移动传感网节点位置预测方法研究

针对现有稀疏传感网中移动节点位置预测精度较低,提出一种基于深度信念网络的移动未知节点位置预测方法。首先利用深度信念网络强大的特征学习能力,分析不同信号强度向量样本集;其次在深度信念网络的最后一层级联一层支持向量机,将所学习到的信号强度分布特征作为顶层支持向量机的输入,构建距离预测模型;最后预测未知节点与其相邻节点之间的距离,判断其可能位置所在区域,计算得出未知节点的预测位置。仿真实验结果表明,文中所提出的位置预测方法与RBF神经网络位置预测方法相比,预测精度提高了19.3%;与支持向量机预测方法相比,预测精度提高了23%;与改进的MCL相比,预测精度提高了33.4%,且有较强的鲁棒性,适用于稀疏传感网络节点位置预测。

基于卡尔曼-DNN预测的UANET路由协议

针对无人机自组织网络(Unmanned Aerial Vehicles Ad Hoc Network,UANET)因快速移动导致拓扑变化频繁,路由信息因未能及时根据邻居节点的变化而更新导致链路中断的问题,提出了基于卡尔曼-DNN(Deep Neural Network)节点位置预测的路由协议。该协议能够在卡尔曼预测邻居节点位置的基础上通过DNN的非线性运算对卡尔曼位置预测的结果进行修正,从而提高邻居信息的准确性,并根据邻居更新的结果计算路由。基于QualNet平台对该路由协议进行仿真,结果表明,基于卡尔曼-DNN的路由协议在一定程度上提高了邻居信息的准确性,并且满足了无人机自组网系统端到端时延低、数据分组投递率高的需求。