An Improved DV-Hop Localization Algorithm Based on Hop Distances Correction

DV-Hop localization algorithm has greater localization error which estimates distance from an unknown node to the different anchor nodes by using estimated average size of a hop to achieve the location of the unknown node.So an improved DV-Hop localization algorithm based on correctional average size of a hop,HDCDV-Hop algorithm,is proposed.The improved algorithm corrects the estimated distance between the unknown node and different anchor nodes based on fractional hop count information and relatively accurate coordinates of the anchor nodes information,and it uses the improved Differential Evolution algorithm to get the estimate location of unknown nodes so as to further reduce the localization error.Simulation results show that our proposed algorithm have lower localization error and higher localization accuracy compared with the original DV-Hop algorithm and other classical improved algorithms.

基于多应用场景的改进DV-Hop定位模型

针对距离矢量跳(DV-Hop)定位模型定位精度低、优化策略场景依赖性强的问题,提出一种基于函数分析和模拟定参的改进DV-Hop模型——函数修正距离矢量跳(FuncDV-Hop)定位模型。首先,分析DV-Hop模型的平均跳距、距离估计和最小二乘法中的误差原因,引入待定系数优化、阶跃函数分段实验、带等效点的权重函数策略和极大似然估计修正;其次,考虑多应用场景,用控制变量法,分别将总节点数、信标节点比例、通信半径、信标节点数和待测节点数作为变量,设计对照实验;最后,进行仿真定参和整合优化测试两阶段实验,最终的改进策略较原DV-Hop模型的定位精度提高了23.70%~75.76%,平均优化率57.23%。实验结果表明,FuncDV-Hop模型的优化率最高达到了50.73%,与基于遗传算法和神经动力学改进的DV-Hop模型相比,FuncDV-Hop模型的优化率提升了0.55%~18.77%。所提模型不引入其他参量,不增加无线传感器网络(WSN)的协议开销,且有效提高定位精度。

一种基于误差距离加权与跳段算法选择的遗传优化DV-Hop定位算法

针对DV-Hop(Distance Vector-Hop)定位算法存在较大定位误差的问题,该文提出了一种基于误差距离加权与跳段算法选择的遗传优化DV-Hop定位算法,即WSGDV-Hop定位算法。改进算法用基于误差与距离的权值处理锚节点的平均每跳距离;根据判断的位置关系选择适合的跳段距离计算方法;用改进的遗传算法优化未知节点坐标。仿真结果表明,WSGDV-Hop定位算法的性能明显优于DV-Hop定位算法,减小了节点定位误差、提高了算法定位精度。

基于无线传感器网络的DV-Hop定位算法的改进

在无线传感器网络的定位算法中,距离向量跳段(DV-Hop)是典型的无需测距算法之一,但其定位精度不高。为提高算法的定位精度,通过对DV-Hop算法的理论分析,找出该算法产生误差的主要原因。针对该算法存在的缺陷,新算法巧妙利用无线信号在同种介质中传播速度的不变性,用计数器来测量锚节点间的传送时间以及锚节点与未知节点间的传送时间,并利用该时间比例来修正未知节点的估计距离。通过仿真实验表明:新算法减少了定位误差,提高了定位精度。

无线传感器网络选择性DV-Hop定位算法

针对传统的矢量跳距(DV-Hop)定位算法平均定位误差大的问题,提出了一种具有选择性的改进DV-Hop定位算法。该算法首先剔除长距离信标节点信息,更新最小跳数与平均每跳距离,再次根据信标节点的实际距离和估计距离的误差进一步修正平均每跳距离。仿真结果表明:选择性DV-Hop定位算法能有效地减小平均定位误差,适应各种网络。

基于跳数阈值和节点分类的DV-Hop改进算法

为提高DV-Hop(Distance Vector-Hop)算法在随机传感器网络(WSN:Wireless Sensor Networks)中的定位性能,提出一种基于跳数阈值和节点分类的改进算法。该算法信标设定跳数阈值选择较远的信标估计平均每跳距离,未知节点根据跳数信息对信标进行分类,并计算与信标的加权修正距离。同时仿真研究了节点密度、信标比例、节点通信半径对算法性能的影响。仿真结果表明,在随机网络中改进算法能更好地估计跳距信息,并有效提高定位精度和降低最大定位误差。

