无线传感器网络中改进的DV-Hop算法

针对传统DV-Hop算法中定位精度低的问题,该算法从三个方面进行改进,（1）设置距离发射端标准一跳时节点所接收的接收信号强度指示（RSSI）值,利用节点接收信号的RSSI值与设置的RSSI值之间的比来修正跳数。（2）将未知节点的平均跳距分两段考虑,使未知节点到锚节点的估计距离更精确。（3）构造校正向量,对未知节点的估计坐标进行校正。仿真实验表明改进算法的定位精度明显高于传统DV-Hop算法和文献[6]基于RSSI比值修正的算法,稳定性也有一定的提升。     

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

WSNs中基于粒子群优化的节点定位算法

节点定位是无线传感器网络(WSNs)的关键技术之一.接收信号强度指示(RSSI)测距技术以其不需增加任何额外的硬件设备的特点在节点定位中得到广泛应用.为了提高定位精度,在RSSI测距的基础上,提出将粒子群优化算法( PSO)引入节点定位中.首先由RSSI测得未知节点与锚节点的距离,然后应用PSO算法计算出未知节点的估计...     

动态无线传感器反应网络事件驱动定位算法

动态无线传感器反应网络（WSANs）是传统无线传感器网络（WSNs）的衍生物,是由大量资源受限的传感器节点和少量资源不受限的反应节点组成的动态网络,采用无线通信的方式进行通信,具有很强的实用性和应用前景。在充分分析动态WSNs特点的基础上,提出了一种基于接收信号强度指示（RSSI）测距的分布式事件驱动定位算法,并利用OPNET网络仿真软件对所设计的算法进行了仿真验证,结果表明：所设计算法具有较高的定位精度和能效性。     

WSNS中基于箱线图的误差自校正定位算法

针对基于接收信号强度指示(RSSI)的无线传感器网络(WSNs)节点定位技术易受环境影响、算法运算量大等问题,提出一种基于箱线图的误差自校正定位算法.该算法采用箱线图法处理测距过程中的异常RSSI值,利用自校正最小二乘法消除测距误差进而实现节点定位.仿真和实验结果表明,该算法可以有效抑制异常RSSI值,显著提高节点定位的准确性和稳定性,而且无需建立复杂的数据传播模型或构造RSSI位置指纹分布图.     

基于DV-Hop定位算法和RSSI测距技术的定位系统

针对 DV Hop算法在实验环境中存在的问题,加入接收信号强度指示器（RSSI）测距模块辅助定位,对算法进行改进。为了实现定位系统,首先,需要建立当前实验环境的RSSI模型;然后,应用该模型,从锚节点和非锚节点两方面分别控制DV Hop定位过程。实验证明：改进后的定位系统在增加少量计算复杂度的情况下,改善了系统的稳定性,提高了定位的精度,可以被应用到无线传感器网络中。     

基于聚类分析优化的距离修正室内定位算法

基于接收信号强度RSSI的定位系统易受环境影响,提出一种基于聚类算法分析的高斯混合滤波的RSSI信号处理优化策略,通过优化接收信号强度及距离修正的四边质心定位算法对未知节点进行精确室内定位,使用蓝牙4.0信标节点进行实地实验。实验结果表明,该算法可以有效提高测距精度,改善系统的定位精度,比传统加权质心算法的定位精度提高了34.6%,且定位平均误差不超过0.5m,可满足室内定位精度要求。     

无线传感器网络中APIT-HR定位算法

针对无线传感器网络(WSNs)中近似四面体内点(APIT)质心定位算法计算复杂度高、定位精度差的问题,提出一种基于RSSI值折半的APIT (APIT-HR)质心定位算法.该算法以未知节点与三角形中的两个锚节点同时感知第三个锚节点的RSSI值进行比较并确定未知节点的存在区域,再以该区域质心作为定位结果.以面积规则和圆交域质心法改善APIT算法中存在的一些缺陷.仿真实验表明:相对于原始的APIT质心定位算法,APIT-HR算法降低了计算复杂度,提高了定位覆盖率和定位精度,定位误差缩小了22.8％.     

