DV-Hop定位算法

摘要： 针对无线传感器网络中传统DV-HOP(distance vector-hop)定位算法定位误差大的问题,提出基于测距修正及改进鲸鱼优化的DV-HOP(whale optimization algorithm distance vector-hop,WOADV-HOP)定位算法,该算法首先通过添加修正因子和引入权重来修正待定位节点和信标节点之间的测距值,减少测距误差。利用改进鲸鱼优化算法代替最小二乘法求待定位节点的坐标。仿真结果表明,在不增加额外设备的情况下,该算法比同类方法能更加明显地提高定位精度。

摘要： 无线传感器网络具有大规模、自组织、可靠性、以数据为中心、集成化等特点,被广泛应用于军事、医疗、矿山监测、安全生产等领域。然而现有的无线传感器网络非测距定位算法存在定位误差较大的问题。针对该问题,本文提出一种基于全局人工鱼群算法优化的DV-Hop(distance vector-hop)定位算法,即DEWF-D定位算法。该算法对非测距定位算法中的DV-Hop算法出现误差的步骤进行优化处理,通过减小算法过程中出现的误差,最终得到较为精准的定位坐标。首先,使信标节点以两种不同的通信半径传递消息,将跳数进行精确化处理,以减少跳数带来的误差;然后,用最小均方误差准则和误差加权方式计算平均每跳距离;最后,利用全局人工鱼群算法替换三边测量法进行坐标计算。仿真验证表明,在不同信标节点密度下,本文提出的DEWF-D算法与DV-Hop算法及其他算法相比定位精度分别提升28.3%、6.9%、12.5%;而在不同通信半径下,定位精度分别提升了24.4%、7.6%、14.8%。证明DEWF-D算法能有效提升定位精度,解决了定位算法中出现的定位误差较大问题。

摘要： 三维定位是无线传感器网络确定监测对象的重要内容,是当前研究的热点问题之一。针对传统三维DV-Hop定位算法定位精度不高的问题,通过模拟仿真深入分析了误差形成的原因,提出了一种以优化跳数和跳距为核心的三维DV-Hop定位改进算法。该算法通过细化通信跳数以降低原始算法中高估跳数造成的误差,并改进了信标节点的跳距计算方法,调整权重以确定未知节点的跳距。实验结果表明,本算法能显著降低定位误差,定位精度相对传统算法提高了25%~30%。该研究可为无线传感器网络监测空间定位提供参考。

摘要： 基于人工神经网络的无线传感器定位算法,就是将人工神经网络运用到HOP定位计算模型当中,构建出一种结合的定位算法,可记为RBF-HOP定位算法.基于人工神经网络的无线传感器新定位算法主要是解决以往技术中定位不准确的问题,采用的是随机生成虚拟节点,用来进行神经网络训练,再通过对优先定位节点进行定位,并将其作为下一次定位的锚节点,无线循环进行定位计算,获得未知节点的准确位置的定位方法,最后在定位计算结束后,利用仿真分析方式,探究了 RBF-HOP定位算法的准确性.相较于传统DV-HOP无线传感器定位算法,该算法的运用更加可靠.

摘要： 经典DV-Hop算法用跳距和最小二乘法来估计未知点坐标会带来较大的误差,针对这一现象,引入加权系数对平均跳距进行修正,用模拟退火算法代替最小二乘法求解未知节点坐标.以信标节点个数和通信半径为变量研究其改进效果,实验结果显示改进后定位算法的定位精度明显提高,且在信标节点较少和通信半径较小的情况下误差率也明显降低,具有较高的实际应用价值.

摘要： 随着无线通信技术的发展以及物联网设备在室内环境的广泛部署,作为物联网服务的重要支撑技术之一的无线传感器网络的定位技术再一次成为工业界和学术界的研究热点.本文根据DV-Hop算法在无线传感器网络定位过程中存在的误差问题,引入?粒子群算法对定位误差进行优化,提出?PSO-DV-Hop算法.仿真实验结果表明,本文提出的PSO-DV-Hop算法(基于粒子群算法的DV-Hop定位算法)的定位精确度较DV-Hop算法提高25％左右,在实际应用中具有重要的参考意义.

