基于差分演化的无线传感器网络节点定位

针对无线传感器网络（WSN）节点的定位问题,提出一种基于差分演化的WSN节点定位算法。根据相邻节点间估计距离和测量距离之间的偏差构造目标函数,利用差分演化算法求出函数的最优解,达到最优解时的节点坐标即为未知节点的估计坐标。实验结果表明,该算法在锚节点比例为10％,节点无线通信半径R为1．8r的情况下,平均定位误差不超过5％,与带梯度搜索的半定规划定位算法相比,其定位精度更高。     

基于RSSI的WSN二维对数搜索定位算法

定位技术是无线传感器网络(WSN)应用的关键技术之一。针对WSN中的定位问题,提出一种基于接收信号强度指示(RSSI)测距的二维对数分布式搜索定位算法。采用改进的RSSI测距模型测量节点之间的距离,利用质心定位算法结果作为搜索起点,设计一种基于最小加权距离误差和的目标函数,对于每个节点通过二维对数搜索的方法,搜索具有最小加权距离误差和的点作为定位位置。仿真实验比较了质心定位算法、不带权值的二维对数搜索定位算法、基于RSSI的二维对数搜索定位算法在不同条件下的定位性能,结果表明基于RSSI的二维对数搜索定位算法的定位精度远优于质心定位算法,相比不带权值的二维对数搜索定位算法约提高了0.02R。     

群集智能算法在WSN节点定位中的应用

为提高无线传感器网络(WSN)的节点定位的估计精度,提出基于自由搜索优化的智能估计定位算法。自由搜索是一种新的群集智能算法,应用于函数优化。该算法计算量少、收敛速度高、程序实现简洁、需要调整的参数少。利用智能优化算法将参数估计问题转化为非线性函数的优化问题。仿真实验结果显示,与最小二乘估计定位算法相比,新算法的定位精度有所提高。     

基于自适应射频指纹地图的WSN室内定位算法研究

针对目前基于无线传感器网络进行室内定位时由于节点间收发信号的强时变特性而造成的定位精度不高、自适应性差的问题,提出了一种基于自适应射频指纹地图的WSN室内定位算法。该算法利用固定位置处信标节点间的信号强度来实时刻画环境的动态变化,从而构建出自适应环境变化的射频指纹地图;实时定位阶段,利用贝叶斯估计法计算目标初始位置,通过有限状态自动机滤除目标移动过程中出现的不可能跳变位置。实验结果表明,该方法在增加环境自适应性的同时大大提高了定位精度。     

布谷鸟算法在无线传感器网络中的定位研究

无线传感器网络（Wireless sensor network,WSN）中的核心技术之一就是节点定位。不同的定位方法对定位结果有不同的影响。针对最小二乘法在求解未知节点位置过程中定位精度的不足,提出一种WSN节点定位算法——基于改进的布谷鸟搜索算法(Cuckoo search ,CS)的定位算法。首先根据优化目标建立数学模型,然后设计了布谷鸟搜索算法中的适应值函数,并修改步长和拒绝概率参数,快速确定未知节点坐标位置。数字仿真实验表明：与基于距离向量跳数的定位方法（Distance vector hop,DV-HOP),基于自适应的布谷鸟搜索和距离向量跳数的定位算法（Self-adaption cuckoo search and distance vector hop,SACSDV-HOP)进行比较,本文算法可以有效提高节点定位精度,降低定位误差,具有较高的实用性。     

改进的局部保持典型相关分析的无线传感器网络节点定位方法

利用接收信号强度（RSSI）进行无线传感器网络（WSN）定位是一类低成本定位方法。局部保持典型相关分析定位（LE-LPCCA）算法能通过节点间RSSI数据的相似度信息近似拟合WSN结构,取得了较高定位精度。但该算法只使用节点间相似性信息未保留信号空间和物理空间的相关性信息,且求解未知节点坐标时使用粗糙的质心法。针对以上问题,提出改进的局部保持典型相关分析定位（LE-ILPCCA）算法,该算法在样本训练阶段用平衡参数将数据的相似性和相关性信息进行融合,求取RSSI内在低维坐标表示的投影变换;在定位阶段,求解已知节点位置坐标和RSSI内在低维坐标之间存在的线性转换关系,获得未知节点的坐标。实验结果表明,本文算法与LE-LPCCA和LE-CCA相比定位精度高、稳定性强。     

