4G下切3G定位算法策略研究

定位技术是无线传感器网络的支撑技术之一,针对无线传感器网络低成本、低能耗的要求,在继承DV-Hop定位算法优点的基础上,提出根据跳数来调节节点定位过程中的数据包接收量即LDV-Hop定位算法。传感器网络是计算机科学技术的一个新的研究领域,节点定位技术是传感器网络关键技术之一,传感器节点采集到的数据必须结合其位置信息才有意义,没有位置信息的数据几乎没有利用价值。     

无线传感器网络节点自身定位算法综述

节点位置信息是无线传感器网络应用的基础.介绍了无线传感器网络节点定位的基本原理,论述了已提出的几种典型定位算法,并对其进行了分析与比较.在综合分析当前定位算法不足的基础上,指出了无线传感器网络节点定位算法的研究方向.     

改进的DV-Hop无线传感网络节点定位算法

针对传感器部署密度大、分布不均匀,DV-Hop定位算法误差大等问题,提出了一种改进DV-Hop的无线传感器节点定位算法.首先采用DV-Hop算法对未知传感器节点位置进行计算,然后在采用遗传算法对DV-Hop定位的误差进行修正.仿真结果表明,改进DV-Hop算法提高了节点的定位精度,降低定位的误差,更能真实地反映传感器网络节点的实际分布情况.     

无线传感器网络节点A身定位算法综述

节点位置信息是无线传感器网络应用的基础。介绍了无线传感器网络节点定位的基本原理,论述了已提出的几种典型定位算法,并对其进行了分析与比较。在综合分析当前定位算法不足的基础上,指出了无线传感器网络节点定位算法的研究方向。     

基于ED限制滤波的测距研究

在无线传感器网络的广泛应用中,事件发生的位置是传感器节点监测消息中所包含的重要信息,监测消息中没有位置信息是毫无意义的。当前的定位机制主要分为基于测距的定位算法和无需测距的定位算法,而获取节点之间的距离是基于测距定位应用的首要基础。在能量有限的网络节点中,利用ED测距具有能耗低,成本少的优点。本文分析了ED与距离的关系,通过克尔斯博公司的Iris节点实验,验证了在无线传感器网络具体应用环境下,ED值随着距离的增大而逐渐减小,且应用限制ED值滤波法能消除环境干扰对ED测距的影响。     

移动无线传感器网络定位算法研究

为了解决移动无线传感器网络中节点的自身定位问题,提出了一种基于运动预测的定位算法。该算法利用节点运动的连续性和接收信号强度测距方式,保存其最近两组历史位置信息,并结合节点当前的状态来估计自身位置。它不需要额外的硬件支持与较高的信标节点密度,满足复杂传输环境的应用要求。仿真结果表明,该算法具有较好的鲁棒性和较高的定位精度,节点随机运动时的定位误差约为15%,而直线运动时只有12%。     

传感器网络的粒子群优化定位算法

无线传感器网络定位问题是一个基于不同距离或路径测量值的优化问题。由于传统的节点定位算法采用最小二乘法求解非线性方程组时很容易受到测距误差的影响,为了提高节点的定位精度,将粒子群优化算法引入到传感器网络定位中,提出了一种传感器网络的粒子群优化定位算法。该算法利用未知节点接收到的锚节点的距离信息,通过迭代方法搜索未知节点位置。仿真结果表明,该算法有效地抑制了测距误差累积对定位精度的影响,提高了节点的定位精度。     

WSN中节点定位方法的改进

无线传感器网络节点位置信息的获取非常关键。首先考虑节点分布问题提出了一种新的节点分布模式,并改进定位算法,将节点定位过程主要分为一级定位和二级定位。一级定位采用基于优先值阈值的质心定位算法,并将一级定位的节点作为新锚节点参与二级定位。二级定位使用基于优先值阈值的DV-Hop最小二乘定位算法。Matlab仿真结果证明,提出的节点分布模式利于节点定位,一级定位算法降低了计算量,并与二级定位算法一起提高了定位精度。     

无线传感器网络节点自身定位算法

无线传感器网络(WSN)的许多应用都是基于节点的位置信息.本文从WSN的基于测距的定位算法和无需测距的定位算法对其定位算法进行详细的说明.并分析比较各定位算法的优缺点.最后还指出了WSN的自身定位问题的研究方向.     

