一种改进的APIT无线传感器网络节点定位算法

本文主要是针对无线传感器网络的Range—free定位算法APIT中,处于中心、边缘的未知节点存在不能定位的问题,提出一种改进的APIT无线传感器网络节点定位算法。该算法利用三边测量法的思想计算出三个位置坐标,使处于监测区域边缘的未知节点处于这三个点组成的三角形中,保证监测区域中所以节点的位置信息。     

粒子群算法在无线网络节点位中的应用研究

随着无线通信技术的发展以及物联网设备在室内环境的广泛部署,作为物联网服务的重要支撑技术之一的无线传感器网络的位技术再一次成为工业界和学术界的研究热点。本文根据DV-Hop算法在无线传感器网络位过程中存在的误差问题,引入粒子群算法对位误差进行优化,提出PSO-DV-Hop算法。仿真实验结果表明,本文提出的PSO-DV-Hop算法(基于粒子群算法的DV-Hop位算法)的位精确度较DV-Hop算法提高25%左右,在实际应用中具有重要的参考意义。     

基于PSO优化LSSVR的三维WSN节点定位方法

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

一种DBSCAN聚类点密度的加权质心定位算法

加权质心定位算法是无线传感器网络中最常用的定位算法,为了进一步提高其定位精度,本文将聚类算法引入到无线传感器网络定位中,提出了一种具有噪声的基于密度的聚类算法(DBSCAN)聚类点密度的加权质心定位算法。该算法根据共线度理论选择参数,构建定位三角形的集合。选择集合中定位效果较好的一部分三角形对未知节点进行定位,并对所得的初始定位结果进行DBSCAN聚类。在排除误差较大的定位坐标后,将聚类后每个簇的核心点个数视为权值,采用加权质心定位算法得到未知节点的最终定位位置。仿真结果表明:该算法与传统加权质心定位算法相比,平均定位误差减小80%以上,有效提高了无线传感器网络定位精度。     

无线传感器网络定位技术浅析

无线传感器网络作为一种全新的信息获取和处理技术在目标跟踪、入侵检测及一些相关领域有着广泛的应用前景。然而,定位技术是无线传感网络的基础技术,对无线传感网络后续工作的开展及应用起着关键的支撑作用。首先,传感器节点必须明确自身位置才能详细说明"在什么位置发生了什么事件",从而实现对外部目标的定位和跟踪;其次了解传感器节点的位置分布状况可以提高网络的路由效率,从而实现网络的负载均衡及网络拓扑的自动配置,改善网络的覆盖质量。无线传感器网络定位是非常必要的。本文首先分析无线传感器定位的现状,分析其定位存在的问题和困难,然后对几种典型算法进行比较,比较其优缺点并提出改进方案。无线传感器网络定位最简单的方法是为每个节点装载全球卫星定位系统(GPS)接收器,用以确定节点位置。但由于经济因素、节点能量制约和GPS对于部署环境有一定要求等条件限制,导致方案的可行性较差。因此,一般只有少量的节点通过装载GPS或通过预先部署在特定的位置获取自身的坐标。     

一种弹簧系数和跳数分类的改进DV-Hop算法

针对传统DV-Hop(distance vector-Hop)算法求解节点间平均跳距存在误差及随着节点跳数增加误差累积的问题,提出了一种改进的DV-Hop节点定位算法。首先将节点间的实际距离与估计距离抽象成弹簧模型;然后对节点间不同的跳数进行分类,计算不同跳数对应的弹簧系数,提高节点定位精度,并减小因跳数增加而产生的累积误差;最后用加权双曲线法确定未知节点的位置。仿真结果表明,与传统DV-Hop算法及其他文献中的算法相比,本文所提的改进算法可以有效提高节点的定位精度。     

移动节点定位算法在车联网中的应用

以自主车队控制系统为例,介绍无线传感器网络移动节点定位算法在车间距离、车辆速度以及行驶方向方面的应用。将移动节点算法中所要求的只允许信标节点小范围运动的条件去除,不再限制信标节点的运动轨迹,通过分析信标节点与未知节点之间距离的实时变化情况,反复迭代,最终达到所要求的定位精度。     

一种室内无线传感器网络定位方法

室内传感器网络节点定位问题在智能楼宇、养老监护、消防抢险等领域日益重要。本文创新提出了非理想情况下锚节点的识别机制,利用粒子群算法求解未知节点的位置。在MATLAB平台上进行仿真实现,结果表明,本文提出的方法估计位置具有较高的鲁棒性,准确性大大提高。     

基于粒子群优化的NLOS环境的节点定位算法

无线传感网络的非视距NLOS(non-line-of-sight)环境是影响测距定位精度的重要因素。本文提出了基于粒子群优化PSO(particle swarm optimization)的NLOS环境的节点定位NLOS+PSO算法。NLOS+PSO算法采取惯性权重的非线性调整策略,提高了算法的收敛速度。同时,对目标值进行排序,摒弃性能差的粒子,可降低计算量。实验数据表明,在非视距环境中,所提出的NLOS+PSO算法可提高定位精度,抑制NLOS测距误差,提高收敛速度。     

混合粒子群算法搜索土坡危险滑动面

基本粒子群优化算法存在着对惯性因子敏感、计算量大等缺点,通过借鉴和声搜索算法产生新解的策略和不连续飞行假定,构成了混合粒子群算法。首先,当粒子飞行超越边界时,采用和声搜索算法产生新解;此外还引入了不连续飞行假定,即在每次迭代步中,随机选择一些个体更新速度、位置向量,以利于减少计算量。随机给定10组参数,分别利用基本粒子群优化算法和混合粒子群优化算法对某复杂土坡的最危险滑动面进行了搜索。比较发现,混合粒子群算法能在较短的计算时间内得到更好的结果。