基于粒子群优化的大规模传感器网络节点调度策略

针对资源受限条件下大规模无线传感器网络中协作目标跟踪问题,提出一个基于粒子群优化的节点调度方案.该方案利用高斯粒子滤波算法和方差交叉融合算法获得目标状态预测信息,进而选择下一时刻簇成员节点,并构造了通信能耗的代价函数,利用粒子群优化方法选择最佳的簇头节点,减少了节点调度的计算复杂度,同时保持了较好的跟踪精度.仿真结果验证了所提出方案的有效性.     

一种基于波动类型识别的路由节点行为预测算法

路由节点行为预测可以为网络安全管理以及路由行为评估机制等提供重要的决策依据,而现有的路由节点行为预测算法存在诸如依赖专家经验、对样本要求较高以及在节点行为波动较大的情况下预测准确度下降等问题.为克服上述问题,该文在灰色预测模型的基础上提出了一种路由节点行为预测算法,该算法将路由节点行为序列中的波动类型被分为突发波动和迁移波动,结合Markov预测模型实现波动类型识别,随后基于不同的波动类型设立相应的未来行为值预测方法:对于突发波动,预测方法基于平滑级比序列的灰色预测结果;对于迁移波动,预测方法基于路由节点行为序列的灰色预测结果.最后,使用Markov模型对预测结果进行修正.实验结果表明,相比于已有的节点行为预测算法,该文的预测算法在预测精度上有较大提升.     

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。     

无线移动传感器网络节点自定位控制仿真研究

研究移动节点确认自身位置信息的节点自定位问题,传感器节点的移动部署和数据通信容易受外界环境的干扰,造成网络节点自定位精度低。为解决上述问题,提出了一种改进的灰色系统预测移动节点定位技术。改进方法采用跨层设计,利用灰色系统预测移动节点及其相邻节点移动状态和距离来实时地根据自身及相邻节点位置重新成簇进而实现移动节点自定位控制。仿真表明,提出的灰色系统预测模型能够有效地提高了移动节点位置计算精度,在算法时空复杂度和能效上可以实现合理的自定位控制。     

基于节点稳定度双路径应用层组播树构建算法

针对应用层组播树存在的稳定性的问题,在双路径组播方案的基础上,综合考虑节点度和节点在线时间对组播树构建的权重影响,定义节点稳定度,提出一种节点稳定度的双路径应用层组播树构建算法.在构建双路径组播树时,使节点稳定度高的叶子节点在第二棵组播树中距离源节点较近,并根据节点稳定度的改变动态调整双路径应用层组播树中节点的位置,使得节点退出或加入组播组时,不需要重新构建组播树也可以接收到传输的多媒体数据,从而降低组播树的中断次数,提高应用层组播稳定性,改善应用层组播的性能.通过计算机仿真,表明改进算法在组播节点动态改变时提高了组播树的稳定性,改善了性能,适合多媒体组播业务传输.     

无线传感器网络中移动节点的后验信号滤波定位法

无线传感器网络中移动节点定位面临着高精度和实时性的要求,针对蒙特卡洛定位算法MCL的不足,提出了一种信号滤波改进算法:后验信号滤波法PSFM.通过跟踪未知节点,有效利用最新观测信号,PSFM提取前后时刻共能感知的锚节点的信号范围,并筛除仅前一时刻的锚节点信号范围的样本点,重新设置并优化滤波区域,提高了定位算法的精度.新算法还提出了运用最大似然估计法对样本信息处理,推导移动节点的位置坐标.理论分析和仿真表明新算法和传统MCL算法相比,对节点的部署密度和移动速度有较低的敏感度,表现出良好的算法稳定性.在不同的锚节点密度下定位误差减少了46％～ 65％,运行时间减少了26％～45％.     

基于RSSI和改进MCL算法的移动节点定位跟踪设计

由于传统节点定位方法大多针对静止传感器网络,不能适用于网络结构和节点位置动态变化的移动传感器网络,提出了一种基于RSSI测距和改进的MCL(Monte Carlo Localization)算法的移动传感器节点定位跟踪方法;首先描述了经典MCL算法和接收信号强度RSSI测距方法,然后设计了一种改进的MCL算法,将传统的MCL方法预测粒子位置的过程即预测和滤波两个阶段,更新为锚节点TTL受控泛洪方式广播自身位置、采用拉格朗日插值法预测节点下一时刻的位置和速度、求取锚盒采样区域、k跳锚节点粒子滤波和根据预测下一时刻的节点位置和速度与当前时刻的位置信息确定各粒子权重的5个阶段;采用仿真器MCL-Simulator进行仿真,结果证明:文中方法能有效实现移动节点的定位,与其它方法相比,具有较小的平均定位误差,具有很强的可行性。     

