模糊化的无线传感节点自适应定位算法

节点定位是无线传感网络的研究基础,具有重要的研究价值和研究意义.现有定位算法主要分为测距相关的算法(range-based)与测距无关的算法(range-free)两类.前者通常使用未经处理的、包含环境噪声的测距信号,导致其定位稳定性较差;后者常使用节点间的连通性信息,导致其定位精度相对较低.针对该现状,本文提出一种基于模糊处理的节点自适应定位算法(fuzzy localization, FL).FL算法首先收集有关测距信息,然后对测距信息进行模糊化处理,最后采用自适应算法计算节点位置.FL算法对测距信息的模糊化处理,减少了环境噪声对定位的影响,提高了节点定位的稳定性;同时细化了通讯半径内的距离估计,提高了节点的定位精度;且自适应算法能对模糊化过程进行自适应控制,取得有效模糊化参数.实验结果表明,与DV-Hop算法和Spring算法相比,FL算法减少了约31%和6%的定位误差,且定位稳定性较好.     

基于教师-学生时空半监督网络的城市事件预测方法

离散时空事件预测是城市计算领域中的重要科学问题之一.现有工作主要聚焦于使用多样化的时空神经网络对城市动态特征与事件时空关联进行建模,且已经取得了一定成效,但仍然存在以下问题：首先,城市事件具有诱因多源和时空稀疏性,而这种时空稀疏性可能同时源于事件本身的稀少性和采集的不完整性,现有工作尚未能解决短期预测中的稀疏性挑战及零膨胀问题;其次,已发生事件倾向于继续向周边区域传播事件风险,但由于现有工作同质化了动态特征和事件之间的交互关联,因此其不能捕捉历史事件对未来事件风险带来的交互影响.鉴于此,为协同地利用事件标记信息和时空特征,本文提出基于教师-学生时空半监督学习框架以预测短期离散事件的时空分布.在教师网络中,为应对事件标记的稀疏性,本文在时空学习中引入半监督机制,提出基于自编码器的特征重建和时空方差异常描述引导的动态特征表示学习;在学生网络中,本文设计了特征-事件解耦的双管道学习机制,并提出时空衰减图卷积网络与长短期记忆网络来模拟事件在时空范围内发生的风险传播.此外,本文发展了时空多粒度预测机制,通过易学的粗粒度预测任务指导细粒度的高质量预测,最终实现粗-细粒度协同提名的离散时空事件预测....     

基于无线传感器网络的定位系统设计

无线定位应用需求日益增长,研究无线传感器网络的定位应用具有重要意义。首先介绍基于无线传感器网络的定位系统的软硬件结构,然后从能量消耗、网络通信量和可靠性等方面来分析和选择移动结点的工作方式,并提出了使信标结点实现动态快速组网、提高网络通信效率和通信链路稳定性等所采取的措施,最后给出了在TinyOS下传感器结点的程序结构和实现,以及在服务器端实现的改进的加权质心定位算法。     

一种基于Monte Carlo的移动传感网络精确定位算法

无线传感器网络作为一种全新的信息获取和处理技术,可以在广泛的应用领域内实现复杂的大规模监测和追踪任务.在传感器网络中,确定事件发生的位置或获取消息的节点位置是传感器最基本的功能和支撑技术.本文针对特定的应用场景,设计了适用于锚节点固定,节点自由移动的移动传感器网络的基于Monte Carlo方法的精确定位算法,并描述了其节点运动预测和位置选取模型,最后通过实验将本算法与以往研究成果中的代表性的移动传感器网络定位算法进行了模拟比较和分析.     

一种基于RSSI校验的无线传感器网络节点定位算法

由于事件发生的位置和获取信息的节点位置是无线传感器节点监测消息中所包含的重要信息,因此如何进行无线传感网络节点自定位成为了当前的一个研究热点.在过去权质心算法的研究基础上,本文提出了基于RSSI校验的无线传感器网络节点定位算法,利用固定节点之间的距离和RSSI值来校正移动节点与每个固定节点之间的权值,从而提高了算法的定位精度.实验结果表明,在相同实验环境下本算法的精度优于以往的权质心算法.尤其在平均定位误差方面,前者比后者改进了大约25%.