基于混合蛙跳的无线传感器网络定位方法

为了解决无线传感器网络未知节点的定位问题,提出了一种新的三维空间定位方法。首先给出了未知节点位置的计算方法和误差评价模型,并利用混合蛙跳算法建立了评价模型的求解算法SFLL。最后,利用仿真实验,对比了与其它算法之间的性能状况,结果表明SFLL具有较好的适应性。     

无线传感器网络中的定位算法研究

无线传感器网络由若干个随机分布的设备组成,用以对某些特定的环境数据进行观察。因此,最终观测效果很大程度上依赖于信息采集节点的位置信息的准确性。本文介绍了一种有别于以往定位方式新型定位算法,并结合仿真结果对算法的效果做出了评估。     

基于RSSI的无线传感器网络改进定位算法

节点定位技术是无线传感器网络的支撑技术,定位的准确性直接关系到传感器节点的采集数据的有效性.在基于RSSI的定位算法中,Euclidean算法由于通信开销小,但是定位精确性较低,对Euclidean算法进行了改进,改进算法无需增加额外开销,提高了定位精确性.     

无线传感器网络节点定位改进算法

提出一种改进的距离无关无线传感器网络节点定位算法——变系数弹簧模拟算法.该算法首先得到锚节点跳数距离和平均每跳距离,然后计算出节点的初始位置,再通过模拟方法对节点位置迭代求精.仿真结果显示,在相同的锚节点比例和平均连通度情况下,该算法明显优于DV-op算法.     

无线传感器网络协同定位算法

针对无线传感器网络中基于RSS的定位算法存在的不足,提出一种协同定位算法。该算法包含2个方面：一是引入参考信标节点,以增加节点定位的容错性;二是采用狄克逊（Dixon）检验法剔除异常RSS值,同时引入RSS标准差阈值和学习模型,减小基于RSS的测距误差,有效提高定位精度。通过仿真实验对算法性能进行了评估,结果表明,该算法定位精度得到了有效提高,健壮性和稳定性较好。     

基于RSSI的无线传感器网络改进定位算法

为了提高无线传感器网络的节点定位精度,分析了基于RSSI测距定位的ERSS算法,研究了RSSI值的预处理方法,修正了质心法中的加权因子,避免了权值选取的不合理性,从而实现了对ERSS算法的改进.仿真实验表明,采用这种改进定位算法可提高距离计算的精度,获得较为精确的定位.     

基于BP算法的无线传感器网络定位

无线传感器网络（wireless sensor network,WSN）是一种应用广泛的全新的信息获取和处理方式,可以实现复杂的大规模监测和追踪任务。节点定位是无线传感器网络中的关键技术之一.位置估计的精度直接影响WSN后继的网络传输和监测性能。本文利用BP神经元网络方法对定位进行优化,并对测度结果进行验证。结果表明该算法提高了定位精确度。     

无线传感器网络定位浅析

本文主要对无线传感器网络定位技术中的节点定位进行了讨论。比较了多种定位算法的优缺点,提出了定位算法的发展方向。     

基于功率控制的无线传感器网络节点定位算法

针对野外大面积区域、不需要知道节点精确位置的应用场合,提出一种基于功率控制的节点定位算法。采用功率控制方式,分别由3个基站形成包含未知节点的3个圆环,通过计算由3个圆环形成的交叉区域的质心来实现未知节点的定位。仿真结果表明:在方圆800 m范围内,算法的绝对定位误差可达到8 m以下,可定位节点覆盖度可达99%以上。算法的定位精度和可定位节点覆盖度随划分的基站广播功率等级数的增大而提高。该算法不需要部署锚节点,节点间也无须进行信息交换,具有较高的实用性。     

一种基于人工神经网络的无线传感器网络定位算法

提出了一种基于人工神经网络(ANN)的无线传感器网络定位方法,RSSI的结果被用来作为人工神经网络的输入,采用遗传算法优化人工神经网络的结构.采用MATLAB进行仿真,模拟20 m×20 m室内静态网络环境下的8个已知位置节点.实验结果表明,该方法比传统方法的定位精度高、适应性强,效果较好.     

一种新的高斯混合模型参数估计算法

该文提出了一种高斯混合模型（GMM）参数估计的改进算法．原始的特征向量先经Schmidt正交化消除各维间的相关性,再用数学形态学方法估计出各维概率分布中混合分量的真实个数,最后按真实的混合分量个数用EM算法对各维分别作标量GMM参数估计．该方法能缓解GMM传统参数估计算法引起的“不易扩展”的不便．实验结果表明,将其应用于说话人辨认,能在较大幅度提高训练速度的基础上相对传统GMM参数估计方法获得更高的识别率．     

基于高斯混合密度函数估计的语音分离

基于最大熵法（Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ,ＭＥ）、最小互信息量法（Ｍｉｎｉｍｕｍ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）和最大似然法（ＭａｘｉｍｕｍＬＩｋｅｌｉｈｏｏｄ,ＭＬ）最解决盲信号分离问题的常用算法,分析了ＭＥ、ＭＭＩ以及ＭＬ算法之间关系。基于高斯混合模式（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ,ＧＭＭ）概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法,与     

