WSN中改进的分布式多维定标定位算法

针对无线传感器网络经典集中式多维定标MDS-MAP算法在定位精度与矩阵计算复杂度方面的不足,提出一种基于分布式的ADMDS-MAP定位算法.该算法通过采用测定距离量化,得到节点的近邻向量(CNV),然后通过相关的估算算法得到距离矩阵D和节点的初始估值,加入适当的求精计算得到节点的精确位置.理论分析和仿真实验表明,改进算法能够提高节点的定位精度.     

基于超声波六元阵列测距的WSN节点定位技术研究

基于超声波测距的定位技术以其精度高、范围广和性能稳定等优点,在无线传感器网络中广泛应用。为了实现较大范围的高精度定位,利用自主实现的超声波六元传感器阵列进行TDOA测距,并进行测距误差分析,然后采用基于测地距离的多维定标算法(Geodesic Distance MDS)进行无线传感器网络节点定位。在MATLAB平台下与Cricket采用的迭代式三边定位和AHLoS采用的多点定位算法进行对比仿真实验,结果表明Geodesic Distance MDS算法在不同网络规模和测距误差条件下均能够获得更高的定位精度和较小的定位误差。     

无线传感器网络中基于MDS的迭代定位算法优化

节点定位是无线传感器网络中的关键技术之一.介绍了定位算法的分类,论述了一种基于多维标度的迭代定位算法.该迭代定位算法的初始值一般为随机值,该算法定位精度较高,具有一定的优越性,但存在着迭代次数多,计算量大的问题,很难在硬件资源有限的无线传感器网络节点中实现.针对这一问题,对算法进行了改进,将参考节点的质心坐标设置为迭代初始值.仿真结果表明:改进后的MDS迭代定位算法,迭代次数大大减少,定位精度显著提高.改进算法可应用到实际的无线传感器网络的定位系统中.     

基于MDS技术与MCL方法的无线传感器网络移动节点定位算法

在MCL算法的基础上,结合改进的基于多维定标MDS(Multidimensional Scaling)的定位算法引进新的滤波条件,提出了一种移动节点定位算法.该算法通过在循环滤波部分引入新的限定条件,可以保留更靠近真实距离的预测样本,减小定位误差.仿真实验表明,该算法具有更好的定位精度.     

无线传感器网络重复优化无锚点定位算法

针对经典多维定标无锚点定位算法在节点定位精度方面的不足,提出一种基于多维定标的重复优化无锚点定位算法。该算法建立一个关于相对坐标矩阵的目标函数和重复优化公式,当目标函数取极小值时,可以得到节点相对坐标。仿真结果表明,与经典MDS算法相比,重复优化无锚点定位算法能够提高2.95%的平均定位精度,较好地实现网络有效定位。     

结合极大似然距离估计的MDS-MAP节点定位算法

基于多维定标的定位算法通常利用节点间的最短路径长度代替欧式距离构建距离矩阵,当网络拓扑结构不规则时,会导致较大的定位误差。针对这一问题,提出了一种结合极大似然距离估计和多维定标的节点定位算法MDS-MAP（MLE）。算法将待测节点的一跳邻居节点信息作为极大似然方法的输入,利用与邻居节点的距离信息计算待测节点的相对坐标,然后根据已知锚节点的坐标,将所有节点的相对坐标映射为绝对坐标。实验结果表明,针对规则网络和不规则网络,MDS-MAP （MLE）算法均可取得较好的定位精度,且当网络连通度在一定范围内变化时,定位误差可保持在较低的稳定区间内。     

无线传感器网络的一种人工势场模型及其定位算法

提出一种无线传感器网络节点的人工势场模型,将相邻节点间的关系虚拟成节点间的虚拟力和虚拟势场.并针对该模型提出一种迭代定位算法,该算法通过计算节点的位移、速度和加速度,给节点定位.理论分析和仿真结果表明,在规则网络中定位误差较小,最优情况下误差可以小于5%,在非规则网络中仍可达到较好的定位精度.     

基于分布式的多维定标定位算法

针对经典多维定标的MDS-MAP算法在定位精度与矩阵计算复杂度方面的不足,提出一种基于分布式的MDS定位算法.该算法通过采用测定距离量化的方法,得到节点的近邻向量(CNV),然后通过一定的估算算法得到距离矩阵D,从而实现节点定位的分布式计算.通过理论分析和仿真实验表明,这种改进算法能够实现高精度节点定位.     

基于连通度的分布式加权多维尺度节点定位算法

研究了迭代优化方法在无线传感器网络节点定位中的应用,针对多维尺度分析定位技术和传统的梯度迭代优化方法,根据数值实验确定了迭代步长和网络连通度之间的函数关系,提出了一种基于连通度的分布式多维尺度分析节点定位算法(a connectivity-based distributed weighted multidimensional scaling algorithm,简称dwMDS(C)).该算法首先根据网络的平均连通度确定迭代步长,然后对每个未知节点的局部代价函数进行优化求解.实验表明该迭代算法收敛快速且稳定,比基于SMACOF算法的dwMDS(G)算法在定位精度上有明显的提高.     

