基于三角形斯坦纳树的分区连通性恢复算法

无线传感器网络中的节点由于自身能量的消耗,及外部因素影响会导致节点出现大规模的失效,从而把无线传感器网络分割成几个独立的不能相互通信的分区。为恢复网络,重建分区之间的通信链路,提出基于三角形斯坦纳树连通恢复算法。该算法首先利用传统算法实现分区连通,然后通过构建三角形斯坦纳树以减少部署的中继节点数量。与现有的一些算法相比,该方法形成的网络拓扑不仅减少了部署中继节点的数量,能够使分区重新连通,而且能够减少网络通信的能量消耗。实验结果表明,所提方法相对于传统算法在构建网络拓扑时更加有效。     

基于多元高斯混合模型的离线指纹数据库

针对室内环境下单次采样测量值的波动变化及信号间的相互干扰,该文提出一种基于分区多元高斯混合模型(MVGMM)的室内定位系统.根据信号接入点(AP)铺设位置与空间结构,系统采用一对多支持向量机算法对目标区域做分区操作,以精确信号变化的区域范围.利用狭小分区内信号间的耦合关系,建立基于信号间相互干扰的多元高斯混合模型,以改善信号波动所造成的定位精度下降.当室内环境发生变化时,基于分区多元高斯混合模型的自适应更新算法可对各分区指纹数据的可信度做出判断,并以自适应算法更新信号波动较大分区的模型参数,提高模型与现有环境间的耦合程度.实验结果表明,该文算法可利用相对少量样本数据,构建稳定可维护的室内信号分布模型,相较于其他算法,其定位精度也有一定程度提高.     

基于信道排序的认知频谱分配算法

针对认知传感网中均衡能耗的频谱分配问题，提出了一种适应信道的改进遗传算法(Adapt channel improved genetic algorithm, ACGA)进行频谱分配。为改良遗传算法中传统交叉方法运用于频谱分配问题时面临的交叉失效等问题，采用一种基于信道排序的交叉方案，以信道排序的增益作为交叉的限制，并利用个体相似度进行交叉基因的选取。为增加遗传变异的可靠性，采用了一种混合变异方案，利用博弈对个体进行良性变异，同时组合传统变异以控制种群的整体进化方向。仿真实验表明，相比传统的遗传算法，所提算法有着良好的寻优能力，可以有效降低网络的周期能耗。     

Voronoi图在无线传感器网络栅栏覆盖中的应用研究*

Voronoi是计算几何学中的一个重要图结构,将其引入到无线传感器网络的覆盖控制中,特别是栅栏覆盖(barrier coverage)的研究中有着极其重要的指导意义.利用Voronoi图的划分,可快速搜索出传感器网络中的覆盖漏洞,在仅考虑邻近传感器节点影响的宽松覆盖要求下,论证出利用该图生成的最小暴露进攻轨迹逼近于理想情况;但由于Voronoi的划分仅仅是一种粗略的轨迹线段的集合,会造成该方法对网络拓扑情况相当敏感,这将一定程度上限制其应用范围.     

利用常系数乘法器设计高效FIR滤波器

介绍了一种用常系数乘法器 (KCM )来设计FIR滤波器的方法。详细阐述了FIR滤波器的结构、设计过程及其用KCM设计方法的优越性     

异构传感网中基于扇区均衡的层次路由设计

泛化存在的异构传感网，在分簇及路由过程中，通常面临负荷盲从、能耗不均的“热区”问题，提出了一种以扇区均衡为基础，逐层引导的路由算法(Even Sector Hierarchical Routing algorithm， ESHR)。改变单一物理空间的均匀切分，建立热区层、层内、层间多角度下的约束，设计出以参考节点负荷和通信能力为依据的可扩展扇形划分方案，确定扇区各指标的量化表达，从网络系统级上避免了单簇跨度过大的能耗隐患，除侧重能量考量外，引入平均邻居跨度、基站跨度、扇区信息作为簇首和候选路由的依据，构建了具有网络普适性的定向层次路由，改善通信效率和避免能量塌陷的同时，以稳定的节点单体能耗实现了整体网络的寿命延长，经与三种同类型分簇算法的随机可重复性对比实验，分布式的ESHR在能量的利用率、均衡性和稳定性方面均具有明显优势。     

基于多元高斯混合模型的离线指纹数据库

针对室内环境下单次采样测量值的波动变化及信号间的相互干扰,该文提出一种基于分区多元高斯混合模型(MVGMM)的室内定位系统。根据信号接入点(AP)铺设位置与空间结构,系统采用一对多支持向量机算法对目标区域做分区操作,以精确信号变化的区域范围。利用狭小分区内信号间的耦合关系,建立基于信号间相互干扰的多元高斯混合模型,以改善信号波动所造成的定位精度下降。当室内环境发生变化时,基于分区多元高斯混合模型的自适应更新算法可对各分区指纹数据的可信度做出判断,并以自适应算法更新信号波动较大分区的模型参数,提高模型与现有环境间的耦合程度。实验结果表明,该文算法可利用相对少量样本数据,构建稳定可维护的室内信号分布模型,相较于其他算法,其定位精度也有一定程度提高。     

基于SBWS_GPR预测模型的不确定性多数据流异常检测方法

针对实际系统中采集的数据流的不确定性,给异常点检测与修正带来了现实挑战。因此,根据滑动基本窗口采样算法(sliding basic windows sampling,SBWB)与高斯过程回归(Gaussian process regression,GPR)模型的特性,提出了基于SBWS_GPR预测模型的不确定性多数据流的异常检测方法。在基于时间序列采集的历史数据集中,引入索引号,对历史数据集进行聚类,分析数据集与索引号的映射关系,将实时获得的输入数据流通过滑动窗口匹配,实现对单数据流的异常点检测与修正。再利用输入、输出数据间的相关性,基于GPR建立预测模型,比较实时观察的输出数据流与预测模型的输出数据流,最终从输入、输出两种不同通道实现多数据流的异常检测与修正。     

基于骨干多边形的传感器网络分区双连通恢复算法

针对现有算法恢复分区连通性存在容错性差的问题,提出了分区双连通性恢复算法DCRA。该算法旨在网络中心区域构建骨干多边形,分区以两条互不相交的路径与多边形连接,从而实现分区间的双连通。仿真实验表明,与现有一些双连通算法相比,所提算法不仅减少了部署中继节点的数量,而且算法的运行时间能够减少60%左右,可以快速确定部署的中继节点位置,从而快速恢复分区连通性。