无线传感器网络中一种新的分布式定位方案研究

Node localization in wireless sensor networks (WSN) is treated as a functional dual of target tracking from a novel perspective in the paper. Different from the traditional tracking problem in WSN, using the static location-ware node to estimate the moving target, the mobile node is used to help unknown nodes to accurately discover their positions. A new node localization scheme virtual beacons-energy ratios localization (VB-ERL) and its refinements for the WSN are presented. In the scheme, the mobile node moves in the surveillant field based on the Gauss-Markov mobility model and periodically broadcasts the information packets. Each static unknown node receives the virtual beacons and energy in its sensing range, and estimates its location by finding the intersection of a set of hyper-spheres. Simulation results show the proposed scheme is efficient.     

Efficient Learning of Relational Object Class Models

We present an efficient method for learning part-based object class models from unsegmented images represented as sets of salient features. A model includes parts’ appearance, as well as location and scale relations between parts. The object class is generatively modeled using a simple Bayesian network with a central hidden node containing location and scale information, and nodes describing object parts. The model’s parameters, however, are optimized to reduce a loss function of the training error, as in discriminative methods. We show how boosting techniques can be extended to optimize the relational model proposed, with complexity linear in the number of parts and the number of features per image. This efficiency allows our method to learn relational models with many parts and features. The method has an advantage over purely generative and purely discriminative approaches for learning from sets of salient features, since generative method often use a small number of parts and features, while discriminative methods tend to ignore geometrical relations between parts. Experimental results are described, using some bench-mark data sets and three sets of newly collected data, showing the relative merits of our method in recognition and localization tasks.     

基于耳廓参数与面部特征相结合的人耳识别

针对外耳轮廓特征与人脸五官的比例关系,提出一种基于耳廓几何参数与面部结构特征相结合的生物鉴别方法。该方法将外耳轮廓与人脸某些特征相结合,如特征向量中包括人耳宽度与两眼瞳孔之间的水平距离之比、人耳高度与眼睛和嘴之间的垂直距离之比。实验结果表明,该算法简单、可操作性强,对数据采集设备及采集条件要求较低,识别率较高。     

基于ZigBee技术的铁路站场集装箱追踪定位的研究

为了在基于ZigBee技术的铁路站场无线网络中实现对安装在集装箱上的无线节点的定位,研究设计一种采用接收信号强度指示（RSSI）值来进行无线节点位置的定位：采用一个未知节点向周围存在的ROUTER参考节点发送并接收确认的数据采集机制．通过对3个最近ROUTER的参考节点进行RSSI值采集与处理,从而实现对目标节点的定位。通过实验,验证了该数据采集和位置估算定位方法的有效性。     

网络故障诊断关键技术

由于网络故障不可避免,这就要求对网络出现的故障进行管理。但是网络故障信息通常表现出复杂和不确定性的特点,要准确的对故障进行检测和定位是相当困难的,特别是故障定位。重点分析了故障定位的原理基础上．介绍了利用专家系统、神经网络和贝叶斯网络等人工智能技术,对症状和故障之间的因果关系进行推理的故障定位技术。     

一种无线传感器网络四边测距定位算法

根据RSSI测距特性,在三边测距定位的基础上,提出了基于RSSI值测距的四边测距定位算法,突破了三边测距定位的局限性。为进一步提高精度,采用了求质心和加权质心的方法,并用C++实现仿真比较,仿真结果表明:加权质心算法具有较高的精度,整个定位过程中节点间无需额外的通信开销,具有广泛的实用性。     

基于Tikhonov正则化的WSN多边定位算法研究

节点定位是无线传感器网络实现监测和跟踪的一个重要前提.针对多边定位中的不适定问题.提出了一种基于Tikhonov正则化方法的定位算法,研究了定位模型的建立、正则化参数的选取方法以及最优定位参考点数的选取等问题.实验结果表明本算法与典型的极大似然估计法相比,较大幅度地提高了定位精度,当a值选取600,采用5个参考节点时,定位精度可达到1米.     

基于均值漂移和联合粒子滤波的移动节点定位算法

针对无线传感器网络移动节点定位面临的高精度和实时性要求,把均值漂移算法引入联合粒子滤波(Joint ParticleFilter)框架.提出了基于均值漂移和联合粒子滤波的移动节点定位算法.它使用均值漂移算法构建粒子滤波的建议分布,通过有效利用最新观测信息,提高粒子状态估计的准确性,使得采样粒子的状态分布与后验概率分布更接近,减少了状态估计必需的粒子数目.该算法还提出了基于虚拟海明距离和交互势的权重计算方式,减少相邻移动节点间的干扰.仿真实验结果表明,基于均值漂移算法和联合粒子滤波的移动节点定位,可获得比基本粒子滤波更高的定位精度,其定位精度与无味粒子滤波(Uscented Particle Filter)相当,而计算开销比无味粒子滤波减小至少50%.     

基于声发射和神经网络的复合材料冲击定位

为了提高复合材料结构冲击定位的精度和实时性,基于声发射和神经网络技术,提出了复合材料结构冲击定位两步法,以压电陶瓷（PZT）和自制信号采集系统替代商用声发射仪器,实现了一种能够高精度、实时、在线监测冲击的系统。用小波变换求出原点处冲击源传播到各传感器的波达时间差,用这组时间差修正其他位置上的冲击源到达各传感器的波达时间,利用修正后的波达时间,根据四点圆弧定位算法得到冲击源坐标,实现初步定位;将所求出的位置坐标作为神经网络的输入,训练之后的神经网络可以准确预测冲击位置,实现精确定位。在复合材料板上的试验表明：该方法能快速、准确地识别出冲击位置。     

近邻表:RSSI辅助的一维无线传感网络相对定位

在无线传感器网络中,相对定位是指寻找节点之间的相对位置而非绝对位置.考虑一维无线传感器网络的相对定位问题,提出了一种近邻表算法,该算法通过使用近邻表来刻画每个节点的位置,这个表中包含了所有节点,并以它们到指定节点的距离排序.实际网络中的数据分析验证了距离上的差别在大多数情况下可由接收到的RSSI值之间的差别来反映.因而,近邻表可以通过比较RSSI值来获得.最后,算法通过寻找一维拓扑中的端节点来得到所有节点的相对位置.验证了算法在实际环境中的可行性.