收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

无线传感器网路中DV-Hop改进算法的研究

于泉  
【摘要】:无线传感器网络(Wireless Sensor Networks,WSN)是由具有采集数据、处理信息和无线通信功能的传感器节点组成的一种新型分布式网络,被广泛应用于地震监测、农业生产、智能家居、战场侦查等领域。一方面,在实际应用中,传感器节点采集的数据需要明确相应位置,否则获取的数据将毫无意义;另一方面,在无线传感器网络拓扑控制、路由优化、目标追踪等功能中,定位是不可或缺的支撑技术。因此,节点定位成为当前WSN研究的重要课题。依据是否需要直接测量距离,定位算法可分为无需测距与基于测距的定位算法,其中前者具有实现简单、硬件成本低、功耗小等优点,相对更适合无线传感器网络,而DV-Hop(Distance Vector-Hop)定位算法是无需测距的定位算法研究中的热点,吸引了国内外众多学者。论文深入研究了DV-Hop算法的原理及其误差来源,并针对不同的应用场景,提出了三种不同的改进算法:(1)针对节点稀疏区域内DV-Hop算法定位精度过低的问题,设计了一种基于RSSI与校正向量优化的DV-Hop改进算法(The Improved DV-Hop Algorithm Based on RSSI and Vector Correction,RVDV-Hop),一般适用于对定位速度、定位精度要求高的空旷环境。该算法从最小跳数、平均跳距和校正向量方面进行改进,首先设置标准一跳的接收信号强度指示(Received Signal Strength Indicator,RSSI)参考值,利用节点接收的RSSI值与参考值之间的比来修正跳数;其次,未知节点的平均跳距取值所有锚节点平均跳距的加权和或相应锚节点的平均跳距;然后根据估计位置到锚节点的距离与相应估计距离之间的偏差构造校正向量,并通过校正向量对未知节点的估计坐标进行校正。仿真实验表明:该算法的定位精度明显高于传统DV-Hop算法和文献[44]中基于RSSI比值修正的DV-Hop算法,稳定性也有一定的提升。(2)针对空旷环境中DV-Hop算法的定位精度不理想的问题,设计了一种基于改进粒子群算法的DV-Hop改进算法(The Improved DV-Hop Algorithm Based on Improved Particle Swarm Optimization,MPSO-DV-Hop),一般适用于对定位精度与稳定性要求苛刻的空旷环境。该算法结合了RVDV-Hop算法中RSSI比值优化跳数的方法,采用了改进粒子群算法优化节点的定位结果,其中对粒子群算法的改进主要从粒子速度、惯性权重、学习策略、变异方面进行,首先将部分粒子的最佳历史最优位置代替全局历史最优位置引导粒子运动,其次,惯性权重采用随机波动的线性递减策略,并设计了四种自适应性学习策略,最后采用了Lévy分布的步长对当前最优进行变异。仿真结果表明:相比传统DV-Hop算法、文献[57]中基于混沌粒子群算法的DV-Hop改进算法和文献[58]中基于改进型粒子群优化的DV-Hop算法,该算法的定位精度更高,稳定性更好。(3)针对存在障碍物或干扰的环境中DV-Hop算法定位性能不理想的问题,设计了一种基于蝙蝠拟牛顿混合算法的DV-Hop改进算法(The Improved DV-Hop Algorithm Based on Hybrid Algorithm of Bat and Quasi-newton Algorithm,BNDV-Hop),一般适用于对定位精度与稳定性要求高的有障碍物或干扰环境。该算法首先采用改进蝙蝠算法代替最小二乘法计算节点的估计位置,再依概率利用拟牛顿算法以估计位置为初始点继续搜索节点位置。其中对蝙蝠算法进行三点改进:首先根据蝙蝠个体的适应度值自适应调节随机向量β,然后利用当前迭代之前所有最优个体的平均位置来引导蝙蝠移动,再采用学习与随机游走结合的方法搜索新解。仿真结果表明:相比传统DV-Hop算法和文献[59]中基于蝙蝠算法的DV-Hop改进算法,该算法在定位精度和稳定性方面均有明显的优势。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 韩秀苓,程凡,高建林,李传光;管道自适应有源噪声控制算法[J];Journal of Beijing Institute of Technology(English Edition);1995年01期