摘要： Aiming at the larger error and low positioning accuracy of DV-hop localization algorithm in wireless sensor network,we come up with an improved algorithm based on hop distance weighting.The beacon nodes around the unknown node are weighted to obtain a more ac-curate hop distance so as to reduce the positioning error.The weight is determined by the hop distance from unknown node to beacon nodes and beacon nodes credibility.The smaller the beacon node's farther away from the unknown node is,the smaller the weight is.The credibili-ty of beacon node is measured on the basis of its own error.The greater the beacon node error is,the lower its credibility is,and the weight is also smaller.The specific implementation is as follows.First,we choose beacon nodes within nhop of unknown node as reference nodes. Then,hop count of the reference node is weighted to obtain the average hop distance of the unknown nodes and the distance of the unknown node from the reference node is calculated according to the hop count of the unknown node to the reference node.In the end,unknown nodes coordinates are obtained by least square method.Simulation shows that the precision of improved DV-hop algorithm is about 28% higher than classical DV-hop algorithm.%针对无线传感网络中的DV-hop定位算法误差较大、定位精度不高的问题,提出了基于跳距加权的改进DV-hop定位算法.对未知节点周围的信标节点进行加权,得到精度更高的跳距以减小定位误差.权重依据未知节点距信标节点的跳距和信标节点可信度来确定,离未知节点越远的信标节点权重越小.信标节点可信度根据其自身的误差来衡量,信标节点误差越大则其可信度越低,其权重也越小.具体实现过程为,选取距未知节点n跳以内的信标节点作为参考节点,对参考节点的跳距进行加权得到未知节点的平均跳距,并根据未知节点到参考节点的跳数,计算得到未知节点距参考节点的距离.利用最小二乘法求得未知节点坐标.仿真实验结果表明,改进的DV-hop定位算法的精度比经典DV-hop提高了28%左右.

摘要： Particle swarm optimization (PSO) is a group of intelligent algorithm with few parameters and simple form,which has some difficulties in local convergence and parameter selection.Therefore,combined with other intelligent methods to deal with these defects,we propose a particle swarm optimization algorithm with quantum behavior.Aiming at the problems that the estimation error of the least square method in classical distance vector-hop(DV-Hop) is too large and the particle swarm optimization(PSO) easily traps into local optimum in the wireless sensor network (WSN),we put forward a fusion algorithm of improved quantum particle swarm optimization (QPSO) and DV-Hop.It uses the particle swarm optimization with quantum behavior instead of the basic particle swarm optimization, which optimizes and modifies the estimation result of unknown nodes in the DV-Hop by using its characteristics of convergence to the global optimal value and high-speed convergence.The simulation shows that compared with the traditional DV-Hop and PSO-DVHop, the proposed algorithm has high positioning accuracy with good stability and fast convergence speed,and is superior and feasible.%粒子群算法是一种参数少,形式简单的群体智能算法,但存在局部收敛和参数选择困难的缺陷,因此融合其他的智能方式来处理这些缺陷,提出一种具有量子行为的粒子群优化算法.针对无线传感器网络(WSN)定位算法中经典DV-Hop算法运用最小二乘法的估计误差过大、粒子群(PSO)算法易陷入局部最优的问题,提出了一种改进量子粒子群算法与DV-Hop的融合算法.该算法采用具有量子行为的粒子群算法(QPSO)来代替粒子群算法,利用该算法易收敛于全局最优值和高速收敛性的特点,对DV-Hop算法中未知节点的估计结果进行优化和修正.仿真结果表明,相比传统DV-Hop和PSO-DVHop算法,该算法的定位精度高,稳定性好,收敛速度快,具有一定的优越性和可行性.

摘要： 系统介绍无线传感器网络DV Hop分布式定位算法的工作机理,并指出该算法的不足.为了减小原算法的定位误差,基于加权原则改进了计算全网平均每跳距离的公式.仿真结果表明,改进算法与原DV Hop定位算法及已有的改进算法相比,能够更好地提高节点定位精度.

