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。     

基于粒子群优化算法的井下目标定位方法

针对矿井结构复杂,井下未知节点定位存在信标节点布置冗余、定位精度低等问题,提出了一种基于粒子群优化算法的井下目标定位方法。根据矿井环境特点区块化布置信标节点,通过引入线性递减权重的粒子群算法对未知节点与信标节点的测量距离和估计距离的误差进行优化,降低定位误差。与四边测量法、加权最小二乘法和RSSI加权质心算法进行Matlab仿真对比实验。仿真结果显示:信标节点为5个,节点总数为15时,平均定位误差为0.877 m。高斯白噪声标准差取值范围从5递增到20,平均定位误差由1.21 m增长到4.65 m,增长幅度最小,抗噪性最好。信标节点密度由10%增加到40%,平均定位误差从2.82 m下降到0.76 m,定位精度明显好于其他三种算法,稳定性好于RSSI加权质心算法。定位精度更高,抗噪性更好,可靠稳定,在井下巷道环境中适应性更强。     

基于簇内RSSI测距改进的DV-Hop算法

针对DV-Hop定位算法在实际环境中的定位精度较低、通信量较大等问题,在DV-Hop定位算法的基础上提出了一种基于簇内RSSI测距改进的DV-Hop定位算法.该算法利用以信标节点为簇头的分簇策略后,信标节点只发送校正值给其邻居节点,无需泛洪广播,且未知节点只需被动接收,无需交互通信,从而降低网络通信总量;簇内节点利用RSSI测距方案计算其与最近信标节点的距离,相比DV-Hop定位算法以校正值代替一跳通信范围内的所有节点距离更加精确,从而提高节点定位精度.     

传感器网络节点的微粒群定位算法

为了进一步提高无线传感器网络未知节点定位精度,以微粒群算法为理论基础,加入传感器网络的特征,提出微粒群定位算法。该算法依据未知节点接收到的到锚节点的距离信息,直接搜索出未知节点的位置。实验结果表明微粒群定位算法拥有更高的定位精度,并且抗测距误差更强的优点。     

基于DV-Hop和距离几何约束的定位算法

针对DV-Hop定位算法的误差主要是计算未知节点和信标节点间距离的问题,利用二维空间的Cayley-Menger行列式提供的几何约束对未知节点到信标节点的距离进行优化修正.通过距离几何约束的条件对未知节点到信标节点之间的测量值进行处理,来减少未知节点到信标节点的测距误差,并采用三边测量法进行定位.仿真实验结果表明,随着...     

无线传感器网络节点定位误差的修正和仿真分析

针对传感器节点定位误差大、定位精度不高的问题,提出一种修正最小二乘法的无线传感器网络节点定位误差方法.该方法采用全局搜索能力强的粒子群算法对最小二乘法定位误差进行修正,提高了节点的定位精度.仿真对比实验结果表明,在相同条件下,改进后的节点定位算法的误差低于其他传感器节点定位算法,定位结果的稳定性更高;随着信标节点数的增加,平均定位误差明显减少,有效地提高了传感器节点的平均定位精度和定位速度.     

一种考虑可能区域和智能搜索相结合的定位算法

提出了一种考虑可能区域和智能搜索相结合的无线传感器网络节点定位算法。该算法首先利用各个锚节点到未知节点的距离确定未知节点的可能区域,然后利用微粒群算法(particle swarm optimization, PSO)搜索出落在可能区域内的符合条件的结果,最后取符合条件的结果的均值作为未知节点的估计位置。实验结果表明,该算法定位精度较高,并且具有很强的鲁棒性,相比于一般的定位算法(如最小二乘法),在测距误差为35％的情况下,其定位精度可以提高49％左右。     

WSN定位算法中信标节点的摆放与选择

目前已有的无线传感器网络节点自定位算法研究中,针对信标节点的研究较少,而如何选择信标节点,以及信标节点如何摆放,都对定位精度有比较大的影响.为了定量地研究这个问题,首先证明了信标节点摆放方法与节点是否能被定位之间的关系的一个定理,然后给出三维空间中信标节点的摆放方法,最后提出一种基于线性方程组的条件数的信标节点选择算法,以便尽可能地提高基于测距的未知节点自定位精度.     