2 陶新民;徐晶;童智靖;刘玉;;不均衡数据下基于阴性免疫的过抽样新算法[J];控制与决策;2010年06期
3 赵国峰;闫亮;;用于快速流分类的关键字分解Hash算法[J];计算机工程;2010年16期
4 郭雷勇;谭洪舟;高守平;郭笑梅;;RFID系统阅读器反碰撞算法分类与研究[J];计算机技术与发展;2009年09期
5 郝水侠,李凡长;多Agent的并行思智算法[J];计算机工程与应用;2004年10期
6 刘贝家;方景龙;;基于SVDD的多示例学习算法[J];科技通报;2011年02期
7 田大东;邓伟;;基于不同惩罚系数的SMO改进算法[J];计算机应用;2008年09期
8 许敏;王士同;顾鑫;;TL-SVM:一种迁移学习算法[J];控制与决策;2014年01期
9 李雅林;张化祥;张顺;;基于近邻加权及多示例的多标记学习改进算法[J];计算机工程与应用;2013年16期
10 罗玉华,李三立;RISC多发射结构中循环优化的软件流水算法[J];计算机学报;1993年09期
11 陶新民;徐晶;付强;刘兴丽;;基于样本密度KFCM新算法及其在故障诊断的应用[J];振动与冲击;2009年08期
12 吴伟宁;刘扬;郭茂祖;刘晓燕;;基于采样策略的主动学习算法研究进展[J];计算机研究与发展;2012年06期
13 赵梦梦;李凡长;;邻域同调学习算法[J];智能系统学报;2014年03期
14 李静;;关于聚类算法的探究与发展[J];数字技术与应用;2014年06期
15 孙锐;李明;高曙明;;相交过渡的识别与抑制算法[J];计算机辅助设计与图形学学报;2010年10期
16 夏战国;万玲;蔡世玉;孙鹏辉;;一种面向入侵检测的半监督聚类算法[J];山东大学学报(工学版);2012年06期
17 谢雄程;刘之家;;基于聚类与分类混合算法的应用研究[J];广西师范学院学报(自然科学版);2011年03期
18 沈红斌,杨杰,王士同,董一飞;基于信息理论的合作聚类算法研究[J];计算机学报;2005年08期
19 金阳;左万利;;一种基于动态近邻选择模型的聚类算法[J];计算机学报;2007年05期
20 ;通信[J];中国无线电电子学文摘;2008年04期
中国博士学位论文全文数据库 前10条
1 吴涛;粒子群及量子行为粒子群优化算法的改进研究[D];西南交通大学;2014年
2 徐勇;分布式压缩感知的算法及其应用研究[D];中国地质大学;2015年
3 蔡先发;基于图的半监督算法及其应用研究[D];华南理工大学;2013年
4 蒋良孝;朴素贝叶斯分类器及其改进算法研究[D];中国地质大学;2009年
5 李美安;普适分布式互斥算法及应用[D];电子科技大学;2007年
6 孙岩;贝叶斯网络结构学习算法研究与应用[D];大连理工大学;2010年
7 吴伟宁;主动学习算法中采样策略研究[D];哈尔滨工业大学;2013年
8 汪庆淼;基于目标函数的模糊聚类新算法及其应用研究[D];江苏大学;2014年
9 戴朝华;搜寻者优化算法及其应用研究[D];西南交通大学;2009年
10 李小冬;核极限学习机的理论与算法及其在图像处理中的应用[D];浙江大学;2014年
中国硕士学位论文全文数据库 前10条
1 李超;基于标签传播及适合度的社团聚类算法研究[D];西南大学;2015年
2 刘晨曦;RFID定位VIRE算法的研究与改进[D];贵州师范大学;2015年
3 马睿;利用岩石光谱和改进的PC算法实现矿物的识别[D];新疆大学;2015年
4 万猛;推荐系统攻击检测算法的研究[D];电子科技大学;2014年
5 刘排;基于OMNeT++的无线传感器网络节点定位改进算法的研究[D];河北工业大学;2015年
6 陈辰;无线通信领域MIMO检测类算法的硬件加速技术研究[D];国防科学技术大学;2013年
7 韩超;场景分类与道路场景异常识别算法研究[D];北京交通大学;2016年
8 董楠;行车热点中无监督聚类算法的研究与应用[D];东北大学;2014年
9 林玉琪;基于多智能体的数据流聚类算法研究[D];福州大学;2013年
10 曹鹏;基于Spark平台的聚类算法的优化与实现[D];北京交通大学;2016年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978