确定无线传感器网络节点位置的一种算法

无线传慼器网络是一门获取和处理信息的新兴技术.文章针对无线传感器网络节点定位问题进行了研究,提出了一种新的节点定位算法.方法是在传感器网络中预先部署十分少量已知位置信息的伪节点,然后通过时钟定位算法,实现对节点位置的估计.仿真显示该算法具有较好的实用性.     

基于误差修正的DV-Hop传感器节点定位算法

传统的DV-Hop传感节点定位算法,估计未知节点与各锚节点之间距离是用跳段距离代替直线距离.在实际网络定位环境中,未知节点和锚节点之间多数是折线连接.当平均每跳距离的估计值与实际值的偏差较大时,未知节点到锚节点之间估计距离与实际距离之间的误差会增大.为解决上述问题,提出一种粒子群优化算法修正DV-Hop算法定位误差的传感器节点定位方法.采用DV-Hop算法估计待测节点和锚节点之间距离,通过三边测量法确定节点的位置,并将传感器节点定位问题转换成一个多约束优化问题,最后通过粒子群优化算法对定位误差进行修正,并通过仿真对其性能进行测试.仿真结果表明,相对传统DV-Hop算法可大幅度提高传感器节点定位精度,符合无线传感器网络定位需求,具有较好的应用价值.     

基于遗传模拟退火算法的无线传感器网络定位算法

无线传感器网络定位问题本质上是一个基于不同的距离或路径测量方法的优化问题.第一次提出了基于遗传模拟退火算法的无线传感器网络定位算法GASA-Hop,它是将遗传模拟退火算法作为DV-Hop的后期优化.其中,DV-Hop用来估计未知节点与锚节点的测量距离,GASA用来最小化与DV-Hop相关的适应度函数.仿真结果表明,本算法定位精度高、条件简单,比较适合无线传感器网络的节点定位.     

无线传感器网络节点定位机制的研究

无线传感器网络的许多应用都是基于节点的位置信息。传感器网络由于节点数量巨大,而且资源十分有限,全部节点都采用类似GPS的定位设备是不适宜的。文章介绍了无线传感器网络基于节点之间的连通性来估计节点的位置的定位算法,方法是在传感器网络中预先部署十分少量已知位置信息的信标节点,然后通过节点之间的跳数信息,实现对节点位置的估计。仿真显示该算法具有较好的实用性。     

Levy飞行策略结合三维灰狼优化的DV-hop定位算法

针对无线传感器网络节点部署不均衡,极大似然值估计算法对待定位节点位置计算精确度较低的问题,提出一种Levy飞行策略结合三维灰狼优化的DV-hop定位算法.首先引入节点间不同跳数权重因子解决节点部署不均衡问题;其次在灰狼算法基础上结合Levy飞行策略,对灰狼群每次位置迭代更新进行优化,并推广到三维空间;最后利用改进后的智能仿生三维灰狼算法对每一个待定位节点位置进行寻优定位计算,进一步提高待定位节点位置计算精度.实验结果表明,该算法优于经典DV-hop算法、三维加权DV-hop算法以及未使用飞行策略的灰狼算法,验证了该算法在待定节点定位的准确性.     

基于锚节点选择的无线传感器网络定位算法

针对无线传感器网络定位系统中节点随机分布及锚节点数量有限而影响定位性能.在传统的DV-Hop定位算法基础上提出并分析一种基于锚节点选择的无线传感器网络定位改进算法.首先,根据距离矢量路由技术获得节点到锚节点间的距离.然后,选取合适锚节点进行初始位置估计,并进行位置优化.最后,将其升级为锚节点从而提高锚节点密度.仿真结果表明该算法与传统的DV-Hop定位算法相比定位精度有很好的改善,具有一定的可用性.     

基于RSSI的无线传感器网络节点定位算法

节点定位技术是无线传感器网络关键技术之一,介绍了节点定位技术的基本原理,提出了一种新的基于接收信号强度(RSSI)的无线传感器网络定位算法.该算法在第一阶段对节点初始位置进行初步估计,第二阶段对节点初始位置进行求精.仿真结果表明,在锚节点比例较低的情况下,该算法仍然可以实现较高的定位精度,并且与dv-distance定位算法比较,表明该算法在相同条件下精度更高.     

