基于洋流模型的水下传感器网络实时定位算法

针对近海监控领域内水下传感器网络的节点随着海洋运动具有流动性的问题,提出了基于洋流模型的水下传感器网络实时定位算法(RTLC).利用洋流模型表示节点的运动模型消除流动性对定位造成的影响,成功模拟了节点在水中的移动速度.通过卡尔曼预测方法结合观测值与估计值优化运动模型,使其更贴近节点运动规律.采用信息记录机制及列表更新机制保证信息的时效性从而提高了定位准确度.通过仿真分析,RTLC算法性能优于基于移动预测的大规模水下传感器网络可扩展定位算法(SLMP),具有较高的定位覆盖度,较低的平均定位误差及平均通信能耗.     

水下传感器网络移动节点定位问题研究

针对水下传感网中研究较少的移动节点定位问题,基于传统定位中常用的Chan算法,提出了一种改进的M-Chan算法。该算法通过曲线拟合进行运动轨迹预测,并利用节点的移动特性修正估计位置,从而提高了水下移动节点的定位精度。仿真结果表明,在不同的移动速度、通信半径、锚节点密度情况下,改进算法与传统的Chan算法相比,精度提高5%～10%。     

水声定位的正三角形网状节点部署模型

定位问题是水声传感器网络研究领域的关键技术之一。目前大部分定位算法集中在定位算法的改进,忽视节点部署模型对定位精度的影响。提出一种用于定位的正三角形节点部署模型,在二维空间下,将锚节点以正三角的形式均匀部署,在定位区域内,未知节点总会处于以锚节点为顶点的正三角形中。在这个部署模型下,提出一种定位算法。通过Matlab进行仿真实验,结果表明,最小二乘法,Chan算法和改进算法按正三角形部署的节点模型的平均定位误差小于同节点密度下的均匀随机部署模型。在相同的节点部署密度下,正三角形模型部署下的改进算法稳定性要好于最小二乘法和Chan算法。     

无线移动传感器网络节点自定位控制仿真研究

研究移动节点确认自身位置信息的节点自定位问题,传感器节点的移动部署和数据通信容易受外界环境的干扰,造成网络节点自定位精度低。为解决上述问题,提出了一种改进的灰色系统预测移动节点定位技术。改进方法采用跨层设计,利用灰色系统预测移动节点及其相邻节点移动状态和距离来实时地根据自身及相邻节点位置重新成簇进而实现移动节点自定位控制。仿真表明,提出的灰色系统预测模型能够有效地提高了移动节点位置计算精度,在算法时空复杂度和能效上可以实现合理的自定位控制。     

基于长短期记忆网络修正测距的水下定位算法

人类对海洋资源的探测与开发的主要方式是通过水下传感器网络来实现的,而水下传感器节点收集的数据在丢失精确的定位信息时便失去了其主要的价值。因为现在许多已经被广泛使用的水下定位算法仍然难以实现精确的测距,所以导致其定位精度偏低、不理想。本文提出一种基于长短期记忆网络修正测距的水下定位算法,该算法使用一种循环神经网络的变体模型长短期记忆网络来改进基于信号到达时间差测距算法,通过处理海洋环境的历史信息、测距值等数据进行训练,能够高效准确地预测当前的测距修正值,从而获得优化测距误差的效果。通过上述两者的有效结合进一步改进多边定位算法,实现对水下未知节点的精准定位。最后通过仿真实验和算法对比验证本文所提的算法确实具有较高的定位精度和可行性。     

基于改进加权最小二乘支持向量机的UWSN定位

针对水下无线传感器网络锚节点较少、迭代误差大导致的节点定位精度低的问题,提出一种基于改进加权最小二乘支持向量机的水下三维节点定位算法;该算法将水下三维空间分为若干立方体,以锚节点与网格交点的距离向量作为训练集进行训练;并利用改进的多类别模式识别方法进行分类,以未知节点到锚节点的距离向量作为测试集确定节点坐标;通过引入加权的思想和多类别模式识别方法增大机器学习算法的鲁棒性、降低分类次数,从而实现水下三维节点预测定位;仿真结果表明,该算法在锚节点较少、网络区域较大的水下仍能保持较高的定位精度与较好的鲁棒性.     

基于高斯修正测距模型的节点改进加权质心定位算法设计

针对无线传感器网络中传统的质心定位算法具有定位精度不高的缺点,提出了一种基于RSSI测距的改进加权质心定位算法。首先,分析了无线电传播路径损耗模型,采用高斯模型对RSSI信号强度值进行了修正,从而可以根据修正后的RSSI均值更准确地进行测距;然后,使用改进的Eucliean定位法对节点位置进行初定位,在获得若干组定位锚节点集的基础上,采用改进的加权质心定位算法进行节点位置终定位;最后对基于RSSI测距修正的加权质心定位算法进行了定义和描述。仿真实验表明,文中方法在仅增加计算开销的情况下能实现节点的准确定位,且与其它方法相比,具有较小的测距误差和定位误差。     

基于RSSI和改进MCL算法的移动节点定位跟踪设计

由于传统节点定位方法大多针对静止传感器网络,不能适用于网络结构和节点位置动态变化的移动传感器网络,提出了一种基于RSSI测距和改进的MCL(Monte Carlo Localization)算法的移动传感器节点定位跟踪方法;首先描述了经典MCL算法和接收信号强度RSSI测距方法,然后设计了一种改进的MCL算法,将传统的MCL方法预测粒子位置的过程即预测和滤波两个阶段,更新为锚节点TTL受控泛洪方式广播自身位置、采用拉格朗日插值法预测节点下一时刻的位置和速度、求取锚盒采样区域、k跳锚节点粒子滤波和根据预测下一时刻的节点位置和速度与当前时刻的位置信息确定各粒子权重的5个阶段;采用仿真器MCL-Simulator进行仿真,结果证明:文中方法能有效实现移动节点的定位,与其它方法相比,具有较小的平均定位误差,具有很强的可行性。     

基于IMM-IKF的无线传感器网络非视距节点定位方法

针对非视距(NLOS)环境下的移动定位问题,提出一种基于交互式多模型-改进卡尔曼滤波(IMM-IKF)的无线传感器网络NLOS节点定位算法.算法在IMM算法框架下估计移动节点位置,采用两个平行的改进卡尔曼滤波算法对多个移动节点候选位置进行滤波处理,通过Markov链实现LOS状态与NLOS状态的转换,根据似然概率对两个滤波结果进行加权融合,从而获得移动目标位置.仿真实验结果表明,所提出算法可以有效抑制NLOS误差,实现精确定位.     

无线传感器网络中蒙特卡洛定位算法的研究

在无线传感器网络的节点定位领域,常用的以蒙特卡洛为基础的定位算法均存在定位误差大、采样效率低的问题。为了提高无线传感器网络中针对移动节点的采样效率和定位精确度,文中采用马尔科夫链进行抽样,提出了一种基于蒙特卡洛的改进算法。该算法在蒙特卡洛算法的基础上,结合马尔科夫链采集节点样本,随后对其进行过滤,再通过对得到的节点位置值进行加权计算,得到节点的准确位置。仿真实验结果表明,通过该算法得到的节点定位误差低于其他算法,提高了采样效率以及对移动节点的定位准确率。