基于加权质心和DV Hop混合算法WSN定位方法研究*

为了提高无线传感器网络中节点定位的精确度,分析了DVHop（distance vector—hop,距离向量-跳段）定位算法和质心算法的优缺点,提出基于加权质心和DVHop混合算法,并用MATLAB进行了仿真实验。实验结果表明,在基准节点密度相同的条件下,混合算法的定位精度比DVHop平均提高了20%,比质心算法平均提高了15%。该混合算法在提高无线传感器节点精确度上是有效的。     

基于DV-Hop定位算法和RSSI测距技术的定位系统

针对 DV Hop算法在实验环境中存在的问题,加入接收信号强度指示器（RSSI）测距模块辅助定位,对算法进行改进。为了实现定位系统,首先,需要建立当前实验环境的RSSI模型;然后,应用该模型,从锚节点和非锚节点两方面分别控制DV Hop定位过程。实验证明：改进后的定位系统在增加少量计算复杂度的情况下,改善了系统的稳定性,提高了定位的精度,可以被应用到无线传感器网络中。     

基于平均跳距估计的改进DV-Hop定位算法

传统DV—Hop定位算法只考虑了最近一个锚节点估计的平均每跳距离,而单个锚节点估计的平均每跳距离值无法准确地反映网络的实际平均跳距,导致定位误差较大。针对这一问题,提出一种基于平均跳距估计的改进DV—Hop定位算法。改进算法在计算未知节点到各个锚节点距离时,考虑到离该未知节点最近的锚节点到其它锚节点的距离及跳数的不同,计算出不同的平均跳距,使其更接近于实际平均跳距。仿真结果表明,与传统DV—Hop算法相比,改进算法在不需要增加节点的硬件开销的基础上能更有效地提高定位精度,并且算法简单,计算量小,是无线传感器网络中节点定位的一种实用方案。     

基于蝙蝠算法的DV-Hop定位改进

无线传感器网络DV Hop定位算法在定位过程中,由于待定位节点和锚节点之间的估算距离存在误差,这就使得定位结果必然会有误差,因此定位问题的本质就是最小化定位误差;蝙蝠算法是一种具有良好性能的智能优化算法,根据节点间的距离和锚节点的位置,应用蝙蝠算法对DV-Hop的定位结果进行了优化;基于蝙蝠算法的DV Hop优化,无需额外增加硬件设备和节点间的通信数据量;仿真实验证明,应用蝙蝠算法改进的DV-Hop定位较原始DV Hop定位平均提高定位精度35％以上.     

无线传感器网络中一种改进的DV-Hop定位算法

针对无线传感器网络中DV Hop定位算法在未知节点到信标节点距离计算中的不足，提出了一种改进算法。该算法考虑了未知节点到信标节点路径中相邻三个节点A, B, C组成的夹角∠ABC对距离的影响，根据与B相邻的A, C节点的邻节点集重叠度估算夹角的大小，从而更精确计算出距离，提高定位精度。     

混合遗传算法在WSNs定位中的应用

定位是无线传感器网络(WSNs)的应用支撑,针对用最小二乘法处理DV—Hop算法第三阶段误差过大、定位精度差的问题,提出了遗传算法(GA)+单纯形法的混合GA后期优化处理DV—Hop算法。其中,DV—Hop定位算法第一,二阶段用跳距估计出信标节点与未知节点间的距离,再用GA(建立了代价函数与惩罚函数结合的适应度函数)与单纯形法(作为遗传算子增加了算法的局部搜索能力)结合的混合GA采用保优原则优化未知节点的坐标。通过仿真可知:该算法的定位精度高、网络覆盖率大,适合WSNs的定位。     

优化混合蛙跳算法的WSN三维定位方法

根据传统混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）收敛速度较慢、局部最优的不足,提出了优化混合蛙跳算法（Optimized Shuffled Frog Leaping Algorithm,OSFLA）,并将其应用于无线传感器网络（WSN）节点三维定位。在三维定位中运用极大似然法进行粗略定位,对锚节点进行加权处理,设定搜索区域,再使用优化蛙跳算法进行迭代求精。仿真实验结果表明：优化混合蛙跳算法（OSFLA）比混合蛙跳算法（SFLA）具有更高的收敛速度和定位精度,同时更加适合于锚节点数较少场合。且在三维定位中与常用的几种算法相比OSFLA算法在定位精确度和稳定性方面都具有一定的提高。     

配电网中基于分簇定位的WSN节点故障定位研究

针对电网故障检测中使用的无线传感器网络节点定位精度较低,分簇不均问题,提出了一种基于DV￣Hop算法改进均值粒子群算法(PSO),首先DV￣Hop算法改进均值粒子群算法中粒子的速度与位移,使动态无线传感器网络重新定位簇头节点坐标更加接近真实值;然后递归神经网络学习算法迭代值逼近最合适的惯性权重值,优化均值PSO粒子群算法使其达到最优搜索能力。最后由Sink节点对每一次动态分簇后网络节点进行数据采集后对电能耗尽的节点进行无线充电。仿真结果表明,改进后的PSO算法比PSO算法聚类分簇误差更小,节点定位配电网故障的精确度提高12.8％,有效地延长了网络生命周期。     

无线传感器网络节点自定位算法仿真研究

研究无线传感器网络节点自定位问题,由于传感器节点固定能量有限,给识别定位一路带来困难.针对无线传感器中,节点定位误差较大,精确度不高等问题缺陷,提出了一种跳数和RSSI测距技术的DV - Hop定位算法,可有效利用每跳的统计信息并结合RSSI测距技术,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,改进算法在不同的节点比例和节点数的情况下,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.     

