动态无线传感器网络的改进蒙特卡罗定位算法

针对于无线传感器网络中移动节点的定位问题,在传统蒙特卡罗定位算法的基础上,提出了一种改进算法。该算法通过构建接收信号强度指示测距模型来限制样本区域以求提高采样效率。仿真结果表明,与MCL、MCB等其他蒙特卡罗定位算法相比,改进算法在不同的时间、不同的锚节点密度、不同的节点移动速度等情况下,都具有更好的定位精度。

基于自回归模型的蒙特卡罗定位算法研究

蒙特卡罗定位算法是解决无线传感网络节点定位的移动性的比较实用的方法,但是由于其采样范围比较大,如果采样数量不足,还必须进行重复采样,造成了采样效率低的问题,为了解决这个问题,本文提出了基于自回归模型AR的蒙特卡罗定位算法,通过AR模型进行运动预测,缩小采样区域,提高采样效率。同时在过滤阶段,由邻居节点和跳距不同的锚节点来得到样本的混合加权值,使得未知节点的估计位置更加趋近其真实位置,提高定位精度。

基于测距权重的蒙特卡罗定位改进算法

针对传统蒙特卡罗定位算法采样效率低,对锚节点密度要求高的特点,本文基于蒙特卡罗定位算法MCL提出一种改进的移动传感器网络的节点定位算法IMCB.该算法利用历史锚节点信息和RSSI测距,以及运动模型的改进对待定位节点的位置采样范围进行了进一步限制,对有效采样点的权重进行了区分.仿真结果表明:该算法的定位精度相比MCB算法提高了16.6%.

自适应蒙特卡罗无线传感器网络移动节点定位算法

针对无线传感器网络中蒙特卡罗定位算法在节点的无线射程为非理想条件下定位精度不高、采样率低等缺点,提出一种自适应蒙特卡罗移动节点定位算法。该算法利用不同区域的采样粒子对未知节点的定位精度影响不同,自适应地调整不同区域的采样粒子的影响权重,对未知节点进行定位;同时,利用上一时刻采样粒子增加限定条件,提高定位精度。仿真结果表明,本算法在规则度不同的条件下节点的定位误差平均下降了约13%,在速度不同的条件下定位误差平均下降了约10%,网络覆盖率可达到99.19%。

基于采样优化的蒙特卡罗移动节点定位算法

针对无线传感器网络中蒙特卡罗移动节点定位算法的不足,提出了一种采样优化的蒙特卡罗移动节点定位算法。该算法根据运动连续性,利用曲线拟合方法,得出样本节点位置后验密度分布取值较大的区域,对该区域内样本节点的权值进行优化,从而完成未知节点的定位。仿真结果表明,改进后的算法能够显著地减少定位所需的样本数,有效提高了无线传感器网络移动节点定位的准确性和鲁棒性。

最小二乘拟合的蒙特卡罗移动定位算法研究

针对传统蒙特卡罗定位算法由于节点采样效率低导致的定位精度低、定位不准确的缺陷,提出一种改进的最小二乘拟合蒙特卡罗(LSFMCL)定位算法。该算法利用MBC算法优化采样空间,并利用最小二乘拟合节点运动轨迹,对节点位置进行预测,进一步得到最优采样区域,最后提出权值概念并利用预测节点的权值信息计算未知节点的位置。仿真结果表明,与传统算法相比,优化后的算法提升了节点的采样率,提高了定位精度,对于移动节点的定位具有更加广泛的应用前景。

无线传感器网络移动未知节点的混合定位算法

针对无线传感器网络中移动节点定位问题,提出一种移动未知节点的混合定位算法。该算法在预测和过滤阶段均作了改进。在预测阶段,根据未知节点在t时刻接收到的锚节点信息个数区分四种情况进行讨论,选择最适合的方法来缩小采样区域;在过滤阶段,针对预测阶段四种不同的可能情况判断是否需要过滤。仿真结果表明,该算法在显著地缩小了采样区域的同时,提高了采样成功率和定位精度;减少了采样次数和计算量,降低了能耗,延长了网络的生存周期。

基于GAMC定位算法的WSN设计与分析

蒙特卡罗定位算法对传感器网络节点进行布置对样本的数量需求很大,且在后验密度过大地区,会导致出现求解速度慢的问题。针对这个问题引进遗传算法,并将其与蒙特卡罗算法进行结合。介绍了蒙特卡罗算法的原理,分析了其在无线传感器定位中的应用,并介绍了无线传感器网络的布置原理,最后提出GAMC定位算法,作为无线传感器定位策略,可以快速完成对节点位置整体布置的任务。

