一种水声传感器网络容错定位算法

针对由于分组冲突和信号噪声造成测距数据包损坏,导致节点间距离测量缺失从而定位性能下降的问题,提出了一种能够容忍测距包损坏的定位算法。首先,设计了一种高效的节点间距离测量值收集机制,并构造具有部分观测值的平方距离矩阵;然后,利用平方距离矩阵固有的低秩结构,将矩阵的恢复补全转化为一个正则化的低秩矩阵分解问题,并设计了一种改进的Newton-Raphson方法进行优化求解;最后,基于恢复矩阵内的距离测量值,应用多维标度技术对所有节点进行定位。仿真结果表明,该算法在定位精度、定位覆盖率和稳定性等方面均优于其他对比算法。     

WSN定位中的RSSI概率质心计算方法

针对最小二乘综合定位精度不高与极大似然估计定位计算量大的问题,提出基于接收信号强度指示（RSSI）模型概率质心的定位方法.该方法采用在一定显著度下的锚节点定位环重叠区域代替整个无线传感网络（WSN）的分布区域,以重叠区域概率密度质心作为未知节点位置的估计.通过实验仿真获得2种方法在锚节点标准差存在差异时的定位误差曲线,对比结果显示,该方法的定位精度高于最小二乘定位方法,验证了该算法优于最小二乘定位算法.研究表明,该方法具有与极大似然估计相同数量级的定位精度,但计算量减少95%～97.5%.     

基于粒子群进化的输电网络WSN节点定位算法

为了提升WSN的定位精度,提出了一种基于粒子群进化的定位算法,以应用于输电网络中的节点定位.该算法通过区域估计,缩小并限制传感器节点的预估计区域空间,并应用粒子群算法快速寻找节点定位的最优解.通过引入权重自适应的机制,加快节点定位的搜索速度,并提升算法的搜索能力.结果表明,该算法有效增强了WSN节点定位的精度,降低了计算复杂度,为输电网络的无线传感器网络提供更高效准确的定位服务.     

基于非对称广义中心化矩阵的多维尺度定位算法

在无线传感器网络定位问题中,传感器节点间距离并不能全部直接测量,一般通过多跳距离进行最短路径估计.就经典多维尺度(Multidimensional Scaling,MDS)算法而言,其定位精度受距离估计精度的影响较大,少量误差较大的距离估计会极大影响定位结果.为了减少"错误"距离估计的影响,提出一种基于非对称广义中心化矩阵的多维尺度定位算法.该算法提出一类非对称广义中心化矩阵,并研究了中心化矩阵对定位误差的影响,从而选择有助于抑制"错误"距离的中心化矩阵提高定位精度.通过改变中心化矩阵中元素的权重,可以显著提升部分节点相对位置的定位精度.实验结果表明,与经典MDS算法相比,基于非对称广义中心化矩阵的MDS算法打破了原来中心化矩阵的局限性,可以有效减小距离估计误差对定位的影响,提高节点的定位精度.     

基于罚函数与水波优化的WSN定位算法

为了提高启发式定位算法的搜索效率和定位精度,提出了基于罚函数和水波优化的无线传感器网络（WSN）定位算法.首先利用bounding-box方法构造罚函数,提高算法搜索的效率和定位精度;然后利用动态学习策略对传统水波优化算法的传播阶段进行改进,促使个体对周围优秀个体的学习,并通过动态波高提高个体在后期局部搜索的概率,进一步提高搜索效率和求解精度.仿真结果表明,罚函数策略与改进水波优化算法能提高搜索效率和定位精度,所提出的算法在WSN节点定位上有较好的可行性和有效性.     

