基于扩展卡尔曼滤波器的RBF神经网络学习算法

径向基函数（RBF）神经网络可广泛应用于解决信号处理与模式识别问题,目前存在一些学习算法用来确定RBF中心节点和训练网络,对于确定RBF中心节点向量值和网络权重值可以看作同一系统问题,因此该文提出把扩展卡尔曼滤波器（EKF）用于多输入多输出的径向基函数（RBF）神经网络作为其学习算法,当确定神经网络中网络节点的个数后,EKF可以同时确定中心节点向量值和网络权重矩阵,为提高收敛速度提出带有次优渐消因子的扩展卡尔曼滤波器（SFEKF）用于RBF神经网络学习算法,仿真结果说明了在学习过程中应用EKF比常规RBF神经网络有更好的效果,学习速度比梯度下降法明显加快,减少了计算负担。     

基于卡尔曼一致滤波器的WSN时间同步算法

提出一种基于分布式卡尔曼一致滤波器的无线传感器网络时间同步算法.该算法不需要将网络分层,每个节点都和它的相邻节点交换时间消息,通过分布式卡尔曼一致滤波器估计本节点的时钟偏移和频率偏移,使得全网所有节点的虚拟全局时钟逐渐收敛一致.仿真实验表明,提出的算法在多跳网络中误差累积较小,具有较高的同步精度,同时对存在节点失效或新节点加入的动态网络具有良好的可扩展性.     

WSN中基于协作水印的虚假数据过滤算法

提出一种基于协作水印的数据认证算法来识别虚假数据和重复包,算法在每个数据包中嵌入两类水印:一类是鲁棒性水印,用于对发送者的身份和数据的新鲜性进行认证;另一类是由t个证人节点协作生成、嵌入的半脆弱水印,用于对数据内容进行认证.算法保证了多个水印之间互不影响;算法允许网络中的单个节点独立地提取水印,验证数据包的正确性,却不能伪造或修改水印.仿真和分析结果表明,算法在数据包中嵌入水印后,在大多数情况下均有较好的峰值信噪比和信噪比.同时,算法能够对恶意篡改数据具有较高的敏感性,对一定程度噪声干扰、有损压缩等具有较好的鲁棒性.算法与已有的基于MAC(message authentication code)的虚假数据过滤算法相比具有更低的通信开销和更高的识别与过滤虚假数据的能力.     

基于扩展卡尔曼滤波器的AUV导航定位数据融合

导航定位是AUV(自主式水下潜器)自动化受限的关键技术.GPS等单独的定位方式又存在缺陷.故采用低成本罗经-DVL-GPS组合导航定位.因为导航定位观测的非线性关系,设计了基于扩展卡尔曼滤波器的导航定位数据融合算法.针对扩展卡尔曼滤波器存在的滤波发散现象,引入机动目标模型抑制滤波发散,研究并仿真了AUV的两种运动方式,实现了覆盖四个象限运动的导航定位仿真,结果表明算法能有效进行数据融合,提高状态估计精确度.     

多传感器系统中基于扩展卡尔曼滤波器的在线故障检测

随着多传感器系统的广泛应用,在线故障对于系统性能影响严重,如何使得多传感器系统具有自主故障检测与诊断能力成为首要问题。根据非线性多传感器系统的输入信号、输出信号和故障阵列,建立一种具有多输入多输出处理和自调节加强功能的扩展卡尔曼滤波器（ EKF）的故障分析模型,在此基础上,提出了一种适用于多传感器系统的在线故障检测算法及其在传感器节点上的实施架构。实验结果表明：所提算法在低并发故障和高并发故障环境下均具有高准确度故障报告能力。此外,在温度传感器上实施所提算法,温度监测值的对比结果验证了所提算法比传统算法具有更好的系统性能保证能力。     

WSN中基于阈值机制的虚假数据过滤方案

传统虚假数据过滤方案无法过滤从非转发区域注入的虚假数据。为解决该问题,提出一种基于阈值机制的虚假数据过滤方案。节点在部署后建立到Sink的转发路径,每个数据包包含f个检测节点的消息验证码（MAC）以及2个安全阈值,转发节点分别对MAC和安全阈值进行正确性验证。理论分析及仿真实验结果表明,该方案能有效识别与过滤任意区域注入的虚假数据,并且具有较低的能量开销。     

