基于多通信半径和跳距加权的WSNs三维迭代定位算法 �

针对三维DV-Hop全局跳数划分不够精确,平均跳距与实际跳距偏差大导致定位误差大的问题,提出一种基于多通信半径和跳距加权的WSNs三维迭代定位算法。首先,参考锚节点比例设置跳数阈值进行迭代定位;其次,利用多通信半径和多跳跳数偏差对单跳和多跳节点跳数进行精确划分;最后,将估计跳距与最大通信半径的偏差设为平均跳距的权值,采用最小最大法计算节点位置。仿真结果表明,在锚节点比例较大和通信距离较短时,该算法与3D-DVHop、3D-WD-DVHop和基于三维球形分割定位算法相比,定位精度明显提高。     

全局跳数优化与跳距误差修正的DV-Hop改进算法

针对DV-Hop算法跳距估算误差积累所导致的定位精度问题,提出一种基于全局跳数优化与跳距误差修正的DV-Hop改进算法。该算法首先利用节点的通信半径与影响节点跳数的相关参数对全局跳数值进行协同优化,以使节点间的跳数趋于合理。然后根据最佳指数的最小均方误差准则计算平均跳距,并与单跳平均误差共同修正平均跳距,以进一步降低平均跳距的误差。实验结果表明,该算法能够有效的降低误差累积的影响,提升未知节点的定位精度,对比DV-Hop算法与相关文献,该算法的节点定位效果更好。     

基于跳距优化的DV-Hop定位算法

为提高DV-Hop算法的定位精度,该文针对DV-Hop算法存在的跳距误差累计问题提出了一种改进方案.改进的算法从减少误差的产生和扩散两方面对原始算法进行了优化,通过让锚节点以多个通信半径广播信息来降低计算平均跳距时产生的初始误差,同时又让未知节点选择累积误差最小的跳距计算距离,以减少锚节点平均跳距在通信过程中导致的误差...     

基于平均跳距估计和位置修正的DV-Hop定位算法

针对传统DV-Hop定位算法只考虑了最近一个锚节点估计的平均跳距,而导致定位误差较大这一问题,提出了一种基于平均跳距估计和位置修正的改进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,另外,改进算法还对初步定位结果进行了循环位置修正.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.     

基于节点前进跳距期望的WSNs分布式定位求精算法

针对LAEP算法存在相邻节点的定位位置相同(或相近)的问题,提出一种基于节点前进跳距期望的定位求精算法(RLAEP)。该算法在LAEP算法的基础上,首先根据每个节点的前进跳距期望挖掘出节点与其邻居节点的距离估计信息,称之为"伪测距距离";然后计算两节点在网络中的定位位置之间的距离,称之为"计算距离";最后以减小当前节点间"计算距离"与"伪测距距离"的偏差为目的迭代修正未知节点的定位位置。仿真结果表明,RLAEP算法的定位精度明显高于LAEP算法。     

基于跳数与跳距优化的三维DV-Hop定位算法研究

三维定位是无线传感器网络确定监测对象的重要内容,是当前研究的热点问题之一。针对传统三维DV-Hop定位算法定位精度不高的问题,通过模拟仿真深入分析了误差形成的原因,提出了一种以优化跳数和跳距为核心的三维DV-Hop定位改进算法。该算法通过细化通信跳数以降低原始算法中高估跳数造成的误差,并改进了信标节点的跳距计算方法,调整权重以确定未知节点的跳距。实验结果表明,本算法能显著降低定位误差,定位精度相对传统算法提高了25%～30%。该研究可为无线传感器网络监测空间定位提供参考。     

基于跳距修正L-M优化的WSN定位算法

针对DV-Hop定位算法在节点随机分布的网络拓扑环境下存在误差较大的问题,文中通过分析平均跳距估计、未知节点坐标估计区域求解对定位精度的影响,提出了一种基于跳距修正L-M优化的WSN定位算法CLDV-Hop(Correct L-M DV-Hop)。仿真结果表明,在不增加额外开销且仿真环境相同的条件下,CLDV-Hop算法比现有改进的算法具有更高的定位精度,与DV-Hop算法相比精度提高了约33%——41%。     

WSNs中基于粒子群优化的节点定位算法

节点定位是无线传感器网络(WSNs)的关键技术之一.接收信号强度指示(RSSI)测距技术以其不需增加任何额外的硬件设备的特点在节点定位中得到广泛应用.为了提高定位精度,在RSSI测距的基础上,提出将粒子群优化算法( PSO)引入节点定位中.首先由RSSI测得未知节点与锚节点的距离,然后应用PSO算法计算出未知节点的估计...     

