无线传感器网络中基于减法聚类的定位算法

定位算法是无线传感器网络中的关键技术。文中在传统的Dv—Hop算法的基础上,找出其产生误差的主要原因,即对未知节点与锚节点之间的估计距离做出了修正,提出一种无线传感器网络中基于减法聚类的定位算法。该算法用减法聚类的方法,根据节点自身的密度,选出锚簇头节点,使锚簇头节点在锚节点密集处产生;同时用所有锚簇头节点平均每跳距离的均值作为未知节点的网络平均每跳距离,提高了定位精度,减少了定位过程中的能量消耗。仿真实验表明,该算法比Dv—Hop算法有更好的定位精度和鲁棒性。     

基于K-means的无线传感器网络分簇算法研究

提出一种基于K-均值聚类的无线传感器网络分簇算法。从K-均值聚类算法中要解决的合理聚类数的确定、初始聚类中心的选择以及聚类性能对目标函数的依赖这三个问题入手,运用K-均值聚类算法来实现无线传感器网络分簇。仿真与性能分析结果表明,基于K-均值聚类的无线传感器网络分簇算法既能节省节点能量、延长网络生命,又能改善网络中的能耗均衡,并保证簇首分布的均匀性。     

FCM-AFSA的无线传感器网络多目标跟踪节点任务分配方法

多目标跟踪是无线传感器网络重要应用之一。提出了基于离散人工鱼群算法的无线传感器网络多目标跟踪节点任务分配方法。该方法首先利用类间距阈值的模糊C均值聚类算法,估计监测区域可能出现的目标数量和目标位置;再根据任务分配的目标函数,使用改进的离散人工鱼群算法优化目标函数,从而得到任务分配方案,并同其他算法进行比较。仿真实验结果表明,该方法比最近邻方法、MEM方法以及粒子群算法的能耗有所降低,任务分配时间比最近邻方法、MEM方法以及粒子群算法有所减少。因此,所提出的改进算法能有效地提高无线传感器网络的综合性能,满足实际应用的需求。     

FCM-DAFSA的无线传感器网络多目标跟踪节点任务分配方法

多目标跟踪是无线传感器网络重要应用之一。提出了基于离散人工鱼群算法的无线传感器网络多目标跟踪节点任务分配方法。该方法首先利用类间距阈值的模糊C均值聚类算法,估计监测区域可能出现的目标数量和目标位置;再根据任务分配的目标函数,使用改进的离散人工鱼群算法优化目标函数,从而得到任务分配方案,并同其他算法进行比较。仿真实验结果表明,该方法比最近邻方法、MEM方法以及粒子群算法的能耗有所降低,任务分配时间比最近邻方法、MEM方法以及粒子群算法有所减少。因此,所提出的改进算法能有效地提高无线传感器网络的综合性能,满足实际应用的需求。     

基于分布式聚类的有向传感器网络移动目标跟踪算法研究

针对有向传感器网络DSN（Directional Sensor Networks）中,传感器节点部署数量对目标跟踪精度、网络寿命和能效问题的影响方面,提出了一个分布式聚类算法,该算法在优化活跃传感器和节点的直接通信过程中,由分布式集群来负责协调成员间的节点,通过传输给Sink的定位信息及从多个节点聚集的传感数据来准确定位目标的位置。基于该理论的目标跟踪机制,提高了目标跟踪精度、增加了网络寿命和网络剩余能量。并进行了仿真验证,结果表明该方法能实现更高的跟踪性能。     

一种WSN中的三层多维事件协作检测算法

提出了一种适用于无线传感器网络的三层多维事件协作检测算法。传感器节点通过计算均值向量序列的相似度发现异常,并通过投票机制确认事件发生。簇头节点根据边界向量序列的相似度,利用改进的K均值聚类算法对多维事件数据进行分类和合并。汇聚节点利用事件属性数据的概率分布,匹配检测出事件的类型。理论分析和仿真试验的结果表明:与传统集中式的事件检测算法相比,该算法能在噪声干扰下提高对多维事件的检测精度,降低算法的通信量和计算复杂度,延长网络的生存时间。     