一种改进的基于神经网络的WSN数据融合算法

为降低无线传感网络的能量消耗,提出了一种基于神经网络的数据融合改进算法(NBPNA),该算法将无线传感网络的分簇路由协议与BP神经网络结合起来,通过神经网络方法对簇内节点采集到的信息进行数据拟合,提取训练拟合好的权值与阈值,把其作为信息融合值传输;同时再通过将上一次拟合好的权值与阈值赋予下一次网络训练来减少神经网络的训练步数,减少网络训练所需的耗能;通过实验验证,该算法可有效减少网络通信量,降低节点能耗,延长网络寿命,同时还验证了本算法在环境监测等方面的可行性和有效性。     

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.     

基于卡尔曼滤波器的数据融合方法在高温炉检测系统中的应用

将数据融合方法引入高温炉窑温度检测系统,充分利用现有检测系统的能力,在不增加任何设备的情况下提高检测精度,并且证明该方法具有理论简单、易于实现、精度高,适用于各种高温炉窑湿度检测系统。     

一种优化的贝叶斯估计多传感器数据融合方法

由于来自多个传感器的测量数据总是有一定程度的不确定性和不一致性,采用多传感器数据融合算法将多个节点的测量数据进行数据融合,利用数据的冗余度来减小这种不确定性,得到高可靠性的数据信息。提出了一种优化的贝叶斯估计多传感器数据融合方法,将贝叶斯估计和卡尔曼滤波器结合起来,应用于无线传感网络数据融合中。根据滤波器应用到传感数据、融合数据或者两者的方式,提出3种不同的技术,即:前向滤波法、后向滤波法和前后向滤波法。通过一个实例研究估计移动机器人的位置,验证算法的有效性。实验表明,在集中式和分布式两个方面数据融合体系结构,结合卡尔曼滤波器的贝叶斯融合算法能够有效地解决数据的不确定性和不一致性。     

Target tracking based on the extended H-infinity filter in wireless sensor networks

In this paper, we propose a new target tracking approach for wireless sensor networks (WSNs) by using the extended H-infinity filter. First, the extended H-infinity filter for nonlinear discrete-time systems is deduced through the Krein space analysis scheme. Then, the proposed extended H-infinity filtering algorithm is applied to target tracking in wireless sensor networks. Finally, experiments are conducted through a small wireless sensor network test-bed. Both experimental and simulation results illustrate that the extended H-infinity filtering algorithm is more accurate to track a moving target in wireless sensor networks than using the extended Kalman filter in the case of having no knowledge of the statistics of the environment and the target to be tracked.     

无线传感器网络中数据融合算法研究

在提供高效的数据融合的同时保障数据的安全是无线传感器网络的研究的一个具有挑战性的问题。本文为加法融合函数设计了一种具有隐私保护功能的数据融合算法——基于分簇的安全数据融合。该算法利用了分簇协议和多项式的代数性质。其优点为带来的通信开销较小。研究的主要目标是提高无线传感器网络中数据融合效率的同时,保证数据的安全性。     

基于虚拟网格的无线传感器网络数据融合算法

无线传感器网络的能量供应和通信带宽等资源相对有限,难以适应大量数据的传输,需要在网络内部对原始监测数据进行压缩或聚合处理.为了充分利用其空间和时间相关性来进行数据压缩,提出了一种基于虚拟网格的数据融合算法.该算法基于虚拟网格来构建采集数据矩阵,并分别利用时域差分和二维离散余弦变换来去除时间和空间冗余.仿真实验和理论分析表明:该算法具有良好的压缩性能,有效地降低了节点能耗和提高了网络生命周期.     