一种网络跳距修正的分布式定位算法研究

通过对DV-Hop算法的研究,了解到该算法的误差来源于平均每跳距离。针对这一不足,对算法进行了改进。算法通过引入全网平均每跳误差修正值获得未知节点到锚节点的有效距离,有效避免了后续计算过程中误差的累积。通过仿真实验,对本文改进算法在定位精度、覆盖率及稳定性上进行性能分析,结果表明,在不增加通信开销的基础上,随着锚节点密度的增加,改进后的算法以较小的计算量在这三方面均得到了有效的提高。     

基于最优跳距和改进粒子群的DV-Hop定位算法*

针对DV-Hop定位算法利用跳数乘以平均跳距来估算距离并采用极大似然估计法定位而导致误差较大的问题,提出一种最优跳距和改进粒子群的DV-Hop算法即OPDV-Hop。该算法首先利用节点的通信半径对锚节点间跳数进行修正;然后根据全局和局部范围对锚节点的影响,选择最优平均跳距来估算距离;最后用改进的粒子群算法来优化未知节点坐标。仿真结果表明,OPDV-Hop算法相比DV-Hop算法、基于粒子群的DV-Hop算法以及基于改进粒子群的定位算法,定位误差分别减小16%、11%和5%左右,其能够有效的降低估算距离误差,提高定位精度。     

基于粒子群优化的多维标度节点定位算法

针对无线传感网络节点定位易受外部环境影响的问题,提出一种基于粒子群寻优的多位标度定位算法。利用基于动态路径损耗指数的接受信号强度测距,建立距离矩阵,使用多维标度方法构建节点的相对坐标,通过四参数坐标转换模型得到绝对坐标,再用绝对坐标与实际坐标的差异度作为粒子群寻优的适应度函数,通过分群搜索,优化节点位置估计。仿真结果表明：改进算法对实际环境影响具有较好的鲁棒性,节点定位精度有了明显的提高,能够满足定位系统需求。     

基于粒子群优化算法的WSNs节点定位研究

为了提高无线传感器网络节点定位的精度,提出了一种基于粒子群优化估计的无线传感器网络节点定位算法。该算法简单易实现,可调参数少,通过多次迭代寻优,以提高定位精度。仿真结果表明,新算法与常用的极大似然估计算法相比可以显著提高节点定位的精度和稳定度。     

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

基于RSSI跳数修正的DV-Hop改进算法

针对原始DV-Hop算法中跳数值不能反应出节点间实际距离大小而导致拓扑不规则网络中节点定位误差较大的问题,提出了一种基于接收信号强度指示RSSI(Rceived Sgnal Srength Idicator)的改进算法。首先根据直接邻居节点接收到的RSSI值对第1跳进行分级,细化跳数;同时把节点间的距离比值作为权值,并将其转化为相应RSSI的关系对跳数进行加权修正,使获得的跳数值更准确。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在不增加额外硬件的前提下有效地提高了定位精度。     

基于自适应罚函数优化粒子群的WSNs定位算法

针对无线传感器网络节点定位问题,在传统粒子群算法定位技术研究的基础上,提出了一种自适应罚函数优化粒子群的节点定位算法。在定位过程中,运用极大似然估计法进行粗略定位,对测距误差进行加权处理,限制搜索区域,根据群体中可行解比例的大小,自适应调节罚因子的大小进行迭代寻优,最终得到节点坐标。仿真结果表明：该算法较好地克服了传统粒子群算法收敛速度慢,易陷入局部极小点等问题,对比同类算法,算法具有更高的定位精度和较快的收敛速,且稳定性更高。     

基于改进蜂群算法无线传感器感知节点部署优化*

提出了一种基于改进蜂群算法的无线传感器感知节点部署优化方法,以网络覆盖率为目标函数,将传感器感知节点部署问题形式化为组合优化问题,并采用分层机制对基本蜂群算法进行改进。仿真实验结果表明,本方法能够以相对较小的代价完成传感器感知节点部署,并能降低网络能耗,提高网络的整体覆盖率。     

基于RSSI 和分步粒子群算法的无线传感器网络定位算法

为了更加合理地分配网络资源、采集性能优良的信息来更好地完成任务,提高事件的定位精确度,提出一种基于接收信号强度指示(RSSI)和分步粒子群算法的无线传感器网络定位算法(IPSO-IRSSI).该算法在分析RSSI无线传播损耗模型的基础上,结合优胜劣汰的选择思想以及目标函数最优的权重自适应方法,提出过滤锚节点机制和粒子群分步算法.仿真实验结果表明,该算法具有较高的定位精度,优于距离相关的传统定位算法.     

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.