一种新的基于压缩感知的WSN多目标定位方法

考虑无线传感器网络中定位信息的不完备性,将传感器网络监控区域划分成多个小网格,节点与目标随机分布于网格中,以目标位置信息为稀疏向量,提出了一种新的基于压缩感知的多目标定位方法。该方法将传感器节点感知到的目标数测量矩阵表示为压缩感知理论中测量矩阵、稀疏矩阵与稀疏向量的乘积形式,通过稀疏信号的重构算法恢复目标位置稀疏向量,实现多目标定位。考虑到感知矩阵不满足受限等距性条件,对此矩阵进行了正交化处理,使其满足重构算法的要求。通过仿真分析了节点感知半径、待定位目标数、传感器节点数对目标定位性能的影响。仿真结果表明,在定位信息不完备的情况下,上述方法能够满足无线传感器网络的目标定位要求,且该方法不依赖于硬件测距,其计算复杂度和定位精度与基于接受信号强度(RSS)的压缩感知定位算法相当。     

无线传感网络中目标定位的研究

在无线传感网络WSNs(Wireless Sensor Networks)中,现存的基于压缩感知的目标定位算法是假定目标均落在预定网格,当不满足此假设时,将极大地降低了目标定位算法的性能.为此,提出基于变分贝叶斯期望最大化的目标定位VBEM-TL (Variational Bayesian Expectation Maximization-based Target Localization)算法.VBEM-TL算法先利用一阶泰勒级数展开算法建立稀疏近似模型,然后将目标定位问题转化成稀疏恢复问题,再利用VBEM算法重构稀疏矢量.最后,依据重构的稀疏矢量估计目标位置.实验数据表明,提出的VBEM-TL算法能够有效地降低定位误差.     

基于动态格点的压缩感知目标计数和定位算法

基于压缩感知技术的无线传感器网络定位,一般将定位区域划分为一定数目的网格并假定目标位于网格中心,然后通过求解一个₁范数最小化问题来获得目标的位置。事实上,目标的随机性导致其很难位于网格中心,此时假定的变换基将无法稀疏表示位置信号,从而造成字典失配,使得定位精度下降。因此,提出一种基于动态格点的压缩感知定位算法。该算法能够自适应地调整格点的划分,使目标位于网格中心处。在求解过程中,该算法将复杂的优化问题转化成字典的更新和位置向量的求解两个部分的迭代来完成,同时实现了目标的计数和定位功能。仿真结果证明,与传统的压缩感知定位算法相比,所提算法在目标计数和定位方面都有更好的性能。     

基于数据融合的压缩感知多目标定位算法

文中提出一种基于数据融合的压缩感知多目标定位算法,该算法能够同时处理多种不同类型的定位数据。与传统算法相比,该算法以目标个数的稀疏性为基础,通过压缩感知技术来重构目标位置向量,从而大大减少了传感器的数目。算法分为数据预处理和数据融合定位两个阶段。在数据预处理阶段,将不同类型的数据转换到同一个数量级,使得各类型数据能被充分用于提高目标定位性能;在数据融合定位阶段,提出一种基于多测量向量的压缩感知重构算法来估计目标位置向量。仿真证明,相比于现有的压缩感知定位算法,所提算法具有更高的定位精度和更强的鲁棒性。     

基于离散鸡群压缩感知的WSNs多目标定位

对无线传感器网络（WSNs）多目标定位问题进行研究,提出一种基于离散鸡群压缩感知的多目标定位方法。首先给出离散鸡群算法（DCSO）相关定义,设计离散鸡群编码方式和迭代进化策略,在此基础上,构建基于压缩感知（CS）的WSNs多目标定位模型,对测量矩阵和稀疏矩阵进行合理选取,并将离散鸡群算法应用于CS信号重构算法中,实现对稀疏度未知多目标位置信息的精确重构。仿真结果表明,与OMP和MLE定位算法相比,该方法具有较高的多目标定位精度。     

稀疏度自适应分段正交匹配追踪算法改进

在基于压缩感知的信号重构问题中,有一类常见情况——未知信号稀疏度。针对此类情况,提出稀疏度自适应分段正交匹配追踪(SparsityAdaptiveStagewiseOrthogonalMatchingPursuit,SAStOMP)算法,该算法将自适应思想、变步长迭代思想与分段正交思想相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,最终实现信号的精确重构。仿真结果表明,针对长度为256位的原始信号,该算法重建效果优于正交匹配追踪算法、正则化正交匹配追踪算法和分段正交匹配追踪算法等。     