基于遗传算法WSN节点定位算法研究

研究无线传感器网络节点定位问题.针对无线传感网络由于位置信息等原因而造成节点定位误差较大,精确度不高等问题缺陷,提出了一种改进的基于遗传算法优化DV-hop定位算法,并将算法应用在无线传感网络节点定位中,算法首先利用节点间的距离和锚节点的位置,在距离无关定位算法的最后一个阶段,采用遗传优化算法对DV-hop算法定位得到位置进行校正,在不增加传感器节点的硬件开销的基础上有效提高定位精度和扩大定位范围,仿真结果表明,改进的网络节点定位算法定位误差小和定位范围广等性能,与原始的DV-Hop定位算法相比定位误差明显减小,精度明显提高.表明算法是一种高效节能的定位算法.     

一种改进的质心定位算法

在无线传感器网络中,确定传感器节点的位置至关重要.通过对传统的质心定位算法进行分析,考虑到接收信号强度直接影响到未知节点的定位精度,提出了一种基于RSSI的改进的质心定位算法.该算法将每个未知节点的通信区域划分为6个部分,通过比较RSSI,找到对未知节点更为精确的估计区域,从而对未知节点作出更为精确的位置估计.仿真结果表明,相比于原始的质心定位算法,改进后的质心定位算法大大提高了无线传感器网络节点的定位精度.     

群集智能算法在WSN节点定位中的应用

为提高无线传感器网络(WSN)的节点定位的估计精度,提出基于自由搜索优化的智能估计定位算法。自由搜索是一种新的群集智能算法,应用于函数优化。该算法计算量少、收敛速度高、程序实现简洁、需要调整的参数少。利用智能优化算法将参数估计问题转化为非线性函数的优化问题。仿真实验结果显示,与最小二乘估计定位算法相比,新算法的定位精度有所提高。     

无线传感器网络的定位机制

传感器网络是由大量低廉的微型多功能传感器节点组成的无线网络,能够广泛应用在环境、军事、生态等领域进行事件监测。位王数据是监测事件不可缺少的信息。为了准确地确定事件发生的位置,传感器节点必须首先确定自身的位置。定位机制是无线传感器网络的基本机制。本文在将定位技术分为基于距离定位和距离无关定位两种类型的基础上,详细介绍和分析了近期提出的典型传感器网络定位机制。     

Meta-heuristic approaches for minimizing error in localization of wireless sensor networks

Sensor node localization is considered as one of the most significant issues in wireless sensor networks (WSNs) and is classified as an unconstrained optimization problem that falls under NP-hard class of problems. Localization is stated as determination of physical co-ordinates of the sensor nodes that constitutes a WSN. In applications of sensor networks such as routing and target tracking, the data gathered by sensor nodes becomes meaningless without localization information. This work aims at determining the location of the sensor nodes with high precision. Initially this work is performed by localizing the sensor nodes using a range-free localization method namely, Mobile Anchor Positioning (MAP) which gives an approximate solution. To further minimize the location error, certain meta-heuristic approaches have been applied over the result given by MAP. Accordingly, Bat Optimization Algorithm with MAP (BOA-MAP), Modified Cuckoo Search with MAP (MCS-MAP) algorithm and Firefly Optimization Algorithm with MAP (FOA-MAP) have been proposed. Root mean square error (RMSE) is used as the evaluation metrics to compare the performance of the proposed approaches. The experimental results show that the proposed FOA-MAP approach minimizes the localization error and outperforms both MCS-MAP and BOA-MAP approaches.     