基于改进平均跳距和位置修正DV—HOP定位算法

针对传统DV—HOP算法在锚节点随机分布情况下定位误差和计算量较大的问题,提出了基于改进的平均跳距和位置修正的DV—HOP定位算法,根据节点的分布情况,锚节点计算其权值来动态调整其平均跳距,同时引入位置修正因子对用2种方法得到的位置信息进行修正,减少了定位误差,提高定位精度。仿真结果表明,改进算法在不同的锚节点数和不同的锚节点比例情况下都有较好性能,和传统DV—HOP算法相比定位误差明显减小,定位精度明显提高。     

一种优化的关联规则增量更新算法

针对PFUP算法存在扫描多次数据库这个瓶颈问题,提出一种优化的关联规则增量更新算法MIFUP(Mixed Improve Fast Updating).该算法提出了两种优化策略:借鉴事务压缩原理和用数组存放一阶非频繁项集个数.实验仿真说明,MIFUP算法效率明显优于PFUP算法.     

一种防火墙规则冲突快速检测算法

目前,在防火墙规则冲突检测算法中,效率问题一直没有很好的解决,当防火墙规则数目较大时,检测规则冲突的速度很难满足客户的需要。为了能够快速地检测出防火墙中的规则冲突,在目前使用较多的ASBV算法上提出一种规则冲突检测算法(DBBV算法)。该算法采用的方法是使用位向量和分治技术,该设计在检测规则冲突的时候,设计的算法只是进行了一次位运算。同时该算法采用的是范围形式的规则集。经过对算法详细的分析,以及通过实验方法的验证,改进的DBBV算法的规则冲突检测效率明显高于ASBV算法。     

基于遗传神经网络的MADA

宏观质量决策方案的评价与选择,需要能准确给出各影响因素的权重系数,文中在分析了多属性决策问题及现有方法之后,提出子用遗传神经网络建立权重分配模型,从而改进多属性决策的方法,使权重的确定较为客观准确,并具有自学习功能,实践表明,效果良好。     

一种基于小波理论的LMS算法研究

基于LMS算法原理和MALLAT算法,提出了小波自适应算法,并对算法进行了理论分析和仿真研究,仿真结果表明,小波自适应算法在非线性系统辩识中表现出了良好的性能。     

基于仿生理论的几种优化算法综述

简要介绍了目前比较流行的三种新型仿生优化算法,即人工鱼群算法、免疫算法和禁忌搜索算法,就这些算法的特点和异同进行了分析,并对它们的发展进行了进一步的阐述,提出了今后的研究方向。     

加密算法在共享软件加密中的简单应用

在共享软件设计开发过程中,利用不同的加密算法实现对软件注册、软件系统文件、用户权限等进行加密保护,实现了简单的软件加密,有效保护了共享软件的传播和软件系统自身安全。     

改进的蝴蝶优化聚类算法

针对当前算法在求解聚类问题时存在精度低、速度慢及鲁棒性差等问题,提出一种改进的蝴蝶优化聚类算法,借鉴精英策略思想重新定义蝴蝶优化算法的局部搜索迭代公式,然后融合遗传算法的选择、交叉和变异操作.在1个人工数据集和5个UCI数据集上的测试结果表明所提出算法的性能,且与其他算法相比具有一定优势.     

一种关于蛋白质模体的自动识别算法

随着生物信息学的发展，模体识别已经成为一种能够从生物序列中提取有用生物信息的方法。文中介绍了有关模体的一些概念，讨论了模体识别算法(MEME)的基础，即EM(expectation maximization)算法，由于MEME算法是建立在EM算法的基础上的，所以又由此引出了MEME算法，并对MEME算法的一些基本问题比如时间复杂度、算法性能等进行了详细讨论，对算法的局限性和有待改进的地方作了说明。实践证明，MEME是一个较好的模体识别算法，它能够识别出蛋白质或者DNA序列中单个或多个模体，具有很大的灵活性。     

基于空间复用的信号检测算法研究

为了在接收端恢复出发送端的原始数据,需要在接收端进行信号检测。对几种经典的传统信号检测算法进行了详细阐述和分析,并对各种算法进行了Matlab仿真和性能比较。由此得出,改进型的V-BLAST算法可以用于TD-LTE无线综合测试仪的开发。     

浅谈几种智能优化算法

该文首先介绍介绍了几种典型的群体智能算法,具体包括遗传算法、蚁群算法和粒子群算法,并对它们进行了详细的分析。