非均匀噪声环境下基于矩阵补全的DOA估计方法

针对传统的信号波达方向（DOA）估计算法无法适用于实际应用中非均匀噪声、数据不完整等情况的问题,提出了一种结合矩阵补全理论和最大似然交替投影算法的DOA估计方法。在背景噪声为非均匀噪声的情况下,该方法通过对只有部分元素已知的阵列协方差矩阵进行矩阵补全,将稀疏矩阵重构为无噪声协方差矩阵,然后利用最大似然交替投影算法实现对DOA的估计。实验仿真表明:该DOA估计方法能够有效恢复不完整数据并抑制非均匀噪声的影响,而且在低信噪比条件下,仍具有较好的DOA估计性能。     

基于Rough set理论的无线传感器网络节点故障

提出了一种无线传感器网络（WSN）节点故障诊断的新方法，首先基于粗糙集理论中改进的可辨识矩阵算法得到故障诊断决策的属性约简；然后通过属性匹配的故障分类算法，建立一套WSN节点故障诊断方法，对WSN节点的各个模块分别进行具体的故障诊断和定位. 仿真实验表明，该方法在WSN节点故障诊断时通信代价小、能量消耗低、诊断准确率高，因而具有在能量有限的WSN节点中应用的可能性.     

基于多元变量泰勒级数展开模型的定位算法

传统Taylor级数展开模型只考虑未知节点和锚节点之间的距离,没有考虑未知节点之间的距离,定位信息不够全面,从而导致定位精度不高。为了进一步提高定位精度,该文提出了一种新的基于多元变量Taylor级数展开模型的定位算法。首先考虑未知节点之间的距离信息,建立新的基于多元变量Taylor级数展开的定位模型。然后,在对新的定位模型求解过程中,采用粒子群算法对未知节点进行定位,获得其位置的初始值。再根据加权最小二乘法求出新模型的解,作为未知节点的估计位置。最后,为评价该算法的性能,对定位结果的克拉美罗界（CRLB）进行推导。仿真结果表明基于多元变量Taylor级数展开模型的定位精度更高,定位误差接近CRLB。     

基于随机游走的无线传感器网络节点定位方法

为提高无线传感器网络中的节点定位精度,提出一种自适应随机游走模型的节点定位算法.首先将随机游走应用于网络拓扑结构连通性中,构建节点间相对距离模型,并设计自适应算法,提高该模型有效性;然后通过将该模型嵌入经典定位算法distance vector-hop（DV-Hop）中实现系统节点定位工作.仿真和实验结果表明,该算法具有良好的鲁棒性和定位精度,误差比DV-Hop算法减少了20%~30%.     

WSN杂交粒子群优化定位改进算法

确定无线传感器网络(WSN)中节点的位置是网络初始化阶段首要任务之一,杂交PSO定位算法(Hybrid Particle Swarm Optimization,HPSO)可以通过父代粒子杂交产生性能较好的子代粒子,加速收敛,其定位精度明显优于其他PSO算法,因而成为近年来研究的热点之一。然而,杂交PSO定位算法存在计算量大、定位时间长等问题,针对这些问题,提出一种改进杂交PSO定位算法(Improved Hybrid PSO,IHPSO),在交叉和变异过程中引入粒子集中度和粒子平稳度两个概念,并加入选择机制和排队机制,加快算法的收敛度,同时有效地提高算法的定位精度和定位时间。     

遗传-禁忌搜索优化的三维DV-Hop定位算法

为进一步提升无线传感器网络的定位精度和稳定性,提出了一种利用遗传-禁忌搜索法改进的三维distance vector-hop （DV-Hop）定位优化算法（TDGT）.首先利用最优跳数、跳数调整因子以及锚节点距离误差加权值对DV-Hop中的节点间跳数和平均跳数进行改进和修正,降低了算法的定位误差;其次将具有快速搜索能力的禁忌搜索引入遗传算法中进行寻优,提升了算法的搜索效率和定位准确性.仿真结果表明,TDGT与现有的无线传感器网络定位算法相比,具有更佳的寻优搜索能力、定位精度和稳定性.     

使用改进灰色模型的WSN数据压缩方法

针对数据压缩方法计算复杂度高、压缩效率和数据恢复准确率较低的情况,提出一种基于簇头-基站分离式结构的无线传感器网络（WSN）数据压缩方法.该方法在WSN单层分簇结构的基础上,首先要求感知节点等时间间隔采集数据,并分段发送;然后采用原有空间相关性数据压缩方法对簇头节点接收的数据进行空间噪声及冗余的消除;最后在基站采用改进的灰色模型进行数据恢复.另外,通过实验分析不同段长及压缩率情况下,灰色模型、灰色马尔可夫链模型以及改进的灰色模型对数据的恢复效果,给出算法的最优模型和段长.仿真结果表明,提出的方法较已有线性类WSN数据压缩方法可显著提高压缩精度和效率.     

