无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法.在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪.算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计...     

基于分布式子空间方法的DOA估计

针对集中式子空间方法的DOA估计需要融合中心的问题,采用分布式子空间的方法进行DOA估计。分布式算法无需设置用于将所有节点的数据传递到数据融合中心的路由,仅有相邻节点之间进行通信,每个传感器仅仅估计其在子空间矩阵中所对应的行。仿真结果表明,分布式算法可以达到与集中式算法相似的性能,即能很好地跟踪信号协方差矩阵的主子空间,将其应用于DOA估计,能准确分辨出几个源信号。分布式算法解决了集中式算法数据集中处理所带来的难题,为大规模传感器网络的一些重要问题提供了解决方法。     

基于Unscented信息滤波器的分布式目标融合跟踪

针对无线传感器网络下的非线性运动目标跟踪问题,提出一种基于Unscented信息滤波器的分布式融合跟踪算法。该算法在信息滤波器框架下将Unscented变换与扩展信息滤波器相结合,有效地解决了运动目标和量测的非线性。在网络拓扑结构和通讯带宽的约束下,利用卡尔曼一致性滤波算法对所有传感器节点估计值进行分布式信息融合。仿真结果表明了该算法的有效性和优越性。     

有丢包的随机不确定参数系统的最优融合滤波

研究了有数据丢包的带随机不确定参数的多传感器系统的分布式最优(线性最小方差)融合滤波问题。首先,引入虚拟噪声,将原系统转化为等价的参数确定的有丢包的新系统。然后,进行状态扩维,得到新系统的各子系统的扩维状态的滤波估计、滤波误差方差和滤波误差互协方差。根据扩维状态与原系统状态的关系,求出原系统状态的各局部滤波估计、滤波误差方差和滤波误差互协方差。利用线性最小方差意义下的矩阵加权最优融合算法,得到原系统的分布式矩阵加权最优融合滤波器。理论分析和仿真算例都表明,融合滤波器优于每一个局部滤波器。     

带有乘性噪声的时滞系统多传感器信息融合

研究了带有乘性噪声的线性时滞系统的局部最优预报估计和全局最优线性加权信息融合问题。 通过虚拟噪声补偿技术,将该问题转化为一类带有未知时变噪声的随机系统的状态最优估计问题。基于等价系统的新息重组分析及Hilbert空间上的投影定理,给出局部最优预报器设计,进而通过求解与各单传感器子系统有相同维数的Riccati方程得到多传感器分布式全局最优加权信息融合算法。与集中式融合估计算法相比,该方法无需扩维。最后通过一个仿真实例证明该算法的有效性。     

分布式宽带合作频谱感知算法

针对传统宽带合作频谱感知中集中式频谱重构带来的网络通信负担重、重构复杂度高的缺点,提出了一种基于分布式子空间估计的非重构宽带合作频谱感知算法.该算法直接从欠采样数据中估计信号子空间,利用子空间的正交性实现频谱感知.为了获得空间分集增益,采用基于扩散自适应的分布式估计算法求解全局信号子空间.理论分析与仿真结果表明,该算法无需重构原始信号的频谱,运算复杂度低,全分布式的多用户合作提高了频谱感知性能,且具有更少的节点通信量.     

带网络攻击识别机制的传感器网络分布式滤波算法

研究了面向网络攻击的无线传感器网络的分布式目标估计问题.由于测量范围有限,网络中只有部分传感器能测量到目标,而且节点受到随机的攻击从而使得测量值被注入虚假信息.在此背景下,本文提出了基于攻击检测识别策略的改进分布式卡尔曼滤波算法.在该算法中,节点首先基于设计给出的攻击识别阈值来判断其是否受到攻击,生成识别因子;然后以估计误差协方差的迹最小为信息融合原则来设计一致性卡尔曼滤波算法,对处于监测域内的运动目标进行分布式状态估计.同时,分析了算法的收敛性,明确给出了网络估计误差均方有界的随机攻击概率的充分条件.最后用数值仿真验证了算法的有效性和优越性.     

