共查询到14条相似文献,搜索用时 187 毫秒
1.
2.
为了减小最短路径距离矩阵与欧氏距离矩阵之间的差异,提高MDS-MAP(C)算法的节点定位精度,提出一种改进的多维标度节点定位算法.该算法对MDS-MAP(C)算法进行了以下改进:采用启发式的搜索策略对最短路径距离矩阵进行修正,以减少最短路径距离矩阵与实际的欧氏距离矩阵之间的误差;利用smacof算法迭代误差函数代替SVD分解来求解节点的定位问题,以优化和改善节点定位的求解过程.实验结果表明,与MDS-MAP(C)算法相比,改进算法能够减少最短路径距离的误差,有效提高节点的定位精度,并且对不规则网络具有更好的适应性. 相似文献
3.
针对基于经典多维标度(CMDS)的定位算法中用最短路径距离替代节点间Euclidean距离造成的距离误差,结合质点弹簧模型(MSO)抑制误差的优点,提出了基于CMDS-MSO的新定位算法,该算法既有效抑制了CMDS算法的定位误差,又克服了质点弹簧优化模型算法易陷入局部最优的不足,有效提高了节点的定位精度。仿真结果表明,基于CMDS-MSO的新型定位算法的定位精度要高于基于CMDS的定位算法和基于MSO的定位算法,具有较强的鲁棒性。 相似文献
4.
5.
6.
7.
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. 相似文献
8.
9.
针对经典MDS-MAP定位算法在定位精度和算法复杂度方面的不足,提出一种分布式多维标度定位算法。改进后的算法加入了分簇的思想,将大规模网络分成多个具有簇首的局部网络。局部定位时,引入Hop-Euclidean算法,计算簇内节点间距离,再用局部网络融合算法将局部相对坐标图合并成全局相对坐标图。仿真分析表明,提出的算法在各向同性和各向异性网络中都有很好的定位精度,而且在定位精度提高的情况下可用于不规则网络,有利于网络的扩展,更适用于大规模密集型网络。 相似文献
10.
与有源标签相比,无源RFID标签成本较小,本文选取后者作为待定位标签。但是由于无源RFID标签之间无法通信,目前大多数传统的RFID定位算法一次只能定位一个标签而无法实现多标签同时定位。针对这一问题,提出了基于非度量多维标度(NMDS)的室内RFID多标签协同定位算法。利用到达相位差(PDOA)法拟合在多径存在环境下的测距误差,将待定位标签之间的距离差欧氏距离与非度量多维标度算法结合,计算出待定位标签的位置坐标。仿真结果表明,提出的算法可以通过一次非度量多维标度计算得到所有待定位标签的坐标,同时定位精度高于经典多维标度定位算法和传统三边定位算法。 相似文献
11.
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。 相似文献
12.
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。 相似文献
13.
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。 相似文献
14.
The Sammon mapping has been one of the most successful nonlinear metric multidimensional scaling methods since its advent in 1969, but effort has been focused on algorithm improvement rather than on the form of the stress function. This paper further investigates using left Bregman divergences to extend the Sammon mapping and by analogy develops right Bregman divergences and reveals the mechanism that improves the performance of scaling over the Sammon mapping. The influence of data space distance preprocessing on optimisation speed is noticed. Non-stress visualisation quality measures are used to compare the configuration quality of the Sammon mapping and its extensions using both Euclidean distance and graph distance on three data sets. 相似文献