一种基于未知发射功率的室内定位优化算法

在基于RSSI的室内定位中,未知的发射功率会降低节点的定位性能。针对实际应用中发射功率未知的问题,基于真实室内环境下RSSI的变化情况,提出了一种基于未知发射功率的室内定位优化算法。该算法将发射功率看成一个未知的变量,把一个定位问题转化为一个非线性优化问题,并通过将其中的非线性项进行线性逼近,最终采用最小二乘法求出了目标节点的坐标。仿真和实验结果表明,提出的算法在发射功率未知的情况下,要明显优于传统的定位算法,具有很好的定位性能。     

遗传优化核极限学习机的数据分类算法

为了提高核极限学习机(KELM)数据分类的精度,提出了一种结合K折交叉验证(K-CV)与遗传算法(GA)的KELM分类器参数优化方法(GA-KELM),将CV训练所得多个模型的平均精度作为GA的适应度评价函数,为KELM的参数优化提供评价标准,用获得GA优化最优参数的KELM算法进行数据分类.利用UCI中数据集进行仿真,实验结果表明:所提方法在整体性能上优于GA结合支持向量机法(GA-SVM)和GA结合反向传播(GA-BP)算法,具有更高的分类精度.     

基于RSSI的自适应权重定位算法

在室内环境中,由于存在多径、反射的影响,采用传统的静态权重质心定位(SWCL)方法无法得到准确的定位精度.针对这一问题,提出了一种新的基于接收信号强度指示(RSSI)的动态自适应静态权重质心定位(RSSI—DA—SWCL)算法.对RSSI测距算法优化,消除不同发射功率和其它突发干扰对测距的影响;利用锚节点和未知节点距离等信息,让锚节点自适应地获得最优的权重系数,从而提高定位精度;将RSSI—DA—SWCL算法在ZigBee平台中实现,并通过Maltab仿真和实测实验对算法进行验证.结果表明:和传统的定位算法相比,提出算法具有更优的定位精度.     

一种基于压缩感知与最近邻的联合定位方法

针对基于压缩感知的Wi-Fi室内定位算法中,由于信号强度的时变性和多径效应等原因,算法恢复的结果有时并不理想而降低了定位精度的问题,提出了一种基于压缩感知与最近邻的联合定位方法。在线定位时,通过条件判断决定是选择压缩感知的定位结果还是最近邻的定位结果。这种联合定位的方式可以使得两种定位方法相互补充各自的不足,定位结果更佳。采集了大量的真实数据进行了实验。实验结果表明,提出的联合定位算法比使用压缩感知和最近邻单项算法分别提高了5%和11%。     

一种针对未知发射功率的室内定位优化算法

在基于接收信号强度的室内定位中,未知的发射功率会降低网络的定位性能。为了解决这一问题,根据室内环境中接收信号强度的特性,提出了一种新的的室内定位优化算法。该算法将发射功率表示成一个未知变量,通过将公式中的非线性项进行线性逼近,将非线性的定位问题转化为一个线性优化问题,并采用最小二乘法求出目标节点的坐标。仿真和实验结果表明,在发射功率未知的情况下,提出算法要明显优于传统的定位算法,具有很好的定位性能。     

基于CS-CPSO与SVM融合的WSNs入侵检测算法

为了提高基本粒子群优化(PSO)算法与支持向量机(SVM)融合的无线传感网络(WSNs)入侵检测算法的检测精度与收敛速度,提出了一种基于完全正弦映射混沌粒子群优化(cS-cPSO)算法与SVM融合的WSNs入侵检测算法(CS-CPSO-SVM).采用CS-CPSO算法优化SVM参数,不仅将正弦映射混沌搜索应用于粒子群算法中初始种群与局部最优解混沌扰动的产生,且将其用于惯性权重的优化以及随机常数和学习因子的产生,并用多个初始值分别迭代生成多条混沌轨道.以KDDCUP99数据集作为实验数据,经理论分析与仿真实验表明:该方法可以有效地检测入侵行为,并具有良好的检测精度与收敛速度.