随机网络中分布式节点高精度自定位算法研究

随机网络不确定性高,较为复杂,当前节点定位算法无法准确对随机网络中分布式节点进行准确定位,且适应性差。为此,提出一种新的基于标记传递的随机网络中分布式节点高精度自定位算法,标记传递算法将随机网络中的分布式节点用有标记数据和无标记数据进行描述,依据节点间的相似度将节点标记传递至其相邻节点。对节点定位问题进行描述,介绍了标记传递算法,在此基础上通过标记传递算法对随机网络中分布式节点进行高精度自定位,定位过程主要分为离线训练阶段与在线自定位阶段,给出定位详细实现过程,对定位结果进行滤波处理。实验结果表明,所用所提算法对随机网络中分布式节点进行自定位,定位精度高,适应性强。     

线性回归的分布式压缩采样算法

为减少无线传感器网络数据传输量,进而延长网络的生命周期,研究了一种联合线性回归和压缩感知的分布式采样方法。依据节点数据的相关性对网络进行分簇,将感知数据显著线性相关的传感器节点划分到同一簇中。以此为基础,提出了一种基于线性回归的分布式压缩采样算法,该算法联合运用线性回归和压缩感知理论重构节点数据,实现了低速率采样条件下节点数据的高精度重构。对实测温度数据进行仿真实验,结果表明,与等间隔采样相比,该算法减少了71%的采样值个数。     

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%.     

应用蒙特卡罗抽样法的无线传感器自定位信息融合技术

我们首先介绍了无线传感器网络。对它的特点进行了分析,明白了网络传感器节点自定位的意义,接着介绍了目标比较常用的几种传感器自定位技术。在此基础上,文章重点描述了一种基于信标节点的无线传感器自定位的分布式算法。在这个算法中,信标节点广播它的分布状态其中包括本身位置的信息。邻近的未知位置信息的无线传感器利用传输的信息和接受到的信标信号的特征来估计自己的位置。知道自己的位置后,它也将成为一个新的信标节点。蒙特卡罗抽样法被用来融合无线传感器的分布和获得无线传感器位置分布后验概率估值。我们也利用贝叶斯克拉马一罗下限来进行无线传感器的自定位和研究信标预知位置信息和其他系统参数的影响。我们通过计算机仿真分析我们算法的性能,并且与下限法得到的数据进行了比较。     

一种分布式无锚点定位算法的优化与实现

符合分布式和无锚点特点的定位算法一直是传感器网络节点定位技术的一个重要发展方向。通过对大量无锚点定位算法的分析,提出了一种符合分布式特点且定位精度较高的无锚点定位算法。为进一步提高该算法的节点定位精度,建立了该算法的误差模型,通过对其分析,提出了减少目标节点定位误差的方法。为衡量节点估计位置的准确程度,首先提出了2个指标——定位等级与可信度;然后以原算法为基础,利用提出的指标,按照误差分析得出的结论,设计了一种从目标节点邻居表中筛选出高精度邻居节点的优化机制,从而提高了目标节点的定位精度。计算机仿真分析表明,优化后的算法计算节点估计位置的有效性和可靠性均高于原算法,进而证明了这种优化设计的可行性。     

网络切片中物理节点的分布式在线异常检测方法

网络切片中的异常检测问题是实现网络切片自动化管理的重要研究内容,针对网络切片中物理节点的异常检测问题,提出了基于支持向量数据描述的分布式在线物理节点异常检测方法.基于支持向量数据描述建立了一种分布式的物理节点异常检测模型;通过引入随机近似函数,解决了数据分布式存储场景下的核函数计算问题,从而实现观测数据的切片内处理;基于随机梯度下降法,提出了一种在线的物理节点异常检测算法,保证了模型动态更新并减轻了异常数据导致的模型性能下降.在不同条件下进行了仿真分析,仿真结果表明,该方法可在避免切片间观测数据传输的同时,有效利用网络切片中虚拟网络功能的无标签观测信息检测物理节点异常.     

一种基于TDD的无线mesh网络随机自学习调度算法

基于时分多址(TDD)的无线mesh网络是实现无线多跳网络和宽带无线接入的一种关键技术.为用户提供一种可以保障稳定通信的有效的分布式算法是影响基于TDD的无线mesh网络性能的关键因素.本文针对TDD的无线mesh网络提出一种随机自学习分布式调度算法,这种算法是一种基于信息学习的随机选择算法.在网络中,任一节点都要根据其邻居节点控制消息中所携带的数据,学习邻居节点的调度信息,从而判断可用时隙.若上次信息传输成功,则节点仍然沿用上次的传输时隙;反之,节点在可用时隙中随机选择一个时隙发送控制消息.仿真结果表明,与IEEE802.16标准中定义的算法相比,提出的随机自学习分布式调度算法能实现更高的吞吐量.     