复杂生物传感网络的节点优化定位模型仿真

根据复杂生物传感器网络节点的定位和数据监测的需要,构建生物传感网络的模型,设计了基于强跟踪滤波的集中式扩维量化融合算法.该算法采用预加重方法补偿节点之间的系统功率衰减,通过动态跟踪信号功率的变化,得到传感器融合中心最终的节点定位状态信息矩阵;通过强跟踪滤波,提高抗干扰能力,实现传感网络节点定位模型改进.结果表明,采用该算法进行复杂生物传感网络节点定位,能有效提高节点定位的准确性,定位误差较小,定位时间较快,稳健性和抗干扰性较好.     

无线传感器网络节点定位技术

无线传感器网络（Wireless Sensor Network,WSN）在许多领域有广泛的应用,无线传感器网络中节点位置对无线传感器网络的应用有重要的影响,没有位置属性的信息是无价值的,定位技术是无线传感器网络的重要研究方向之一.依据测距和非测距的分类方法,介绍节点定位技术的基本原理和方法及当前的发展状况,最后对节点定位技术的发展方向作展望.     

基于限定域-蜂群的光纤物联网节点定位算法研究

为了实现物联网光纤感知层中待测节点的快速精确定位,提出了基于限定域-蜂群的节点定位算法,建立了针对光纤传感网络数据特点的节点定位模型,采用矩形限定域简化约束条件,从而提高定位精度。实验结果显示,当参考节点数大于3时,对定位平均误差的影响基本不变;当种群数取18时,定位平均误差趋于稳定,3种算法的平均定位精度分别是2.3 m、3.1 m和3.4 m;而达到定位精度需要的迭代次数分别是12次、15次和41次。由此可见,本算法在稳定性、定位精度及收敛速度方面均具有更好的定位性能,其在大范围物联网光纤感知层节点定位领域具有一定的实际应用价值。     

Reference node placement and selection algorithm based on trilateration for indoor sensor networks

The key problem of location service in indoor sensor networks is to quickly and precisely acquire the position information of mobile nodes. Due to resource limitation of the sensor nodes, some of the traditional positioning algorithms, such as two‐phase positioning (TPP) algorithm, are too complicated to be implemented and they cannot provide the real‐time localization of the mobile node. We analyze the localization error, which is produced when one tries to estimate the mobile node using trilateration method in the localization process. We draw the conclusion that the localization error is the least when three reference nodes form an equilateral triangle. Therefore, we improve the TPP algorithm and propose reference node selection algorithm based on trilateration (RNST), which can provide real‐time localization service for the mobile nodes. Our proposed algorithm is verified by the simulation experiment. Based on the analysis of the acquired data and comparison with that of the TPP algorithm, we conclude that our algorithm can meet real‐time localization requirement of the mobile nodes in an indoor environment, and make the localization error less than that of the traditional algorithm; therefore our proposed algorithm can effectively solve the real‐time localization problem of the mobile nodes in indoor sensor networks. Copyright © 2008 John Wiley & Sons, Ltd.     