基于最小二乘法的蒙特卡洛移动节点定位算法

针对无线传感器网络中蒙特卡洛移动节点定位算法的不足,提出了一种基于最小二乘法的蒙特卡洛移动节点定位算法。该算法根据运动的连续性,利用最小二乘曲线拟合的方法,推算出未知节点在下一时刻可能的位置区域,进行快速抽样和样本过滤。仿真结果表明:新算法在不同的网络连通度、不同的运动速度等情况下,均表现出良好的性能。     

基于带宽预测的流媒体超级节点选择算法

超级节点SGP的选择是影响P2P流媒体系统流畅性和播放质量的重要因素。针对P2P系统的特点,对传统随机选择算法进行改进,提出运用ELM极限学习机的节点选择算法ELM-SGP。通过对下一时刻节点带宽和CPU实时负载度进行预估,评定超级节点的综合可用性。普通节点根据SGP的综合可用性强弱进行选择,有效避免随机选择算法的盲目性和随机性,使系统能够稳定地为用户提供高质量的可靠服务。实验证明,相对于传统随机选择算法,ELM-SGP在系统的吞吐量上提高了7.74%、播放延时降低了44.4%、播放质量方面稳定保持在90%以上。     

无线传感器网络汇聚节点拥塞控制方法

针对无线传感器网络中汇聚节点的拥塞,设计一种基于灰色预估神经网络控制队列的控制器.利用RBF神经网络的自学习能力解决网络实时变化时算法参数的在线整定问题,并利用灰色GM(1,1)预测器有效地解决了在汇聚节点易发的大时滞对网络性能的影响.仿真结果表明该算法具有较好的鲁棒性.     

基于灰色马尔可夫模型的无线传感器网络目标跟踪算法

基于预测的目标跟踪是无线传感器网络目标定位与跟踪中很重要的一种方法,但在实际环境中由于目标运动模式的动态变化等原因,传统预测算法对目标位置的预测往往不准确。为了克服以上不足,提出了一种基于灰色马尔可夫模型的目标跟踪（GMMTT）算法。将具有震荡特点的Markov模型引入到分段灰色预测中,使目标定位既能获得较好的精度,又能适应目标运动模式的变化。预测得到目标位置后,当前跟踪节点将跟踪信息传送到目标下一时刻将要到达的预测区域,提前唤醒该区域内的节点,用尽可能少的节点实现目标有效的跟踪。实验结果表明：GMMTY算法在跟踪概率和跟踪精度方面具有较好的性能。     

基于ARIMA模型的Ad-hoc网络节点位置预测加权分簇算法

在加权分簇算法(WCA)中引入预测机制,即在算法的路由维护阶段嵌入时间序列模型(ARIMA),用以预测网络节点的地理位置。利用ARIMA模型实时预测出节点下一时刻的地理位置,并以此计算出节点的累计保持时间预测值。将通过预测得到的累计保持时间值与时间预警阈值进行比较,在簇结构即将不稳定时,即在链路断开之前,提前启动预修复过程,寻找新的路由,降低网络拓扑动态变化的影响,维护簇结构的稳定。仿真结果表明,相对于LO-WID以及没有加入预测机制的RLWCA,ARP-LWCA算法大幅度提高了网络的分组投递率,降低了网络的归一化开销,并且使得路由中断次数有了明显减少,改善了网络的整体性能。     

A novel data fusion scheme using grey model and extreme learning machine in wireless sensor networks

With the increasing presence and adoption of wireless sensor networks (WSNs), the demand of data acquisition and data fusion are becoming stronger and stronger. In WSN, sensor nodes periodically sense data and send them to the sink node. Since the network consists of plenty of low-cost sensor nodes with limited battery power and the sensed data usually are of high temporal redundancy, prediction- based data fusion has been put forward as an important issue to reduce the number of transmissions and save the energy of the sensor nodes. Considering the fact that the sensor node usually has limited capabilities of data processing and storage, a novel prediction-based data fusion scheme using grey model (GM) and optimally pruned extreme learning machine (OP-ELM) is proposed. The proposed data fusion scheme called GM-OP-ELM uses a dual prediction mechanism to keep the prediction data series at the sink node and sensor node synchronous. During the data fusion process, GM is introduced to initially predict the data of next period with a small number of data items, and an OPELM- based single-hidden layer feedforward network (SLFN) is used to make the initial predicted value approximate its true value with extremely fast speed. As a robust and fast neural network learning algorithm, OP-ELM can adaptively adjust the structure of the SLFN. Then, GM-OP-ELM can provide high prediction accuracy, low communication overhead, and good scalability. We evaluate the performance of GM-OP-ELM on three actual data sets that collected from 54 sensors deployed in the Intel Berkeley Research lab. Simulation results have shown that the proposed data fusion scheme can significantly reduce redundant transmissions and extend the lifetime of the whole network with low computational cost.     

