基于最小二乘与D-S证据理论的WSN层次式数据融合算法

无线传感器网络中,数据融合技术是降低网络数据通信量、节省节点能耗和延长网络寿命的重要措施之一。为了在兼顾降低数据量的同时提高对事件的识别精度,提出了一种基于最小二乘法和D-S证据理论的层次式数据融合算法。算法在Sink节点上,以最小二乘算法融合从传感器节点上传的数据,降低了Sink节点与监控中心的通信量;在监控终端上采用D-S证据理论建立识别框架,通过证据的不断积累,提高了事件的识别精度。     

WSN中基于GM-LSSVM的数据融合方法

针对传统时间序列预测融合算法对于具有非线性、随机性和突发性的数据拟合度不佳的问题,提出了一种基于灰色最小二乘支持向量机(GM-LSSVM)预测的时序数据融合方法.利用少量监测数据对模型进行训练,以灰色回归预测数据作为最小二乘支持向量机的输入数据,并对下一步未知信息进行预测,以达到减少通信开销的目的.实际测量结果表明,该方法所需样本数量较少,预测准确率较高,能有效降低数据传输开销.     

基于抗差估计方法的WSN节点定位算法研究

针对无线传感器网络在实际应用中,节点间测距结果往往含有粗差,并会严重影响未知节点坐标估计值的准确性和可靠性这一问题,引入抗差估计理论,采用IGGⅢ权因子函数,设计了一种基于抗差估计的节点定位算法。该算法能对含有不同幅度的测量误差分别采取保权、降权和淘汰等相应处理,明显提高定位精度。仿真实验表明:在无粗差的情况下,本文算法与经典最小二乘定位算法的定位效果保持了良好的等效性;在含有粗差的情况下,本文算法借助于选择的阈值,对不同的粗差采取剔除以及降权等适当处理,比经典最小二乘定位取得了更高的定位精度,保证了估计结果的无偏性,体现出良好的抗差性能。     

基于最小二乘法的冗余信息数据融合算法实现

为了有效融合多传感器冗余系统量测信息,使状态的估计值更接近于状态的真实值,实现高精度和高可靠性的状态估计,采取了基于最优加权的最小二乘算法、有限窗加权的最小二乘算法和自学习加权最小二乘算法,分别对多传感器实测数据进行融合处理,融合后数据的方差大幅度降低,估计精度显著提高。并与传统的最小二乘算法进行了仿真对比,结果表明,这3种方法较最小二乘算法融合精度更高,其中,自学习加权的最小二乘融合算法既考虑了历史数据的作用,又考虑了环境噪声和新的采样值的影响,增强了对噪声检测的敏感性,估计效果较好。     

GPS和无线传感器网络融合定位算法研究

为了解决普适计算环境下室内外无缝定位问题,提出了一种卫星定位和无线传感器网络组合定位的算法.算法主要利用了GPS卫星定位系统伪距观测数据和无线传感器网络距离观测数据联合进行位置解算.仿真结果表明,算法与传统的GPS定位相比,增加定位的适应范围,实现少于4颗可用卫星情况下的定位;与无线传感器网络定位算法相比,提高了定位精度.     

基于能量优化的WSN数据收集和融合算法

针对WSN路由协议LEACH中簇头负载过重的问题,提出一种改进的数据收集和融合算法LEACH-E,在簇的建立阶段根据节点的剩余能量及相对距离选择簇头;在通信阶段,运用主成分分析法对簇头收到的数据进行降维处理,再将融合后的数据沿着蚁群算法找到的最优路径以多跳方式发送给基站。仿真结果表明,该算法在均匀分簇、均衡节点能耗、延长网络生命等方面有更好的性能。     

一种基于LEACH协议高效节能的数据融合算法

针对无线传感器网络LEACH协议中簇首节点传输数据的冗余,使通信量过大,导致整个网络寿命短的问题,考虑到不同属性数据存在线性相关性,通过引入云理论和最小二乘的思想,提出了一种云加权—最小二乘（ CW-LS）数据融合算法。仿真结果和分析表明：该算法能够消除冗余信息,使数据更加准确,减少了数据传输量,从而有效地延长了网络寿命。     

基于无偏灰色马尔科夫预测WSN数据融合算法

为了降低无线传感器网络节点的能量消耗,延长网络工作时间,提出基于无偏马尔科夫链预测的井下数据融合算法.该算法考虑矿井下监测数据的时间相关性,通过无偏灰色马尔科夫链预测模型,利用以往的数据对未来的数据进行预测,并设置阈值来判断是否需要上传数据,减少数据上传量,从而减少整个网络传输数据的能量消耗,延长网络寿命.仿真结果表明随着阈值的增加,上传的数据比率越小,网络的能量消耗更少,网络的寿命得到有效的延长.     

基于无线传感器网络的分布递阶信息融合算法

提出了基于无线传感器网络的分布递阶信息融合方法,下层源节点采用卡尔曼滤波及基于减少能耗和网络冲突的数据处理方法,上层汇聚节点采用方差最小的加权信息融合方法,该方法能有效降低传感器网络能耗和网络信息冲突,仿真结果表明了该方法的有效性和可靠性。     

基于预测模型的WSN节点能量融合机制

分析节点能量衰减的过程,采用节点能量衰减预测模型描述节点能量损耗的规律,并建立基于该预测模型的节点剩余能量汇报机制,从而减少节点能量数据的汇报次数以及节点间的数据通信量,降低节点能耗。实验结果表明,在应用该预测模型后,Telosb节点的电池工作寿命延长1%~4.5%。     

面向水环境监测的WSN网关设计

针对传统水环境监测存在周期长、水域范围有限的缺点,提出一种基于无线传感器网络的水环境监测系统,对其无线网关的软硬件系统进行设计。该网关采用ZigBee和GPRS无线传输技术,实现数据监测节点与远程监测中心的双向高效无线通信。实验结果表明,应用该网关的系统稳定可靠,可满足水环境远程实时监测的要求,具有广泛的应用前景。     

WSN中的一种多传感器数据融合算法

为了适应无线传感器网络资源受限的特点,提出一种多传感器数据融合算法,算法在传感层和网络层之间增加数据融合层,将采集的数据分为实时数据和非实时数据,对数据进行约筒处理,提高传感器节点传输被采集信息的效率.利用TinyOS进行仿真测试,结果表明:数据融合算法可以有效地减少网络中数据通讯流量,节省传感器节点能量,延长网络生存时间.     