基于改进自适应IMM算法的高速列车组合定位

针对列车高精度定位问题,该文提出基于改进自适应交互多模型(IMM)的高速列车高精度组合定位方法。首先,根据列车定位需求和各传感器特点,设计了卫星接收器、轮轴测速传感器、测速雷达以及单轴陀螺仪4种传感器的组合定位方案。然后,针对IMM融合滤波算法因先验信息不准导致固定参数设置不当的问题,引入Sage-Husa自适应滤波和转移概率矩阵(TPM)自适应更新集成为自适应IMM算法。针对多模型切换的滞后问题,利用子模型似然函数值能快速反映模型变化趋势的特点,将似然函数值设为判定标志,并引入判定窗对TPM矩阵元素进行修正,有效提升了模型的切换速度。最后,基于改进自适应IMM算法对4种传感器定位信息进行融合滤波,实现高速列车的高精度组合定位。仿真结果表明：改进后的算法相比其他自适应IMM算法提升定位精度1.6%～14.7%,并且能通过提高模型间切换速度来有效降低位置误差峰值,同时具备较好的抗噪性能。     

无线传感器网络中非GPS的定位算法

无线传感器网络中节点自定位一直是一个具有挑战性的研究课题。全球定位系统(GPS)是一种传统的定位技术,但是定位的准确性低且网络花费较大。通过分析现有的节点自定位算法,认为六边形节点自定位算法是比较优秀的非GPS算法,该算法基于蜂窝交叠的思想,节点仅使用简单的连接矩阵和信标帧中的定位数据就能自定位,且定位准确性高,最后提出了今后要做的工作。     

A new range-free localisation in wireless sensor networks using support vector machine

Location information of sensor nodes is of vital importance for most applications in wireless sensor networks (WSNs). This paper proposes a new range-free localisation algorithm using support vector machine (SVM) and polar coordinate system (PCS), LSVM-PCS. In LSVM-PCS, two sets of classes are first constructed based on sensor nodes’ polar coordinates. Using the boundaries of the defined classes, the operation region of WSN field is partitioned into a finite number of polar grids. Each sensor node can be localised into one of the polar grids by executing two localisation algorithms that are developed on the basis of SVM classification. The centre of the resident polar grid is then estimated as the location of the sensor node. In addition, a two-hop mass-spring optimisation (THMSO) is also proposed to further improve the localisation accuracy of LSVM-PCS. In THMSO, both neighbourhood information and non-neighbourhood information are used to refine the sensor node location. The results obtained verify that the proposed algorithm provides a significant improvement over existing localisation methods.     

无线传感器网络节点自身定位算法

无线传感器网络（WSN）的许多应用都是基于节点的位置信息．本文从WSN的基于测距的定位算法和无需测距的定位算法对其定位算法进行详细的说明．并分析比较各定位算法的优缺点．最后还指出了WSN的自身定位问题的研究方向。     

基于无线电相干的传感器网络节点定位

目前无线传感器网络节点定位算法中,能够兼顾高精度和远距离定位的算法只有RIPS方法,然而该方法利用汇聚节点进行集中定位。提出了一种基于无线电相干的角度估计算法,并分布式定位节点,在高精度、远距离定位节点的同时,可大规模应用该算法,且定位速度快。实验表明,该方法平均方位估计误差是3.20,90%的测量值误差在6.4度以内。     

无线传感器网络节点定位算法研究

研究无线传感器网络节点定位的方法。首先介绍了节点定位的基本原理,在总结节点定位原理的基础上,对节点定位方法的分类依据进行了归纳。在对无线传感器网络节点定位方法的研究中,主要对是否基于测距的节点定位方法进行具体分析,介绍了2种类型的定位方法的基本原理,并对2种类型的定位方法中的典型算法做了具体说明,最后介绍了定位算法的评价标准。     

异构传感器网络中汇聚节点位置优化路由算法

在异构无线传感器网络模型下,针对采集节点发送数据能量消耗过高及路由时分组丢失率过大等情况,对数据汇聚节点的位置优化及路由进行了研究,提出了移动汇聚节点位置优化路由算法（MLOYIH）。先根据蚁群算法的原理对移动节点与静态节点进行分组,再在组内寻找适合的位置放置汇聚节点,最后根据供电情况,选择合适的跳算进行路由。经过仿真实验与性能分析表明,MLOYIH算法与传统算法比较,能量消耗降低到64%,分组丢失率不高于3%。