Implementation of an efficient extreme learning machine for node localization in unmanned aerial vehicle assisted wireless sensor networks

Accurate node localization in wireless sensor networks (WSNs) is an essential for many networking protocols like clustering, routing, and network map building. The classical localization techniques such as multilateration and optimization‐based least square localization (OLSL) techniques estimate position of unknown node (UN) from the distance measured between all anchor nodes (ANs) and UNs. On the other hand, node localization using fixed terrestrial ANs suffers from poor localization accuracy because the ground to ground (GG) channel link is not reliable. By contrast, the mobile anchor deployed in unmanned aerial vehicle (UAV) provides high localization accuracy through reliable air to ground (AG) channel link. Still, the nonlinear distortion introduced in the wireless channel makes the distance measurement noisy. This noisy distance measurement also limits localization accuracy of classical localization techniques. Hence, the highly nonlinear artificial neural network (ANN) models such as multilayer perceptron (MLP) models can be applied effectively for node localization in UAV‐assisted WSNs. However, the MLP suffers from slow training speed, which limits its usage in real‐time applications. So, the extreme learning machine (ELM) is found to be a better alternative because it works on empirical error minimization theory, and its learning process requires only a single iteration. The detailed simulation analysis supports the proposed ELM localization scheme in terms of both localization accuracy and computational complexity.     

Prolong network lifetime and improve efficiency in WSN‐UAV systems using new clustering parameters and CSMA modification

Since unmanned aerial vehicles (UAVs) have been introduced as mobile nodes for data gathering, wireless sensor networks (WSNs) have progressed considerably. The resulting WSN‐UAV systems are employed for emergency applications and also for remote monitoring purposes. WSN‐UAV systems yield an optimum data gathering method using the WSN. In the proposed method, the nodes' data are transferred using a remotely operated vehicle (drone) rather than the conventional data transferring methods like the direct and hop‐to‐hop data transmission approaches. Then, the gathered data are delivered in the pre‐determined destination point. WSN‐UAV systems, in fact, are a special case of the systems with the mobile sink in which the sink path is previously specified and controlled. In this paper, the effects of clustering parameters on the WSNs are studied; then, the network's lifetime is prolonged by applying some parameters. In addition, the network's performance is enhanced to some extent by assigning some changes in the media access control (MAC) layer. Also, the effect of drone's path pattern on the lifetime of the network is studied.     

无人机侦察图像运动模糊复原方法研究

无人机具有体积小、使用方便以及战场生存能力较强等优点,在军事领域中应用越来越广泛。无人机进行情报侦察时,成像设备与拍摄物之间存在相对运动,使得拍摄到的图像出现模糊,严重影响后期的情报处理,因此如何提高模糊图片的质量成为无人机情报处理中的重要课题。介绍了在无人机侦察这一背景下图像运动模糊的降质机理及成像特点,对运动模糊复原领域中图像非盲复原与盲复原两类方法进行研究,从算法原理和实际应用两方面对每种算法的优缺点进行了总结。最后对无人机侦察图像运动模糊复原算法的发展趋势做出展望,实时性、适用性与智能性将成为算法的主流发展方向。     

基于FPGA的多气体智能监测系统设计与研究

针对以无人机为搭载平台的气体监测系统,存在同步实时监测气体种类少、电路结构复杂、扩展性差等问题。文中提出以现场可编程门阵列（FPGA）作为主控芯片,将接口通讯功能、控制功能、数据缓存功能、数据处理功能集成在芯片内部,以多通道并行传输与处理的方式实现了多种气体的实时同步监测。实验结果表明,所采用方案正确可行,可完成对温湿度、PM2.5/10、二氧化氮、二氧化硫、臭氧等8种气体浓度的同步实时采集,单通道通讯速率为9600bit/s,气体浓度精度可达到1PPB,同时增加了系统的灵活性,有利于系统的拆装和扩展,且在硬件结构、体积、采集速率、数据实时性方面有所改善。     

一种海上养殖网箱的无人巡检方法研究

针对海上养殖网箱人工巡检的成本高、风险大的问题,以海上河鲀养殖网箱监测为应用背景,提出了一种无人化网箱巡检的新方法,该方法利用无人机俯视观测法,并结合日常网箱养殖状态信息,可高效地完成基础养殖数据采集任务。在无人机拍摄的视频数据基础上,提取关键帧,利用卷积神经网络HED(Holistically-nested edge detection )进行边缘检测作为图像预处理,起到降低图像冗余信息,得到清晰网箱边缘信息的作用,在此基础上将边缘图二值化并提取目标区域,提出了相应的自适应阈值选取规则,最后根据改进的Tamura纹理特征对网箱养殖区进行数据有效性的判断。该方法结合深度学习方法与传统图像检测技术,具有较强的环境自适应性和较高的准确性。最终以大连天正实业有限公司大李家红鳍东方鲀养殖场的养殖网箱作为实验对象,海上河豚养殖网箱提取的准确度为97%,信息的有效性判断准确度为97.1。     