基于自适应混合高斯模型的前景目标检测

在计算机视觉研究中,从视频序列中提取出前景目标是关键步骤之一。而混合高斯背景模型是前景目标检测的一种常用算法。针对传统混合高斯建模过程中分别对每个像素建立固定个数的高斯模型和相同的学习率这一缺陷,本文先对视频帧进行了分块处理,然后自适应的对每个像素块采取不同的高斯分布个数和学习率,并且在建模过程的不同时间段采用不同的学习率,最后对检测结果在空域上进行数学形态学的处理。实验结果表明,与传统检测方法相比,该方法能够更加准确和快速地检测出前景目标。     

基于混沌遗传算法的无线传感器网络改进LEACH算法

针对传统LEACH协议及其改进方法能耗过高和负载不均衡的问题,提出一种采用混沌遗传算法最小化无线传感器网络能量消耗的算法CGA-LEACH.该算法通过构建新的考量能耗和负载的适应度函数,采用条件约束的混沌映射生成实数编码染色体,并用混沌遗传选择、交叉和变异操作提高收敛速度,找到最优簇头,从而形成分布均匀、能耗和负载均衡...     

一种基于历史背景的混合高斯背景建模算法

针对背景场景重复显现问题,提出了一种基于历史背景的混合高斯模型(History Background-based GMM,HBGMM).相较于传统的混合高斯模型,该模型对历史背景模型进行标记,并通过判决匹配次数快速调整历史背景模型的学习率.同时对模型权重低于阈值下限历史模型和非历史模型进行区别处理,用该方法更新模型权重从而降低误检率,使历史模型尽量避免误删除.实验结果表明,本文提出的基于历史背景的混合高斯背景模型能够实现记忆背景的功能,从而更快地适应场景的变化,减少前景误判.     

基于匹配分布和混合高斯模型的车辆检测算法

为解决高斯混合模型GMM(Gaussian Mixture Model)在车辆检测中存在的车辆断裂等问题,提出了一种基于匹配度分布的混合高斯车辆检测算法.该算法采用c均值聚类法计算混合高斯模型初始值,得到初步的背景模型;匹配度分布的提出充分考虑了背景变化的时间性和空间性的特性;根据前几帧检测结果得到每个点的匹配度分布,对当前图片改变背景学习的规则,去除了干扰,适应了背景的变化.实验结果表明,该算法较传统的混合高斯检测方法检测率平均提高16％以上,使背景也更稳定和准确,克服了车辆检测的断裂以及光照突变等问题,提高了车辆区域检测的准确性.     

基于匹配分布和混合高斯模型的车辆检测算法

为解决高斯混合模型GMM（Gaussian Mixture Model）在车辆检测中存在的车辆断裂等问题, 提出了一种基于匹配度分布的混合高斯车辆检测算法。该算法采用c均值聚类法计算混合高斯模型初始值, 得到初步的背景模型; 匹配度分布的提出充分考虑了背景变化的时间性和空间性的特性; 根据前几帧检测结果得到每个点的匹配度分布, 对当前图片改变背景学习的规则, 去除了干扰, 适应了背景的变化。实验结果表明, 该算法较传统的混合高斯检测方法检测率平均提高16%以上, 使背景也更稳定和准确, 克服了车辆检测的断裂以及光照突变等问题, 提高了车辆区域检测的准确性。     

基于拥塞控制的无线多媒体传感网地理位置路由协议

无线多媒体传感网络(wireless multimedia sensor network,WMSN)是一个能量受限的网络,能量问题直接影响到网络的生命期.如果知道目的节点的地理位置信息,路由请求(routing requests,RREQs)就可以减小包的转发范围,减少不必要的能量消耗.地理位置路由(location aided routing,LAR)基于该思想被提出.在LAR协议的基础上,利用媒体访问控制层(media access control,MAC)的拥塞信息,提出基于拥塞控制的LAR路由协议——ILAR(improved LAR).仿真结果表明,ILAR具有路由开销少、吞吐量大和包时延小的特点,适合作为WMSN的路由协议.     

基于无线传感器网络的森林火灾模型参数估计

针对森林火灾形势复杂不利于搜救的特点,提出将无线传感器网络应用于森林火灾检测,建立准确的火灾模型,对森林火灾位置和强度进行估计预测.研究了利用无线传感器网络节点进行自适应采样数据的方法和建立高斯空间多峰火灾模型理论方法,并将最大期望算法(EM)和多分辨率搜索算法(MR)相结合,提出用EM-MR算法对火灾模型进行参数估计.通过仿真实验比较,结果表明该模型能较准确地描述森林火灾现场,EM-MR算法在保证估计精度的基础上降低了计算复杂度,证明了方法的有效性.