基于PSO-BP神经网络的无线传感器网络定位算法

针对无线传感器网络定位的基本功能问题。提出一种将PSO算法和BP神经网络相结合对RSSI在测距阶段测得的距离数据进行优化的算法。该算法将PSO算法作为BP神经网络的学习算法,缩短了BP神经网络的训练时间,并加快算法的收敛速度。通过仿真,定位精度较其他算法得到了明显提高,最高可达27.3%。     

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。     

基于BPSDV-Hop的无线传感器网络节点定位算法

为了尽量避免误差的扩大化,定位更加准确,增强无线传感器网络节点的灵敏程度,混合粒子群在BA校正的基础上,不断优化无线传感器网络定位,充分利用BPSDV-Hop定位算法,这一算法先通过优化混合粒子群对一些未知节点精细计算,计算出跳距范围,其次在应用DV-Hop算法计算未知节点的自身位置时摒弃以往常用的最小二乘法,对于那些未知节点的坐标的判断要利用好蝙蝠算法,通过这一特性不断优化定位方法,确定精度,最后要充分发挥Matlab平台的作用,利用这一平台,对算法细致化分析与探究。据可靠分析显示:BPSDV-Hop定位算法远远优越于DV-Hop定位算法,它对未知坐标的判断和定位准确度非常之高,在WSN中具有广泛的应用前景。     

基于IFOA优化DV-distance算法的无线传感器网络定位研究

对无线传感器网络节点定位问题进行研究,提出一种基于IFOA优化DV-distance算法的WSNs定位方法。针对DV-distance算法定位精度低、噪声影响大,受限于网络拓扑结构等问题,将改进的果蝇优化算法(IFOA)引入到DVdistance设计中,实现了节点位置的精确定位,为进一步提高算法定位的精度,引入动态加权修正因子,并给出动态误差修正策略,最后对WSNs节点定位问题进行实验仿真,仿真结果表明,基于IFOA优化的DV-distance定位算法较DV-distance和传统定位算法在定位精度上有明显改善。     

一种基于粒子群算法的三维无线传感器网络定位方法

三维定位是无线传感器网络应用中一个需要解决的难题,将基于接收信号强度指示的测距方法由二维平面扩展到三维无线传感器网络空间,通过引入自适应权重和优胜劣汰思想,提出了一种基于粒子群算法的三维定位的方法。所提方法具有平衡全局和局部的搜索能力、收敛速度快的特点,理论分析和仿真结果表明,本方法具有良好的定位精度。     

基于矢量的无线传感器网络节点定位综合算法

基于DV-hop设计了一种节点的定位综合算法,并将其应用于移动节点.利用节点间估计距离和测量距离的差异构建位置校正矢量;通过改进的粒子群优化方法得到节点的校正步长;节点将其与位置校正矢量的乘积作为自身位置的校正值.通过仿真进行算法验证并分析了复杂度和有效性,结果证明该算法可以将DV-hop的定位误差下降75%,并且适用于稀疏网络.     

基于粒子群算法的无线传感器网络覆盖优化

传统无线传感器网络覆盖优化方法所选算法的结构不合理,使其覆盖能力、迭代能力和有效性无法维系网络基本功能,为此提出粒子群算法的无线传感器网络覆盖优化方法。通过构建无线传感器网络认知模型,将网络覆盖优化工作转化成求取目标物体最大覆盖几率问题,使用粒子群算法对模型进行编码,利用模型适应度函数给出的约束值对网络节点位置进行更新,实现对无线传感器网络覆盖率的优化。通过分析仿真实验结论可知,与传统方法相比,该方法具有更强的覆盖能力、迭代能力和有效性。     

无线传感器网络定位算法综述

无线传感器网络(WSN)是一个多学科的研究领域,具有很广泛的应用前景,其中,WSN的定位是非常重要的研究方向。介绍了国内外研究机构在WSN定位方面的研究进展,并对这些工作进行了归纳和总结。将每种定位算法按照需不需要测距分为两大类,而且在具体算法中讨论了其以下几个特征,包括:需要/不需要锚节点、集中式/分布式、固定/移动等。     

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。     

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.     

基于几何学的无线传感器网络定位算法

提出一种基于几何学的无线传感器网络(WSN)定位算法。把网络区域中的节点分为锚节点和未知节点,假设在定位空间中有n个锚节点,由于受到几何学的限制,实际可行的锚节点序列是有限的,因此利用一种几何方法判断锚节点间的位置关系,从而选取最优的锚节点序列,能够更精确地确定未知节点的位置,并且分析了待定位节点的邻居锚节点数量对定位精度的影响。仿真结果表明,与已有的APS(Ad-Hoc positioning system)定位算法相比,该算法可有效地降低平均定位误差和提高定位覆盖度。     

基于二次质心的无线传感器网络定位算法

节点的定位是无线传感器网络中的一种重要技术。提出了一种新的无线传感器网络定位算法——基于二次质心算法的定位算法,与以往的基于三边测量的加权质心方法不同,该算法改进了对未知节点位置的估算方法,一定程度上避免了因多次估算质心而产生的累积误差,提高了定位精度。仿真表明,该算法的定位精度较之前的三边测量方法提高了约19%。     

Path loss model based on exponential water cycle algorithm for wireless sensor network