摘要： DV-Hop算法是无线传感器网络常用的定位算法,本文在现有DV-Hop算法及其改进思路的基础上,结合无线传感器网络低能耗的要求,提出一种节能的高精度的DV-Hop定位方法.

摘要： 常规距离向量跳(Distance Vector Hop)DV-Hop算法特性详细分析上精度不高,该算法是基于步骤的.提出了两个新的DV-Hop算法,首先介绍了加权平均值方法来计算每跳距离,其次近似估计信标节点和未知节点的距离,然后使用该距离计算平均每跳的距离.结果表明,在相同规模的网络,传感器节点定位改进DV-hop算法比原算法更理想更准确.

摘要： 常规距离向量跳(Distance Vector Hop)DV-Hop算法特性详细分析上精度不高,该算法是基于步骤的.提出了两个新的DV-Hop算法,首先介绍了加权平均值方法来计算每跳距离,其次近似估计信标节点和未知节点的距离,然后使用该距离计算平均每跳的距离.结果表明,在相同规模的网络,传感器节点定位改进DV-hop算法比原算法更理想更准确.

摘要： 常规距离向量跳(Distance Vector Hop)DV-Hop算法特性详细分析上精度不高,该算法是基于步骤的.提出了两个新的DV-Hop算法,首先介绍了加权平均值方法来计算每跳距离,其次近似估计信标节点和未知节点的距离,然后使用该距离计算平均每跳的距离.结果表明,在相同规模的网络,传感器节点定位改进DV-hop算法比原算法更理想更准确.

摘要： 常规距离向量跳(Distance Vector Hop)DV-Hop算法特性详细分析上精度不高,该算法是基于步骤的.提出了两个新的DV-Hop算法,首先介绍了加权平均值方法来计算每跳距离,其次近似估计信标节点和未知节点的距离,然后使用该距离计算平均每跳的距离.结果表明,在相同规模的网络,传感器节点定位改进DV-hop算法比原算法更理想更准确.

摘要： 本发明公开了基于KF算法、Chan算法及Taylor算法的UWB定位方法，包括步骤：步骤1，将待测标签置于待测载体上，并处在4个定位基站的环境下，针对待测标签到各基站的距离进行拟合处理；步骤2，将所述步骤1实时拟合后的距离值作为卡尔曼滤波的量测值进行卡尔曼滤波，得到滤波后的距离值；步骤3，对所述步骤2经卡尔曼滤波后的距离值使用Chan算法得到待测标签估计位置；步骤4，将步骤3中Chan算法解算的待测标签估计位置作为Taylor算法的初值，进行Taylor算法解算得到最终的待测标签估计位置。本发明针对待测标签到各基站的距离建立线性拟合方程，将拟合后的结果进行卡尔曼滤波处理，减少非视距误差，使得测距结果稳定且更接近真值，提高定位精度。

摘要： 本发明通过运用有效信号段自提取算法以及分段截取相关系数算法来对所提取的信号进行操作处理，然后通过椭圆定位算法，根据多个椭圆的公共交点来确定损伤位置。在保证精度的同时使用更少的传感器，可以减少成本，降低实现难度。

摘要： 本发明公开了一种基于纹理粗略定位与形状精细定位相结合的2D码定位算法，该算法包括如下步骤：对数字图像进行纹理粗略过滤，剔除不可能存在二维码的区域，获得二维码区域；对获得的二维码区域进行L角的几何形状匹配，若匹配成功，则对匹配成功的L角进行局部外推至亚像素精度；对局部外推至亚像素精度的L角进行组合，若能组合成矩形，则进行四条边界的细化处理；采用预设滤过条件对细化处理后的矩形进行过滤，对满足预设过滤条件的矩形进行图像定位判断，若图像定位成功则进行解码。本发明的有益效果：解决了工业DPM码定位困难，耗时长的问题，并且将二维码的形状特征与纹理特征结合进行搜索，算法执行速度快，抗干扰，能够工作在低成本的CPU上，非常适合嵌入式DPM读码工作。