一种基于多视觉传感器的刚体位姿估计方法

研究了基于多视觉传感器的移动刚体位置和姿态(位姿)估计问题,提出了一种基于自适应扩展卡尔曼滤波器(AEKF)的分布式融合估计方法以提升多视觉刚体位姿估计系统的运行效率。首先,基于多视觉传感器实验平台建立了系统的观测模型和刚体的运动学模型,继而将自适应扩展卡尔曼滤波器作为局部滤波器,提出了应用于多视觉位姿跟踪系统的分布式融合方法,提高了系统的运行效率。最后,通过实验验证了所提出方法的有效性和优越性。     

基于Petri网的无线自组织覆盖网络引导索引机制分析

为有效解决覆盖网络与无线自组织网络的协同问题,依据无线自组织覆盖网络模型,在移动节点本地路由的基础上,根据覆盖网络全局分布式算法提出引导索引机制(KIM),综合考虑节点所处的网络环境和本身状态,将运行在逻辑命名空间的覆盖网络协议和无线自组织网络路由协议相结合,以适应移动节点和网络拓扑的动态变化.利用Petri网对其进行形式化描述和建模,结果表明了KIM的正确性和完备性,在不增加额外开销的情况下,能进行可扩展、高效的节点查找定位和通信,适应动态的无线自组织网络环境.     

基于分布式融合的传感器网络拓扑配置

采用2种最优分布式异步航迹融合方法研究异步采样传感器网络的动态拓扑配置策略设计.其主要核心思想是：每一个传感器跟踪节点执行局部Kalman滤波,再将滤波估计结果传输到融合中心;融合中心利用各自不同的融合方式执行预测估计校准和最优递推加权融合,同时利用当前所有传感器信息的全局递推融合估计与系统精度要求的阈值进行实时比较,以决定是否终止或继续进行融合;实现下一时刻网络拓扑的动态配置和网络节能.基于特定的计算准则分析网络能量消耗,并通过计算机仿真验证算法的有效性.结果显示：2种方法都能实现异步采样多传感器网络的动态拓扑配置和节能,且最优异步融合配置方法的效果优于次优异步航迹融合方法.     

面向WSN的稀疏核学习机分布式训练方法

针对无线传感器网络（WSN）中,经过多跳路由传输训练数据到数据中心进行集中式训练时存在的高数据通信代价问题,基于L1正则化的稀疏特性,研究了仅依靠邻居节点间的协作,在网内分布式协同训练核最小均方差（KMSE）学习机的方法.首先,在节点模型与邻居节点间局部最优模型对本地训练样本预测值相一致的约束下,利用并行投影方法和交替方向乘子法对L1正则化KMSE的优化问题进行稀疏模型求解;然后,当各节点收敛到局部稳定模型时,利用平均一致性算法实现各节点稀疏模型的全局一致.基于此方法,提出了基于并行投影方法的L1正则化KMSE学习机的分布式（L1-DKMSE-PP）训练算法.仿真实验结果表明,L1-DKMSE-PP算法能够得到与集中式训练算法相当的预测效果和比较稀疏的预测模型,更重要的是能显著降低核学习机训练过程中的数据通信代价.     

信息节点分段寻优法在车间生产调度中的应用

为了解决当前离散制造企业车间生产系统作业计划与调度条理不清晰的问题,提出了一种信息节点分段寻优的生产调度方法.通过分析车间现场各生产要素的特征,把相关联的特征信息抽象成信息节点.应用信息节点描述生产过程,根据资源竞争的特点将整个生产过程划分为不同的阶段.在每个阶段,对相互影响、相互制约的信息节点进行组合优化,寻找到阶段性最优,直到生产过程结束,得到生产调度的最优解.信息节点分段寻优法的优点在于极大地降低调度问题的复杂程度,提高可计算性,在信息节点动态变动时,能快速得到最优调度方案.应用实例表明,信息节点分段寻优法是一种实用的动态生产调度方法,能较好地满足实际生产调度的需要.     