基于改进MCL的车间移动资源定位算法研究

针对蒙特卡罗定位算法在无线传感网络中定位精度和取样效率不高的问题,提出一种基于高斯-马尔科夫移动模型改进的蒙特卡罗定位算法.通过分析车间移动资源的移动规律,引入高斯移动模型预测,减少取样区域,优化滤波算法,提高取样效率和定位精度.仿真结果表明,当节点移动时,该算法的取样效率和定位精度均有所提高.

无线传感器网络节点定位算法分析

在各种无线传感器网络应用中,无线传感器节点的精确定位非常关键。在阐述了节点定位问题的基础上,分析了三种典型节点定位算法:质心法、不定形(Amorphous)法和蒙特卡罗法,然后通过仿真实验对算法性能进行对比,研究节点密度、节点速度和采样个数等因素对定位性能的影响。实验结果表明,蒙特卡罗法的误差最小,且在锚节点密度大于1,未知节点密度大于6,取样个数超过50时达到最佳定位性能。

基于改进的RSSI的车间移动节点MCL算法

针对蒙特卡罗定位(MCL)算法在无线传感网络定位精度和取样效率中存在的不足,提出了一种基于接收信号强度指示(RSSI)改进的MCL算法(R-MCL算法),并对车间移动节点进行定位.通过分析车间移动资源的移动规律,引入RSSI模型测距预测,减少取样区域,从而提高了取样效率和定位精度.仿真结果表明,R-MCL算法在定位精度、收敛速度和计算量等方面的性能均有提升.

无人驾驶牵引车自主巡航路径规划方法

局部定位节点信息与锚节点信息存在时间上的误差,导致相同节点坐标位置上的信息无法统一,进而对车辆路径规划轨迹造成严重偏差,为解决该问题,提出了一种无人驾驶牵引车自主巡航路径规划方法。通过蒙特卡罗节点定位和多区域分布传感器采集的定位信息,量化坐标参量;然后将蒙特卡罗定位算法引入参量优化过程中,通过路径规划定位点距离测算,计算有效定位区域内节点与目标锚节点之间的位置距离;构建路径巡航规划参量优化模型,求解节点位置数据,输出最优的无人驾驶牵引车自主巡航路径。仿真结果表明,路径规划精准,指标值符合测试标准,路径规划节点覆盖率较高。

移动网络中异常节点快速定位优化方法的仿真

对移动网络中异常节点进行定位,在移动网络的安全方面具有很高的使用价值。由于节点的多样性及不固定性,使得参照节点不能固定。传统的定位方法,主要通过传递信息到参照节点的方式进行定位,导致异常节点定位准确度低,效率差的问题。为解决上述问题,提出改进卡尔曼滤波算法的移动网络中异常节点的快速定位方法。先在观测区域内分配规定的信标节点,利用各个信标节点间隔性的向外发布RSSI信息包,获取的RSSI信息计算异常节点与信标节点的相对距离,并定义为异常节点的样本权值,促使后验密度取值较大的观测区域中的样本权值最大化,计算出异常节点加权样本和,将结果定义为待定位异常节点的位置估计值。仿真结果表明,改进卡尔曼滤波算法的移动网络中异常节点的快速定位优化方法定位精确度和效率均有提高。

考虑时间序列表达关系的无线传感网络缺失节点识别

为了解决当前缺失节点识别方法未考虑节点在时间序列上的表达关系,导致识别精度较差的问题,提出考虑时间序列表达关系的无线传感网络缺失节点识别方法。分析节点数据在时间序列上的表达关系,采用均值替代法计算节点在不同维度和同等维度下的向量和时间差变化。根据节点位置与移动半径,确定节点移动范围,并根据节点通信半径进行节点滤除。最后,根据权值归一化计算结果,利用蒙特卡罗定位方法,确定缺失节点的位置坐标,完成缺失节点识别。仿真分析结果表明,所提出方法的节点权重计算精度最高达到97.52%;在噪声干扰情况下的定位精度仍然保持在91%以上;缺失节点识别数量与实际数量基本一致。因此,说明所提方法能够提高缺失节点的识别性能。