基于UKF-RSS在线建模的WSN节点跟踪定位算法

在传感器网络中（WSN）锚节点负责接收GPS定位信号,但其使用寿命受能量约束,为了提高传感器网络的生存周期和定位精度,提出基于无迹Calman滤波（UKF）和传感器网络锚节点RSS在线建模的WSN定位算法,实现高效资源管理和利用方式。该算法主要包括位置预测和目标定位两个步骤,利用UKF算法对目标节点的下一位置进行预测,选择开启距离预测位置最近的几个锚节点,关闭无用锚节点,有效降低网络能耗。利用锚节点之间相互信号强弱基于RSS对开启锚节点周围的距离与RSS信号强弱关系进行建模,降低RSS算法对环境的依赖度。实验结果表明该算法能够有效对锚节点的开启/睡眠进行管理,并可降低环境依赖性,从而实现负载均衡降低能耗和提高定位精度的效果。     

基于自适应ABC/FOA融合定位算法研究

针对传统无线传感网络(WSN)节点定位算法定位慢、误差大的问题,提出了一种基于自适应ABC/FOA融合定位算法.该算法既吸收了ABC算法的全局寻优能力强的优点,又保留了FOA算法局部搜索能力强的特点;同时,引入自适应概念,对果蝇步长进行控制,提高种群多样性;接下来,对节点定位误差函数进行改进,提高了节点定位误差的区分度.仿真结果表明,利用自适应ABC/FOA融合定位算法以后,定位时间明显缩短,定位误差明显减小,能够满足工程领域对于定位精度的要求.     

一种基于相位差测量的WSN节点测距方法

提出了一种基于相位差测量的WSN节点测距方法.该方法任取WSN网络中的两个节点作为发射节点,并使它们以非常接近的高频发射未调制的正弦波以便在空间叠加产生干涉信号,根据网络中不同接收节点测量的其低频RSSI信号的相位值的差值可以得到发射节点和接收节点之间的距离关系并由此最终得出节点间的距离.其特点是有较高的测距精度,可用于WSN节点的2D与3D定位,却无需额外的高精度硬件,适合于低成本的WSN网络应用.实际试验验证了该方法的有效性.     

一种高斯噪声下基于最大分散度的WSN半定规划定位算法

基于最大分散度的概念,本文提出了一种新的高斯噪声下基于半定规划的WSN定位算法——MSDSDP算法。该算法将定位问题建模成一个将最大化网络分散度作为目标函数,由节点测量距离和噪声标准差确定的不等式作为约束条件的最优化问题,并将该最优化问题松弛为半定规划模型进行求解。分析及实验结果表明,该算法能有效地克服fullSDP节点估计位置向锚节点凸包中心汇聚的问题,在计算复杂度相同的情况下明显提高定位精度。将MSDSDP算法的结果作为初始点进行梯度搜索,能进一步提高定位精度。     

基于组合测距的无线传感器网络自定位算法

针对如何在锚节点密度较低的情况下提高无线传感器网络中节点自定位精度的问题,本文提出了一种基于RSSI和TDOA组合测距的加权质心定位算法.该算法分别对传统RSSI和TDOA测距模型增加了校验参数及温度补偿,将未知节点与锚节点间距离估计值的倒数作为权值参数,再利用加权质心算法计算出未知节点的位置坐标.硬件试验表明室内环境中基于改进RSSI测距模型的定位算法相比于传统RSSI质心定位算法的误差改进比率为56.2%,仿真结果显示基于组合测距的定位算法在锚节点密度较低时也能达到较高的定位精度.     

WSN中一种改进的边界盒定位算法

边界盒算法利用通信范围内锚节点的区域位置信息实现自身定位.基于此,提出一种适用于无线传感器网络的改进边界盒定位算法,待定位节点利用边界盒算法得到初始区域位置信息后,广播该区域位置信息,并结合通信范围内其他待定位节点的区域位置信息实现二次定位.实验结果表明,改进算法的运算量较小,定位精度较高.     