灰色神经网络模型及其应用

灰色建模要求的样本点少,不必有较好的分布规律,而且计算量少,操作简便。而BP网络学习样本时,会反馈校正输出的误差,具有并行计算、分布式信息存储、强容错力、自适应学习功能等优点。本文将灰色预测建模和神经网络技术融合起来,建立灰色神经网络模型(GNNM)。提出计算残差序列和新的预测值的公式。用于发酵动力学预测,结果表明,灰色神经网络模型在预测精度方面优于常规灰色模型。该模型的算法概念明确,计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围。     

基于灰色神经网络的骨折愈合应力预测

在骨折愈合应力准确预测问题的研究中,骨折愈合受许多因素的影响,应力是主要因素之一。为了加快骨折愈合的速度和提高质量,及时了解骨折愈合过程中应力的变化趋势并调整加力的大小,就显得很重要。然而应力的变化是不确定的,用传统的观察法医生很难确定次日应力的大小,用单一的GM(1,1)模型预测精度也不高。根据神经网络能有效修正灰色预测模型的思路,提出了基于灰色系统理论及径向基神经网络的组合预测模型。先用灰色系统理论中的GM(1,1)模型,用已有的实测应力数据对次日的骨折断面应力进行预测,然后用实测值与预测值的差值训练神经网络,从而可以对灰色预测的值进行修正。实验结果表明:提出的应力预测的模型获得较高的预测精度,说明组合预测模型效果优于单一的灰色预测模型。     

面向航空自组网的节点失效波及影响分析模型

为有效分析航空自组网(AANET)中节点失效对整个网络造成的影响,并提高网络在发生安全事件之后的稳定性,提出一种面向AANET的节点失效波及影响分析模型.首先,根据AANET的主要业务建立有向加权业务网络,基于实时AANET建立以各类航空器为节点的无向加权物理网络,并通过业务?物理网络映射关系建立相依网络模型;其次,提...     

基于簇头预测的无线传感器网络节能算法

针对无线传感器网络寿命受节点能量制约的问题,提出基于簇头预测的节能算法。分析节点接收、发送和处理数据所需能耗与通信中数据包长度的近似线性关系,给出节能算法的能耗模型。以已有融合数据为基础,簇头利用灰色预测算法求出该簇的数据,降低簇头与非簇头节点的通信频率,使簇头以较低能耗延长其轮回周期。仿真结果表明,该算法能有效降低节点死亡速度,延长网络寿命。     

基于极端学习机的MANET移动性预测模型

针对移动自组织网络移动性在管理无线网络带宽资源可用性方面的重要性,为了更好地规划连续服务可用性和有效能源管理以提升网络的整体服务质量,提出了一种基于极端学习机的MANET移动性预测模型。利用ELM对MANET中的任意节点进行建模;假设已知每个移动节点当前的移动性信息（位置、速度和运动方向角度）,以这种方式预测节点未来的位置和相邻节点之间未来的距离;基于几个标准移动性模型,产生更加真实、精确的移动性预测,从而更好地捕捉任意节点直角坐标系之间现有交互/相关性。使用标准移动性模型的仿真结果验证了所提模型的有效性,实验结果表明,提出的预测模型明显改进了传统基于多层感知器的模型,此外,当预测相邻节点之间未来距离时,避免了当前算法对预测精度的限制。     

无线传感器网络路由协议的攻击检测模型

针对无线传感器网络自身特殊性和路由协议面临的攻击类型,提出了一个基于灰理论的分布联合的攻击检测模型(GADM)。该模型利用灰理论建模所需数据较少的特点,结合各节点分担检测任务的方法,可节约检测攻击行为所需耗能。通过各节点的数据采集、分析和节点间的联合检测与响应,预测攻击行为的发生,建立适合无线传感器网络特性的攻击行为预测模型,提高了路由协议的安全性,给出了检测模型框架和建模算法具体步骤,仿真实验证明该模型是有效的。     

融合多元影响力节点识别指标MPR的链接预测

多元网络通常是指节点之间存在多种维度链接关系的图结构.多元网络链接预测算法在构建相似度指标时,多数仅考虑单一维度网络的拓扑结构属性,未挖掘不同维度子网络之间存在的关联,影响链接预测的效果.针对该问题,提出一种基于多元全局节点影响力识别指标MPR的多元网络链接预测算法.通过定义一个多维度节点影响力排序指标MPR,度量多元网络空间中影响力较大的节点,并把影响力排名函数转化为潜在节点对之间的相似度得分,从而应用到多元网络链接预测场景中.在2个真实多元网络数据集上的实验结果表明,该算法的预测效果优于PR、EDC、ANC等对比算法,且具有较好的稳定性.