粒子群算法修正测距的无线传感器网络节点定位

为获得理想的节点定位结果, 设计一种基于粒子群修正测距的无线传感器节点定位算法. 首先对经典无线传感器节点定位算法DV-Hop的工作原理进行分析, 找到导致测距误差的因素; 然后用粒子群算法对无线传感器节点之间的测距进行修正, 以减少节点间的测距误差, 并对标准粒子群算法的不足进行相应的改进; 最后通过仿真实验与当前经典无线传感器节点定位算法进行对比测试. 测试结果表明, 在相同工作环境下, 该算法提高了无线传感器节点的定位精度, 且未增加额外硬件开销.     

基于天牛须搜索优化的室内定位算法

室内定位技术受到广泛的关注,基于接受信号强度指示(RSSI)的测距技术目前在节点定位中得到广泛应用.在基于RSSI测距的基础上,提出将天牛须搜索优化(BAS)算法应用到室内定位中.首先通过RSSI测距获得未知节点与锚节点之间的距离,在计算距离时对数据进行了预处理,从而提高测距的精度.然后引入BAS算法计算出未知节点的位置坐标.通过与粒子群定位算法(PSO)和遗传定位算法(GA)对比试验结果,验证了BAS定位算法对室内定位效率的提高更加明显.     

基于移动锚节点的粒子群优化定位算法

在无线传感器网络的一些应用环境中,无线信道损耗模型参数未知,无法直接基于RSSI测距定位。本文针对这类应用环境,研究并提出基于移动锚节点的粒子群优化定位算法,利用移动锚节点代替传统典型算法中的静态锚节点,并将节点定位问题抽象为非线性约束优化问题,利用粒子群优化技术求解定位。仿真、分析结果证明,该算法定位精度较高,对环境噪声变化具有较强的适应能力。     

基于GIE-DOL的地面网络化弹药自定位算法

为解决传统自定位算法在精度和复杂度上不能适应地面网络化弹药的问题,研究了三边测量法的影响因素. 推导误差公式,明确了误差由节点几何关系和测距误差共同影响. 提出几何影响因子和定位距离偏差描述其影响程度,并对信标节点组合进行评价和筛选,加权计算坐标. 仿真结果表明,该算法最小化了不利因素的影响,有效地提高了定位精度,对测距误差具有较好的鲁棒性,同时该算法在弹药节点分布密集和松散的条件下均有较好的效果.      

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。     

基于改进DV-Hop算法的无线传感器网络定位研究

在分析DV-Hop算法特点的基础上,提出了改进DV-Hop算法的无线传感器网络定位方法,通过粒子群优化算法优化每跳平均距离误差函数,经过多次迭代寻找最优解,使得未知节点与信标节点之间的跳段距离更加精确,通过三边测量法计算出的未知节点位置较精确,通过仿真实验表明：改进DV-Hop算法相比DV-Hop算法平均定位误差率低,定位效果良好.     

基于PSO优化LSSVR的三维WSN节点定位方法简

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

基于样本均值和中位值的粒子群优化定位算法

针对室内LOS/NLOS混合环境,提出基于假设检验的方法确定NLOS状态,并采用具有收缩因子的粒子群优化算法进行定位.在采样值存在异常情况时,样本中位值性能优于样本均值.因此,在LOS和NLOS状态下,分别采用样本均值和样本中位值建立最小平方误差代价函数.为了增强算法的全局和局部搜索能力,在粒子群优化算法的基础上引入收缩因子.仿真实验表明,在NLOS遮挡比较严重的情况下,所提出的基于样本均值和样本中位值改进的粒子群优化定位算法较只采用样本均值改进的粒子群优化算法和一般的粒子群优化算法定位精度高.     

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。