基于二维网格融合特征参数的室内匹配定位算法

针对接收信号强度值(RSSI)的时变特性降低定位精度的问题,提出了一种基于二维网格特征参数融合的室内匹配定位算法。该算法融合RSSI和信号到达时间差(TDOA)构建网格特征参数模型,基于二维网格快速搜索策略降低匹配定位的计算量,采用网格特征向量的归一化欧氏距离进行最优网格匹配定位,最终由匹配网格的参考节点计算终端的精确位置。定位仿真实验中,该算法在3m网格粒度下的定位均方根误差为1.079m,平均定位误差小于1.865m;3m定位精度下的概率达到94.7%,相对于传统单一RSSI模型法提高了19.6%。所提算法能够有效提高室内定位精度,同时减少搜索数据量,降低匹配定位的计算复杂度。     

基于压缩感知理论的WSNs时序信号分段压缩算法

针对压缩感知理论(CS)应用在无线传感器网络中时序信号在传输过程存在压缩比率低、通信能耗高等问题,提出了一种时序信号分段压缩算法来解决在信号稀疏度未知及高稀疏度条件下,压缩感知数据重构算法中存在的重构效率低,重构精度差,影响网络生命周期的问题.该算法将采集数据中非零元素个数作为分段依据,通过减少段内非零元素组合数量来提高信号重构精度,同时利用了压缩感知理论特性实现了对信号的高压缩率.实验结果表明,在以混沌量子免疫克隆重构(Q-CSDR)算法为重构算法、在信号盲稀疏度及稀疏度高于40的条件下,能够以大于0.4的压缩比率对信号进行压缩,其重构信号的均方误差小于0.01,能够延长网络寿命2倍左右.     

宽带信号DOA估计自回归迭代算法

基于最小均方误差(MMSE)准则提出一种宽带信号波达方向(DOA)估计算法。将宽带信号通过窄带滤波器组转化为窄带信号,采用自回归迭代方法恢复窄带信号的稀疏表示,根据稀疏表示得到信号源个数和DOA估计。该算法不仅有超分辨率能力,而且不必预先知道信号源个数。此外,本算法能对相干信号源进行DOA估计而不需要解相关预处理。仿真结果验证了该算法的有效性。     

基于物联网空间划分的定位算法

基于无线通信和网络技术的三维空间定位是目前物联网领域的一个研究热点,针对当前三维目标定位算法的精度低、复杂度高、功耗大等实际问题,提出了一种新型的分布式三维定位机制。该算法采用合作位置感应算法(CLS)来进行空间网格划分,通过距离估计判定目标位置,并结合了高斯拟合、信号排序机制以及Bounding-inbox等关键技术,有效降低了信号干扰,实现了局部网格划分,减少了网格投票开销。仿真结果表明,该算法与现有三维定位算法相比,有更好的定位精度,并且实现简单,定位功耗较低。     

室内定位中基于EFIM和距离协作的节点选择算法

协作定位网络中节点间(除了锚节点和锚节点间)大量的信息交换会造成计算复杂度的增加,冗余信息的交换还会造成能源浪费.为了解决这个问题,提出一种基于等效费希尔信息矩阵(EFIM)和距离协作的节点选择算法,并用位置误差界限的平方(SPEB)来描述位置精度.首先获取邻近节点到目标节点的距离作为辅助信息以提高定位精度,然后通过推导更新EFIM来计算SPEB,根据新提出的算法选择邻近节点作为辅助节点.仿真结果表明新提出的算法优于其他几种常用的算法,达到某一特定的定位精度要求时选择的邻近节点数量最少,同时还提高了能量的利用率.     

面向可靠性和能耗优化的可压缩数据收集方案

现有的无线传感器网络（ WSNs）数据收集方法无法在耗费较低开销的同时保证数据收集的可靠性。基于压缩感知（ CS）理论,设计了基于指数核函数的稀疏矩阵和基于准循环低密度奇偶校验（ LDPC）码的测量矩阵来用于节点的数据采集,以最大化网络生命周期为目标,将测量值传输问题建模为汉密尔顿回路问题,并提出了一种基于树分解的数据收集路径优化算法。仿真实验结果表明：所提方案在数据重构误差和能耗方面的性能要优于目前典型的数据收集方法。     

WSN中基于压缩感知的高能效数据收集方案

可靠高效的数据收集是无线传感器网络（Wireless sensor networks,WSN）应用中的关键问题.然而,由于无线通信链路的高失效率、节点资源受限以及环境恶劣等原因,网络容易发生丢包问题,使得现有的数据收集方法无法同时满足高精度和低能耗的要求.为此,本文提出了一种基于压缩感知的高能效数据收集方案.该方案主要分为节点上的数据处理和数据收集路径优化两个步骤.首先设计了基于指数核函数的稀疏矩阵来对感知数据进行稀疏化处理,然后综合考虑了数据的传输能耗和可靠性等因素,采用分块矩阵的思路,将单位矩阵和准循环低密度奇偶校验（Low density parity check,LDPC）码的校验矩阵相结合构造了测量矩阵,并证明了它与稀疏矩阵之间满足限制等距性质（Restricted isometry property,RIP）.最后,将数据收集路径优化问题建模为哈密尔顿回路问题,并提出了基于树分解的路径优化算法进行求解.仿真结果表明,在网络存在丢包的情况下,本文方案仍然能够保证数据收集的高精确度,相比于其他数据收集方案而言,本文方案在数据重构误差和能耗方面的性能更优.     