基于代数重建法的DV-Hop定位算法

针对运用最小二乘法求解DV-Hop定位算法带来的节点定位误差较大的问题,提出基于代数重建法的DV-Hop定位算法,运用一种由图象重建问题而引入的逐次迭代算法——代数重建法。仿真结果表明,改进算法能降低无线传感器网络中节点的平均定位误差。     

三维无线传感器网络节点的序列重心定位算法

节点自定位技术是无线传感器网络的关键技术之一。三维序列重心算法利用锚节点两两之间的垂直平分面将定位空间分为边、面和体三类区域,缩小了未知节点可能存在的范围,并在所在范围内再次求出离未知节点最近三点组成的三角形的重心作为未知点位置的估计。该算法改善了二维序列算法误差较大的问题,且不需要增加硬件设施来实现特殊的功能。仿真结果表明,该算法可以达到较高的定位精度,能够满足三维空间中未知节点定位的应用需要。     

基于改进布谷鸟算法的WSN节点定位

有效的定位算法在无线传感器网络（WSN）的应用中起着重要的作用。针对DV-Hop算法在求解未知节点位置过程中定位精度低的问题进行了研究,提出了改进的无线传感器网络节点定位算法（SACSDV-Hop)。首先引入布谷鸟搜索（CS）算法,然后动态调整CS算法的发现概率 及影响步长大小的参数 以提高CS算法的收敛速度和局部搜索能力。SACSDV-Hop算法用改进的布谷鸟算法（SACS）代替DV-Hop算法在估算未知节点的位置坐标阶段所使用的最小二乘法,把节点定位问题转变为智能寻优问题,降低跳距估计误差对其的影响。仿真实验结果表明,所提算法比CSDV-Hop算法及传统的DV-Hop算法具有更高定位精度,并且不需要增加硬件开销。     

一种无线传感器网络节点的故障检测算法

在无线传感器网络(WSN)中,容易因为故障节点存在冗余的故障属性、噪声数据以及数据可靠性等问题,从而产生传输错误数据,这将极大地消耗WSN节点中能量和带宽,向用户形成错误的决策。为此,提出了基于蚁群算法和BP神经网络模型的WSN节点故障检测方法。通过使用蚁群算法,使用户通过寻找优化路径来定位WSN节点的位置,通过这种随机搜索算法以及蚁群算法的搜索策略使用户对WSN故障节点的位置进行总体把握。然后又基于BP神经网络模型对获取的WSN故障节点信息进一步学习,在数据训练过程中,依据WSN故障节点预测误差,并进一步调整网络的权值和阈值,增加了故障诊断的精度。采用的算法对检测WSN故障节点具有较好的性能,使无线传感器网络的服务质量大大提高,增强了系统的稳定性,实验结果验证了算法的可行性和有效性。     

无线传感器网络中基于RSSI的加权DV-HOP定位方法

节点位置是无线传感器网络应用不可缺少的信息。DV-HOP算法是一种常见的无线传感器网络节点自定位算法。标准DV-HOP算法在计算跳数时并未根据邻居节点间距离对跳数进行加权处理,导致当邻居节点间距离差别较大时算法定位精度低的问题。从RSSI的耗散模型可看出,RRSI可以作为距离的比征,提出一种基于RSSI的DV-HOP加权算法。该算法基于节点接收信标节点位置元组时的信号强度（RSSI）对邻居节点间跳数进行加权处理,将节点间的跳数与距离相关联。仿真实验结果证明该加权算法可大大提高定位精度。     

基于AOA降维和同心圆定位的三维传感器网络节点自定位方法

本文在三维同心圆定位方法的基础上引入AOA测距技术,提出了一种基于AOA降维的同心圆定位方法(AC-RL)。该方法中,未知节点通过锚节点发射的测距信息测出未知节点与锚节点之间的AOA信息,再利用AOA信息将对应锚节点发射的分级广播信息进行降维处理,最后按同心圆定位算法,将未知节点在锚节点所处水平面上的投影点位置求出,最后得出未知节点位置信息。仿真结果表明了AC-RL算法与同心圆算法相比提高了定位精度,提高了整个无线网络的适应性,但在低能耗方面不够理想。