无线传感网中基于能量矩阵的多簇头分簇算法

在能量异构的无线传感器网络环境下,提出了一种基于能量矩阵的剩余能量预测模型和新的聚簇路由协议。模型中引入卡尔曼过滤算法,协议中节点通过建立相邻节点剩余能量预测机制,使选举簇头节点的概率与节点当前剩余能量直接相关,以均衡节点的能量消耗,延长网络寿命。此外,还通过多簇头方法,提高数据传输可靠性。仿真实验结果表明,LEACH-EM协议在延长网络生命周期和减少能量消耗上比其他协议有了很大改善。     

基于改进Elman神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。     

基于信任域的P2P访问控制模型研究

P2P作为一项愈来愈流行的技术,在资源共享和协同协作方面有崭新的应用。但是这种新的技术面临传统的网络所未曾遇到的网络安全方面的严重考验。文中从实际应用出发,分析了现有的访问控制技术并在此基础上提出一种新的基于信任域的P2P访问控制模型。该模型不同于传统的基于PKI的访问控制模型,它能够在信任管理的基础上对P2P用户进行域划分,并针信任对域制定访问控制策略,从而使得访问控制在实际应用中更加简洁和可行。     

基于CSI与SVM回归的室内定位方法

为研究室内定位技术在复杂环境中的应用,以楼梯和实验室为实验场景,提出了一种基于信道状态信息（CSI）与SVM回归的室内定位方法。该方法通过基于密度的空间聚类方法（DBSCAN）去除信号噪声,并用主成分分析法（PCA）提取贡献最大的指纹特征,同时降低CSI指纹的维度。通过SVM回归建立CSI指纹与目标位置之间的非线性关系,从而达到根据测得的CSI指纹估计目标位置的目的。实验结果表明,在多径效应较强的楼梯复杂环境中,该定位系统可以在90%以上的概率下达到1 m的定位精度,实验室环境中可以在82%的概率下达到0.8 m的定位精度, 这表明基于CSI与SVM回归的室内定位方法具有高效性和可行性。     

基于移动Agent的WSN多层分簇算法

针对无线传感网分簇中每轮节点能耗不均衡的问题,提出一种基于移动Agent的多层分簇(MABMC)算法.构建多层分簇能量模型,采用移动Agent技术选举每轮簇头并收集数据.仿真实验结果表明,与能量有效的多层分簇算法和低功耗自适应集簇分层型算法相比,该算法可减少网络每层轮数的能耗,提高能耗均衡度,延长网络生命周期.     

基于图论的WSN节点定位路径规划

移动锚节点规划路径存在节点重复访问的问题,会影响定位精度的提高。为此,提出一种移动锚节点路径规划算法,引用图论知识,将传感器节点转化为图的顶点,并结合蚁群算法,利用图的遍历解决路径规划问题,寻找出一条路径。实验结果表明,该算法能够定位传感器节点,避免节点的重复访问,降低节点定位的误差。     

一种RSS和CSI融合的二阶段室内定位方法

针对基于接收信号强度RSS(Received Signal Strength)或信道状态信息CSI(Channel State Information)的室内定位方法在现实环境中定位精度低的问题,提出一种RSS和CSI融合的二阶段室内定位方法.离线训练时采集数据构建指纹库;在线测试时首先利用RSS和改进的k最近邻kNN(k-NearestNeighbor)算法进行位置粗略估计,然后根据粗略估计结果筛选参考点构建子指纹库,最后使用高斯核函数改进的k最近邻算法进行位置精确估计.将该定位方法在室内复杂环境和空旷环境两种环境中进行实验验证,定位精度分别达到72.4％和75.9％,并将本文方法与两种现有的经典定位方法DeepFi和Horus在同一环境中进行比较,实验结果表明该方法能够有效地减小定位误差、提高定位精度.     

基于 ＣＳＩ 和加权混合回归的室内定位方法

近年来,Wi-Fi 感知凭借低成本、非接触、不受光照影响、隐私性好等优势,成为人机交互的新兴研究方向。为了提高室内定位技术的精度,本文提出了一种基于信道状态信息（Channel State Information,CSI）的加权混合回归(Weighted Mixed Regression, WMR)室内定位算法WMR_SKR。该方法分为离线训练和在线预测两个阶段。离线阶段单独训练支持向量回归（Support Vector Regression, SVR）和K近邻回归（K-Nearest Neighbor Regression, KNR）模型,并获得最优的权重分配,建立加权混合回归模型WMR_SKR。在线阶段通过WMR_SKR模型实时预测目标的位置。实验结果表明,本文的WMR_SKR模型在视距环境中82%的概率下定位精度能够达到1m,非视距环境中80.6%的概率下达到1.5 m,且平均误差和标准误差均小于1.5m。WMR_SKR模型有效融合了SVR和KNR的优点,提高了室内定位技术的性能。     

基于粒子群优化的WSN覆盖增强算法研究

针对粒子群算法无线传感器网络(WSN)覆盖优化中算法稳定性较差,后期收敛速度慢和易陷入局部最优问题,本文提出了一种自适应扰动混沌的粒子群(Adaptive Disturbance Chaotic Particle Swarm Optimization,简称ADCPSO)的覆盖增强算法。一是在覆盖范围中应用改进的混沌Tent映射对粒子初始化,提高了种群的求解质量和算法的稳定性;二是采用非线性递减的惯性权重和学习因子自适应操作;三是根据一定概率对粒子位置进行扰动更新,避免粒子陷入局部收敛的问题。仿真结果表明,该算法具有良好的全局搜索能力,稳定性好,提高了网络覆盖率。