基于多AUV协作的稀疏水下传感网定位技术研究

如何在稀疏部署的水下传感器网络中实现传感器节点的高效定位是一个研究热点.提出了一种基于多个移动AUV协作的水下传感器网络内节点定位机制,利用AUV的精确自导航功能实现对网内未知位置节点的定位协助.提出的协作定位算法扩展了水下传感器网络的网内节点位置迭代估计方法,将信标节点和多AUV联合作为定位参考点,然后推导了基于最小二乘法的定位估计方程.仿真结果验证了该方法可以在定位节点比例、归一化定位误差和平均置信度等几个方面提高定位性能.     

基于二阶段差分演化的WSN节点定位优化

由于非测距的WSN节点定位算法DV-Hop定位精度不高,引入智能优化算法后有效提高了定位精度,但迭代次数过大,节点能耗相对过高,而在较少信标节点和较短的通讯信半径条件下,传统智能优化算法难以生效。针对这种情况,提出了基于二阶段的差分演化定位优化算法。仿真实验设计在100m×100m正方形的区域内,随机分布100个无线传感器节点,首先用DV-Hop算法进行第一阶段粗略定位,然后在第二阶段用差化演化算法对定位进行优化,为了对比各种算法在低能耗（很少迭代次数）下的表现,优化过程只迭代了10代,最后得到节点坐标。实验结果表明,算法能获得更好的定位精度和具有更好的稳定性。该算法在极少迭代次数的条件下,在信标节点稀疏和通信半径较短的特殊情况下,获得满意的定位精度和更好的稳定性。     

Sensor network localization with imprecise distances

An approach to formulate geometric relations among distances between nodes as equality constraints is introduced in this paper to study the localization problem with imprecise distance information in sensor networks. These constraints can be further used to formulate optimization problems for distance estimation. The optimization solutions correspond to a set of distances that are consistent with the fact that sensor nodes live in the same plane or 3D space as the anchor nodes. These techniques serve as the foundation for most of the existing localization algorithms that depend on the sensors’ distances to anchors to compute each sensor's location.     

目前几种无线传感器网络节点定位技术分析

在无线传感器网络中,位置信息是监测事件不可缺少的信息,为了准确地确定事件发生的位置,传感器节点必须首先确定自身的位置。节点定位技术是无线传感器网络最重要的技术之一。该文将节点定位技术分为基于测距的和无需测距的两类,介绍和分析了几种典型的定位技术。     

基于人群搜索优化的无线传感器网络三点定位算法

为进一步提高无线传感器网络节点的定位精度,提出一种基于改进人群搜索优化的无线传感器网络三点定位算法.首先设计一种三点估计未知节点坐标模型;然后利用该模型求取未知节点的坐标,并将计算出的节点位置作为人群搜索的初始位置;最后采用改进的人群搜索算法优化未知节点的位置.仿真结果表明,通过与已有的相关定位算法相比较,所提出算法具有更高的定位精度.     

基于Kalman滤波的无线传感网络的定位修正算法

针对无线传感网中的传感节点定位问题,提出了基于Kalman滤波的传感网络的定位修正LCKF(localization correction-based Kalman filter)算法.在LCKF算法中,锚节点位于感测区域的边界,传感节点利用来自两侧的锚节点的位置信息估计自己的位置,并取均值.然后,再利用Kalman滤波算法修正跳数长的一侧的位置估计.依据跳数短的一侧的位置估计数据修正跳数长的一侧定位精度.仿真结果表明,与同类算法相比,提出的LCKF算法的定位精度得到有效提高.     

基于RSSI加权质心和GASA优化的WSN定位算法

针对无线传感器网络节点在自身定位中广泛存在较大的定位误差的问题,提出一种基于RSSI加权质心和GASA优化的无线传感器网络定位算法。该算法假设无线传感器网络中存在一定比例的位置已知的锚节点,利用RSSI加权质心算法计算未知节点与锚节点间的距离,建立以未知节点位置为参数的数学模型,用GASA优化算法计算最优解从而获得未知节点的位置,实现未知节点自身的定位。仿真实验的结果表明,当锚节点个数为30,算法的平均定位误差在10%以内,比RSSI加权质心算法降低了10%~15.5%左右,并且随着节点个数的增加平均定位误差降低。