基于距离重构的无线传感器网络多维定标定位算法

无线传感器网络中基于多维定标的定位算法通常采用最短路径代替距离矩阵中的未知项,会导致较大的定位误差。针对这一问题,提出一种基于距离矩阵重构的无线传感器网络多维定标定位算法DR-MDS。算法利用节点间的公共邻居信息对距离矩阵线性重构,计算距离矩阵中的未知项,然后对重构的距离矩阵运用双中心化并进行特征分解,从而求得网络坐标。由于算法能够更为准确的获得网络节点之间的空间相对关系,并充分利用其空间相关性计算节点相对坐标,可获得较好的定位效果。仿真结果表明,本文提出的DR-MDS算法与MDS-MAP、ISOMAP相比定位精度更高,误差范围更小。     

一种基于顺序多维定标的无锚点定位算法的研究

针对经典多维定标无锚点定位(MDS(C))算法在节点定位精度方面的不足,提出了一种基于顺序多维定标的无锚点定位(MDS(O))算法。该算法假定节点对之间的最短路径距离和欧氏距离存在单调性关系,避免了MDS(C)中节点对之间的最短路径距离和欧氏距离线性关系难以确定的缺陷。理论分析和仿真结果表明:MDS(O)能够提高平均定位精度1.04%～38.2%,有效地实现了节点定位。     

复数多维标度移动定位算法

基于多维标度（Multidimensional Scaling,MDS）的定位算法,利用移动站与多个基站两两节点间距离的相关性对移动站进行定位,其高稳健性近年来已被证实。但是其性能有限,即使在测量噪声很小的情况下MDS算法也无法达到克拉美罗下界（CRLB）。本文提出了一种新颖的基于TOA（time of arrival）定位方法的复数MDS方法。不同于经典多维标度算法,这种算法并不需要对标度生成矩阵进行奇异值分解,而是对本文定义的一个复数距离矩阵进行奇异值分解获得更多信息从而得到更好的性能。本文对该算法进行了计算机仿真,并与另外几种定位方法做出比较。     

基于多维定标的无线传感器网络三维定位算法*

在森林防火、目标追踪、灾难预警、环境监测等应用中,需要通过定位算法对无线传感器节点进行三维定位。提出一种基于多维定标的无线传感器网络三维定位算法,结合RSS经验衰减模型和最短路径建立相异性矩阵,采用轻量级矩阵分解算法降低相异性矩阵分解的计算复杂性,并利用网络中存在的周期性消息将初始定位信息回送,在后台使用迭代优化算法对初始定位结果求精。仿真实验表明,在测距误差一定的情况下,该算法能够提高节点三维坐标的初始计算精度,经过集中式的优化求精后与MDS-MAP算法相比,能够明显地提高节点三维定位的精度。     

传感器网络中基于多维标度定位算法的改进

针对基于经典多维标度的MDS-MAP算法在定位精度方面的不足,为提高传感器定位精度,提出一种基于Euclidean算法的改进型多维标度定位算法(Euclidean-based MDS-MAP(P,C))。算法与经典多维标度算法的区别在于,Euclidean算法能够算出每个节点与其两跳邻居节点间的欧氏距离,然后用这个欧氏距离来进行多维标度,显然能提高精度。仿真实验表明基于Euclidean算法的改进型多维标度算法与经典多维标度算法相比具有很低的定位误差以及很高的定位精度。     

一种基于降维技术的图像局部融合算法

给出了一种基于降维技术的局部融合算法,并将其用于两幅灰度图像的融合。该算法将现有的图像融合技术和非线性降维技术融合,通过对待融合图像进行分块、关联矩阵表示、MDS降维处理,得到待融合图像的感兴趣区域块,对这些感兴趣区域块进行基于小波的局部融合,使图像变小。通过实验证明,该算法提高了融合速度,有利于目标识别、变换检测等后续处理。     

基于带权多维尺度变换的奇异值挖掘

大量的高维数据在分布上表现为一低维流形,试图从这样的数据集中探测出奇异点,传统的奇异点挖掘算法可能失效.本文提出了一种带权重的多维尺度变化,算法通过局部的高维数据集和其低维重构的误差来设定数据点的局部权重,再利用权重之和得到的数据点置信度,以此来进行奇异值的判定.通过实验验证了算法的有效性.     

基于非度量多维标度的无线传感器网络节点定位算法

把统计学中的多维标度技术应用到无线传感器网络节点定位是一种新的思路.提出了NMDSRSSI(nonmetric multidimensional scaling and received signal strength indication)定位算法,它利用非度量多维标度技术直接根据无线信号强度值来进行节点的定位,省去了以往利用无线信号强度的定位算法中先把强度转换为距离再进行定位所带来的计算误差和计算量.无线信号强度受实际环境影响存在反射、多径传播等问题,理论和实验分析表明算法对此具有较好的适应性.仿真与真实传感器节点的实验结果显示算法取得了较好的定位效果.