基于改进MCB的无线传感器网络移动节点定位

针对MCB移动定位算法样本点过滤条件比较弱的问题,提出一种改进蒙特卡洛盒子IMCB(Improved Monte-Carlo localization Boxed)定位算法。该算法在MCB算法的基础上,引入了一跳和二跳以外的特殊锚节点来增强样本点过滤的条件,从而有效地解决了原算法过滤条件弱导致定位精度低的问题。仿真实验结果表明,在相同条件下,同MCB算法相比,定位精度提高了约15%,相同定位精度要求下,定位能耗降低约40%。     

基于接收信号强度指示测距的蒙特卡罗盒移动节点定位算法

针对无线传感器网络(WSN)中以蒙特卡罗为基础的移动节点定位算法在采样效率和定位精度方面的不足,提出一种基于接收信号强度指示(RSSI)测距的蒙特卡罗盒定位(MCB)算法。通过对RSSI测距信息分区间管理来加强过滤条件,提高定位精度;同时采样阶段利用已满足过滤条件的样本点生成更有效的样本,从而提高采样效率;最后通过牛顿插值法预测节点运动轨迹,样本点与未知节点运动轨迹越接近则其权值越大,据此对样本点进行加权处理得到节点的最佳估计位置。仿真结果表明,改进方案在不同的锚节点密度、通信半径、运动速度等情况下均表现出良好性能,且定位精度与同等条件下的蒙特卡罗盒算法相比均有提高。     

WSN中改进的MCB移动节点定位算法

考虑到蒙特卡洛盒移动节点定位算法中存在的定位精度低的缺陷,提出一种改进的基于RSSI的MCB定位算法。该算法依据节点接收的RSSI值缩小锚盒子区域;利用二次牛顿插值法预测节点运动轨迹,估算移动速度,进一步获取有效采样区域;然后依据采样盒大小自适应确定采样个数,避免多余样本的采集;最后借鉴遗传算法中交叉和变异思想优化采集过程。实验仿真结果表明在不同锚节点密度情况下,改进后的移动节点算法的定位精度始终优于传统MCB算法。     

一种基于MCB的自适应和声搜索定位算法

针对无线传感器网络锚节点稀疏条件下节点定位中存在的翻转现象和定位精度问题,提出了一种基于MCB的自适应和声搜索定位算法。通过引入MCB算法中的采样思想,随机产生网络拓扑约束下的未知节点的坐标,引入自适应的和声保留概率和音调调节概率,达到提高搜索能力和定位精度目的。仿真结果表明：算法能有效解决翻转现象,提高定位精度,提出的算法在定位精度和计算量方面优于对比算法。     

锚节点静止的无线传感网定位算法

节点定位是无线传感网应用中的一个基础问题。针对锚节点静止而定位节点移动的无线传感网,改进MCB(Monte Carlo localization Boxed)定位算法。由于MCB算法只利用了当前时刻的一跳锚节点信息建立信标盒子,所以不能利用前一时刻锚节点的信息。在许多传感网中锚节点是静止的,所以可以利用前一时刻的锚节点信息。该算法以蒙特卡洛方法为基础,利用前一时刻的一跳锚节点信息和最大速度建立信标盒子,缩小了MCB算法的采样空间。实验结果表明,所提出的算法能够有效减小MCB算法的采样次数和提高定位精度。     

基于MCB的传感网移动目标定位算法

针对MCB移动定位算法在实时信息采样方面的不足,提出了EMCB(Enhanced Monte-Carlo localizationBoxed)定位算法。该算法在MCB算法基础之上,引入遗传算法中的变异和交叉操作,使样本选择向后验密度值较大的区域转移,从而有效地解决了原算法存在的成功采样率较低的问题。仿真实验结果表明,同MCB算法相比,EMCB算法平均采样数减少了约30%,定位精度提高了约17%。     

