椭球约束下减小三维定位中的非视距误差

采用精度较高的TOA测距方法对位于三维表面的节点进行定位时,非视距传播现象会造成测距值出现较大的正向误差。针对非视距误差提出一种判别算法,对参与定位的锚节点进行筛选,剔除掉非视距误差较大的锚节点,再用残差加权算法进行最终的位置估计。与最小二乘法和残差加权法相比,能够有效地减小非视距误差的影响,具有更高的定位精度。     

NLOS环境下无线传感器网络TOA定位算法

针对现有定位算法定位精度低、适用场景少的问题,提出一种非视距传播（NLOS）环境下的无线传感器网络电波到达时间（TOA）定位算法。对未知节点位置进行初步估计,将该估计值作为初始迭代参考点,利用泰勒级数展开法进行迭代计算,得到未知节点位置的二次估计值。使用二次估计值反推得到未知节点与各传感器锚节点的近似距离,将原始TOA测量距离与该近似距离之差作为非视距传播误差值,从而剔除NLOS误差较大的TOA测量组,利用误差修正后的TOA测量组再次进行泰勒级数迭代处理,实现未知节点的精确定位。仿真结果表明,该算法可有效抑制NLOS误差,相比传统定位算法,其定位误差小、定位精度高。     

传感器网络定位中的两段式距离估算方法

在由于传统DV-Hop定位算法中假定所有相邻节点之间的跳距相等,因此节点间的距离估计误差偏大,进而导致算法的定位精度偏低.为了提高节点间距离估计的准确性,提出两段式距离估计算法.该算法将锚节点与节点之间的h距离划分为两段:前h-1跳和最后一跳,并假设前h-1跳跳距相同,最后一跳的跳距与其邻居节点到锚节点的跳数有关.将两段式距离估计算法应用到DV-Hop算法上,本文还提出了改进的两段式DV-Hop算法.仿真结果表明,与传统的DV-Hop算法相比,改进算法可有效提高定位精度且无需增加节点通信开销.     

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。     

A swarm-based approach to real-time 3D indoor localization: Experimental performance analysis

In this paper, the problem of indoor localization in wireless networks is addressed relying on a swarm-based approach. We assume to know the positions of a few number of sensor nodes, denoted as anchor nodes (ANs), and we aim at finding the position of a target node (TN) on the basis of the estimated distances between each AN and the considered TN. Since ultra wide band (UWB) technology is particularly suited for localization purposes (owing to its remarkable time resolution), we consider a network composed of UWB devices. More precisely, we carry out an experimental investigation using the PulsOn 410 ranging and communication modules (RCMs) produced by time domain. Using four of them as ANs and one of them as TN, various topologies are considered in order to evaluate the accuracy of the proposed swarm-based localization approach, which relies on the pairwise (AN-TN) distances estimated by the RCMs. Then, we investigate how the accuracy of the proposed localization algorithm changes if we apply to the distance estimates a recently proposed stochastic correction, which is designed to reduce the distance estimation error. Our experimental results show that a good accuracy is obtained in all the considered scenarios, especially when applying the proposed swarm-based localization algorithm to the stochastically corrected distances. The obtained results are satisfying also in terms of software execution time, making the proposed approach applicable to real-time dynamic localization problems.     

基于谱图和成对约束的主动半监督聚类算法

针对半监督聚类学习算法中缺乏主动学习的缺陷,提出一种纠错式主动学习成对约束方法.算法通过寻找一般聚类算法自身难以发现的成对约束信息,同时避免这部分约束信息之间本身的关系,将其引入谱聚类算法,利用该监督信息调整谱聚类中点与点之间的距离矩阵对两点间距离进行排序,采用双向寻找的方法,使得学习器即使接收到没有标记的数据也能进行主动学习.实验分析表明,所提出算法能够获得较为满意的聚类效果.     

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。     

面向智慧农业的无线传感器路由协议和节点定位算法研究

随着人类社会的的进步,物联网技术,云计算,区块链,大数据等先进的技术给人类社会的各个方面带来了翻天复地的改变,为了实现农业生产状态的智慧化,无人化管理,基于无线传感器网络技术的农业无线监控系统研究将从无线监控系统的路由协议算法和节点定位算法两方面进行探讨研究。在路由协议算法方面提出了基于划分四边形网格分簇的拓扑控制算法,并从网络拓扑结构,节点死亡、能量消耗三方面和LEACH算法进行对比,从仿真结果可以看出,基于划分四边形网络分簇的算法比LEACH算法性能更优。节点定位算法方面提出基于临时锚节点逐步定位算法,对节点定位算法从不同节点的邻居节点图和节点误差两方面做对比,仿真对比的结果表明农田面积为1000m*1000m,锚节点为50,传感器的数量为200时,网络连通性最大,节点定位误差最小,构建的无线监控系统适合于农田,温室大棚等农业应用。     

一种改进的无线传感器网络DV-Hop定位算法

针对DV-Hop定位算法以平均跳段距离代替实际直线距离而导致定位误差较大这一问题,提出了一种改进的DV-Hop定位算法.在改进算法中,锚节点通过实际距离和估计距离的误差来修正每跳平均距离.改进DV-Hop节点坐标计算方法,摒弃传统的三边定位算法而采用新的二维双曲线定位算法计算节点坐标.最后求得包含误差修正值的最终节点坐...     

