分布式无线传感器网络定位算法MDS-MAP(D)

针对无线传感器网络的定位问题,提出了一种分布式的算法MDS-MAP(D),明确给出了节点相对坐标计算和局部网络融合的过程,并对算法进行了计算复杂性分析和仿真.MDS-MAP(D)以分布式节点分簇为基础,利用网络的连接关系,在不需要高精度测距技术支持的条件下对节点坐标进行估计,减小了节点定位的计算复杂度和能量消耗.分析与仿真结果表明,算法的计算复杂度由下降到 ,并且定位精度提高了1%～3%.     

基于可见光通信的BP神经网络室内定位算法

提出一种基于可见光通信的BP神经网络室内定位算法,首先通过MDS-MAP算法和最小二乘法获得全网节点的相对坐标,再利用信源节点的坐标信息得到网络内所有节点的绝对坐标,最后通过单隐层BP神经网络优化定位结果。仿真结果表明,该算法比MDS-MAP算法和MDS-MAP(P)算法的相对定位误差小,应用于室内定位可以得到更高的定位精度。     

一种基于传感器网络的战场感知定位技术

基于传感器网络技术,探讨了其在战场感知定位技术上的应用,即完成节点的自身定位。文中引用分布式MDS定位算法。通过第三方目标感知测定距离的方法,得到距离矩阵D,从而实现节点定位的分布式计算,弥补经典多维定标的MDS-MAP算法在定位精度与矩阵计算复杂度方面的不足。通过理论分析和仿真实验表明,该方法实现简单,可满足战场环境下传感器节点自身定位需求。     

移动网络中MCL-MDS定位算法

在深入了解移动网络中蒙特卡洛(MCL)算法的基础上,针对MCL算法在锚节点率较少时定位精度较差的缺点提出了一种结合MCL算法与分布式MDS-MAP(Distribute MDS-MAP,DMDS-MAP)算法的自适应算法MCL-MDS定位算法。算法首先使用所设计的DMDS-MAP算法对节点进行定位,随后利用MCL算法中的过滤原理对定位结果进行验证,若通过验证,则采用该定位结果,否则采用MCL算法的定位结果。仿真显示,MCL-MDS定位算法能在各种环境下获得较好的定位效果。     

一种改进的分布式多维定标算法的研究

无线传感器网络中节点间通信容易受到环境因素和传输衰减因素等的影响,从而造成节点的定位不准确.为减小节点定位误差,在分布式多维定标算法基础上提出了改进的WMDS-MAP(P)算法.采用加权算法求出每个锚节点的环境影响参数和传输衰减参数对,并在构建局部空间的节点矩阵时考虑这两个因素;采用最小二乘算法选出锚节点中最优的环境影响参数和传输衰减参数对,从而使节点间的一跳距离估计值更逼近真实值.仿真结果显示改进的算法相对于经典的MDS-MAP(P)算法节点平均定位误差减少了17％左右,可以有效提高节点的定位精度.     

无线传感器网络容错目标定位算法——FTTL

文章提出了一种带有容错机制的目标定位算法,算法以传感器节点观测结果0．1值为依据,通过一种似然估计实现定位。文章提出的算法能够获得较好的定位精度,并在一定的节点差错概率下,保持算法性能。     

移动无线传感器网络节点的定位

文中在MCB（Monte—Carlo Localization Boxed）定位算法的基础上提出了一种新的移动无线传感器网络（Mobile Wireless Sensor Networks）节点的定位算法——权重MCB算法。MCB算法在定位过程中,在采样和滤波阶段用到了一阶锚节点和二阶锚节点的位置信息,而没有应用到邻居节点的位置信息。权重MCB在定位过程中不仅用到了一阶锚节点和二阶锚节点的位置信息,还应用到了一阶邻居节点的采样集合里的采样点（即一阶邻居节点的估计位置）,从而改进了定位精度。对比MCB算法,权重MCB算法对定位精度的改进为13％～18％。     

基于MDS和SDP的分布式节点定位算法

提出一种新的节点定位算法,基于MDS和SDP的分布式节点定位算法(DLMS)。该算法的主要思想是将整个无线传感器网络划分成若干个局部定位区域,在每个局部定位区域选择MDS定位算法或SDP定位算法建立一个局部相对定位图,然后将所有的局部相对定位图合并成全局相对定位图,最后利用锚节点的信息得到节点的估计位置。实验仿真结果表明,该算法能够提高节点的定位精度,尤其是在节点分布不均匀的情况下,同时该算法还能够节约锚节点数量。     

Distributed Node Localization Algorithm Based on MDS and SDP

提出一种新的节点定位算法,基于MDS和SDP的分布式节点定位算法(DLMS).该算法的主要思想是将整个无线传感器网络划分成若干个局部定位区域,在每个局部定位区域选择MDS定位算法或SDP定位算法建立一个局部相对定位图,然后将所有的局部相对定位图合并成全局相对定位图,最后利用锚节点的信息得到节点的估计位置.实验仿真结果表明,该算法能够提高节点的定位精度,尤其是在节点分布不均匀的情况下,同时该算法还能够节约锚节点数量.     

