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。     

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。     

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。     

基于压缩感知的多目标定位与功率估计

因传感器网络中定位问题具有的天然稀疏性,压缩感知理论被广泛应用于其中以减少数据采样量。然而,现有的基于压缩感知的定位技术往往需要目标的发射功率作为先验条件,这并不符合实际中目标完全未知的情况。基于此,提出了一种多目标定位和发射功率估计的方法,该方法将目标位置和功率信息建模成一个稀疏向量,从而将定位和功率估计问题转化为稀疏向量估计问题。该方法包括离线和在线两个阶段:离线阶段主要是部署一些射频发射器并测量接收信号强度值,从而构建感知矩阵;在线阶段中,通过部署少量传感器测量接收信号强度值,求解一个₁范数最优化问题便可精确地重构出稀疏向量。仿真结果验证了该多目标定位和功率估计方法的有效性和鲁棒性。     

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。     

基于压缩感知的多目标定位中的测量矩阵设计

根据传感器网络中定位问题天然的稀疏性,研究了基于压缩感知理论的多目标定位方法。首先将目标位置信息表示成一个稀疏向量,将定位问题转化为向量估计问题。通过部署少量传感器测量接收信号的强度值,求解一个₁范数最优化问题便可精确地重构出位置向量。相对于当前压缩感知定位中常用的稀疏随机测量矩阵,提出了一种改进的测量矩阵设计方法,指示传感器节点进行有规律、均匀的部署。仿真结果表明,相较于传统随机测量矩阵,改进测量矩阵在定位精确度和稳定性上都体现了巨大优势。     

一种改进的无线传感器网络非测距定位算法

节点定位是实现传感器网络应用的前提,控制节点定位误差成为保证网络正常运行的关键。采用基于测距的定位算法,可以达到良好的精度,但需要测量装置,不适合能量受限的无线传感器网络。本文分析了常用的非测距定位算法,并在此基础上提出了一种改进的基于序列的非测距定位算法,以提高无线传感器网络定位算法的性能。     

基于贝叶斯压缩感知的无线传感器网络节点定位

本文研究无线传感器网络多目标时应用了压缩感知,对建立该传感器的网络模型的过程进行了分析,阐述了传感器节点二维位置重构的算法,并使用MATLAB进行仿真,得知定位无线传感器网络节点时应用贝叶斯压缩感知的有效性。     

基于多数据融合的智能定位传感器避障算法研究

在智能定位传感器内增加避障算法，可使机器人拥有自动躲避障碍的能力，该文基于多数据融合设计智能定位传感器避障算法。设置激光雷达测距和超声波测距作为多传感器障碍检测的方法，获取机器人当前位置与障碍点坐标的相对几何关系，计算机器人与障碍点位置的距离，定位路面障碍点，对2种传感器收集到的数据进行多元障碍定位信息的加权融合。设置智能机器人避障轨迹目标函数以及约束条件，设计机器人避障算法，得到基于定位传感器的机器人避障方法。实验结果表明，在简单环境及复杂环境下机器人均未与障碍物相撞。在运行轨迹中随机放置障碍物，机器人能够及时完成运行轨迹的变化。由此可见，该避障算法具备较好的应用前景，可应用于各种智能机器人中。     

基于多传感器信息融合的自主跟随定位及避障方法

针对自主跟随机器人在自由空间中对移动目标进行跟随时,由于信号源发射角度小,自主跟随机器人很容易进入信号盲区,并且难以对移动目标进行精确定位、移动姿态确定等问题,提出了一种基于多传感器信息融合的自主跟随定位及避障方法,该方法通过在移动目标上增加多信号源,使自主跟随机器人与移动目标之间建立冗余信道,并通过多传感器信息融合方法,计算出移动目标中心位置及实时移动姿态;设置测距模块,使自主跟随机器人能避开障碍,保持跟随。根据此方法建立了多信号源定位模型和算法,并对该算法进行了实验验证。实验结果表明,该方法能够准确的对移动目标进行定位和移动姿态确定,并且信号盲区小,能有效的避开障碍,保持对移动目标的跟随,具有一定的工程应用价值。     

An efficient range-free localization algorithm for wireless sensor networks

Node positioning is a fundamental problem in applications of wireless sensor networks (WSNs). In this paper, a new range-free algorithm, called spring swarm localization algorithm (SSLA), is proposed for positioning WSNs. To determine the locations of sensor nodes, the proposed algorithm uses network topology information and a small fraction of sensor nodes which know their locations. Numerical simulations show that high positioning accuracy can be obtained by using the algorithm. Some examples are given to...     

基于锚节点连通性的移动WSN定位优化算法

为提高传统移动无线传感网络非测距方式定位算法的节点定位精度、降低算法对锚节点密度的要求,提出一种基于网络中锚节点连通性的蒙特卡洛优化定位算法,并分析了其节点定位性能.算法首先引入平均锚节点连通度的概念来评价网络锚节点连通性,然后提出根据节点实时分布情况进行采样区域划分,并实时控制移动锚节点分布,提升网络的整体定位精度.仿真结果表明,相较于传统的移动无线传感网络中基于蒙特卡洛方法的节点定位算法,所提出的算法有效提升了整体的定位精度,并有效降低了算法对于锚节点密度的要求,提升了算法节点定位性能.     

