基于重要度贡献的无标度网络节点评估方法

针对无标度网络的节点重要度评估问题,通过分析节点的邻居数量与其邻居间的拓扑结构,得到节点的结构洞重要性指标,再融合相邻节点的K核重要性指标值来确定相邻节点间的重要度贡献,以此表征相邻节点的局部信息;在此基础上,再结合表征节点位置信息的节点自身的K核重要性,从而提出一种基于节点间重要度贡献关系来评估无标度网络的节点重要度的方法.该方法综合考虑了节点的结构洞特征和K核中心性特征来确定节点的重要度,同时兼顾到了网络的局部和全局重要性.理论分析表明,此方法的时间复杂度仅为o（n²）.与其他几种算法仿真对比的结果表明,该方法可行有效,拥有理想计算能力,适用无标度网络.     

一种分布式无线传感器网络节点定位算法

基于接收信号强度(RSSl)的无线传感器网络节点定位算法由于无需额外测距硬件的支持而受到广泛的应用.但无线信号传输受到环境的影响,使得基于RSSI的定位算法存在较大的定位误差.针对上述不足提出了一种基于概率的无线传感器网络节点定位方法.首先根据信标节点发送信号强度与未知节点接收信号强度差来计算未知节点到其一跳范围内所有信标节点的估计距离,然后根据这些估计距离,通过计算未知节点在某个位置概率密度函数的最大值来确定未知节点自身的位置坐标.通过仿真表明,该方法在较低的信标节点密度和节点通信半径条件下,具有较高的节点定位精度和定位覆盖率.     

基于联合分簇和LASSO的室内指纹定位算法

为提高定位效率和定位精度，提出了一种基于联合分簇（Hybrid clustering， HC）和LASSO的室内定位算法。该定位算法首先利用簇匹配实现目标粗定位，再在簇内采用LASSO算法进行二次精确定位。通过基于接收信号强度（Received signal strength， RSS）信号特性的K中心聚类方法结合基于物理位置的联合分簇，来降低粗定位阶段的簇匹配错误以避免粗大误差。采用位置指纹RSS信号的覆盖向量的相似度作为分簇和簇匹配的准则来降低运算量。簇内定位阶段采用LASSO算法达到特征稀疏化，有利于目标节点存储空间和能耗的优化。在室内典型办公环境下的定位实验表明，本定位技术在降低在线匹配计算量的同时能保持良好的定位效果，在参考位置点间隔1.8 m时，平均定位误差为1.73 m。     

无线传感器网络中基于Top-|K|查询分布式数据重构方法

针对分簇结构或多Sink节点的无线传感器网络应用场景,提出了一种基于Top-|K|查询的分布式数据重构方法.该方法包括分布式迭代硬阈值算法和基于双阈值的分布式Top-|K|查询算法两个部分.其中,管理节点和成员节点同时运行分布式迭代硬阈值算法,以分布式方式实现迭代硬阈值计算.同时,管理节点和成员节点运行基于双阈值的分布式Top-|K|查询算法,以分布式方式实现前一算法中查询绝对值最大的前K项元素和操作.实验结果表明,该方法的数据重构性能与现有方法无明显差异,同时能够有效地减少管理节点和成员节点之间的交互次数,并且降低网络中传输的数据量.     

基于Voronoi图划分的节点模糊信息定位算法

针对基于接收信号强度的无线传感器网络节点定位算法精度低的问题,提出一种基于Voronoi图划分的节点模糊信息定位算法。根据锚节点个数对定位区域进行Voronoi图划分,将整个定位区域划分为不同的Voronoi区域,同时获得各个Voronoi区域的顶点坐标。使用高斯滤波方法筛选出可以作为参考节点的顶点坐标,通过顶点坐标和锚节点联合定位未知节点。利用模糊信息定位方法计算出未知节点的最终位置。实验结果表明,相比M ANLFI算法和FINL-DT算法,该算法能够有效提高节点定位精度,降低网络能耗。     

基于区间分析的WSNs定位算法

为了降低接收信号强度指示(RSSI)的测量误差对节点定位精度的影响并提高算法的鲁棒性,提出一种新的基于区间分析的无线传感器网络(WSNs)定位算法.该算法在测距阶段运用自助抽样法消除RSSI的测量误差并构建测距的置信区间;在定位阶段,结合B-box定位法和集员辨识求出未知节点位置坐标的可行解集,通过网格扫描得到未知节点的估算位置.该算法通过仿真分析验证了可行性,并与传统的定位算法进行了误差比较,实验结果表明:该算法具有更高的定位精度且鲁棒性更好.     