小波变换预测移动节点定位算法

针对无线传感器网络移动节点定位精度不高的问题,提出一种基于小波变换预测的移动节点定位算法。根据历史运动轨迹通过小波变换预测节点当前位置,精确采样区域,应用自适应采样方法减少采样次数,通过加权滤波增大高质量样本点以及降低低质量样本点对定位结果的影响,提高定位精度。仿真结果表明,在锚节点数目、通信半径、最大样本点数目等条件变化的情况下,该算法与传统算法相比提高了定位精度,在低锚节点密度环境下表现出良好的效果。     

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ASGSO算法的改进DV-Hop算法

针对无线传感器网络定位技术中DV-Hop算法在最后阶段计算待定位节点坐标时定位精度低的问题,提出了一种基于自适应步长萤火虫优化算法的改进DV-Hop算法(ASGSODV-Hop)。该算法将DV-Hop算法在估算节点坐标阶段所使用的最小二乘法用ASGSO算法代替,采用ASGSO智能算法的自适应迭代寻优对DV-Hop算法定位求解的问题建立特定的适应度函数并进行多次迭代计算实现优化,最终使待定位节点坐标与真实值更为接近。仿真结果表明,该算法的平均定位误差约为23.58%;相比于传统DV-Hop算法,ASGSODV-Hop算法可在无需附加通信开销的情况下使定位误差降低约46.49%,提高了节点的定位精度。     

基于移动锚节点的改进DV-Hop算法

DV-Hop是一种典型的无须测距的定位算法,针对该算法在定位过程中存在的定位精度不高的问题,提出了一种基于移动锚节点的改进算法。利用锚节点的移动形成多个虚拟锚节点,有效减少了锚节点的使用数量;并在原算法基础上,修正平均跳距,使其更接近真实值。仿真结果表明:改进算法定位误差比传统DV-Hop算法平均降低了约 30%,大大提高了定位精度。     

基于跳距修正L-M优化的WSN定位算法

针对DV-Hop定位算法在节点随机分布的网络拓扑环境下存在误差较大的问题,文中通过分析平均跳距估计、未知节点坐标估计区域求解对定位精度的影响,提出了一种基于跳距修正L-M优化的WSN定位算法CLDV-Hop(Correct L-M DV-Hop)。仿真结果表明,在不增加额外开销且仿真环境相同的条件下,CLDV-Hop算法比现有改进的算法具有更高的定位精度,与DV-Hop算法相比精度提高了约33%——41%。     

相似度优化的无线传感器网络移动节点定位

针对无线传感器网络中移动节点的定位特性,提出了一种利用序列相似度改进的蒙特卡洛定位算法.该算法先利用各信标节点的信号强度值对移动节点初定位,优化原算法的采样区域.同时将信号值存储为目标序列,通过比较信标节点和样本点间序列与目标序列的相似度过滤样本点,并以相似度值作为加权标准计算移动节点坐标.仿真结果表明,与其他算法相比,在不同的信标节点密度下,定位误差减少了1%~10%,在不同的节点最大移动速度的情况下,定位误差减少了30%~40%.     

基于采样滤波的信号矢量分解移动定位算法

以接收信号强度(received signal strength,简称RSS)的测距技术为基础,借助移动传感器网络(MSN)中MCL类粒子滤波定位算法的采样、过滤方法,并融入物理中力的分解和合成的思想,提出了一种信号矢量分解的采样滤波移动节点定位算法.该算法通过建立直角坐标系,分解合成移动节点、样本点与信标节点间的信号矢量,利用误差圆环采样,比较移动节点与样本点的信号合矢量进行滤波,将合矢量模差绝对值最小的样本点坐标的均值作为移动节点的坐标.仿真结果表明,在同样的实验条件下,该算法的定位精度明显高于相比较的其他算法,且该算法不需要添加额外的硬件设备.     

