基于平均跳距估计的改进DV-Hop定位算法

传统DV—Hop定位算法只考虑了最近一个锚节点估计的平均每跳距离,而单个锚节点估计的平均每跳距离值无法准确地反映网络的实际平均跳距,导致定位误差较大。针对这一问题,提出一种基于平均跳距估计的改进DV—Hop定位算法。改进算法在计算未知节点到各个锚节点距离时,考虑到离该未知节点最近的锚节点到其它锚节点的距离及跳数的不同,计算出不同的平均跳距,使其更接近于实际平均跳距。仿真结果表明,与传统DV—Hop算法相比,改进算法在不需要增加节点的硬件开销的基础上能更有效地提高定位精度,并且算法简单,计算量小,是无线传感器网络中节点定位的一种实用方案。     

基于蝙蝠算法的DV-Hop定位改进

无线传感器网络DV Hop定位算法在定位过程中,由于待定位节点和锚节点之间的估算距离存在误差,这就使得定位结果必然会有误差,因此定位问题的本质就是最小化定位误差;蝙蝠算法是一种具有良好性能的智能优化算法,根据节点间的距离和锚节点的位置,应用蝙蝠算法对DV-Hop的定位结果进行了优化;基于蝙蝠算法的DV Hop优化,无需额外增加硬件设备和节点间的通信数据量;仿真实验证明,应用蝙蝠算法改进的DV-Hop定位较原始DV Hop定位平均提高定位精度35％以上.     

无线传感器网络中基于减法聚类的定位算法

定位算法是无线传感器网络中的关键技术。文中在传统的Dv—Hop算法的基础上,找出其产生误差的主要原因,即对未知节点与锚节点之间的估计距离做出了修正,提出一种无线传感器网络中基于减法聚类的定位算法。该算法用减法聚类的方法,根据节点自身的密度,选出锚簇头节点,使锚簇头节点在锚节点密集处产生;同时用所有锚簇头节点平均每跳距离的均值作为未知节点的网络平均每跳距离,提高了定位精度,减少了定位过程中的能量消耗。仿真实验表明,该算法比Dv—Hop算法有更好的定位精度和鲁棒性。     

基于加权质心和DV Hop混合算法WSN定位方法研究*

为了提高无线传感器网络中节点定位的精确度,分析了DVHop（distance vector—hop,距离向量-跳段）定位算法和质心算法的优缺点,提出基于加权质心和DVHop混合算法,并用MATLAB进行了仿真实验。实验结果表明,在基准节点密度相同的条件下,混合算法的定位精度比DVHop平均提高了20%,比质心算法平均提高了15%。该混合算法在提高无线传感器节点精确度上是有效的。     

基于量子PSO传感网络分簇算法仿真研究

研究无线传感器分簇节点优化问题,针对无线传感器网络分簇算法由于簇头的不均匀分布带来的能耗利用不均衡以及簇头的瓶颈,导致能量过早消耗,网络寿命周期缩短.为了延长无线传感网络生命周期,提高能量利用效率,提出了一种粒子群(PSO)算法优化的无线传感器网络分簇算法.采用量子粒子群算法分簇策略使簇间能量优化平衡,使整个网络分成若干个虚拟网格,每个虚拟网格形成一个簇,采用唯一簇头选举法产生簇头,且簇内成员可以根据局部的信息调整簇的大小.仿真结果表明,提出的分簇算法很好的使网络的能耗达到了均衡,节约了簇头节点的能量,从而延长网络的寿命,为优化网络通信提供了依据.     

无线传感器网络节点自定位算法仿真研究

研究无线传感器网络节点自定位问题,由于传感器节点固定能量有限,给识别定位一路带来困难.针对无线传感器中,节点定位误差较大,精确度不高等问题缺陷,提出了一种跳数和RSSI测距技术的DV - Hop定位算法,可有效利用每跳的统计信息并结合RSSI测距技术,在不增加传感器节点的硬件开销的基础上有效提高定位精度和扩大定位范围.仿真结果表明,改进算法在不同的节点比例和节点数的情况下,定位误差小和定位范围广等性能,与原始的DV - Hop定位算法相比定位误差明显减小,精度明显提高.表明算法是一种高效节能的定位算法.     

