无线传感器网络质心定位算法研究

质心算法是无线传感器网络中一种典型的无需测距定位算法。针对不同节点个数、锚节点个数、锚节点单位时间内发送信息的个数以及阈值对定位性能具有较大影响的问题,系统仿真了在固定监测区域内上述参数与定位误差、定位率以及定位时间的关系。通过仿真结果分析得出未知节点的邻锚节点个数是影响定位率及定位精度的主要因素,另外在确保较高定位率的基础上,在固定监测区域内存在较优的参数设置。仿真结果表明,参数优化后的质心算法有效的提高了定位精度及定位率。     

基于线性回归的无线传感器网络加权质心定位算法

在建立定位算法求解数学模型和定位性能的基础上,提出一种基于线性回归的加权质心定位算法。该算法首先利用节点之间的跳数对质心定位算法进行加权处理、中心化处理,然后利用线性回归的数学模型对节点进行校正,最后对校正位置进行修正。通过Matlab程序仿真,与原始质心算法相比,改进算法的平均定位误差下降了50%以上,并且在信标节点密度较低的情况下,可使节点定位比率提高至接近1。     

一种无需测距的无线传感器网络加权质心定位算法

目的提出一种无需测距的加权质心定位算法:RFWCLA(range free weighted centroid locali-zation algorithm)。方法算法利用相邻节点的邻节点集,估计出节点到相邻信标节点间的距离,从而进行加权质心定位。结果仿真结果表明,相比于质心定位算法,RFWCLA算法提高了定位精度。结论 RFWCLA是一种有效的无线传感器网络定位算法。     

改进型无线传感器网络的质心定位方法

针对传统质心定位算法定位精度受锚节点密度影响大,但锚节点成本高而不能大量使用的问题,采用移动锚节点,引入高斯马尔科夫移动模型对锚节点移动路线进行规划,使锚节点在待测区域内随机移动形成更多的虚拟锚节点,代替传统定位算法中的锚节点,提高了质心定位算法中对未知节点的覆盖率与定位精度.仿真结果表明,该方法有效且能应用于大型无线传感器网络定位.     

无线传感器网络节点定位算法分析

在各种无线传感器网络应用中,无线传感器节点的精确定位非常关键。在阐述了节点定位问题的基础上,分析了三种典型节点定位算法:质心法、不定形(Amorphous)法和蒙特卡罗法,然后通过仿真实验对算法性能进行对比,研究节点密度、节点速度和采样个数等因素对定位性能的影响。实验结果表明,蒙特卡罗法的误差最小,且在锚节点密度大于1,未知节点密度大于6,取样个数超过50时达到最佳定位性能。     

无线传感器网络中一种改进的加权质心定位算法研究

在无线传感器网络的应用中节点的定位信息是非常重要的。本论文提出一种改进的加权质心算法,该算法是基于平面多边形定点凹凸性原理进行实现的,算法中选择自由传播模型和对数距离路径分布模型来计算无线电波传播过程。改进的质心算法能够提高定位的精度,仿真实验验证了该算法的平均定位误差,仿真实验结果表明,在相同的条件下,该算法的定位精度高于加权质心算法。     

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.     

基于压缩感知的无线传感器网络节点定位算法

为了得到有效的、通用的定位算法,提出了两种新的定位算法——基于压缩感知的无线传感器网络节点定位算法（NLCS）及其改进算法（INLCS）.NLCS算法利用压缩感知和加权质心算法进行节点位置估计.提出了伪跳数以改进NLCS算法,提升了算法的定位性能.这两种算法解决定位问题必须满足3个条件,使其更适合于实际应用.仿真结果表明,相对于LSRC和LSVM定位算法,这两种算法有更好的定位性能.     

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.     

基于遗传算法和加权质心算法的无线传感器网络定位算法

文章通过研究质心算法的基本原理及定位算法的数学模型,对质心算法中的平均误差值进行研究,再利用遗传算法对改进的模型进行优化。通过Matlab仿真,结果显示：使用遗传算法优化无线传感器网络的定位问题,可以在较短的时间内得到精度较高的未知节点位置。     

无线传感器网络的系统节能研究

无线传感网络为能量受限系统,我们设计了一个无线传感器网络的节能系统,硬件上采用主控芯片MSP4301611单片机和射频芯片CC1101平台,软件上MAC层采用S-MAC协议及进行优化,在网络层路由协议引入蚁群算法并进行能量均衡改进。实验结果表明,该原型能较好地降低无线传感器网络和传感器节点的能耗,延长网络生存周期。     