基于深度学习的四旋翼无人机控制系统设计

针对传统四旋翼无人机控制系统受到外界干扰,无法及时躲避障碍物而导致控制精准度低的问题,提出了基于深度学习的四旋翼无人机控制系统设计。根据四旋翼无人机控制系统总体结构,加入超声波测距模块。依据系统硬件框图,采用TMS320F28335型号主控芯片,实现关键态势智能分析。以串级 PID 控制器的控制对象为无人机姿态角度,控制电机转速。根据DSP发出不同占空比的PWM信号,改变无人机飞行姿态,依据执行机构驱动原理,保证无人机飞行时的平衡状态。使用红外遥控系统,应用编/解码操控集成电路芯片,采用TS0P1738型号红外线接收器,适合于红外线遥控数据传输。构建深度学习目标控制模型,利用处突阵法与三角形相似原理,计算像素尺寸,获取障碍物距无人机当前位置距离,避免受到外界障碍物干扰。自适应扩展Kalman滤波器技术对无人机自动控制系统有效减小测量误差,准确地对机动目标进行追踪。由系统调试结果可知,该系统控制的俯仰角、航向角、横滚角与实际值一致,对处理突发性群体事件具有重要意义。     

基于无人机遥感影像的建筑物轮廓目标检测系统设计

使用?CCD成像元件系统和基于动态扫描检测系统受到噪声影响,导致轮廓检测不完整,为解决这一问题,提出了基于无人机遥感影像的建筑物轮廓目标检测系统设计。依据系统总体架构可确定系统分为数据采集模块和处理模块。选择TLC2543A/D转换芯片,使控制字从数据输入终端连续输入。使用半导体激光传感器测量位置信息,在雪崩光电二极管上成像。采用MCS-51单片机内部数据存储器,将正常运行程序传送到高层,以便?CPU读取程序。选择371-4615型号CPU板,协调控制整机。设计轮廓目标检测流程,采用激光三角法测量方法计算待测建筑物轮廓目标距离,避免检测背景噪声影响。提取建筑物斑块,拐角点定位,完成建筑物轮廓目标检测。由实验结果可知,该系统不会受到噪声影响,能够确定建筑物轮廓和拐角,对建筑物轮廓目标识别具有一定参考意义。     

多特征融合的异视角目标关联算法

目标关联在协同多目标探测中具有重要意义,受视角变换等因素的影响,传统目标关联算法在异视角目标观测情况下效果较差。本文提出了一种基于拓扑特征与颜色特征融合的无人机协同侦查目标关联算法,通过利用无人机提供的位置、姿态及其搭载传感器获得的多维特征数据,提取出目标的拓扑特征及颜色特征,并通过D-S证据理论融合多维特征,完成对异视角目标群的关联。实验表明,这种算法框架能够有效帮助无人机完成对目标群的关联任务。     

基于力传感的系留无人机定位方法研究

在无GPS或弱GPS环境下,系留无人机通常采用激光雷达或视觉进行定位,由于受距离和光线的影响,无法实现精准定位。针对该问题,提出了一种基于力传感的系留无人机绳缆定位方法。系留无人机在室内飞行时,绳缆的状态可等效于悬链线,通过建立系留无人机悬链线模型,可有效估计无人机所处空间位置。使用基于力传感器的无人机、硅胶绳缆、绕线机搭建测试平台,绳缆定位数据与MarveImind的Indoor“GPS”标定无人机的位置做误差对比分析。实验结果表明:基于力传感的系留无人机定位方法,相较于Fotokite Pro无人机绳缆定位方法,定位精度提升了70.86%。该定位方法的提出,有利于系留无人机在无GPS环境下的稳定飞行。     

无人机集群协同态势觉察一致性评估

无人机集群协同态势感知一致性是影响集群协同决策控制的重要因素,已有集群态势感知研究集中在多传感器态势数据融合,对态势感知一致性的讨论不充分,本文对集群协同态势觉察一致性评估方法进行设计.结合集群协同作战特点,分析集群协同态势感知一致性;建立集群协同态势觉察一致性评估模型,指出态势觉察一致性的可用情况;考虑战场信息的不确定性、指标的相关性等因素,提出基于非线性处理和指标变权的区间数形式下的态势觉察一致性计算方法.分析表明,与基于组合赋权的方法相比,本文方法在表示精度、差异度等方面有较好表现,可用于集群协同作战仿真和集群系统优化设计等研究.