单锚节点水声网络高精度低开销初始化方法

网络初始化是网络协议正常运行的基础,共包括自定位及时间同步两部分。针对水声网络特点,提出一种仅采用单锚节点的参考节点自选则自定位算法,该算法仅采用一个锚节点,通过最优化选择参考节点,减小参考节点拓扑结构及网络测距误差对定位精度的影响,既有效解决了水声网络中锚节点少的问题,且提高了定位精度;在此基础上提出一种快速初始化方法,该方法将自定位与时间同步协同完成,使得网络可在较少的信息交互下快速实现初始化过程,减小通信开销及初始化时延,网络布放后可快速进入正常运行,提高网络工作效率。通过仿真得出,本文提出的方法较现有初始化方法锚节点需求少,定位精度高,初始化时延短、通信开销小,可以很好地应用于水声网络中。     

基于IEEE 1588的无线传感器网络时钟同步方法

时钟同步是无线传感器网络的一项重要支撑技术，网络节点间的协作感知、数据融合、定位技术、能量管理都需要时钟同步的支持，才能正常开展。通过对影响802.11无线网络中IEEE 1588时钟同步精度的双向不对称时延的产生机理及统计特性进行详细分析，提出了一种基于卡尔曼滤波的时延过滤算法，并在此基础上设计实现了时钟伺服系统，从而实现了基于IEEE 1588协议的一种纯软件形式的无线传感器网络时钟同步方法。最后，通过实测验证了该方法的有效性。实测结果表明，该方法在同步精度、同步时间及偏移误差上达到了较高的指标。     

基于时间差的无线传感器网络节点定位方法

在分析RSSI、ToA、TDoA和AoA测距方法优缺点的基础上,给出一种基于时间差的节点定位方法.该方法无需锚节点与锚节点之间,以及锚节点与目标节点之间的时间同步,根据三个锚节点的定位信号到达目标节点的时间差,即可完成对目标节点的定位.以三个锚节点呈等边直角三角形布置为例,对定位误差进行计算并得出了提高目标节点时钟精度和增加锚节点之间的距离可减小定位误差的结论.最后,利用无线传感器网络测试床进行算法有效性验证,结果表明了所提定位算法的有效性.     

无线自组网的自适应同步技术研究

研究了无线自组网中动态拓扑下节点时间同步存在的问题,提出了一种自适应的时间同步算法。通过采用基于发送-接收模式的同步方法建立节点之间的时延关系表,运用局部加权回归对洪泛时间同步协议中的时间戳进行拟合,再对拟合曲线估计的时间和由节点的动态时延表得到的时间进行综合分析,完成节点时间同步。仿真结果表明,在动态无线自组网中,与传统的同步算法相比,所提算法使得同步过程所需传输的分组数量平均降低了30%左右,全网节点间的时钟同步精度平均提高了26%左右。     

基于参数交换和置信加权的信标广播时间同步

为提高多接收者时间同步系统的同步精度和可靠性,并建立优化的全局一致时钟,在已有方法上进行了若干改进。为区分节点的参考价值,在交换时戳过程中动态测量各接收者关键噪声方差;为进行高精度高可靠的时钟偏差校正和漂移率补偿,给出节点间置信加权方法和节点内动态收缩滤波方法。仿真表明,当各节点关键噪声水平相差较大时,置信加权能够较好地保持系统时间同步精度和可靠性;当参考时钟漂移率变化较慢时,动态收缩滤波能够对时间同步精度进行显著优化;综合使用置信加权和动态收缩滤波,通常能够显著提升系统时间同步精度和可靠性。     

TDMA体制下的移动自组织网时隙同步方法

在TDMA体制下的移动网状自组织网络中,为了解决网络时隙同步问题,提出了一种不依赖GPS授时的网络时隙互同步算法。各节点通过计算相邻节点的时隙偏差,通过加权计算并调整本节点的时隙位置,使网内各节点的时隙起始都调整到同一位置上,达到时隙的互同步。通过仿真和实验,分析并验证了移动自组织网络时隙互同步的收敛性能和抗干扰性能。     

水下传感网络的低复杂度APIT算法及OPNET仿真实现

由于水声传感网络具有能量的局限性,所以低复杂度的定位算法更适用于水声传感网络。传统的APIT算法能够以较少的控制开销获得较好的定位精度,有利于水下传感网络定位的实现,但其复杂度高,冗余误差较大。以点扫描的方式取代传统网格扫描法,提出一种低复杂度的APIT算法,并在OPNET平台上搭建水声传感网络环境,阐述该算法在水下传感网络节点定位的实现过程。仿真结果表明,待定位节点与锚节点密度的增加有助于改善算法的性能,且在同等条件下本文算法比传统APIT算法定位精度更高。     

基于本地时钟选择的时钟同步算法

在分布式系统中网络节点的时钟同步和传统的时钟同步算法的基础上,提出了一种基于本地时钟选的分布式系统时钟同步算法。采用本地时钟选择过滤方法,通过分组交换获取每个本地时钟与参考时钟的精度差,每个本地节点根据时钟精度差自动调整时钟,达到分布式系统时钟同步的目的。通过NS2仿真测试,同步精度能够满足一般分布式系统的需要。     

对学习样本无误分类的对数型目标函数BP算法

提出了一种对学习样本无误分类的改进ＢＰ学习算法。该算法采用对数型目标函数，可以减少每次迭代的计算量。同时将输出节点分为正确分类节点和误分类节点两类。对于误分类节点，将其误差项加入到目标函数中，然后采用梯度下降算法进行学习。在学习过程中，对学习率μ（ｋ）采用动态优化确定方法，以加快算法收敛速度。为保证收敛后的网络对学习样本能够正确分类，算法终止条件要求对所有输入样本，无误分类输出节点。算例仿真表明了算法的有效性。     

冲突避免的水声网络拓扑发现协议

当水声网络的所有节点完成在目标区域的部署后,每个节点除了自己的节点ID已知外,对新网络的信息一无所知,而这些信息是网络顺利运行的必要前提。因此,一个能够完成网络中所有节点和链路发现的网络拓扑发现协议是非常必要和重要的。水声拓扑发现协议完成的效率,往往依赖于信道接入策略的选择,但它不能完全使用已有的水声多路访问控制(multiple access control, MAC)协议,因为在网络建立的初始阶段拓扑未知,已有传统水声MAC协议不能完成拓扑发现,所以需要根据这一阶段的特殊状态来设计拓扑发现协议。基于此问题,提出了一种高效的冲突避免的水声网络拓扑发现(简称为CFVE)协议,该协议利用网络中节点ID的唯一性,在其特定时隙接入信道,节点无冲突地发现控制分组的交换,最终实现网络中所有链路和节点的发现。仿真结果表明, CFVE协议可以以较低的发现时延和能耗完成全网拓扑的发现,是一种适合于多跳水声网络的拓扑发现协议。