基于RSSI的四边测距改进加权质心定位算法

该文根据接收信号强度指示的测距特性,改进四边测距,并提出一种改进的加权质心定位算法。首先引入统计中值加权的方法,有效地降低了采集RSSI信号时的测量误差。然后运用Euclidean节点定位算法,改进四边测距算法。为进一步提高精度,对WSN定位技术中关于未知节点近似位置的算法做了修正,并对加权质心定位算法中的加权因子进行了优化,使未知节点的定位精度更加精确。相比之前的许多加权质心定位算法,仿真结果表明,改进的质心定位算法在定位精度方面有很大的提高,鲁棒性也较高。     

基于加权质心算法的无线网络节点定位方法

为了提高无线传感器网络节点定位技术准确性,提出了改进的加权质心算法节点定位方法,以常态方程代入解得坐标后的误差倒数作为权值,并利用权值差别处理具有不同定位误差的不同定位结果,较小误差的倒数对应较大的权值,较大误差的倒数对应较小的权值,来提高定位准确性.通过对传统质心算法和改进加权质心算法进行MATLAB仿真,估测出定位节点的位置坐标.仿真结果表明,改进加权质心算法相较传统质心算法具有定位精度高、用时少等优势.     

基于相交度比的无线传感器网络迭代定位算法

为提高免测距无线传感器网络节点定位算法的性能,针对免测距定位算法利用最小跳路径距离替代节点间欧氏距离,和信标节点近似共线引入较大定位误差的缺陷,提出基于相交度比的无线传感器网络迭代定位算法,首先利用定位单元拓扑分布质量函数选择1-跳邻居参考节点,组成高质量的定位单元;其次采用基于相交度比的距离计算估计距离精度;最后采用双曲线定位方法减少误差.仿真结果表明,在节点均匀随机部署,非均匀C-型分布的网络场景中,与DV-Hop、Amorphous等已有改进算法相比,新算法具有更小的定位误差,可提供更加精确的传感器节点位置.     

一种基于主成分回归的DV-Hop定位方法

DV-Hop定位算法是一种被广泛运用的定位算法。在各向同性的密集网络中,DV-Hop可以得到比较合理的定位精度,然而在实际分布的网络中,它的精度受到噪声和信标节点之间几何关系的限制。主成分回归方法利用主成分分析方法对原先数据进行重新构造,删除部分主成分,从而消除部分噪声和多重共线性对回归精度、稳定性的影响。根据DV-Hop算法定位过程,在节点位置估计阶段运用主成分回归的方法对定位数据进行重新综合与提取,仅利用有效定位信息进行位置估计。仿真实验结果证明该改进后的算法同样具有原先算法优良特性,且定位精确度有所提高。     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

基于全局人工鱼群算法优化的DV-Hop定位算法

无线传感器网络具有大规模、自组织、可靠性、以数据为中心、集成化等特点,被广泛应用于军事、医疗、矿山监测、安全生产等领域。然而现有的无线传感器网络非测距定位算法还存在定位偏差较大问题。针对上述问题,本文提出一种基于全局人工鱼群算法优化的DV-Hop（Distance Vector Hop）定位算法（DEWF-D）。该算法对非测距定位算法中的DV-Hop算法出现误差的步骤进行优化处理,通过减小算法过程中出现的误差,最终得到较为精准的定位坐标。首先使信标节点以两种不同的通信半径传递消息,将跳数进行精确化处理,以减少跳数带来的误差,然后用最小均方误差准则和误差加权方式计算平均每跳距离,最后利用人工鱼群算法替换三边测量法进行坐标计算,同时又在人工鱼选择下一个位置时引入全局最优信息,并引入人工鱼的吞食行为,提高人工鱼群算法的精度以及收敛速度。通过仿真验证,在不同信标节点密度下,本算法与DV-Hop算法以及其他算法相比定位精度分别提升28.3%、6.9%、12.5%,而在不同通信半径下,定位精度提升了24.4%、7.6%、14.8%。证明DEWF-D算法能有效提升定位精度,解决了定位算法中出现的定位偏差较大问题。