基于局部密度聚类的WSN多Sink节点部署研究

针对无线传感器网络中传感器节点能量受限,网络生命周期短的问题,在考虑网络成本的情况下,提出一种基于节点局部密度聚类的多Sink节点优化部署算法。首先,基于多属性因子构建聚类决策函数确定Sink节点部署位置,完成传感器节点聚类;然后,根据下一跳节点与Sink节点间距离最短准则搜索并形成数据传输路径;最后,以网络生命周期成本比最大化为依据确定最优的Sink节点数目,实现多Sink节点优化部署。仿真结果表明：与已有算法相比,本文算法能够有效延长网络生命周期,具有较高的网络生命周期能效比。     

基于多AUV协作的稀疏水下传感网定位技术研究

如何在稀疏部署的水下传感器网络中实现传感器节点的高效定位是一个研究热点.提出了一种基于多个移动AUV协作的水下传感器网络内节点定位机制,利用AUV的精确自导航功能实现对网内未知位置节点的定位协助.提出的协作定位算法扩展了水下传感器网络的网内节点位置迭代估计方法,将信标节点和多AUV联合作为定位参考点,然后推导了基于最小二乘法的定位估计方程.仿真结果验证了该方法可以在定位节点比例、归一化定位误差和平均置信度等几个方面提高定位性能.     

无线传感器网络中基于微粒群算法的优化覆盖机制

建立了无线传感器网络节点覆盖优化数学模型,设计了一种基于二进制随机多目标微粒群优化(SMOPSO)算法.根据最大化覆盖网络目标函数和最小化传感器节点的利用率目标函数进行优化算法操作,以达到降低网络冗余,延长网络生存时间的效果.仿真实验结果表明,本文提出的无线传感器网络优化覆盖方法能够满足节点利用率低、覆盖率高的要求.     

基于运动向量的无线传感器网络节点定位

介绍无线传感器的常用分类,提出一种基于无需测距的定位方法,即基于运动向量的无线传感器网络移动节点定位.通过信号强度得到未知节点的大体区域,利用节点运动中向量的变化减小定位范围,根据向量的移动提高估计定位的精确度.对该算法进行仿真和总结,结果表明,与凸规划法相比,该算法有更高的定位精度.     

无线传感器网络拓扑三级分簇优化算法

针对大规模分布式传感器网络提出一种拓扑三级分簇结构优化算法. 通过引入传感器休眠模式, 并考虑到分簇数目较多的情况, 对多个簇头节点采用生成最小刚性图的方法进行拓扑优化, 以实现传感器网络整体能量均衡,使传感器网络具有较好的连通性和鲁棒性. 仿真实验表明, 与已有相关算法相比, 采用所提出的算法可使网络延缓出现节点死亡现象, 有利于实现网络负载均衡, 并且网络中节点整体存活时间较长, 从而延长网络的生命周期.

     

基于MapReduce框架下的K-means聚类算法的改进

针对K-means算法处理海量数据的聚类效果和速率，提出一种基于MapReduce框架下的K-means算法分布式并行化编程模型。首先对K-means聚类算法初始化敏感的问题，给出一种新的相异度函数，根据数据间的相异程度来确定k值，并选取相异度较小的点作为初始聚类中心，再把K-means算法部署在MapReduce编程模型上，通过改进MapReduce编程模型来加快K-means算法处理海量数据的速度。实验表明，基于MapReduce框架下改进的K-means算法与传统的K-means算法相比，准确率及收敛时间方面均有所提高，并且并行聚类模型在不同数据规模和计算节点数目上具有良好的扩展性。     

