在无线传感器网络定位中,非测距定位因功耗低、成本低而备受关注,但其较低的定位精度限制了其应用范围。提出了一种精度较高的基于质点弹簧模型的非测距定位算法L-MSM(Localization based on Mass Spring Model)。该算法首先使用复杂度...在无线传感器网络定位中,非测距定位因功耗低、成本低而备受关注,但其较低的定位精度限制了其应用范围。提出了一种精度较高的基于质点弹簧模型的非测距定位算法L-MSM(Localization based on Mass Spring Model)。该算法首先使用复杂度低、通信开销小的质心算法进行粗定位,然后利用改进的质点弹簧模型进行优化,使质心算法定位后成簇聚集的节点分散开来并趋近实际位置,从而实现精确定位。仿真结果表明,在通信半径较小时,L-MSM算法的定位精度相对于质心算法有显著的提高。展开更多
针对Quasi-UDG模型下无线传感器网络随机部署的拓扑特征,提出了一种非测距基于权重的定位算法EWLS(Enhanced Weighted Least Square).首先,设计出一种节点跳数和距离关系估计的方法,然后依据跳数值与距离关系的概率表达式,给出EWLS定位...针对Quasi-UDG模型下无线传感器网络随机部署的拓扑特征,提出了一种非测距基于权重的定位算法EWLS(Enhanced Weighted Least Square).首先,设计出一种节点跳数和距离关系估计的方法,然后依据跳数值与距离关系的概率表达式,给出EWLS定位算法中节点测量距离信息的权重.仿真实验表明,在不同的锚节点密度、Quasi-UDG模型因子和平均邻居节点数的参数下,EWLS算法定位误差较小,同最小均方误差相比,有效地提高了节点定位的精度.展开更多
车联网(Internet of Vehicles,Io V)被认为是物联网中最有可能率先突破应用的一个重要分支,成为目前研究的重点和热点.其中,车辆节点的定位和位置感知技术是车联网的技术核心,不仅关系到车辆行驶过程中的安全,而且影响着车联网的发展前...车联网(Internet of Vehicles,Io V)被认为是物联网中最有可能率先突破应用的一个重要分支,成为目前研究的重点和热点.其中,车辆节点的定位和位置感知技术是车联网的技术核心,不仅关系到车辆行驶过程中的安全,而且影响着车联网的发展前景.首先,提出了车联网定位和位置感知的评价标准,介绍了无线定位测距技术的实现原理和方法.在此基础上,重点阐述了车联网的定位和位置感知技术,讨论了相关算法以及在车联网中的应用特点.最后,在综合分析了现有研究成果的同时,对未来的研究方向进行了展望.展开更多
为解决无线传感器网络基于位置相对关系进行定位算法中,定位精度过度依赖信标节点密度问题,通过3种非测距定位算法、质心算法、APIT(Approximate Point in Triangulation)算法及AIGS(Annulus Intersection and Grid Scan)算法的原理研究...为解决无线传感器网络基于位置相对关系进行定位算法中,定位精度过度依赖信标节点密度问题,通过3种非测距定位算法、质心算法、APIT(Approximate Point in Triangulation)算法及AIGS(Annulus Intersection and Grid Scan)算法的原理研究,给出了信标节点密度与定位精度和能耗之间的数学关系,并提出基于迭代的改进算法。3种算法定位精度正比于信标节点密度,算法能耗正比于信标节点密度,在同一个监测区域,信标节点比例相同情况下,AIGS算法定位精度最高,质心算法定位精度最低。当信标节点稀疏时,将部分未知节点通过质心算法转化为信标节点迭代算法,在较低信标节点比例条件下提升3种算法定位精度。展开更多
为了解决无线定位精度与复杂测距之间的矛盾,提出一种基于接收信号强度比较的非测距定位算法,接收信号强度比较(Received signal strength compare,RSSC)定位算法。为了满足认知无线电网络中主用户的非合作特性,RSSC算法不需要主用户与...为了解决无线定位精度与复杂测距之间的矛盾,提出一种基于接收信号强度比较的非测距定位算法,接收信号强度比较(Received signal strength compare,RSSC)定位算法。为了满足认知无线电网络中主用户的非合作特性,RSSC算法不需要主用户与认知用户合作。通过比较认知用户所测量到的接收信号强度,逐步确定主用户所在的区域,取区域的质心作为主用户的位置估计。根据认知用户密度、用户密度和信噪比3种参数,对RSSC算法的性能进行了分析。实验结果表明,RSSC算法与其他非测距定位算法相比,能够明显提高定位精度。展开更多
文摘在无线传感器网络定位中,非测距定位因功耗低、成本低而备受关注,但其较低的定位精度限制了其应用范围。提出了一种精度较高的基于质点弹簧模型的非测距定位算法L-MSM(Localization based on Mass Spring Model)。该算法首先使用复杂度低、通信开销小的质心算法进行粗定位,然后利用改进的质点弹簧模型进行优化,使质心算法定位后成簇聚集的节点分散开来并趋近实际位置,从而实现精确定位。仿真结果表明,在通信半径较小时,L-MSM算法的定位精度相对于质心算法有显著的提高。
文摘针对Quasi-UDG模型下无线传感器网络随机部署的拓扑特征,提出了一种非测距基于权重的定位算法EWLS(Enhanced Weighted Least Square).首先,设计出一种节点跳数和距离关系估计的方法,然后依据跳数值与距离关系的概率表达式,给出EWLS定位算法中节点测量距离信息的权重.仿真实验表明,在不同的锚节点密度、Quasi-UDG模型因子和平均邻居节点数的参数下,EWLS算法定位误差较小,同最小均方误差相比,有效地提高了节点定位的精度.
文摘车联网(Internet of Vehicles,Io V)被认为是物联网中最有可能率先突破应用的一个重要分支,成为目前研究的重点和热点.其中,车辆节点的定位和位置感知技术是车联网的技术核心,不仅关系到车辆行驶过程中的安全,而且影响着车联网的发展前景.首先,提出了车联网定位和位置感知的评价标准,介绍了无线定位测距技术的实现原理和方法.在此基础上,重点阐述了车联网的定位和位置感知技术,讨论了相关算法以及在车联网中的应用特点.最后,在综合分析了现有研究成果的同时,对未来的研究方向进行了展望.
文摘为解决无线传感器网络基于位置相对关系进行定位算法中,定位精度过度依赖信标节点密度问题,通过3种非测距定位算法、质心算法、APIT(Approximate Point in Triangulation)算法及AIGS(Annulus Intersection and Grid Scan)算法的原理研究,给出了信标节点密度与定位精度和能耗之间的数学关系,并提出基于迭代的改进算法。3种算法定位精度正比于信标节点密度,算法能耗正比于信标节点密度,在同一个监测区域,信标节点比例相同情况下,AIGS算法定位精度最高,质心算法定位精度最低。当信标节点稀疏时,将部分未知节点通过质心算法转化为信标节点迭代算法,在较低信标节点比例条件下提升3种算法定位精度。
文摘为了解决无线定位精度与复杂测距之间的矛盾,提出一种基于接收信号强度比较的非测距定位算法,接收信号强度比较(Received signal strength compare,RSSC)定位算法。为了满足认知无线电网络中主用户的非合作特性,RSSC算法不需要主用户与认知用户合作。通过比较认知用户所测量到的接收信号强度,逐步确定主用户所在的区域,取区域的质心作为主用户的位置估计。根据认知用户密度、用户密度和信噪比3种参数,对RSSC算法的性能进行了分析。实验结果表明,RSSC算法与其他非测距定位算法相比,能够明显提高定位精度。