基于支持向量机的无线传感器网络节点定位算法

机器学习是利用经验来改善自身性能的一种学习方法,而支持向量机(support vector machine,SVM)作为机器学习中的一种新模式,在解决小样本、非线性及高维模式识别等方面有着其特有的优势.基于支持向量机的节点定位算法利用机器学习算法的特性,实现无线传感网络节点定位.其基本思路是将网络区域划分为若干个等分的小格,每一小格代表机器学习算法中一个确定的类别,机器学习算法在学习了已知的信标节点对应的类别后,对未知节点所处位置进行分类,从而进一步确定未知节点的位置坐标.仿真实验表明,"一对一"节点定位算法有较高的定位精度,对测距误差的容忍性较好,同时对信标节点的比例要求并不高,比较适合用于信标节点稀疏的网络环境中;而"决策树"节点定位算法受覆盖空洞的影响并不大,比较适合应用于节点分布不均匀或者存在覆盖空洞的网络环境中.     

一种基于线性时间概率计数算法的数据聚集技术

无线传感器网络中,通过数据聚集操作在中间节点预先对数据进行处理,可去除大量冗余,减少数据传输,实现节能。针对多路径路由下数据聚集操作的重复计数问题,研究对副本不敏感的概要结构并优化某些特性,在线性时间概率计数算法的数学模型基础上提出一种新的数据聚集技术FA( Fan Aggregation)技术,实现高能效的数据聚集。理论分析和仿真实验均表明, FA技术相较于FM( Flajolet Martin)技术和LC( Linear Counting)技术在存储空间和准确率上均有更好的性能体现。     

基于RFID的冷链物流监测系统的设计

低温物流运输车在食品之冷链中扮演着非常重要的角色,主要功能则是在冷冻冷藏车内所载运的食品运送的过程中,食品的温度必须保持在法规规定的范围内,严格有效地控制在特定温度下运作,才能确保产品的质量。为解决以上问题,提出一种基于RFID的低温食物冷链温度监测系统,通过放置在食品包装袋或冷藏箱内的带有温度传感器的RFID标签来实时地采集环境温度信息,并在到达仓库或者配送中心后,将数据通过RFID读取器传送至后台处理程序,利用程序对各个食品的温度数据进行监测和处理。该系统可以有效稳定地对冷链温度进行监测,以保证食品的质量。