基于RSSI校正的无线传感器网络定位算法

为了使接收信号强度指示（RSSI）的测量误差对节点定位精度的影响程度达到最小化,提出一种基于RSSI高斯加权校正的质心定位算法.首先通过高斯函数滤去偏差较大的RSSI值,然后再对余下的RSSI值加权计算得到优化的RSSI测量值,并利用测量到的RSSI值计算出锚节点与未知节点之间的距离,然后根据计算出的距离对锚节点坐标加权,并通过质心定位算法求出未知节点的位置坐标.仿真实验表明：该算法相比基于RSSI的质心定位算法,定位覆盖率提升3％～6％,平均定位误差至少减少4％,是一种定位精度更高的算法.     

基于双神经网络的RFID室内定位方法

在室内定位中,传统的RFID定位方法由于方法简单,无法随着室内环境的变化准确估计当前的路径损耗系数,存在受环境影响大,定位精度不高,实时性差等缺点.为了解决以上问题,提出一种基于双神经网络模型的室内定位算法,建立BP网络和DNN网络的双神经网络模型,将采集到的RSSI信号值预处理后输入到BP网络模型中,输出路径损耗系数n,再将接收信号强度值RSSI和通过BP模型得到的路径损耗系数n作为输入,输入到DNN网络模型中,得到待测标签的精确定位坐标.实验表明,与传统的基于RSSI和基于ANN模型的室内定位算法相比,本算法有效提高了定位精度和定位实时性.     

基于移动锚节点的加权质心定位算法研究

针对加权质心定位(WSL)算法所需锚节点数目较多,定位精度低,定位成本高等问题,采用单个移动锚节点沿着既定的轨迹在监测区域移动,并在规定位置广播数据包;未知节点根据接收的信号强度(RSSI)比值以及邻居节点间的最小跳数确定权值,进而估算未知节点自身的坐标位置.仿真结果表明:算法有效地提高了定位精度和稳定性,降低了定位成本.     

基于PSO的测距模型参数估计三维定位算法

节点定位技术是无线传感器网络应用的重要支撑技术之一;针对粒子群优化(PSO)定位方法的定位精度依赖于测距模型参数与实际值的符合程度,在接收信号强度指示(RSSI)测距模型的基础上,提出一种测距模型参数估计的三维定位算法;该方法无需计算距离,将未知节点的位置和RSSI测距参数作为自变量,以信号强度误差为目标函数,采用粒子群优化算法估算未知节点坐标;仿真结果表明所提算法不依赖于测距模型参数的选取,并取得了理想的定位精度。     

无线传感器网络加权质心相对定位算法

针对基于接收信号强度指示的无线传感器网络加权质心定位算法在实际应用中计算复杂的缺点,提出一种改进型传感器网络加权质心相对定位算法（WCL-RSSI）。该算法主要采用参考节点精选机制和定位组合精选策略选择定位自评误差小的节点进行三边测距定位,以此重建定位权值函数来减小坐标定位误差,最后采用加权质心法计算坐标,并计算该节点的定位自评估误差。仿真实验表明,在同等计算复杂度下,该算法较传统定位方法的定位精度有了明显的提高。     

基于优化策略的混合定位算法

针对无线传感器网络(Wireless sensor network, WSN)的应用需求提出一种基于优化策略的混合节点定位算法. 选择1-hop节点最多的点作为初始点, 利用多维标度(Multi-dimensional scaling, MDS)方法计算初始节点及其1-hop节点的相对坐标, 并将这些节点的坐标发送给周围未定位节点; 未定位的节点根据接收到的坐标与节点间的距离, 利用极大似然法估算自身的坐标; 最后通过坐标变换计算所有节点的绝对坐标. 在此基础上, 进一步提出将本文节点定位算法与集中式和分布式优化策略相结合来优化网络节点的估计坐标, 以提高节点定位精度. 仿真结果表明本文提出的算法是有效的, 能够较好地完成无线传感器网络节点的定位.     

室内信号强度指纹定位算法改进

由于人们对基于位置服务的需求越来越高,室内定位技术在诸多领域得到了广泛的应用,而定位算法则是室内定位研究的重点。首先介绍了最近邻和KNN两种信号强度指纹定位算法,并说明了KNN信号强度指纹算法的不足。在KNN信号强度指纹定位算法的基础上,提出了改进的基于区域划分的定位算法。在定位阶段,首先对接收信号强度进行补偿和滤波处理,以降低各种外在因素对定位精度的影响;同时对定位区域进行划分,选择主参考节点,并基于加权的最近邻匹配来选择最近的信号强度指纹;最后对定位结果进行计算并验证。仿真实验表明,改进的区域划分算法相对于传统的KNN算法,定位精度提高了22.2%,达到2.1m,证明了改进算法的可行性。     