基于Beta信誉系统的鲁棒安全定位算法

针对存在恶意节点情况下的无线传感器网络(WSN)节点定位问题,提出基于Beta信誉系统(BRS)的鲁棒安全定位算法。在BRS基础上建立信任评估框架,传感器节点在多跳通信范围内将锚节点的最终信任值与所存储的阈值进行比较,从而降低WSN中恶意攻击的影响。采用基于泰勒级数展开的加权最小二乘法估算普通传感器节点的坐标,以识别WSN中的恶意锚节点,并提高节点定位精度。仿真结果表明,与RMLA2,RMLA1,Bilateration,t-TLS定位算法相比,该算法在恶意锚节点不存在串通的情况下定位精度分别提高约10%,15%,55%,110%,在恶意节点串通的情况下定位精度分别提高约15%,20%,65%,150%。     

基于蒙特卡洛方法的移动传感网节点定位优化算法

无线传感器网络正在被应用到各种各样的监测环境中,在这些应用场景中,传感器节点的位置信息大都是至关重要的.目前对传感器节点定位方面的研究大都只针对静态WSN的情况,对于移动WSN节点定位的研究仍然十分有限.该文提出了移动WSN中节点间互相优化定位的新思路,通过判断式筛选出定位精度高的节点,并协助其他节点进行定位条件的优化.所提出的算法TSBMCL通过更精确的裁剪待定位节点的蒙特卡洛盒,并增加节点的粒子滤波条件来实现节点的精确定位.大规模的仿真结果表明,该算法可精确的锁定节点位置区域,高效的采样得到节点的位置样本,相比于传统的移动WSN蒙特卡洛定位方法,大大提高了节点的定位精度.     

基于人工神经网络的无线传感器定位算法

在无线传感器网络定位中,距离向量-跳数(DV-Hop)算法定位误差较大;为了提高定位准确性,结合径向基函数(RBF)神经网络与节点跳数理论,提出RBF-Hop的定位算法;该算法中需要随机生成虚拟节点以满足神经网络的训练,此算法为首先对距离各锚节点均较近的优先定位节点进行定位,然后将已经定位的节点作为下一轮定位的锚节点,循环定位直至所有未知节点定位出来;仿真实验表明,在同样的节点分布下,RBF-Hop比DV-Hop算法的平均定位误差降低29.11%;在锚节点比例、通信半径不同等情况下,RBF-Hop比DV-hop算法的定位精度有了明显的提高。     

锚节点稀疏环境下蒙特-卡罗盒定位算法

提出一种适用于锚节点稀疏环境下的蒙特—卡罗盒定位(SDANMCB)算法。算法在定位过程中将定位精度高的节点转换为虚拟锚节点来辅助其他待定位节点进行定位;同时根据采样箱的面积和附近锚节点数量调整定位所需要的样本数;滤波后根据样本的后验分布调整样本权重。仿真结果表明:算法在定位精度、采样效率上都有明显提升,并且在锚节点密度较低时定位效果有较大改善。     

基于鸡群算法的无线传感器网络定位研究

针对无线传感器网络(WSN)节点定位精度不足的问题,提出一种改进鸡群算法与典型定位模型相结合的ICSO(Improve Chicken Swarm Optimization)算法。首先,提出基于pareto距离分级的分类算法,优化鸡群算法种群比例;然后,在母鸡位置公式中引入随机游走策略,增大搜索范围;最后,将净能量增益引入小鸡的位置公式,进一步提高定位精度。仿真结果表明,ICSO与改进后的粒子群算法(MPSO)和鸡群算法(BIDCSO)相比,在参考节点比例、节点密度、通信半径和定位区域面积等方面的平均定位精度分别提高了19.2%、22.1%、12.1%、8.5%和6%、10.5%、4.4%、4.7%。实验结果表明,ICSO算法能够有效提高定位精度。     

基于连通性的传感器网络节点定位算法

针对已有定位算法在区域边界定位误差大的问题,提出一种仅仅基于连通性的定位算法(RMBC)。通过加入功能简单的冗余节点来改进算法在区域边界附近的定位精度,并对冗余节点的通信半径和摆放形式进行分析。设计了一种新的定位算法评价标准——定位覆盖度。实验结果证明RMBC算法在定位覆盖度方面优于质心算法和APIT算法。与质心算法相比,平均定位误差降低了32.7%,最大定位误差降低了44.8%。