基于分簇的无线传感器网络簇内数据融合算法

根据节点剩余能量、通信消耗量和节点IP,设计无线传感器节点分簇算法,减少了无线传感器网络的数据传输总量。分析对以分簇为基础的簇内数据的融合算法误差成因,提出先进行簇内传感器测量修正、再进行簇内传感器数据融合的改进算法。通过TOSSIM仿真平台的实验,改进后的簇内数据融合算法测量误差明显减少。     

室内环境下对OLOS误差具有鲁棒性的TOA无线传感器网络定位算法

针对无线传感器网络及室内环境的特点,在综合考虑节点定位所需的通信量、计算量和定位精度的基础上,提出一种室内环境下对受阻碍的视距(OLOS)误差具有鲁棒性的低计算量的残差加权无线传感器网络定位算法.该算法利用对残差优选再加权的方法,在未知信道特性和无须反复通信的条件下对距离测量值的组合进行了优化.分析表明该算法与同类算法相比具有低计算量的特点.大量仿真结果表明该算法提高了定位精度,有效地抑制了室内环境下OLOS误差.     

WSN中基于分簇的模糊加权数据融合算法

为在数据收集和传输中保证数据的准确性和实时性,提出一种基于分簇的模糊加权数据融合算法(FWADF)。在簇内利用模糊逻辑控制器分析节点数据的可信度,确保数据的可信性,同时加入对数据优先级的考虑,减少网络时延。在簇间采用模糊加权矩阵方法提高数据的准确性。在NS-2仿真工具上的实验结果表明,在同等数据流量的前提下,采用FWADF算法时数据到达基站的时间延迟最短,在节点收集相同数据量的情况下,与Proposed DF、VWFFA、FIM等算法相比,基站获得数据的平均准确率分别提高5.0%、16.1%、9.5%。     

无线传感器网络中基于区域决策的距离均值融合算法

研究了无线传感器网络中基于距离的决策融合算法,并针对它们的不足,提出了一种基于区域决策的距离均值融合算法.该算法首先采用目标定位运算估计目标源的位置,并划定以目标源为中心的一定区域为有效区域,然后根据距离均值模型计算有效区域内传感节点的可信度权重,并将其决策和相应的权重上传到融合中心进行决策融合.仿真实验表明,该算法比其它基于距离的融合算法具有更高的检测概率和较好的抗噪性能,适合中大规模无线传感器网络.     

面向环境监测的WSN节点定位技术研究

WSN节点定位在无线传感器网络研究中意义非凡,设计出一种精确的定位算法是当今的重大挑战。传感器节点采集的数据只有在获取到节点的位置信息后才有意义,结合环境监测特点和应用需求,DV-Hop(Distance Vector-Hop)算法因其受环境影响相对较小,无需大量硬件开销,适用于环境监测场景。针对传统DV-Hop算法定位精度不高的问题,提出基于加权因子的混合DV-Hop算法——HDV-Hopw,其采用两种策略对传统DV-Hop算法进行改进。首先,通过对信标节点的平均每跳距离进行加权处理,减小平均每跳距离带来的误差;然后,将未知节点位置估计转换成目标优化,采用混合GA-PSO算法对未知节点的坐标进行优化,通过限制初始种群的可行域以及改进初始种群的质量来提高算法的定位精度。仿真实验结果表明,在没有增加额外硬件设备的情况下, 相比于DV-Hop算法 ,HDV-Hopw算法的 定位误差平均降低了11%左右。     

交通信息采集中WSN拥塞控制算法研究

为了提高交通信息采集系统中无线传感网络数据传输可靠性和实时性,提出一种高性能拥塞控制(HPCC)算法。针对单一拥塞检测无法准确预测网络负载情况问题,该算法根据队列占用率和拥塞持续时间定义拥塞预知状态指数,并通过对拥塞状态指数的判断,来准确预测拥塞趋势。为了避免最优路径失效导致网络瘫痪的问题,该算法基于TOPSIS理论思想构建选择模型,在拥塞节点周围建立临时最佳路径进行分流调节并将节点拥塞程度、剩余能量、距离原路径跳数以及信道接入率作为下一跳节点选择依据。实验结果表明,该算法能有效准确地检测拥塞,减小延迟,降低了网络能耗,保证数据的逼真度。     

一种改进的电网信息系统自动化故障融合监测技术

在电网系统中,故障检测是关系到电网正常运行的关键。采用小波变换实现对原始电网信息系统采样信号的特征提取,然后使用遗传算法对最为重要的特征的进行优化和搜索,优化后的数据输出至神经网络模型,神经网络模型对接收到的数据信息进行状态识别、特征分类,有效地提高了分类的准确性和故障诊断的可靠性。试验数据显示本设计的方案大大提高了计算速度,有利于用户快速从电网数据中把握重要信息,分析影响电网信息自动化系统故障数据信息,从而从根源上解决智能电网运行过程中存在的问题。为智能电网的健康、绿色运行提供较为有价值的技术保障,同时也具有较好的学术研究意义以及工程应用价值。