型因子和平均邻居节点数的参数下,EWLS算法定位误差较小,同最小均方误差相比,有效地提高了节点定位的精度.     

基于DV-Hop误差修正的煤矿井下人员定位算法

为了提高无线传感器网络的节点定位精度,提出了基于DV-Hop误差修正的质心定位算法.针对煤矿井下巷道的线型结构,首先提出信标节点以均匀间隔交叉分布的模型,再根据各个信标节点平均每跳的距离误差以及平均每跳的单位距离误差,对离未知节点最近的3个信标节点之间的距离进行2次修正,最后利用3圆交点的质心定位算法进行定位.仿真结果表明,该算法比目前的定位精度提高1m左右,比较适合煤矿井下这种特定的线型结构.     

基于DV-Hop误差修正的煤矿井下人员定位算法

为了提高无线传感器网络的节点定位精度,提出了基于DV-Hop误差修正的质心定位算法.针对煤矿井下巷道的线型结构,首先提出信标节点以均匀间隔交叉分布的模型,再根据各个信标节点平均每跳的距离误差以及平均每跳的单位距离误差,对离未知节点最近的3个信标节点之间的距离进行2次修正,最后利用3圆交点的质心定位算法进行定位.仿真结果表明,该算法比目前的定位精度提高1m左右,比较适合煤矿井下这种特定的线型结构.     

大规模传感器网络局部半定规划的节点定位算法

针对大规模无线传感器网络中节点定位问题,提出了一种高效、准确、分布式的局部半定规划(LSDP)定位算法.根据节点重要度,将大规模无线传感器网络分割为多个局部网络,局部网络采用半定规划的方法对其辖内的节点进行相对定位构建的局部相对映射,应用合并算法将局部相对映射拼接为全局相对映射,再通过参考节点匹配将全局相对映射转换为全局绝对映射,从而获得整个无线传感器网络内部所有节点的详细位置信息.实验结果表明,网络在规则分布下,LSDP的节点定位误差仅为理想通信时的98%,在随机均匀分布下的定位误差减小了90%.     

基于锚节点主动部署机制的WSN节点定位算法综述与分析

无线传感器网络的应用中,网络的位置信息由特定的节点定位算法获得,节点定位算法的选择与实际监测环境的特点和具体性能需求等因素有关.基于锚节点部署的方式,将无线传感器网络节点定位算法分为基于固定和移动锚节点辅助下的2大类定位算法,详细分析了2类算法下的典型算法,对未来无线传感器网络节点定位算法的研究进行了展望.     

基于WSN的DV_Distance定位算法研究

近年来,无线传感器网络的节点定位技术得到了广泛的研究和关注,确定事件发生的位置是无线传感器网络的功能之一,对无线传感器的研究起着至关重要的作用。本文针对DV_Distance定位算法得到的距离值误差较大的问题,提出一种定位精度相对较高的改进型DV_Distance算法。     

一种基于泰勒级数多元变量展开模型定位算法

为了提高无线传感器网络节点定位精度,构建了增加未知节点与未知节点间的距离信息的泰勒级数多元变量展开定位模型.在对该算法的求解过程中,首先利用最大似然估计法得到未知节点的初始位置,再运用加权最小二乘法计算其最优值作为未知节点的估计位置.仿真测试了不同距离测量误差和已知节点数目对定位误差的影响,以及算法的累计分布函数.结果表明,该算法能够有效提高节点定位精度.     

粒子滤波在电子航标节点跟踪中的应用

提出一种高斯粒子滤波求解基于RSSI测距定位的无线传感器网络电子航标节点定位的非线性方程组算法.该算法在每次递推产生新的粒子时充分考虑了当前时刻的量测,使得该算法能很好地利用最新的量测信息.仿真结果表明该算法的节点估计均方误差在3 m以内.可见,它在解决非线性机动目标跟踪问题时有比较好的跟踪性能和滤波结果     

室内非视距环境下基于改进多维标度的优化定位算法

研究了室内非视距环境下无线传感器网络的节点定位问题。在优化估计框架下,首先提出待优化误差函数,并基于改进多维标度(MDS-MAP)方法,分析误差函数中未知变量的耦合关系,最后提出基于改进MDS-MAP的优化定位算法。该算法仅依靠节点间的测距信息进行定位,无需环境先验信息,因此适用于未知、复杂环境下的无线传感器网络。同时该算法无需角度、信号强度等冗余量测信息来辅助定位,对硬件要求较低,从而降低了定位成本。通过仿真比较,所提出的基于改进MDS-MAP的优化定位算法的有效性得以验证。在仿真过程中,采用聚类分析方法对不同基站数目下的节点定位精度进行分析。根据仿真结果,在节约定位成本的前提下,当基站数目达到6个时,能够实现三维空间近似最优定位。     