基于蛙跳改进算法的无线传感器网络定位*

针对无线传感器网络（WSNs）定位过程当中传统的DV‐Hop定位算法在计算锚节点与未知节点之间的平均跳距时存在较大误差的问题,论文根据蛙跳算法（S FL A ）计算速度快,全局搜索寻优能力强的优势,结合定位的实际问题,提出了一种改进的蛙跳算法。并将其引入到DV‐Hop的算法设计中,实现节点的定位。     

基于DV-Hop定位算法和RSSI测距技术的定位系统

针对 DV Hop算法在实验环境中存在的问题，加入接收信号强度指示器（RSSI）测距模块辅助定位，对算法进行改进。为了实现定位系统，首先，需要建立当前实验环境的RSSI模型；然后，应用该模型，从锚节点和非锚节点两方面分别控制DV Hop定位过程。实验证明：改进后的定位系统在增加少量计算复杂度的情况下，改善了系统的稳定性，提高了定位的精度，可以被应用到无线传感器网络中。     

带有罚函数的无线传感器网络粒子群定位算法

无线传感器网络是一种没有基础设施的无线自组织网络,它在军事、环境检测和智能家居等诸多领域具有广泛的应用.在无线传感器网络的绝大多数应用中,只有当节点和被感知的物体的位置是可知的,节点获得的信息才有意义.因此,节点定位技术是无线传感器网络的关键技术之一.近年来,粒子群优化算法(particle swarm optimization,PSO)等智能算法被用于无线传感器网络节点定位技术的研究.在粒子群优化算法定位技术研究的基础上,提出的带有罚函数的无线传感器网络粒子群定位算法(particle swarm optimization with penalty function,PSOPF)利用罚函数来加快算法的收敛速度和提高定位算法的定位精度.实验结果表明,和原有的PSO定位算法相比较,PSOPF算法具有更高的定位精度和更快的收敛速度.     

改进粒子群算法的无线传感器网络节点定位

为了提高无线传感器节点的定位精度,针对粒子群优化算法存在的问题,提出一种改进粒子群优化算法的无线传感器网络节点定位方法。根据锚节点选择准则,把上一代和当代节点位置的平均值作为下一代目标节点的参考节点,采用改进粒子群算法对节点的定位结果进行优化,在Matlab 2012平台上进行仿真对比实验。仿真结果表明,相对于标准粒子群算法,改进粒子群算法加快了定位速度,提高了无线传感器节点定位精度,应用范围更广。     

混合粒子群和差分进化的定位算法

针对由测量误差造成的无线传感器网络定位精度不高的问题,提出一种混合粒子群和差分进化的节点定位算法（HPSO-DE）。首先,对粒子群算法的惯性权重进行自适应更新,使得每个个体随着迭代次数的增加而增大,进而提高其全局探索能力,然后改进差分进化算法的变异策略,从而提高该算法的局部寻优能力,之后将个体先经过改进的粒子群算法优化,低于平均适应度值的个体继续通过改进的差分进化算法优化,从而得到HPSO-DE算法。HPSO-DE算法继承了二者的优点,提高了该算法的最优解精度和收敛速度。最后在无线传感器网络节点定位模型中应用HPSO-DE算法,仿真结果表明,所提HPSO-DE算法在测距误差为30%时,定位误差比PSO和DFOA分别少2.1m和1.1m,具有更高的定位精度和更强的抗误差性能。     

基于GPSO-DVHop的传感器节点定位方法

为了减少无线传感器网络节点的定位误差,提出一种分群粒子群优化（GPSO）算法修正DV-Hop误差的传感器节点定位方法（GPSO-DVHop）。提出一种节点距离修正值策略,减少未知节点与锚节点间距离的估计误差,采用GPSO算法修正DV-Hop的节点定位误差,最后在Matlab 2012平台上对算法性能仿真分析。相对于对比传感器定位方法,GPSO-DVHop提高了传感器节点定位精度,仿真结果验证了GPSO-DVHop的有效性。     

基于BADV-Hop的传感器节点定位方法

为了减少无线传感器网络节点的定位误差,提出蝙蝠算法（BA）和DV-Hop算法相融合的传感器节点定位方法（BA-DVHop）。在DVHop算法的第三阶段,利用蝙蝠算法代替最小二乘法来计算未知节点的坐标,以降低定位误差,对蝙蝠算法算法进行改进,避免算法陷入局部最优,最后在Matlab 2012平台上对算法性能进行仿真分析。相对于DV-Hop算法,BADV-Hop算法提高了传感器的节点定位精度,具有较高的应用价值,仿真结果验证了BA-DVHop的有效性。     