节点分区与平均跳数加权的三维DV-Hop定位算法

针对三维DV-Hop定位算法的两个重要定位因素——网络锚节点的平均跳距与未知节点到锚节点的跳数存在的固有缺点,提出一种改进的三维DV-Hop定位算法3DPHW-DVHop(Partial Hop Size Weighted)。改进算法在求网络平均跳距时,利用区域划分和节点跳数加权进行算法综合优化,最后用极大似然法估算未知节点的位置,经过对理论的分析和仿真实验的证明,得出基于区域划分的跳数加权的三维DV-Hop定位算法在同等环境条件下比传统DV-Hop定位算法定位精度明显提高。

一种弹簧系数和跳数分类的改进DV-Hop算法

针对传统DV-Hop(distance vector-Hop)算法求解节点间平均跳距存在误差及随着节点跳数增加误差累积的问题,提出了一种改进的DV-Hop节点定位算法。首先将节点间的实际距离与估计距离抽象成弹簧模型;然后对节点间不同的跳数进行分类,计算不同跳数对应的弹簧系数,提高节点定位精度,并减小因跳数增加而产生的累积误差;最后用加权双曲线法确定未知节点的位置。仿真结果表明,与传统DV-Hop算法及其他文献中的算法相比,本文所提的改进算法可以有效提高节点的定位精度。

基于特征点动态选择的三维人脸点云模型重建

针对典型的点云配准方法中伪特征点过多导致配准效率低和配准结果不精确的问题,提出一种基于特征点动态选择的三维人脸点云模型重建方法。该方法在粗配准阶段,采用动态特征矩阵求解法获取粗匹配特征变换矩阵以避免伪特征点的干扰。在精配准过程中,采用二次加权法向量垂直距离法在人脸流形表面选择更有效的特征点以减少伪特征点的数量,并采用基于特征融合与局部特征一致性的迭代最近点方法进行精配准。经过对比实验验证了算法的可行性,实验结果表明,该算法能够实现高精度且快速的三维人脸点云模型重建,且均方根误差达到1.8165 mm,相较其他算法,其在模型重建精度和效率方面都有所提升,具有良好的应用前景。

基于虚拟力的无线传感器网络多跳定位算法

通过引入虚拟力导向的节点移动方式,将未知节点接收到锚节点信息的个数作为计算虚拟力的参数,提出了基于虚拟力的无线传感器网络多跳定位算法。算法继承了DV-Hop(distance vector-hop)定位成功率较高的特点,通过优化网络布局的方式,使得定位过程中校正值的估算和选取更为合理。指出了该定位算法的关键技术,并对其进行了仿真验证。仿真结果显示该算法能够显著地提高节点的定位精度,并能够有效地提高节点对传感区域的覆盖率。

相似样本选择方法在SVM发酵建模中的应用

针对基于动态时间规整(DTW)发酵过程局部建模时相似样本选择未考虑样本权重对建模的影响,基于加权欧氏距离,提出了一种样本相似度度量方法。首先在分析亲和度的基础上将亲和度引入到加权欧式距离中,然后将其转化成相似度度量函数并应用到大肠杆菌发酵过程相似样本选择中,最后结合局部支持向量机建立发酵产物的在线预测模型。实验结果表明,与基于其他相似度度量函数的支持向量机模型相比较,该模型有着更高的预测精度、更好的泛化能力,而且预测时间也明显缩短。

监测煤矿的一种无线传感器网络节点定位算法

利用DV-Hop算法实现了煤矿安全监测无线传感器网络节点之间的自定位。针对煤矿安全监测应用领域对网络节点定位的特殊要求,提出了一种节点定位精度的改进方案。介绍了引入距离误差校正值后的DV-Hop定位算法。该算法节点间通信量少,适合不均匀分布的网络场景。仿真结果表明:改进后的算法有效地提高了无线传感器网络节点的定位精度。

基于夹角余弦的混沌局域加权线性预测算法

针对基于欧氏距离的混沌局域预测算法在高嵌入维情况下预测精度迅速下降的问题,提出了基于夹角余弦的局域加权线性预测算法。该算法使用夹角余弦取代欧氏距离作为判别相点间相关性的标准;同时将相点间相关性大小通过加权的方式作用于预测模型;并将相点视为向量,以向量的模和夹角为优化目标,进行预测参数识别。在详细论述改进算法理论基础的同时,使用南方某城市电力负荷进行了算例验证。算例结果表明,改进算法的预测精度明显优于原算法,验证了改进算法的有效性。

一种基于Quasi-UDG模型的无线传感器网络非测距定位算法

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.