用于无线传感器网络的节点间协同定位算法的设计

给出一种无线传感器网络中无锚节点情况下的节点间相互协同定位的算法。它首先将节点进行分簇,把角度测量和距离测量结合起来,通过方位协同,逐步对同步中的节点进行方位调整和坐标调整,从而计算出所有节点的相对坐标。仿真结果表明,在节点随机分布的情况下,该算法比起业界公认的聚类SPA算法在网络覆盖率、定位误差率和通信开销3个方面都有更好的表现。     

一种基于无线传感器网络的星球漫游机器人定位算法

在总结国内外星球机器人定位算法的基础上，利用无线传感网络技术，提出了综合RSSI算法(接收信号强度指示)和切圆圆心法的RCM算法(接收信号强度指示与切圆圆心混合定位算法)，并给出了理论模型．仿真分析结果证明了该算法的有效性，在RSSI测距误差散布达到50%时，定位误差可降到10%以内．     

基于多分辨率聚类的安全定位算法

在无线传感器网络环境中,当锚节点对于未知节点进行位置或距离欺骗时,基于善意环境下的定位技术会遭到极大破坏。提出一种基于多分辨率聚类的安全定位算法,通过对边界圆邻近点进行聚类,并使用投票机制,能有效排除恶意节点,从而阻止攻击。仿真实验表明,该算法以较短的执行时间和较高的定位精度表现出较好的性能。     

基于对支持向量机的多类分类算法在入侵检测中的应用

针对基于传统支持向量机(SVM)的多类分类算法在处理大规模数据时训练速度上存在的弱势,提出了一种基于对支持向量机(TWSVM)的多类分类算法。该算法结合二叉树SVM多类分类思想,通过在二叉树节点处构造基于TWSVM的分类器来达到分类目的。为减少二叉树SVM的误差累积,算法分类前首先通过聚类算法得到各类的聚类中心,通过比较各聚类中心之间的距离来衡量样本的差异以决定二叉树节点处类别的分离顺序,最后将算法用于网络入侵检测。实验结果表明,该算法不仅保持了较高的检测精度,在训练速度上还表现了一定优势,尤其在处理稍大规模数据时,这种优势更为明显,是传统二叉树SVM多类分类算法训练速度的近两倍,为入侵检测领域大规模数据处理提供了有效参考价值。     

无线传感器网络选择性DV-Hop定位算法

针对传统的矢量跳距(DV-Hop)定位算法平均定位误差大的问题,提出了一种具有选择性的改进DV-Hop定位算法。该算法首先剔除长距离信标节点信息,更新最小跳数与平均每跳距离,再次根据信标节点的实际距离和估计距离的误差进一步修正平均每跳距离。仿真结果表明:选择性DV-Hop定位算法能有效地减小平均定位误差,适应各种网络。     

一种有效的K-means聚类中心初始化方法*

传统K-means算法由于随机选取初始聚类中心,使得聚类结果波动性大;已有的最大最小距离法选取初始聚类中心过于稠密,容易造成聚类冲突现象。针对以上问题,对最大最小距离法进行了改进,提出了最大距离积法。该方法在基于密度概念的基础上,选取到所有已初始化聚类中心距离乘积最大的高密度点作为当前聚类中心。理论分析与对比实验结果表明,此方法相对于传统K-means 算法和最大最小距离法有更快的收敛速度、更高的准确率和更强的稳定性。     

基于递归算法的最短跳数路径的RSS测距算法

多跳无线传感网络中的多类应用均需要准确的定位算法.为了降低定位成本,常采用基于接收信号强度(RSS,received signal strength)测距,为此,提出基于递归算法的最短跳数路径的RSS测距算法RFSPR(recursive function shortest path-based ranging).RFSPR算法首先利用递归函数搜索源节点与目的节点间所有具有最短跳数的路径,然后通过RSS测量这些最短路径的距离,最终将所有最短路径距离的平均值作为源节点与目的节点间距离的估计值.最后,将RFSPR算法与现存的同类算法进行了对比分析.实验结果表明RFSPR算法具有更低的测距误差.     

基于平均互信息的混合条件属性聚类算法

混合条件属性参数间的距离值存在较大的差异,导致仅聚合距离数量级较大、较规律的数值条件属性对象,而忽视数量级较小、混沌,但类别特征更加明显的分类条件属性对象。提出了一种基于平均互信息的聚类算法。通过熵量化参数类别特性的大小,再根据熵的平均互信息计算方法衡量数据对象间类别的相同、相异特征量,统一数值和分类条件属性参数间距离的数量级,最后通过优化迭代自适应过程得到最终聚类结果。实验结果表明,该算法具有良好的聚类质量和自适应性。     

一种适用于无线传感器网络的健壮的有序定位算法

提出了一种分布式无线传感器网络有序定位算法,利用邻居节点间的测量距离和两跳邻居的坐标信息来对网络中的节点进行定位,在测量距离误差较大的情况下仍然能够比较理想地估算出节点的地理位置.先对约束条件比较多的节点进行定位,这样该节点的定位精度就比较高,一个节点得到坐标后又会引入若干约束条件,这些条件又作为定位其他节点的约束,就这样一直定位下去.实验证明此种优化手段可以显著改善定位精度.详细分析了该定位算法中采用的各种技术,并针对邻居数目和测量距离精度做了很多实验来研究其对定位结果的影响.     

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。     

融合UWB与INS的消防员室内定位与NLOS检测算法

融合超宽带（UWB）和惯性导航系统（INS）能够实现消防员室内精确定位。为实现UWB的非视距（NLOS）误差检测,设计一种双级EKF框架。该框架以松耦合形式实现UWB/INS的数据融合,通过INS获取的初始位置估计坐标以检测UWB测量值的NLOS误差,根据检测结果计算残差矩阵来动态调整融合滤波器的测量噪声矩阵,以达到缓解NLOS误差的目的。实验结果表明,与三角不等式原理检测算法和无NLOS检测的UWB/INS简单融合算法相比,所提NLOS检测算法具备良好的检测能力、较强的稳定性及较高的定位精度。