基于最大似然估计的加权质心定位算法

为解决无线传感器网络中节点自身定位问题,针对接收信号强度指示（received signal strength indication,RSSI）测距误差大和质心定位算法精度低的问题,提出一种基于最大似然估计的加权质心定位算法．首先通过计算将估计距离与实际距离之间的最大似然估计值作为权值,然后在权值模型中,引进一个参数k优化未知节点周围锚节点分布,最后计算出未知节点的位置并加以修正．仿真结果表明,基于最大似然估计的加权质心算法具有定位精度高和成本低的特点,优于基于距离倒数的质心加权和基于RSSI倒数的质心加权算法,适用于大面积的室内定位．     

基于RSSI的无线传感网络梯度分簇算法

无线传感器网络(WSN)通常采用分簇结构以减少通信量,降低网络的能量消耗。针对无线传感网在数据收集模式下节点的负载不均衡问题,提出一种基于可接收信号强度指示（RSSI）的WSN梯度分簇(RGC)算法,以节点RSSI值为基础建立梯度,形成层次性结构。从具有不同梯度与相同梯度的相邻簇首节点两方面着手,设计了负载均衡的分簇算法,有效降低其复杂度和能耗,延长网络生命周期。实验证明了该算法的正确性和有效性。     

基于RSSI值的WSNs节点测距算法改进与定位实现

针对采用接收信号强度指示(RSSI)值进行无线传感器网络(WSNs)节点定位中,存在的因节点放置高度不同而产生的测距精度存在差异的问题,在大量实验数据的基础上,分析了RSSI值与距离d在节点布设高度不同时的关系,同时采用分段拟合法对测量曲线进行处理,并在此基础上提出了以恒定步长进行节点趋势移动的校验法,计算RSSI值所对应的距离d。验证结果表明:应用此校验法,节点测距的相对误差有了明显的改善。最后,将改进的测距算法应用到WSNs定位中,仿真结果表明:提出的分段拟合与移动校验法能有效改善定位的精度。     

基于无线传感器网络的同时定位与跟踪

研究无线传感器网络在位置信息不确定时,同时定位无线传感器网络节点并跟踪移动目标。利用RSSI测量节点对之间的距离,多维定标技术根据距离矩阵完成传感器网络的初始定位。估计与更新阶段提出了压缩EKF滤波确定传感器节点位置和目标位置。仿真结果显示:算法在较低的网络覆盖率下有较高的定位和跟踪准确度,在初始定位误差为5m时,节点和跟踪误差均小于3m,特别是在长距离的跟踪任务中有很好的精度和实时性。     

一种无线传感器网络缺失数值估计算法

无线传感器网络（WSNs）工作环境复杂,不可避免会出现感知数值缺失问题。提出一种基于BP神经网络模型的缺失数值估计算法,利用同节点多参数间相关性特点,以强相关参数集为输入进行缺失数值输出估计。为了提高数值估计准确性和稳定性,提出将上述算法与线性回归算法结合,对二种缺失数值估计量进行加权平均,针对变化规律复杂的缺失数值进行有效的估计。基于实际采样数值进行仿真分析,结果表明：算法能够有效地完成缺失数值估计,同时对WSNs拓扑结构和节点覆盖率依赖性较弱,实用性较好。     

混合遗传算法在WSNs定位中的应用

定位是无线传感器网络(WSNs)的应用支撑,针对用最小二乘法处理DV—Hop算法第三阶段误差过大、定位精度差的问题,提出了遗传算法(GA)+单纯形法的混合GA后期优化处理DV—Hop算法。其中,DV—Hop定位算法第一,二阶段用跳距估计出信标节点与未知节点间的距离,再用GA(建立了代价函数与惩罚函数结合的适应度函数)与单纯形法(作为遗传算子增加了算法的局部搜索能力)结合的混合GA采用保优原则优化未知节点的坐标。通过仿真可知:该算法的定位精度高、网络覆盖率大,适合WSNs的定位。     