基于局部模型的多阶段在线产品质量预测

针对间歇过程产品质量离线预测精度不高的问题,提出了一种基于局部模型的多阶段在线预测产品质量方法。利用间歇过程的周期重复性,采用重复因子将间歇过程划分为稳定阶段和过渡阶段。对稳定阶段采用相同相位时间片建立最小二乘支持向量机(LSSVM)模型,过渡阶段采用扩散距离(Diffusion Distance)选取最优子集建立LSSVM模型,使得当前样本的稳定阶段和过渡阶段的属性能分别和历史数据集的稳定阶段和过渡阶段的属性相似,预测出不易测量的产品质量。通过在Pensim仿真平台青霉素发酵过程中的应用表明,与整体离线预测相比,基于局部模型的多阶段在线预测方法有更好的预测性能。

无线传感器网络节点定位算法的研究

无线传感器网络的许多应用都是基于节点的位置信息。传感器网络由于节点数量巨大,资源十分有限,全部节点都采用GPS定位设备是不适宜的。介绍了利用2个锚节点定位的DV-Hop算法。仿真实验证明了该方法的有效性。

基于跳数差的无线传感器网络安全定位方法

针对无线传感器网络(WSN)中女巫攻击使距离矢量跳数(DV-HOP)等算法的定位结果产生偏差的问题,提出基于跳数差值的距离矢量跳数算法(HDDV-HOP)及其增强型算法(EHDDV-HOP)。首先,检测节点通过可控泛洪方式获取其他节点的邻居节点列表;其次,检测节点通过分析邻居节点列表检测虚假节点并建立白名单;最后,节点根据白名单选择性转发接收到的数据包并进行安全定位。两种算法的区别在于它们使用不同的检测方式,HDDVHOP算法中检测节点分析邻居节点列表是否相同,而EHDDV-HOP算法中检测节点分析邻居节点列表交集与并集中元素个数之比。仿真结果表明,在信标节点比例达到20%和信号覆盖不对称时,与无女巫攻击时DV-HOP算法相比,HDDV-HOP定位误差相对大133.4%,EHDDV-HOP在相似度阈值合适时只高出7.3%,但都低于有女巫攻击时DVHOP的定位误差。两种算法都能抵御女巫攻击,但EHDDV-HOP更优。

无线传感器节点加权平均跳距定位算法

为了提高无线传感器网络节点定位精度,在DV-Hop算法基础上提出一种加权平均跳距定位算法IDV-Hop(Improv-ed DV-Hop)。根据DV-Hop使用简单平均跳距计算节点间距离,导致较大误差这个特点,为了减少误差新算法采用加权平均跳距代替简单平均跳距。仿真实验结果表明,与DV-Hop算法相比,IDV-Hop算法有效地减少了距离计算带来的误差,提高了定位精度,能更好地满足实际应用的需求。

改进的人工蜂群优化DV-Hop定位算法

针对距离向量跳段(DV-Hop)算法在多边定位中误差较大的问题,详细分析了定位误差形成的原因,并提出了一种改进的人工蜂群优化DV-Hop定位算法。该算法引入数学优化模型,使用改进的区域限定人工蜂群算法对该模型进行目标寻优,优化多边定位的执行过程。实验结果表明,改进的人工蜂群算法可减少多边定位阶段的误差和计算量,且定位效果较好。

基于改进距离向量算法的无线传感网定位研究

为了解决传统距离向量-跳段(DV-Hop)定位算法的精确度受限问题,提出了一种基于跳段大小校正和定位优化的改进DV-Hop算法。根据参考节点之间实际距离和估计距离的差异,计算出整个网络中有效的跳段大小,未知节点和参考节点之间的跳段添加了校正值,而接收信号强度指示(received signal strength indicator,RSSI)的数值用于校正单跳的距离,应用莱文贝格-马奈特(Levenberg-Marquardt,LM)算法来估计每个传感器的优化位置。在求值的过程中,研究了影响距离向量-跳段定位精确度的各种因素。仿真结果表明,与传统的DV-Hop和一些现有的改进算法相比,提出算法的定位精度有所提高。