一种基于泰勒级数多元变量展开模型定位算法

为了提高无线传感器网络节点定位精度,构建了增加未知节点与未知节点间的距离信息的泰勒级数多元变量展开定位模型.在对该算法的求解过程中,首先利用最大似然估计法得到未知节点的初始位置,再运用加权最小二乘法计算其最优值作为未知节点的估计位置.仿真测试了不同距离测量误差和已知节点数目对定位误差的影响,以及算法的累计分布函数.结果表明,该算法能够有效提高节点定位精度.

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。

基于多元变量Taylor级数展开模型的定位算法

为了进一步提高无线传感器网络的定位精度,通过考虑未知传感器之间的距离信息,构建了多元变量Taylor级数展开的定位模型。在对该模型求解过程中,首先利用三边测距法得到未知传感器的初始位置,再采用加权最小二乘法计算其最优值作为未知传感器的估计位置。为评价该算法的性能,推导了定位结果的Cramer-Rao下界(CRLB)。仿真测试了不同距离测量误差和已知传感器数目对定位误差的影响,以及算法的累积分布函数(CDF)。仿真结果表明,该算法有效地提高了定位精度,且定位误差非常接近CRLB。

变量相关下结构可靠指标β的计算

根据结构可靠指标 β为在标准正态坐标系中原点至极限状态曲面最短距离的基本定义 ,在广义随机空间中 ,将在欧洲通用的确定变量独立时 β值的 Hasofer- L ind方法推广至适用于变量相关时的情况。 3个算例的对比结果验证了新提出计算方法的正确性。

一种改进的目标位置协同解算算法

在非合作的认知无线网络节点定位技术中,目标节点的位置信息均通过对测量方程组求解而获得,求解算法的优劣将直接影响目标节点的定位精度.针对传统算法仅利用少数位置已知的节点对目标节点进行定位,从而导致节点定位精度不高的问题,论文提出了一种改进的多节点协同解算算法.该算法利用接收信号强度差RSSD测量值得到定位方程组后,首先通过泰勒级数多元变量展开法估计方程组中位置未知节点的坐标信息,从而增加参与定位的节点数量;然后通过共轭梯度与泰勒级数展开法相结合的方法协同估计目标节点的位置坐标.仿真测试了不同测量误差条件下的定位误差,结果表明,与传统的解算算法相比,论文提出的协同解算算法提高了对目标节点的定位精度,具有更好的定位性能.

基于LS-SVR的混合定位算法

为解决最小二乘支持向量回归(least-square support vector regression,LS-SVR)定位精度不高的问题,提出基于LS-SVR的混合定位算法,充分考虑未知节点之间的距离信息在定位过程中的有效修正作用。通过LS-SVR算法提供初始值,提高多元Taylor级数展开法的收敛速度;通过多元Taylor级数展开法,充分利用未知节点之间的距离信息,减小测距误差造成的定位误差。仿真结果表明,与传统LS-SVR定位算法相比,混合定位算法的精度更高,减少了正则化参数和核参数的选取对定位精度的影响。

基于BP神经网络和多元Taylor级数的混合定位算法

针对多元Taylor级数算法定位精度严重依赖初始值的问题,提出一种新的混合定位算法。通过BP神经网络定位算法提供初始值,提高多元Taylor级数展开法的收敛速度;通过多元Taylor级数展开法,充分利用未知节点之间的距离信息,减小测距误差造成的定位误差。仿真结果表明:混合定位算法的精度更高,并且减少了网格间距对定位精度的影响。