基于改进量子遗传算法的WSNs多路径路由研究

最优路径搜寻和能量优化是无线传感器网络(wireless sensor networks,WSNs)研究的两大关键性问题,基于簇结构的无线传感器网络模型,将改进的量子遗传算法引入WSNs网络层节能路由算法研究中,选取多条较优染色体代替一条最优染色体指导群体的进化;采用动态的量子旋转门调整策略,避免算法收敛于局部最优解;利用球面坐标角度对量子遗传算法编码,降低算法的复杂度;以路由所耗能量为优化目标,构造适应度函数。与基于传统遗传算法（genetic algorithm, GA）、标准量子遗传算法(quantum genetic algorithms, QGA)的多路径路由进行比较,实验表明,该算法比基于GA,QGA算法的多路径路由具有更低的网络能量消耗,更长的网络生存周期。     

基于虚拟力的无线传感器网络多跳定位算法

通过引入虚拟力导向的节点移动方式,将未知节点接收到锚节点信息的个数作为计算虚拟力的参数,提出了基于虚拟力的无线传感器网络多跳定位算法.算法继承了DV-Hop(distance vector-hop)定位成功率较高的特点,通过优化网络布局的方式,使得定位过程中校正值的估算和选取更为合理.指出了该定位算法的关键技术,并对其进行了仿真验证.仿真结果显示该算法能够显著地提高节点的定位精度,并能够有效地提高节点对传感区域的覆盖率.     

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。     

基于虚拟力的无线传感器网络多跳定位算法

通过引入虚拟力导向的节点移动方式,将未知节点接收到锚节点信息的个数作为计算虚拟力的参数,提出了基于虚拟力的无线传感器网络多跳定位算法。算法继承了DV-Hop(distance vector-hop)定位成功率较高的特点,通过优化网络布局的方式,使得定位过程中校正值的估算和选取更为合理。指出了该定位算法的关键技术,并对其进行了仿真验证。仿真结果显示该算法能够显著地提高节点的定位精度,并能够有效地提高节点对传感区域的覆盖率。     

基于移动锚节点的无线传感器网络节点定位

为了更好地解决无线传感器网络节点定位精度和复杂测距技术之间的矛盾,提出一种基于移动锚节点的非测距的定位技术。9个装备有GPS接收机的可移动锚节点形成一个圆形定位区域,位于定位区域内的待定位节点接收锚节点发射的信号,并记录接收信号强度,比较接收信号强度确定自己所处区域,从而实现定位。仿真结果表明,该节点定位技术平均定位精度约为10%,与其他类似定位技术相比,能够明显提高节点定位精度。     

基于移动锚节点的无线传感器网络节点定位

为了更好地解决无线传感器网络节点定位精度和复杂测距技术之间的矛盾,提出了一种基于移动锚节点的非测距的定位技术。9个装备有GPS接收机的可移动锚节点形成一个圆形定位区域,位于定位区域内的待定位节点接收锚节点发射的信号,并记录接收信号强度。比较接收信号强度确定自己所处区域,从而实现定位。仿真结果表明,该节点定位技术平均定位精度约为10%,与其他类似定位技术相比能够明显提高节点定位精度。     

无线传感器网络DV-Hop算法改进与性能

为了提高无需测距的跳距矢量(DV-Hop)定位算法在节点随机分布且拓扑动态变化的无线传感器网络中的节点定位精度,在分析DV-Hop算法实现思想的基础上,针对多边定位法计算出的估计坐标存在较大误差的问题,采用泰勒级数展开法构建了坐标值的数值迭代求精算法,并对改进DV-Hop的性能进行了3个方面的仿真研究:确定了算法迭代步长收敛门限值的选择准则,对比分析了选定门限值条件下DV-Hop算法改进前后的定位性能,给出了不同信标节点和网络节点条件下的统计迭代次数,并以此衡量改进算法的计算量和收敛速度。仿真结果表明,合理选择迭代门限值时,通过适当增加定位节点的计算量,改进算法可明显改善定位精度和定位误差稳定性,是一种可行的无线传感器网络节点定位的解决方案。     

一种基于风险评价的无线传感器网络信任模型

针对现有无线传感器网络的信任模型未考虑风险因素,导致不能有效处理恶意节点攻击的问题,采用一种基于风险评价的信任模型(Risk evaluation basedtrust model,RBTM)。RBTM的框架由检测模块、信任计算模块和决策模块组成,并考虑上下文因素的影响。计算信任度时同时考虑推荐信誉值和风险值的影响;风险值的计算借用风险评估函数和风险信誉调节函数实现。研究结果表明：RBTM能够有效抵抗恶意节点的攻击,与已有的信任模型相比具有更大的灵敏性,较大程度地提高了对恶意行为的检测成功率,可以使节点之间更有效地建立信任关系。