基于改进蚁群的BP神经网络WSN数据融合算法

为了保证无线传感器网络（WSN）在深井中能有效地工作,提出了一种改进蚁群的反向传播（BP）神经网络WSN数据融合算法（IFA-IACOBP）.通过规划蚂蚁运动方向和引入节点剩余能量对蚁群算法启发因子进行改进,优化蚂蚁下一跳节点选择概率,利用改进后的蚁群算法对BP神经网络进行优化,引入井下WSN数据融合,数据经两级融合处理后,能去除大部分冗余信息.仿真实验结果表明,IFA-IACOBP算法能有效减少网络数据通信量,提高数据实时性,降低网络能耗,延长网络寿命.     

基于反向学习的群居蜘蛛优化WSN节点定位算法

针对启发优化算法在WSN节点定位问题中定位精度不高和收敛速度较慢的缺陷,提出基于反向学习的群居蜘蛛优化WSN节点定位算法.为减少前期随机搜索,所提出算法首先通过Bounding-box方法得到未知节点可能存在的区域,在该区域初始化启发个体,并将加权中心反向学习策略与群居蜘蛛群优化算法相结合,求解未知节点估计位置,提高算法全局搜索能力.仿真结果表明,相比于传统算法,所提出算法收敛速度更快,节点定位精度更高.     

基于映射曲线的自适应莱维鲸鱼无线定位算法

针对多维定标（MDS-MAP）算法计算效率低且定位精度不高的问题,提出了一种基于映射曲线的自适应莱维鲸鱼无线定位（AWL-MC）算法.采用映射曲线距离分析方法对待定位节点进行粗略相对定位,以提高节点的计算效率;再通过线性变换将相对坐标转换成绝对坐标;最后采用自适应莱维飞行鲸鱼优化算法对待定位节点坐标进行全局和局部搜索寻优处理,避免产生局部最优解,提高了定位精度.仿真结果表明,AWL-MC算法相比MDS-MAP算法的定位精度改进率为66.42%,计算效率提高了52.57%,相比多维定标扩展卡尔曼滤波的定位精度改进率为57.80%,计算效率提高了66.01%.     

基于加权混合滤波和重心法的APIT定位算法

提出了一种基于加权混合滤波与重心法的近似三角形内点测试（APIT）改进定位算法（HFG-APIT）.利用混合滤波过滤突变信号强度值使数据平滑稳定输出;再引入加权中位数来提高接收信号强度（RSSI）的精度;最后采用重心法进行内点测试减少误判,提高定位精度.仿真结果表明,混合滤波算法比其他滤波方法处理RSSI数据的测距精度更高,HFG-APIT的定位误差分别为最小二乘定位算法（LSM-RSSI）和APIT定位算法的41.7%和23.8%,整体定位性能也优于其他2种算法.     

基于秩滤波和裴波那契树的信号强度定位算法

针对接收信号强度指示（RSSI）测距定位精度和鲁棒性差的问题,提出了一种基于秩滤波和裴波那契树的信号强度定位（RF-RSSI-FTO）算法.采用秩滤波方法对RSSI值进行去干扰滤波处理,可提高测距精度及鲁棒性;引入裴波那契树优化算法对定位坐标进行全局和局部搜索寻优处理,可减小定位误差.仿真结果表明,RF-RSSI-FTO算法能有效改善测距精度和鲁棒性,增强全局和局部搜索能力,提高定位精度.