一种无线传感器网络定位实验系统设计与分析

建立面向无线传感器网络,应用的实验系统,对于WSN算法的研究与应用具有重要的意义.设计并建立一套用于WSN定位算法测试与分析的无线传感器网络定位实验系统,系统由硬件甲台和软件平台组成,硬件平台由Macaz节点、MIB600构成,自主开发的软件平台SNICI对数据进行处理并实时显示整个WSN的运行状态,具有一定的通用性和可扩展性.在实验系统平台上设计并完成了基于接收信号强度(Received Signal Strength Indicator,RSSI)的定位、跟踪的相关实验与研究,并测试和分析了系统性能.实验结果表明了该实验系统的可行性.实验系统的构建有利于对WSN定位算法进行测试、分析以及优化.     

基于近邻点数据库的室内定位技术研究

提出建立所有参考点的近邻点数据库的方法,使得原本只是待定位点与参考点之间单一的关系,拓展为待定位点与参考点和待定位点的近邻点与其他参考点之间的网状关系,充分挖掘利用了接收信号强度指示(RSSI)指纹数据库中有用的信息,有效避免了室内复杂环境的干扰.算法首先建立参考点的RSSI指纹数据库,求出每个参考点的K近邻点,建立近邻点数据库;求待定位点的K近邻点,然后从近邻点数据库中找出这K个近邻点的项中均存在的n个参考点;对得到的待定位点的K个近邻点和n个参考点的坐标加权求和,得到待定位点估计坐标.     

一种用于移动自组控制网络的QoS路由

为更好地将移动自组网络用于网络控制系统（NCS）,结合NCS的网络特性,提出了一种基于链路信号质量的QoS路由算法。主要QoS机制包括根据接收信号强度选择较稳定的路由;用Hello报文广播节点的预留带宽;中间节点为所有受影响的数据流修复路由、目的节点向源节点广播路由修复报文进行路由修复。NS2仿真表明当节点移动性强时,该QoS路由算法可有效减少网络的平均端到端时延和丢包率,提高控制系统稳定性。     

基于RSSI均值的无线传感器网络拓扑控制算法

针对采用接收信号强度指示(RSSI)值构建拓扑存在误差的不足,提出一种分布式拓扑控制算法RTC。该算法基于RSSI均值计算节点间双向路径损耗,从而判断两节点间是否存在每跳通信链路代价都小于直接通信链路代价的两跳路径,以构建局部优化拓扑。理论分析了算法的通信复杂度和网络连通性,仿真分析了其节能特性,结果表明RTC在降低网络能量消耗的同时延长了网络生命周期。     

基于三点定位与加权坐标的三角定位算法

针对传统的基于接收信号强度指示（Received Signal Strength Indication,RSSI）的三角定位算法产生的定位误差大和定位结果波动性大的问题,提出一种基于三点定位与加权坐标的三角定位算法。该算法对RSSI数据进行卡尔曼滤波操作,降低RSSI数据的波动性;将滤波后数据经过基于RSSI选取的三点定位算法,获取粗定位坐标;将获取的三个粗定位坐标基于加权坐标的三角定位算法得到待定位点坐标。实验结果表明,在RSSI-距离衰减模型拟合度为96%的条件下,提出的算法的最大误差为1.602 m,平均误差为0.880 m。     

基于时间序列启发式信息的室内轨迹跟踪算法

现有的无线传感器网络室内轨迹跟踪算法是通过定位形成轨迹的,没有利用一定空间范围内相邻信标节点RSSI定位信息在一段时间内的启发式信息.提出了基于RSSI时间序列启发式信息的轨迹跟踪算法,该算法构建基于定位信息时空关联特性的轨迹跟踪模型,对定位信息进行一维重构边界时间序列、二维重构区域统计量、移动最小二乘法检测分别得到动态时间窗口及与之匹配的区域信息及边界信息,在此基础上完成受启发式信息约束的动态时间弯曲轨迹跟踪,并对时空关联模型轨迹跟踪算法中定位信息融合处理的原理进行了严谨的数学论证.通过现场实验与仿真实验表明:该算法轨迹光滑、误差不累积、环境适应性好,相比现有方法基于启发式信息有效克服噪声的影响、减小搜索范围,提高轨迹跟踪的准确性.     

适用于事件触发的分布式随机目标跟踪方法

研究了一类基于RSSI（Received signal strength indication）测距的分布式移动目标跟踪问题,提出了一种适用于事件触发无线传感器网络（Wireless sensor networks,WSNs）的分布式随机目标跟踪方法.首先考虑移动机器人模型的不确定性,引入了带有随机参数的过程噪声协方差,应用改进平方根容积卡尔曼滤波（Square root cubature Kalman filter,SRCKF）得到局部估计;然后采用无模型CI（Covariance intersection）融合估计方法以降低随机过程噪声协方差带来的不利影响.该方法充分利用有模型和无模型方法的优势,实现系统模型和量测不理想情况下的分布式目标跟踪.基于E-puck机器人的目标跟踪实验表明,事件触发的工作模式可有效地减少能量消耗,带随机参数的滤波方法更适合于随机目标的跟踪.     

基于RSSI测距分析

节点定位是无线传感网络的核心支撑技术之一。为提高接收信号强度指示(RSSI)法的定位精度、消除路径散逸指数,提出一种基于锚节点的模糊C-均值(FCM)校正算法。该算法利用FCM模型对非敏感区的RSSI数据进行处理,筛选出RSSI较优值,并将已知2个锚节点之间的距离与测量得到的RSSI值作为参考,校正被测RSSI值对应的距离,消除路径散逸指数。仿真结果表明,该算法比统计均值模型具有更好的估计精度。     

研究片内多径分离技术在基于RSSI定位中的应用

无线传感器网络中基于接收信号强度指示(RSSI)的定位易受多径干扰。传统的基于RSSI定位方法主要通过增加测距样本来抵抗多径干扰,而在物理层研究抗多径干扰的较少。该文将片内多径分离技术应用于基于RSSI的定位中,通过抽取每个码片的第1个采样点进行相关解扩得到分离多径后的直达径,并求其功率得到抗多径干扰的RSSI值。理论分析其多径的分离能力,信噪比损失情况。最后通过仿真比较了传统方法与该文方法求得的RSSI值方差,该文方法在多径信道下的方差更小。     

A decision‐making approach for detecting the primary user emulation attack in cognitive radio networks

Cognitive radio network (CRN) is a promising technology, which enables secondary users to use the free spectrum channels without causing detrimental interference with the primary user (PU). Nevertheless, CRN is subject to numerous cyber attacks that have a negative impact on its performance. Among the CRN attacks, the primary user emulation (PUE) attack is known to be one of the malicious attacks threatening CRN security. Several attacks detection techniques, based on attacker localization, have been investigated in the literature. These techniques include the trilateration, received signal strength indication (RSSI), and network coding approach as well. However, most of these techniques do not consider the uncertainty related to CRN, which can be modeled by a cost function defined as a weighted sum of conditional probabilities. In this paper, a localization technique, relied on a trilateration computation and a Bayesian model, is proposed for PUE position detection purpose under uncertainty conditions assumption. Particularly, the estimation of PUE position is performed through trilateration method based on RSSI at the anchor nodes for the signal coming from either PU or PUE, whereas, the Bayesian decision model, based on a cost function, is involved to check the PU legitimacy. The simulation results show that the decision‐making approach "Security, productivity, Balancing" influences directly the zone of the PUE attack detection.