Wireless sensor networks (WSNs) are frequently employed in the agriculture field to improve the quality and crop yield. The WSN might reduce the quality of the communication link because of the absorption, dispersion, and attenuation through the leaves of plants. Therefore, estimating the path loss due to signal attenuation before WSN deployment is crucial for the smooth operation of the network. In this research paper, three innovative path loss models are defined based on the MATLAB curve fitting tool: polynomial water cycle (PWC), exponential water cycle (EWC), and Gaussian water cycle (GWC) algorithm. Here, the path loss between the router node and the coordinator node is modeled on the basis of the received signal strength indicator (RSSI) and time of arrival (TOA) measurements in a sugarcane field. The correlation coefficient between the RSSI measurement and the distance must be increased to create a precise path loss model. This paper integrates the exponential, polynomial, and Gaussian functions with the water cycle algorithm (WCA) to evaluate the optimal coefficients that would lead to precise path loss models. The performance of the proposed models that determines the optimum linear fit between RSSI and distance is validated using the correction coefficient $R^2$. The results show that the proposed path loss model is superior to existing path loss models. The correlation coefficient $R^2$ of the proposed EWC model is 0.9993, whereas the existing PE-PSO, LNSM, and PSO-Exponential models yield 0.98, 0.87, and 0.93, respectively. Also, the proposed models attain the best mean absolute error (MAE) of 0.2187, 0.2951, and 0.3457 dBm for EWC, PWC, and GWC algorithms, respectively.     

Energy-optimized cluster head selection based on enhanced remora optimization algorithm in underwater wireless sensor network

With the technological advancements, wireless sensor network (WSN) has played an impeccable role in monitoring the underwater applications. Underwater WSN (UWSN) is supported by WSN but subjected to data dissemination in an acoustic medium. Due to challenging conditions in underwater scenario, the limited battery resources of these sensor nodes stem to a crucial research problem that needs to address the energy-efficient routing in UWSN. In this research work, we intend to propose an energy-optimized cluster head (CH) selection based on enhanced remora optimization algorithm (ECERO) in UWSN. Since CH devours the maximum energy among the nodes, we perform selection of CH based on EROA while considering energy, Euclidean distance from sink, node density, network's average energy, acoustic path loss model and lastly, the adaptive quantity of CHs in the network. Further, to reduce the load on CH node, we introduce the concept of sleep scheduling among the closely located cluster nodes. The proposed work improves the performance of recently proposed EOCSR algorithm by great magnitude which claims to mitigate hot-spot problem, but EOCSR still suffers from the same due to relaying a large magnitude of data.     

无线传感器网络中带复杂联盟的自适应任务分配算法

针对无线传感器网络任务调度的实时性及节点计算及能量受限的特点,根据任务截止期赋予任务优先级,优先考虑高优先级任务,设计了一个无线传感器网络中带复杂联盟的自适应任务分配算法。为尽最大努力确保任务在截止期前完成,对截止期较为紧迫的任务采用历史信息生成历史联盟,并执行快速子任务分配算法;而对截止期较为宽裕的任务,在满足任务截止期约束条件下,以节点能耗和网络能量分布平衡为优化目标,采用矩阵的二进制编码形式,设计了一种离散粒子群优化算法以并行生成联盟,并执行基于负载和能量平衡的子任务分配算法。仿真实验结果表明所构造的自适应算法是有效的,在局部求解与全局探索之间能够取得较好的平衡,并能够在较短的时间内取得满意解。     

基于PSO的无线多媒体传感器网络覆盖增强算法

在无线多媒体传感器网络(Wireless Multimedia Sensor Networks,WMSNs)中,由于节点部署的不合理,往往存在较多的监控盲区,影响了网络的服务质量。为了提高网络的覆盖率,在有向感知模型基础的基础上,提出了一种基于粒子群算法的WMSNs覆盖增强算法PSOCE。PSOCE算法以网络覆盖率为优化目标,以粒子群算法为计算工具,同时对节点的位置与主感知方向进行调整。仿真试验表明,PSOCE算法能够有效地改进WMSNs的覆盖质量,网络的覆盖率能提高6%～12%。     

无线传感器网络任务分配动态联盟模型与算法研究

为了延长网络生命周期,减少网络能量消耗和均衡网络负载,引入了动态联盟思想,构造了无线传感器网络任务分配的动态联盟模型,继而提出了一种基于离散粒子群优化的任务分配算法.该算法根据任务总完成时间、能量损耗以及网络负载状况,建立代价函数,结合粒子群优化算法,实现优化任务分配策略.引入了变异算子,在很好地保持了种群的多样性的同时提高了算法的全局搜索能力.仿真实验结果表明了该分配算法在局部求解与全局探索之间取得了较好的平衡,能有效减少无线传感器网络的计算时间和网络能耗,并有效地均衡网络负载.     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

基于改进蚁群算法的无线传感器网络路由

为了降低节点能量消耗,延长网络生存的时间,提出了一种改进蚁群算法的无线传感器网络路由机制。首先将无线传感器网络服务质量分为3类,然后利用蚁群算法可以自适应网络状况动态性的优势,构建传感器节点转移函数和信息素更新规则,自适应构建数据路由,最后采用仿真模拟实验对算法性能进行检验。实验结果表明,相对于与现有无线传感器路由算法,本文通过引入蚁群优化机理挖掘传感器节点之间的关联性,数据传输延迟、可靠性和能量开销上具有更好的性能,使整个网络性能保持最优。     

基于无线传感器网络的K均值算法研究

传统无线传感网一般由大量密集的传感器节点构成,存在节点计算能力、能源和带宽都非常有限的缺点,为了有效节能、延长网络寿命,介绍了基于聚类的K均值算法.该算法通过生成的簇头节点散播到网络的各个区域中,减少了每个区域内通信的能耗和可能会出现的一般节点过早死亡的情况,从而避免了网络对该区城提早失去监控.实验证明,该算法对各节点...