基于渐进对抗学习的弱监督目标定位

针对实际应用中大量数据集缺乏精细位置标注的问题,提出了一种基于渐进对抗学习的弱监督目标定位算法。具体来说,针对数据集噪声造成训练困难的问题,引入自步学习对训练数据按由简到难的原则进行排序。在网络设计上,将弱监督目标定位网络设计为多标签分类网络,并提出了相应的对抗损失函数适应目标定位任务。为了解决现有方法往往只关注最具辨别力的部分,无法定位整个目标的问题,提出一种金字塔对抗擦除机制以此在最后的定位图中发现完整的目标。在数个标准的数据集的实验表明,该算法具有较高的定位精度,与最先进的弱监督目标定位的方法相比具有一定的竞争力。     

基于麦克风阵列的语音增强算法

为解决现有语音增强算法需要麦克风数量较多和受估计误差影响较大的问题,提出一种改进的声源定位和波束形成方法。在现有声源定位算法利用时间延迟的基础上,引入能量衰减参数,实现利用双麦克风进行声源定位的目标;在波束形成算法中引入加载系数,在出现协方差矩阵统计失配时仍可对期望方向聚焦,提高波束形成算法的鲁棒性。仿真结果表明,改进后的算法与传统算法相比具有更强的鲁棒性。     

一种基于自适应代表节点选择的WSN数据收集方法

采用压缩感知的无线传感网络数据收集方法要求每个节点都参与数据收集,会造成很大的能量浪费.本文提出了一种基于自适应代表节点选择的WSN数据收集方法,在保证压缩感知数据重构精度的同时,减少参与数据收集的节点数.首先,采用主成分分析和混合压缩感知相结合的办法设计稀疏基;然后,通过分析稀疏基的框架势FP(Frame Potential)设计压缩感知的稀疏观测矩阵,从而选择代表节点,以减少参与数据收集的节点数目;最后,根据Sink处数据重构精度,自适应调整稀疏观测矩阵以用作下一时刻数据收集,从而保证数据收集的重构精度.仿真结果表明,该方法有效的降低了网络能耗和数据传输量,同时还保证了每个时刻数据重构的精度.     

Sensor selection for received signal strength-based source localization in wireless sensor networks

Generally, localization is a nonlinear problem, while linearization is used to simplify this problem. Reasonable approximations could be achieved when signal-to-noise ratio (SNR) is large enough. Energy is a critical resource in wireless sensor networks, and system lifetime needs to be prolonged through the use of energy efficient strategies during system operation. In this paper, a closed-form solution for received signal strength (RSS)-based source localization in wireless sensor network (WSN) is obtained...     

基于稀疏表示的信号DOA估计

将信号DOA的估计问题转换为一个联合稀疏表示的求解问题.通过对接收数据矩阵的奇异值分解实现各时间和频率快拍数据的联合;然后通过求解一个平滑l0范数稀疏约束的联合优化问题实现信号源DOA的估计.基于稀疏表示的信号DOA估计方法不仅能够有效地减少数据量,而且具有以下优点:更好的抗噪声性能、更高的计算效率、适用于相关和非相关信号.通过与其他DOA估计方法的比较,表明了该方法的有效性和优越性.     

Node localization algorithm for wireless sensor networks using compressive sensing theory

In recent years, localization has been recognized as an important supporting technology for wireless sensor networks (WSNs). Along with the increase in WSN indoor applications, indoor localization has become a hot research topic and many localization algorithms have been studied. Among these algorithms, the localization method based on compressive sensing theory emerges as a popular approach to indoor localization. In this approach, the nodes are sparse when compared to the number of grids utilized to represent the locations of the nodes, so the locations are considered as sparse signal and can be reconstructed using the compressive sensing techniques. The localization problem is formulated as the sparse reconstruction of sparsifying matrix which is comprised of measurement of received signal at grids. In order to improve the localization accuracy and meet the real-time requirement of localization applications in large indoor area, an indoor localization algorithm based on dynamic measurement compressive sensing for wireless sensor networks is proposed. Using the bounding-box method, we firstly identify a potential area that possesses the independent features. Instead of using the entire node deployment region as the measurement area, our method can decrease the number of meshing and also the dimension of measurement matrix. Meanwhile, we assume that only the anchor nodes which have communication relationship with the unknown nodes can be used as the measuring nodes; the measurement matrix of unknown nodes which need to be localized can be dynamically constructed according to the potential area and the received anchor node information, and the maximum number of measurement is decided by the number of grids of potential area. The proposed algorithm can mitigate the measurement redundancy and improve the real-time feature. Simulation results indicate that the proposed algorithm can reduce the time complexity and also maintain good localization accuracy and localization efficiency.