一种大规模传感器网络节点分布式定位算法

针对大规模无线传感器网络(WSN)中节点难以定位的问题,该文提出一种基于改进牛顿法的分布式定位算法。该算法包括网络划分和分布式算法。首先,根据节点位置和节点之间直接相连的距离信息,将无线传感器网络划分为若干个重叠的子区域,并将子区域的定位问题归结为无约束优化问题,每个子区域可以独立计算;然后,使用分布式算法估计子区域中的节点位置并进行局部融合。实验结果表明,与已有算法相比,该算法具有良好的扩展性,在大规模网络中定位精度更高,能满足大规模无线传感器网络中节点定位需求。     

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。     

无线传感网节点自适应优化定位研究

文中提出了一种有效的基于RSSI的无线传感网节点自适应定位优化算法.该算法用对具体环境条件下RSSI测距的自适应校正及误差修正来提高测距精度,基于小世界网络理论遴选侯选锚节点,结合MDS-MAP算法进行定位.与同类算法相比,该算法能适应不同的应用环境,且定位稳定性和精确性均显著提高.     

无线传感器网络数据自适应稀疏变换

针对无线传感器网络节点位置移动及传输干扰等因素可导致数据稀疏结构改变的问题,提出一种基于字典学习的无线传感器网络自适应稀疏变换方法。根据网络数据稀疏结构变化,自适应构建最优稀疏变换基,同时在字典学习问题中引入无线传感器网络数据稀疏基的可压缩约束,以满足无线传感器网络中大规模数据处理特点及稀疏变换的高实时性要求。理论分析和仿真结果表明,所提算法可有效提高无线传感器网络数据稀疏变换算法的顽健性,同时具有良好的实时性。     

二值传感器网络的分布式稀疏LMS算法

在基于无线传感器网络的参数估计中,每个节点在数据采集、存储、处理和传输等方面的能力是有限的。二值传感器网络中的每个节点只能提供低精度1比特测量值,与能够提供模拟测量值（无限精度）的传感器相比,二值传感器有较低的使用成本。如何利用低成本二值传感器网络获得较好的参数估计性能近些年已引起广泛关注,基于该二值传感器网络,论文提出了一种分布式稀疏参数估计的自适应最小均方（LMS）算法。该算法采用稀疏惩罚最大似然优化,并结合期望最大化和LMS方法,获得稀疏信号的在线估计。仿真实验表明,尽管只采用1比特测量,提出的算法仍具有较好的收敛性,并且稳定状态的估计误差接近于非1比特测量的同类算法。      

仅依赖连通度的压缩感知多目标定位方法

提出仅依赖连通度的多目标定位方法,将多目标定位问题转化为基于压缩感知的稀疏向量重构,解决室内参照物高密度分布的目标定位问题。定位方法仅以连通度为观测值,运用最小化l1-范数法求解目标位置。当观测数据压缩为1 bit时,提出半正定松弛和不动点迭代法结合的目标求解算法。根据仿真实验结果,与MDS-MAP、DV-Hop和RSS-CS方法进行比较得出,仅连通度的非1-bit和1-bit量化的CS定位方法的平均定位误差小于1个网格,且2种方法占用的比特数只相当于RSS定位方法占用比特数的 和 。     

基于多维信息的无线传感器网络定位算法

在无线传感器网络中,定位系统在目标监测与跟踪、基于位置信息的路由、智能交通等许多应用中起着至关重要的作用。本文综合节点能够获得的多维信息,设计了一种适合于部署密度很疏松环境的无线传感器网络定位方法。实验结果表明,该方法具有定位精度高、所需锚节点比率小、受测距误差影响小的特点。     

基于修正RSSI值的加权质心定位算法

针对利用接收信号强度指示（RSSI）进行节点定位时,RSSI值易受到环境因素的影响导致定位误差。为减小定位误差,在修正加权质心定位算法的基础上,使用卡尔曼滤波对连续采集到的RSSI值进行最优化处理,实现实时状态的预测和估计,使测距结果尽可能接近实际距离,为后续的定位提供更准确的数据。仿真结果显示,相比于之前的算法,改进算法减小了定位误差,提高了定位准确度。     

基于RSSI多边定位误差的加权质心定位算法

为了优化无线传感器网络(Wireless Sensor Networks, WSN)中的定位算法, 提高节点定位精度, 提出一种基于多边定位误差的加权质心算法。分析了无线电的路径损耗模型, 建立基于信号接收强度(Received Signal Strength Indicator, RSSI)和距离关系的对数拟合测距公式, 给出了求解未知节点坐标的多边定位法和位置估算模型。多组数据定位后, 以定位误差值的倒数作为权值, 改进传统的质心算法, 并讨论了参考点个数的选取与误差的关系。实验表明: 改进后的加权质心比传统质心定位精度进一步提高, 选择4~5个参考节点具有良好的定位效果。