基于帝国主义竞争算法的WSNs定位方案

遗传算法(GA)在无线传感器网络(WSNs)定位时存在收敛速度慢、精度低等弊端,针对以上问题,提出了一种利用帝国主义竞争算法(ICA)优化WSNs定位的方案。首先,使用了采样的方法来估计未知节点的初始位置;其次,依靠信标节点和相邻节点的相关信息建立了以最小化全局误差的三维空间的数学定位模型;最后,使用了最新的社会启发算法—ICA来进行定位优化。实验结果表明:与GA定位相比,ICA在WSNs定位上具有定位精度高、收敛迅速的优势。     

利用方向性天线的Ad Hoc网络节点定位方法

提出了一种新的基于方向性天线的Ad Hoc网络节点定位算法,当锚节点装配了智能天线或自适应天线阵列这样的方向性天线时,锚节点利用高分辨率的波达方向估计方法估计出节点向锚节点发送信号的方向,并根据收到的信号功率大小估算出节点和锚节点之间的距离后,锚节点即可完成对未知节点的定位。该方法只需要利用一个锚节点就可以完成未知节点的定位,且适当改变锚节点天线的阵列摆放,就可以提高定位的精度。理论分析和仿真实验证明了所得结论。     

基于粒子群优化的改进加权质心定位算法

针对无线传感器网络低成本、高精度的要求,在采用接收信号强度测距的基础上,提出一种基于粒子群优化的改进加权质心定位算法。该算法易于实现,可调参数少,通过多次选代寻优提高定位精度。采用锚节点之间相互测距和定位补偿测距误差和定位误差。仿真结果表明,该算法与质心算法和加权质心定位算法相比,节点定位精度得到显著提高。     

基于RSSI概率统计分布的室内定位方法

针对接收信号强度指示（Received Signal Strength Indication,RSSI）时变现象影响WLAN室内定位精度问题进行了研究,提出了一种基于RSSI概率统计分布（Statistical Probability Distribution,SPD）的加权K最近邻（Weighted K-Nearest Neighbor,WKNN）方法--SPD-WKNN方法。该方法首先利用SPD方法得到指纹点RSSI向量区间;然后运用SVM算法选取测试点K个近邻指纹点,计算测试点RSSI向量到每个近邻指纹点的最小欧氏距离;最后结合WKNN算法获取定位结果。实验结果表明,SPD-WKNN方法与NN、KNN、WKNN、SVR和LSSVM方法相比定位误差分别降低了47.3%、41.6%、31.9%、27.1%和16.3%,呈现了良好的定位效果;利用SVM算法的稀疏性明显减小了运算时间。     

基于Unscented卡尔曼滤波的室内定位

基于RSSI值的测距技术中,通过对天线全向性问题的分析,提出基于Unscented卡尔曼滤波（UKF）的定位算法。利用基于RSSI值的测距模型进行距离测量,并使用Unscented卡尔曼滤波算法估计节点坐标。由于RSSI值的测量和测距模型参数受到环境的影响,采用高斯滤波对RSSI值进行优化,对环境参数使用线性回归算法进行优化并采用自适应机制更新。通过与最大似然估计法（ML）的比较实验表明,该算法能有效地减小定位误差,提高定位精度。     

基于RSSI距离修正的WSNs定位算法

针对无线传感器网络(WSNs)易受外界因素影响,导致三边定位的锚圆不能相交的情况,提出了一种接收信号强度指示(RSSI)距离修正定位算法。通过对锚圆半径进行修正,形成3个锚圆相交的区域,然后用加权定位法对未知节点进行准确定位。仿真和实验结果表明:在6 m×10 m的区域范围内,该算法的平均定位误差为0.62 m,和其他定位方法相比,有更好的定位精度。