煤矿井下区间分段视距节点合作定位算法

针对煤矿井下长距离定位时节点信号波动大、非视距路径信号衰减严重造成定位精度低问题,提出一种区间分段式视距节点合作定位算法。该算法利用学习向量量化聚类将长距离信号传输区间自定义分段,利用分段阈值选择未知节点所属区间;把已定位出结果的未知节点视为其他未知节点的虚拟参考节点,实现所有节点信息相互交流,在节点筛选思想下,利用信道状态信息,克服多径效应来寻找视距路径节点,将近距离区间内的已定位视距路径节点代替远距离区间内的参考节点,减少远距离参考节点的使用。结果表明,与传统未分段、未寻找视距路径节点合作的算法相比,定位误差只有1.5m,精度提高率达到85%。     

基于MapReduce方法的分布式CTI系统

针对呼叫中心多技能组排队路由的资源互斥问题,提出一种基于MapReduce架构的分布式呼叫中心计算机电话集成系统( DCTI)。该系统采用分而治之方法实现座席的管理和呼叫路由处理的负载均衡,从而使计算机电话集成( CTI)的业务处理与路由处理都能进行分布式计算。在实际系统中的应用和实验结果表明,DCTI系统可以将CTI的负载线性地分布到N个节点。     

面向无线移动Mesh网络的路由节点移动决策机制

针对如何指导路由节点移动这个问题,提出了一种新颖的路由节点移动决策机制。该机制包括移动路由节点分类、路由节点的状态转换、路由节点的移动决策、拓扑结构的优化。仿真结果表明,采用该机制的无线移动Mesh网络能阻止网络的分裂,为移动终端节点提供较高的转发吞吐量。     

基于双重启发式信息求解影响最大化问题的蚁群算法

针对如何利用社会个体之间的影响力来扩大信息扩散的范围,即社会网络的影响最大化问题,提出一种新颖的基于蚁群优化算法的解决方案。利用2个启发式信息来度量节点影响力:优先选择更不容易被前驱节点激活的节点;考虑后继尤其是多级后继节点对未来扩散的影响。通过节点影响力选择出能扩散最大范围的初始节点集合。试验结果表明,相较于贪心算法以及传统的蚁群算法初始节点的扩散范围增加了150个节点,效率提高了25%,本研究方法很好的改善了初始节点选择容易陷入局部最优的问题。     

基于Q-learning的分布式自适应拓扑稳定性算法

针对移动节点对网络拓扑稳定性的影响,提出了一种预测相邻节点稳定联接的自适应分布式强化学习算法。各节点采用强化学习和学习区间自适应划分相结合的方法,利用相邻节点间的接收信号强度信息对相邻节点间的联接状态进行判定,最终预测出能够保持稳定联接的邻居节点集。通过多种条件下随机游走模型仿真,结果表明预测准确度均保持在95%左右,验证了该算法的有效性和稳定性。     

基于萤火虫算法优化FCM的WSN路由算法

针对无线传感器网络节点能源有限,容易出现能量负载不均衡的问题,提出了一种基于萤火虫算法优化模糊C均值(FCM)的无线传感器网络(WSN)路由算法(FFACM),优化了分簇路由算法中的分簇阶段和簇间路由建立阶段。在分簇阶段,使用萤火虫算法计算初始聚类中心,避免模糊C均值算法因初始聚类中心而陷入局部最优的问题。在选择簇首节点上,建立关于剩余能量和距离的适应度函数,选取适应度值最大的节点作为簇首节点并动态更新。通过计算节点间的链路代价并根据剩余能量和到sink节点的距离建立代价函数,选择代价函数值最小的节点建立簇间多跳路由,使得簇首节点的负载降到最低。从仿真实验结果可知,相比于其他无线传感器网络的路由算法,FFACM算法能有效均衡网络负载,降低节点能耗,从而延长网络的使用周期。     

基于网格划分加权的分布式离群点检测算法

分布式计算被广泛应用于离群点检测问题,但分布式环境中节点计算性能的差异带来了数据计算性能的下降问题。针对面向大尺度高维数据离群点分布式计算的负载均衡问题,该文提出了一种加权分布式离群点检测方法。首先根据数据节点的计算性能确定数据节点的权值,然后将数据空间划分为若干个网格,最后设计了一种基于网格划分的加权分配算法WGBA,将这些网格分配到数据节点中,实现并行计算。实验验证了该方法的有效性。     

基于MOST网络从节点的能量优化

分析了MOST网络的传输原理和特性,根据网络的管理和通知机制,设计了从节点自主休眠和主节点管理整体网络休眠的分布式电源管理方案,以及睡眠状态下节点和网络的唤醒机制,并利用MATLAB对网络功耗进行数学建模和分析。仿真中MOST网络在执行随机生成的相同任务序列后,基于分布式电源管理的网络系统总功耗小于原来超时策略下的系统总功耗,仿真证明了分布式电源管理策略的有效性。