一种基于加权复杂网络特征的K-means聚类算法

在分析了传统的基于划分的K-means聚类算法的优越性和存在不足的基础上,根据近两年复杂网络研究中部分新的理论成果,提出了复杂网络加权度、加权聚集度与加权聚集系数的定义,并将数据聚类转换为复杂网络上的节点聚类,提出基于加权复杂网络特征的K-means聚类算法(简称WCNFC算法)。实验结果表明,该算法根据节点加权复杂网络特征值,能够较好地找到聚类中心,有效地避免了对初始化选值敏感性的问题,从而使得聚类质量大大提高。     

WSNs中基于粒子群优化的节点定位算法

节点定位是无线传感器网络(WSNs)的关键技术之一.接收信号强度指示(RSSI)测距技术以其不需增加任何额外的硬件设备的特点在节点定位中得到广泛应用.为了提高定位精度,在RSSI测距的基础上,提出将粒子群优化算法( PSO)引入节点定位中.首先由RSSI测得未知节点与锚节点的距离,然后应用PSO算法计算出未知节点的估计...     

基于多分辨率聚类的安全定位算法

在无线传感器网络环境中,当锚节点对于未知节点进行位置或距离欺骗时,基于善意环境下的定位技术会遭到极大破坏。提出一种基于多分辨率聚类的安全定位算法,通过对边界圆邻近点进行聚类,并使用投票机制,能有效排除恶意节点,从而阻止攻击。仿真实验表明,该算法以较短的执行时间和较高的定位精度表现出较好的性能。     

一种基于混合聚类的空间索引算法

R-Tree允许兄弟节点之间的相互重叠,具有多路查找的特点,而Hilbert R-Tree也不能有效降低子空间的相互重叠,直接影响查询效率。提出了一种基于混合聚类的空间索引算法,将K-means和K中心点引入索引结构,改变了经典K-means算法对初始聚类中心的随机选取,减少了叶节点的MBR面积和各个子空间的重叠。通过实验表明,该算法具有更快的响应速度和查询效率。     

基于负约束条件下最大似然估计的无线传感网络定位算法

针对基于RSSI(Received Signal Strength Indicator)的无线传感网络定位算法精度不高的问题,提出一种负约束条件下的似然估计定位算法。当未知节点在参考节点的通信范围之外时,引入负约束条件来提高定位精度。主要工作可分为三部分:第一,根据RSSI值测量参考节点与未知节点之间的距离。第二,根据参考节点与未知节点通信关系建立正约束和负约束条件下的似然估计函数。第三,利用粒子群优化算法找到未知节点的最佳位置。仿真结果表明,引入负约束条件可以提高定位精度,且优于传统的定位算法。     

一种邻域粒K均值聚类方法

K均值聚类,对于非凸、稀疏及模糊的非线性可分数据,其聚类效果不佳.针对此问题,通过引入粒计算理论,采用邻域粒化技术,提出一种邻域粒K均值聚类方法.样本在单特征上使用邻域粒化技术构造邻域粒子,在多特征上使用邻域粒化技术形成邻域粒向量;通过定义邻域粒与邻域粒向量的大小、度量和运算规则,提出两种邻域粒距离度量,并对所提出的邻域粒距离度量进行公理化证明.采用多个UCI数据集进行实验,将K均值聚类算法分别结合两种邻域粒距离度量,在邻域参数和距离度量两个方面与经典聚类算法进行比较,结果验证了所提出的邻域粒K均值聚类方法的可行性和有效性.     

基于粒子群优化的无线传感器网络非视距节点定位算法

针对室内环境中传感器节点间的非视距传播会降低定位精度的情况,研究基于无线传感器网络的非视距节点定位方法。根据不同环境下信标节点的测量模型和视距传播概率建立目标函数,采用粒子群优化算法估计出未知节点的位置,将利用最小二乘法计算出的节点位置作为粒子的初始位置。仿真结果表明,通过与最小二乘法、残差加权和RANSAC算法相比较,所提出算法能够较好地削弱非视距误差,且具有更高的定位精度。