无线传感器网络节点自适应惯性权重定位算法

在无线传感器网络定位算法中,为了降低定位误差,提高定位精度,提出一种结合DV-Hop算法和改进粒子群算法的,基于自适应惯性权重的优化定位算法。首先根据DV-Hop算法估算未知节点与信标节点的距离。然后采用改进的粒子群算法做后期优化。根据每次迭代后粒子位置与全局最优位置的距离,对粒子的惯性权重进行动态调整,使其具有动态自适应性。并且利用进化度作为搜索中止条件,加快算法的收敛速度。通过仿真说明,相较于DV-Hop算法和基于已有改进粒子群优化的DV-Hop算法,自适应惯性权重定位算法可以降低平均定位误差,有效地提高了无线传感器网络中节点的定位精度。     

基于位置信息的WSN数据汇聚路由算法

文章以无线传感器网络在建筑环境下的应用为研究背景,根据建筑能耗监测系统中无线数据传输网络特性,按位置信息对网络节点进行分簇,设计网络2级结构模型;并设计适合该网络模型的基于位置信息的WSN数据汇聚路由算法,保证簇头节点从邻居列表中选择最佳下一跳节点,最终实现与Sink节点的数据通信功能。仿真分析表明所设计的路由算法具有低时延、高可靠性、节能等优点。     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

基于跳数阈值和节点分类的DV-Hop改进算法

为提高DV-Hop(Distance Vector-Hop)算法在随机传感器网络(WSN: Wireless Sensor Networks)中的定位性能, 提出一种基于跳数阈值和节点分类的改进算法。该算法信标设定跳数阈值选择较远的信标估计平均每跳距离, 未知节点根据跳数信息对信标进行分类, 并计算与信标的加权修正距离。同时仿真研究了节点密度、 信标比例、 节点通信半径对算法性能的影响。仿真结果表明, 在随机网络中改进算法能更好地估计跳距信息, 并有效提高定位精度和降低最大定位误差。     

基于跳距修正与差分进化优化的改进DV-Hop定位算法

为了提高传统DV-Hop(distance vector-hop)算法的定位精度,提出一种基于跳距修正和差分进化优化的改进DV-Hop(differential evolution distance vector-hop,DEDV-Hop)算法。由DV-Hop的算法原理可知,锚节点间的距离测量误差是算法定位误差的主要来源,由此根据锚节点间的不同跳数引入权重因子,从而减小平均每跳距离误差,并且利用差分进化算法对最小二乘法计算出的节点坐标进行二次优化,最终提高系统的整体定位精度。为了验证算法的有效性,在相同实验条件下,通过设置不同的定位参数将提出的算法与同类的经典算法进行实验对比。实验结果表明,DEDV-Hop算法可以有效减少节点平均定位误差,其定位精度明显优于其他几种算法。     

基于蚁群算法的无线传感器网络优化

无线传感器网络（WSN）中的传感器节点由一次性电源供电,能量优化关乎整个网络的寿命.优化网络拓扑结构有利于提高WSN整体的能量利用率.ACO是一种基于种群（population based）的启发式仿生进化算法.提出了基于ACO的WSN的网络优化算法,以16个固定位置节点和20个任意位置节点的WSN为对象进行了仿真研究.实验结果验证了该算法的有效性.     

一种基于核方法的无线传感器网络定位算法

无线传感器网络（WSN）作为一种新兴的分布式网络技术,被认为是21世纪改变世界的十大革新技术之一。定位是无线传感器网络的重要支撑技术之一,实现传感器节点自定位是提供监测目标位置信息的必要条件。而实现高效、可靠、准确的节点定位对目标跟踪具有重要意义。不幸的是,环境噪声使得节点的定位精度降低。基于此,该文提出一种基于核方法的无线传感器网络定位算法。实验表明,在WSN中通过采用卡尔曼滤波的核方法定位算法,一定程度上减少了随机噪声对节点定位精度的影响,有效的降低了系统定位误差,实现一定程度的抗干扰。     

无线传感器网络基于测距的节点定位算法研究

在无线传感器网络的各种应用问题中,节点的位置信息是很重要的。本文利用matlab对目标定位的基本测距算法RSSI进行仿真,得到了距离的估计值,并对其做了误差分析,得出了距离越小,误差也小,估计距离和实际距离越接近的结论;同时对DOA的MUSIC也进行了仿真,得到了信号相对于天线阵列的角度估计值,实验中取不同的snr值得到了不同的结果,其中信噪比SNR越大时得到的角度估计值越精确,并对两种基本测距算法进行比较。在得到距离估计值的基础上利用三边测量定位算法对监测事件进行仿真得出估计位置。     

基于Gaussian混合模型的LSF参数量化方法

为了高效率量化线谱频率(linear spectrumfrequency,LSF)参数,提出了基于G auss ian混合模型(G auss ian m ix ture m ode l,GMM)的LSF量化算法。假设LSF矢量属于GMM中的某一个G auss ian分布,用G auss ian分布随机矢量的量化方法对LSF矢量进行了量化。利用准确的G auss ian分布变量量化误差,得到了G auss ian分布矢量的比特分配方法。应用G auss ian分布随机变量的非均匀量化方法量化每一维LSF参数。最后给出了分裂矢量量化、基于概率密度函数(probab ility dens ityfunction,PDF)量化方法和该算法的性能对比。该无记忆LSF量化算法在21 b/帧可以达到透明量化,比传统Sp litVQ节省3 b。