基于垂直平分线的区域定位算法

基于区域位置估计方法,提出一种基于垂直平分线的定位算法——MBLA。该算法无需测距的定位,节约了由测距引起的能量开销,可获得较好的准确性。通过对MBLA算法与APIT算法的理论分析和仿真实验,证明MBLA算法在定位精度、通信开销方面的性能优于APIT定位算法。     

基于测距的蒙特卡罗盒传感网定位算法研究

针对以蒙特卡罗算法为基础的无线传感器网定位算法普遍存在定位精度和采样效率低的问题,提出了一种基于测距的蒙特卡罗盒（R-MCB）定位算法。通过测距信息构造修正的包含有约束条件的方形边界框,使用从强约束条件中除去弱约束条件的启发法来提高采样效率,然后进行样本过滤和加权处理,并通过校准减少距离误差实现精确的定位。该R-MCB定位算法允许节点是静止或移动的,并且能够与可进行测距的节点和没有测距能力的节点协同工作。通过在传感器硬件上进行真实模拟定位算法证明,在多数情况下该R-MCB算法的定位误差,均要比WMCL算法（加权蒙特卡罗定位算法）的定位误差低10%左右。     

基于SVM分类区域的传感器网络节点自定位算法

针对无线传感器网络(WSN)低成本、低功耗的要求,提出了一种基于支持向量机(SVM)分类区域的距离无关的定位算法,首先SVM通过对训练数据的学习构造一个二叉决策树分类器,然后该分类器将未知节点的位置确定在某一分类区域中,最后取这一区域的中心作为节点的估计位置。该算法仅仅需要网络连通性信息（即跳数）,降低了网络成本和通信负荷。仿真表明该算法在保证一定的定位精度下,有效减轻了覆盖漏洞和边缘问题。     

基于前进跳距期望的异构WSNs非测距定位算法

无线传感网络(WSNs,wireless sensor networks)中传感节点的传输范围直接决定节点的通信区域,对定位精度有直接的影响.为此,针对异构WSNs,提出基于前进跳距期望的非测距定位算法.首先,分析传统推导前进跳距期望(EHP,expected hop progress)方法的不足,并证实了EHP值只依赖锚节点的传输范围是不准确的;然后,采用新方法推导了EHP,并结合泰勒级数展开以及加权最小二乘算法估计未知传感节点位置;最后,以降低误差为目的,迭代修正未知传感节点位置的估计值,从而提高定位精度.仿真结果表明,与传统的非测距定位算法相比,提出的算法的定位精度得到有效提升.     

基于Monte Carlo的非测距传感器网络定位算法

针对无线传感器网络,提出一种基于Monte Carlo方法的非测距无线传感器网络节点定位算法。该算法通过计算随机散布的粒子与锚节点之间的距离再与最大射频传送距离比较,根据权值的改变进行滤波,确定未知节点可能存在的位置。在不同粒子数和锚节点个数下,对定位算法进行了仿真,同时对锚节点比率分别为0.1~0.5的情况下,比较了该算法和DV-Hop算法的定位性能,结果表明该算法充分利用对传感器节点定位估计的有用信息,计算复杂度小,定位精度较高、健壮性好。     

一种基于约束策略的无线传感器网络定位算法*

节点定位技术是无线传感器网络的关键支撑技术之一,对于无线传感器网络的基本理论方法和应用研究都具有重要意义。在深入研究分析距离无关定位算法的基础上,提出了基于约束策略的无线传感器网络定位算法。该算法无须测距,采用跳数估计节点间距离,并针对未知节点到锚节点距离计算中的不足,对锚节点的平均每跳距离作了修正;在估计未知节点坐标时,根据该未知节点通信范围内的锚节点对其所在位置进行约束。仿真结果表明,该算法具有较好的性能,比已有算法的定位精度有所提高。     

基于网格扫描的无线传感器网络定位算法

分析典型的测距无关定位算法APIT与API2T,指出其存在定位精度低与覆盖率低的缺陷。针对该问题,提出一种基于网格扫描的无线传感器网络定位算法——API3T。重新定义邻居节点,改进网格扫描策略,从而减少In-To-Out错误和Out-To-In错误。仿真实验结果表明,该算法的定位精度与覆盖率较高。     

无线传感器网络基于中垂线分割的APIT的改进定位算法

定位技术是无线传感器网络重要的共性支撑技术之一。在近似三角形内点测试APIT算法基础上提出了基于中垂线分割的改进算法PB-APIT。利用三条边的中垂线将APIT算法中的三角形分割为4个或6个可用小区域,并以检测信号的强弱进一步来判定未知节点的位置,即判断未知节点处于哪一个可用小区域,从而减小原APIT算法的定位区域,提高定位精度。仿真结果表明,与原APIT算法相比,所改进的算法精度上有较大提高。