节点分布对无线传感器节点定位性能的影响

为了提高无线传感器节点的定位准确性,针对当前算法没有考虑节点分布对无线传感器节点定位性能的影响,提出一种考虑节点分布的无线传感器节点定位算法。分析节点分布对无线传感器节点定位性能的影响,估计锚节点之间的实际距离和估算距离的误差,并采用DV-Hop算法进行初步定位,综合学习粒子群算法对DV-Hop算法的定位误差进行修正,采用多个实验对算法性能测试。实验结果表明,无论在节点分布均匀或分布不均匀条件下,该算法可以较好地修正DV-Hop算法定位误差,均明显提高了未知传感器节点的定位精度。     

基于MPSO-DV-Hop的无线传感器节点定位

节点定位技术是无线传感器网络的关键技术,为减小DV-Hop算法的节点定位误差,提出一种多子群粒子群（MPSO）算法优化DV-Hop的节点定位算法（MPSO-DV-Hop）。通过设置门限值修正节点间的跳数,提高了跳段距离估算精度,DV-Hop的第3阶段引入MPSO算法,对节点定位误差进行校正,通过引入多子群加快算法收敛速度,提高DV-Hop算法的节点定位精度,在MATLAB2008平台上对算法仿真分析。结果表明,MPSO-DV-Hop算法在不增加成本情况下,提高了传感器的节点定位精度,具有较高的应用价值。     

基于分布式粒子滤波的二进制无线传感器网络目标跟踪

为了提高二进制无线传感器网络跟踪算法的精度和实时性,降低传感器节点能耗,将分布式粒子滤波运用到二进制无线传感器网络中进行目标跟踪。选择信号强度最大的节点作为簇头节点,在簇头单跳通信范围内的所有节点和簇头组成对目标跟踪的动态分簇,在簇头节点进行粒子采样和状态估计,在簇头之间传递粒子及其权值,从而得到了二进制无线传感器网络的分布式粒子滤波跟踪算法。研究了粒子数和网络节点数量对跟踪精度的影响。仿真结果表明,传感器的节点数量会影 响跟踪精度,但是粒子数对跟踪精度的影响更大。同时分布式粒子滤波比集中式粒子滤波具有更好的实时性和更低的能耗。     

基于布谷鸟搜索算法的无线传感器网络节点定位

无线传感器网络的节点定位实际上是解决测量距离和测距误差的多维约束优化问题。针对最小二乘方法对测距误差敏感的不足,提出一种基于布谷鸟搜索算法的无线传感器网络节点定位算法。该算法利用全局和局部寻优能力强的布谷鸟算法求解定位过程中的多维约束优化问题;通过设定相应的约束适应度函数来减小定位过程的搜索范围,加快了收敛速度,能够快速地确定未知节点的位置。仿真结果表明：相较于粒子群算法和最小二乘算法,该算法能有效地抑制测距误差对定位的影响,提高节点的定位精度,具备很好的实用性。     

基于SimpliciTI协议的无线传感器网络设计

针对GPRS、ZigBee、WiFi等国际标准无线传感器网络通信协议价格高、对硬件要求高等问题,提出采用适用于小型射频网络的低功耗SimpliciTI协议设计无线传感器网络的方案。首先介绍了SimpliciTI协议的基本原理;然后给出了一种采用CC2500射频收发芯片和MSP430超低功耗微处理器芯片的无线传感器节点的电路设计方案,并介绍了基于SimpliciTI协议的无线传感器网络的组网及通信过程;最后介绍了基于距离的无线传感器网络定位算法,并针对常用的多边定位算法误差较大的问题,提出了一种改进的定位算法,即通过实际距离和估算距离的误差平方最小化来计算节点坐标的误差修正值,并采用二维双曲线算法修正未知节点的初始定位坐标,从而提高定位精度。     

关于无线传感器网络定位算法仿真

针对无线传感器网络(WSNs)节点定位的问题,提出了一种通过构建粒子群机制的量子神经网络模型优化距离矢量跳跃(DV-HOP)的定位算法(PSO-QNN),根据传统DV-HOP所得到的平均距离和实测节点距离构建量子神经网络模型,并通过粒子群算法对平均距离进行训练,从而得到较优平均值,实现了对DV-HOP算法的优化.算法缩短了传统人工神经网络的训练时间,并且加快了收敛速度.仿真结果表明:与传统DV-HOP算法相比,所提出的PSO-QNN算法能够减少约20%的定位误差,定位精度显著提高.