ZigBee技术中基于RSSI测距的定位算法研究

采用CC2430/CC2431为核心芯片设计ZigBee节点,并采用此类节点构成一个ZigBee定位网络。根据节点接收信号强度(RSSI)的模型,估计出盲节点与参考节点的距离,并采用最小二乘法对估计的距离进行修正。选择3个接收信号强度最强的参考节点,根据修正的距离采用三边测量法估计出盲节点的坐标。实验表明,修正后的定位精度高于修正前的定位精度。     

二次栅格扫描与三角形质心迭代的定位算法

为了提高无线传感器网络的定位精度,在Grid-Scan算法的基础上提出一种改进的二次栅格扫描定位算法,再利用三角形质心迭代法进一步提升定位精度。首先通过比较未知节点的所有邻居锚节点到该未知节点的信号强度,找到最近邻居锚节点,利用最近邻居锚节点对可再定位的未知节点所在的估计区域进行二次栅格扫描,再利用PIT法则对定位区域进一步缩减,最后对质心三角形质心进行迭代计算得到最终定位点。仿真结果表明,在相同的网络环境下,与传统算法相比,改进算法明显提高了平均相对定位精度。     

煤矿井下人员安全监测定位算法仿真研究

实时精确监测井下人员位置,对安全生产非常必要。井下环境复杂、坑道狭长,不同于室内,一段坑道不会采集到太多较好信号节点,无线信号传播时易受反射、多径传播和噪声等因素影响,致使传统Wi-Fi定位算法定位精度低,提出一种基于局部极大似然、信号强度来遴选Wi-Fi信号节点,并利用六点四四组合混合定位算法。首先信标节点周期性扫描移动定位模块,筛选出较优信号强度,并求出待求节点与信标节点间距离;然后局部极大似然六点四四组合;最后质心法求解中心,估计最终的井下人员位置。经过仿真验证：所提出的混合定位算法,定位精度明显提高。同时分析了井下不同噪声、基站情况下,几种定位算法性能,新算法定位精度仍然较高;最后还分析了算法的实时性。     

一种新的基于ZigBee技术定位算法

经典定位算法计算过程复杂需占用大量系统资源,当需要定位大量节点时,系统将会丢失部分人员定位信息,大大影响了定位的实效性;针对上述问题,提出了一种基于ZigBee的权值算法,该算法通过基站获得的接收信号强度指示值(RSSI),与人员节点发射功率的函数关系得出一个接收信号强度值(RSS),根据RSS值与距离的关系实现人员的定位;新算法阐述了如何利用几个已知节点的位置来计算未知节点的位置;经过130个节点的测试,其定位误差为2～6m,测试结果表明该算法与经典定位算法相比,具有系统资源占用少,可靠性、实时性和精度高等优点。     

基于Pearson相关系数的快速虚拟网格匹配定位算法

针对室内环境下位置指纹匹配定位算法中离线数据库采集工作量较大的问题,提出了一种基于Pearson相关系数的快速虚拟网格匹配的定位算法。首先,将接收信号强度指示（RSSI）进行高斯滤波预处理得到接收信号强度向量;然后,利用Bounding-Box方法确定初始虚拟网格区域,将该网格区域快速迭代细分并计算网格中心点到各信标节点的距离对数向量,计算接收信号强度向量和距离对数向量之间的Pearson相关系数;最后,选取Pearson相关系数接近于-1的k个近邻坐标以相关系数加权估计确定待定位节点的最优估计位置。仿真实验结果表明,在1m虚拟网格且RSSI噪声标准差为3dBm的条件下,算法定位误差小于2m的概率大于94.2%,其定位精度优于位置指纹匹配算法,且无需建立RSSI指纹数据库,大大减少了定位工作量。     

一种基于RSSI的无线传感器网络 全程优化分布式定位策略

针对目前定位算法存在精度与成本有较大矛盾的问题,在定位实施各阶段采取有效措施,提出一种新的基于接收信号强度指示(RSSI)观测模型的协作定位算法.该算法以有效计算方式获得距离数据,优选锚节点参与定位计算,通过泰勒展开迭代求精法实施位置优化,最终获得满足要求且定位精度较高的位置估计.引入协作定位思想,将满足一定要求的已定位节点升级为锚节点,参与其他节点的定位,提高了定位的覆盖率和定位精度.仿真实验结果显示:网络参数相同的条件下,本文算法定位效果接近基于实际坐标的泰勒级数展开算法,而远高于基本的最小二乘定位算法,且由于所需存储空间小,其定位精度也随测距误差的减小而快速提高,能够满足大规模无线传感器网络的定位需求.