一种基于凸优化的WSN障碍环境下定位算法

针对传统DV hop算法定位精度较低及定位环境中物体阻碍信息传播导致节点定位失效的问题, 提出一种适用于障碍环境下的高精度定位改进算法. 首先引入一个考虑定位节点的最小跳数误差修正值, 通过该值筛选参与定位的锚节点, 进而优化锚节点的平均跳距; 然后利用三角函数结合两锚节点间的准确距离共同计算未知节点到锚节点的距离; 最后通过对未知节点的位置进行凸优化计算, 使得节点间的数据传播具有最优路径, 优化定位过程, 提高定位精度. 仿真实验结果表明, 改进算法不仅解决了在无线传感器网络障碍环境下难定位的问题, 还可有效提高未知节点的定位精度.     

分布式传感器网络中基于数据融合的目标定位算法研究

利用分布式传感器网络以及数据融合方法来提高探测系统的检测与定位精度正在成为研究的热点。提出了一种应用于分布式传感器网络中的数据融合算法,通过对各个传感器节点的定位信息的加权求和来进行数据融合,用来提高探测系统目标定位的精度。算法采用两级自适应调整得到最优加权因子。首先利用线性最小方差估计(LMSE)算法得到权系数的初始值,然后利用训练节点和递归最小二乘(RLS)算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真。仿真结果表明,相比单节点定位,融合算法的定位精度有约一到两个数量级的提高。     

基于zigbee和量子遗传算法的无线传感器网络节点定位技术研究

为提高传统无线传感器网络节点定位算法精度和定位速度,提出一种基于量子遗传算法的无线传感器网络定位算法。算法通过分析未知节点通信半径范围内的锚节点数量及约束关系,建立节点定位优化模型,对约束范围内节点进行采样,运用传统轮盘赌选择法选取初代种群,最后通过量子旋转门对种群中染色体进行变异及循环迭代,直到达到设定目标值。此后分析现有停车场实时性不高的缺点,提出了一种基于上述定位算法的智能停车场管理系统。以zigbee协议栈为基础,协调器进行组网,参考节点依次加入网络对系统进行检验,结果表明,该无线传感器定位算法可以满足大多数高精度、高实时性应用场合。     

结合共线性因素的无线传感器网络DV-Hop定位算法

无线传感器网络的锚节点近似位于同一条直线上时,构成共线性现象,造成定位数据失真和精度下降.针对大规模无线传感器网络的非测距定位,结合共线性因素提出了一种DV-Hop定位算法,引入Voronoi图将网络划分成若干区域,依据共线性进行锚节点组的选取和提纯.根据跳数阈值的限制,利用每块区域的锚节点信息和符合共线性原理条件的锚节点信息对未知节点进行定位.仿真实验表明,与传统的DV-Hop和共线性算法相比,所提算法能够提高节点定位精度、减少定位误差;对于分布不均匀的网络,能够实现高精度节点定位,并适用于较复杂的环境.     

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。     

基于病毒体投射机制的移动无线传感网节点定位算法

为解决当前移动无线传感网节点定位方案存在感知过程复杂、定位准确度不高,难以适应节点拓扑变化频繁的实际场景等不足,提出了一种基于病毒体投射机制的移动无线传感网节点定位算法。首先,鉴于当前直接测序方案及间接测序方案均存在抗噪能力差的不足,设计了多点定位方案,引入多个锚节点联合定位,定位过程中采用迭代方式降低接收信号强度指示(received signal strength indication,RSSI)误差,有效解决了定位过程中存在的圆环分布现象。随后,考虑移动无线传感网节点存在的拓扑漂移速度较快,且坐标存在随机分布的规律,将锚节点看作病毒体,将移动无线传感网节点看作子病毒体,并针对病毒体-子病毒体之间存在随机拓扑规律,引入了病毒体投射机制,并通过迭代方式设计距离定位方案,模拟移动无线传感网定位过程中定位节点与待定位节点之间的拓扑漂移关系,提高网络对定位过程的感知能力。最后,引入权重调节机制对定位坐标进行误差消除,进一步提高网络定位精度与感知性能,强化对移动状态下节点间拓扑的感知与监控,减少网络抖动对定位过程的影响。仿真实验表明,本文算法与当前常用的凸优化的无线传感网障碍环境下定位算法(location algorithm in wireless sensor network obstacle environment based on convex optimization,OECO)及基于精确定位机制的改进DV-HOP算法(on improved DV-Hop localization algorithm for accurate node localization in wireless sensor networks,AN-DV-Hop)相比,具有更高的定位收敛速度和更低的定位误差低。     

无线传感器网络中的分布式节点定位方法

提出一种基于流形学习的分布式Hessian局部线性嵌入（DHLLE）定位方法,给出了基于流形学习算法的定位框架.DHLLE方法采用同情最邻近算法来选择节点邻居列表,并应用Hessian局部线性嵌入（HLLE）算法获取传感器网络节点的局部映射,再通过对局部映射合并获得所有节点的全局映射,最后通过对参考节点进行坐标匹配以取得所有节点的全局坐标.仿真结果表明,DHLLE方法能够快速、准确地对节点进行定位,且复杂度低,节点能耗小,其性能超过了分布式加权多维定标等算法.     