无线传感器网络中基于预测的时域数据融合技术

数据融合是无线传感器网络中重要的研究领域之一。在无线传感器网络中,数据融合的作用主要体现在节省能量、提高数据收集效率、增强数据准确性以及获取综合性信息等几个方面。时间序列分析是一种根据动态数据揭示系统动态结构以及规律的统计方法。基于监测数据的时间序列模型以及时间序列预测,提出适用于无线传感器网络的基于预测的时域数据融合方法,以部署于故宫博物院的环境监测网络采集的温度数据作为样本,通过仿真对该方法进行有效性验证以及性能分析。结果表明,一阶自回归预测算法与其它预测算法相比,具有更好的适用性,当误差阈值为0.05 ℃-0.50 ℃时,预测成功率为21%-83%;当误差阈值为0.05 ℃时,节能收益达到68%。     

一种模拟退火遗传算法的传感器网络数据融合技术研究

研究无线传感器网络(WSN)数据融合技术。传感器节点计算能力、通信能力有限,WSN采用交叉重叠方式部署,导致冗余数据量大,需采用数据融合技术消除冗余和无效数据,节约网络通信能耗。结合遗传算法全局搜索和模拟退火算法局部搜索的优点,提出一种模拟退火遗传算法的WSN数据融合方法(SA-GA)。采用模拟退火遗传算法快速找到移动代理路由最优传感器节点序列,并实现数据融合。仿真实验结果表明,与遗传算法、模拟退火算法相比,SA-GA更能快速找到全局最优数据融合节点序列,并对数据进行有效融合,具有更小的网络能耗和网络延时。     

基于MMAS的无线传感器网络数据融合算法*

提出了一种基于MAXMIN蚂蚁系统（MMAS）无线传感器网络的数据融合算法。该算法采用定向扩散的机制进行兴趣散布;利用MMAS算法构造一个最小Steiner树,源节点的数据发送到构造好的最小Steiner树上,经过融合后传输到sink节点,降低了网络中传输的数据量。通过与Dijkstra算法比较,NS2仿真表明该算法降低了网络能耗,增加了网络生存时间。     

无线传感器网络中的数据融合及其能效评估*

首先介绍当前无线传感器网络中具有代表性的数据融合算法;然后基于树型网络拓扑结构,结合节点休眠调度机制,建立传感器节点的能量模型;最后提出从能量的角度评价不同数据融合算法性能的方法,并通过模拟对典型数据融合算法进行分析.     

基于相似度的无线传感器网络数据复原汇聚方法

针对现有数据复原汇聚算法的复原汇聚精度低和对网络噪声干扰的稳健性差等不足,提出了一种基于相似度的无线传感器网络数据复原汇聚算法。该算法在分布式数据汇聚模型的基础上,利用重心距离和相关系数来衡量各簇节点感知数据的受攻击程度,并把两者统一在加权系数中,通过加权运算提高了算法的数据复原汇聚精度。此外,利用相关系数对噪声干扰敏感的特点提高了算法对网络噪声干扰的稳健性。理论分析和仿真结果表明,新算法的性能优于现有数据复原汇聚算法。     

一种有效的无线传感器网络虚假数据过滤方案

虚假数据注入攻击是无线传感器网络的一种严重威胁,针对大多数虚假数据过滤方案没考虑节点身份攻击和中间节点被攻击者俘获的问题,提出了一种抗节点身份攻击的虚假数据过滤方案,方案不仅在数据转发过程中对转发的数据进行验证、过滤,同时对协作产生感知数据的节点的身份进行验证。安全性分析和性能评价表明,该方案不仅能抵抗各种攻击,而且在存储开销方面与其他方案相比,具有明显优势,并且随着数据包被转发跳数的增加,该方案的虚假数据过滤能力和能量节省也显著增加。     

传感器网络中分布式最优小波压缩算法

研究传感器网络中的小波变换问题,提出了一种基于最优小波变换的分布式数据压缩算法。主要工作有：（1）提出基于混合分解的分布式小波变换,利用节点的计算能力减少节点间交换数据产生小波系数的通信开销;（2）提出自适应小波变换,最优变换级根据小波变换的压缩增益和由此产生的网络开销自适应确定。仿真实验表明,和现有的小波数据压缩算法以及非分布式方式相比,提出的算法具有更优的网络性能。