基于PSO-BP神经网络的煤矿井下自适应定位算法

提出了一种基于PSO-BP神经网络的煤矿井下自适应定位算法。针对传统的基于测距模型的定位算法易受煤矿井下环境干扰、测距误差大的问题,选择指纹匹配定位模型。针对煤矿井下环境强时变性,易增大实时采集的指纹信息与离线阶段建立的静态指纹数据库信息的匹配误差问题,将信标节点作为参考点的校准节点,以更好地反映参考点随环境变化的情况,避免增加额外的校准节点;在不增加硬件成本的同时,通过动态补偿法实时修正目标节点指纹数据,解决了指纹匹配定位模型自适应差的问题。匹配定位阶段采用PSO优化BP神经网络权值,以加速BP神经网络收敛,提高学习速度。实验结果表明,该算法更加适应随时间变化的煤矿井下环境,满足井下自适应定位要求。     

煤矿井下WSN能量均衡的节点部署算法研究

为避免井下节点由于能量消耗不均衡导致网络过早瘫痪,根据煤矿井下的巷道特性,提出了一种基于能耗均衡的节点部署算法。将井下巷道划分成面积相等的若干个簇,根据各簇所消耗能量的比值计算各簇内的节点部署数量。在每个簇内进行均匀部署,通过对井下巷道进行分区部署可均衡整个网络的能耗,使得网络中所有簇中的能量消耗成比例下降,尽可能使网络内所有节点的能量同时耗尽,以避免一些节点过早死亡。实验结果表明,该算法能够使网络的能量消耗更加均衡,有效延长网络生存周期。