基于深度森林算法的分布式WSN入侵检测模型

针对现有的特征选择算法和分类算法在无线传感器网络(WSN)入侵检测系统中检测性能表现不佳、检测实时性差、模型复杂度高等问题,提出一种基于随机森林和深度森林算法的分布式WSN入侵检测模型.该模型首先对传感器节点流量数据进行预处理;然后将轻量级随机森林分类器部署到传感器节点和簇头节点,传感器节点和簇头节点合作对流量数据进行处理,并在基站上采用深度森林算法从大量流量数据中发现攻击行为;最后对WSN中的入侵行为进行实时分类入侵检测.使用无线传感器数据集WSN-DS和NSL-KDD数据集来评估所提出的模型性能.实验结果表明,该模型与现有的入侵检测模型相比,具有良好的检测性能,实时性较高,可避免模型过度拟合.     

基于不平衡扩展模型的火灾信息分布式压缩感知

针对无线传感网络数据传输与计算的不均衡而导致部分节点能耗大的问题,首先结合图论中二部图思想,将不平衡扩展模型应用在分布式压缩感知上,并设计出一种与该架构相对应的分布式算法.该算法通过一个列稀疏度确定的稀疏随机二值矩阵决定节点之间是否实现数据传输,从而将传输和计算任务平均分散在各个节点,并利用二阶锥形规划法对融合中心的数据进行重构.最后,在火灾场中利用不平衡扩展模型的分布式压缩感知网络进行仿真实验,并对算法的优越性和网络的节能性作出详细分析.在仿真过程中,通过分析均方误差和信噪比证明所提出的模型不仅在降低节点能耗上有较好的效果,而且在有噪声环境中可以很好地保证信号的重构性能.     

高精度递增式无线传感网络的定位算法

递增式无线传感网络的定位算法可以有效降低锚节点密度,但由于其定位过程中会产生累积误差,不适用于高精度的定位场合。提出一种改进的加权最小二乘法,利用高斯权重法调节修正权值,得到最优权系数阵,以提高传感节点定位的可靠性和客观性。分析与仿真结果表明,依赖少量锚节点,改进的加权最小二乘法在无线传感网络中能够准确计算未知节点的坐标,并能显著提高网络中未知节点的定位率,加强了网络的健壮性与实用性。     

一种基于拟牛顿迭代的安全定位算法

由于无线传感网络通常需要部署在无人看管的环境中,网络中节点的位置信息很容易受到各种恶意攻击,导致大部分节点不能准确地确定自身位置,进而破坏整个网络后续工作的进行。针对无线传感网络安全定位问题,提出了一种基于拟牛顿迭代的安全定位算法。基于定位过程中遭受的恶意攻击特点,建立了对应的距离测量攻击模型,利用拟牛顿迭代算法对所有定位数据进行迭代运算,根据梯度的数学特性找出并过滤恶意锚节点,实现节点的安全定位。仿真结果表明,提出的安全定位算法能够很好地抵御恶意攻击对节点定位的影响,具有较好的定位性能,并且有很强的鲁棒性。     

一种基于残差分析过滤的安全定位算法

在无线传感网络节点定位中,恶意锚节点的出现会降低网络定位性能,为了解决这个问题,根据节点定位过程中的恶意锚节点攻击特性和定位计算中的残差问题,提出一种基于残差分析和过滤的无线传感网络安全定位算法.建立了基于距离的安全定位模型,对网络定位中的残差问题进行了分析,并且通过残差特性过滤掉网络中恶意锚节点,利用剩余锚节点信息和梯度下降法对未知节点实现高精度定位.仿真表明,此算法在多个性能指标下都能取得相对较高的定位精度,并且在高强度的恶意攻击下也能保持较高的定位性能.此算法不但能有效地抵御恶意攻击对节点定位的破坏,还显著地加强了网络的定位安全性.     

基于扩散策略的分布式多维尺度节点定位算法

针对无线传感器网络节点自身定位问题,提出了一种基于扩散策略的分布式多维尺度定位算法,给出了扩散策略和局部网络信息融合的方法.与传统多维尺度定位算法相比,该算法无须将所有信息集中到中心节点进行定位计算,而是在局部网络内进行定位迭代解算及信息交换再进行坐标信息融合.该算法在迭代过程中将未知节点视为锚节点,将原算法中被忽略的参数量引入优化目标方程,采用一组凸组合权值系数对交换后信息进行加权融合以得到节点自身坐标.仿真结果表明:改进算法与原算法相比在测量噪声较大时平均与最大定位误差均下降约10%,特别是当网络连通度较低时改进算法定位精度更高.