摘要： 本发明公开了基于特征点定位算法的面部穴位定位方法和定位装置，将人脸面部穴位分为三类，输入人脸图像，根据人脸面部主动形状模型训练结果对输入的人脸图像进行搜索，得到人脸图像的面部特征基准点，确定第一类穴位；基于骨度分寸法计算人体的同身寸，根据人脸图像的面部特征基准点和同身寸，获取第二类穴位；根据人脸图像的面部特征基准点输入神经网络模型训练结果中，获取输入人脸图像的所有第三类穴位。本发明通过对于人脸的识别与分析，计算出面部指定穴位所在的位置，具有成本低，使用简单，可以因人定穴，非接触等优点。

摘要： 本发明涉及GNSS卫星RTK定位领域，具体涉及一种基于几何模型算法和无几何模型算法融合的RTK定位方法。实现过程为：对用户的位置参数进行卡尔曼滤波建模，建立几何模型GB；对卫星的状态参数进行卡尔曼滤波建模，建立无几何模型GF；根据卫星载波和伪距观测值对无几何模型GF中的卫星状态参数进行滤波更新；建立几何模型GB的位置参数与无几何模型GF的卫星状态参数之间的联系；进行滤波更新或最小二乘求解，得到用户的位置参数。本发明可以避免质量较差卫星对位置参数解算的影响，对观测质量不佳的卫星及时剔除，且不会对用户状态参数的几何模型产生影响。

摘要： 在过程控制中，按偏差的比例(P)、积分(I)和微分(D)进行控制的PID控制器(亦称PID调节器)是应用最为广泛的一种自动控制器。但是传统的PIP算法产生误差的方式不太合理控制目标v在过程中可以“跳变”，被控对象输出Y的变化都有惯性，不可能跳变，要求让缓变的变量y来跟踪能够跳变的变量v，初始误差很大，易引起超调，很不合理。本发明正是基于PID算法，在原来传统的PID算法控制原理，常规的PID参数整定方法上，通过新的参数整定方法以及新的分段控制的PID算法可以有效降低最大稳态的误差。

摘要： 本发明公开了一种基于多种群遗传算法的配电网故障区段定位方法。包括以下步骤：1）通过二进制编码对含分布式电源的配电网络的故障电流进行编码；2）在适应多电源网络基础上，引入分布式电源开关系数来表示电源投切，并考虑在复杂配电网中的应用，建立相应的开关函数；3）根据故障电流编码和含分布式电源网络的开关函数，针对配电网故障区段定位问题，完成适应度函数的构建；4）对多种群遗传算法（MPGA）进行实现，完成种群初始化、控制参数的设定、移民算子和人工选择算子以及收敛条件的判定。本发明能准确定位配电网故障区段，适用于含分布式电源的复杂配电网络，具有一定的有效性和容错性。

摘要： 本发明涉及一种基于DBN和卡尔曼滤波算法的AGV定位算法，属于机器人定位和深度学习领域。采集多组AGV运动过程中的速度和加速度信息，通过卡尔曼滤波算法估计出AGV不同时刻的位置信息；根据步骤1中采集到的信息，建立卡尔曼滤波过程中新息方差理论值的和实际测量值间的匹配度变量Ink，训练DBN；将训练好的DBN和卡尔曼滤波算法相结合，当匹配度偏离1时，通过DBN产生的自适应调节因子，校准匹配度变量，保证卡尔曼滤波算法对AGV位置和速度的精准估计。本发明根据卡尔曼滤波算法中新息序列理论方差和实际方差的一致程度，利用DBN获取自适应调节因子，对卡尔曼滤波器的噪声方差矩阵进行修正，保证了AGV运行过程中对位置的精确估计。

摘要： 本发明公开了一种基于和声搜索算法和质心算法的定位方法，具有如下步骤：对边坡进行有限元分析并采集物理参数，得到边坡的三维有限元模型；使用计算机为所述的有限元模型，计算得到边坡重心的位置；对待检测的边坡进行有限元分析，调用数据库中的模拟数据库中与当前边坡参数相关的边坡数据，使用人工神经网络训练所述的预测函数，得到成熟的目标函数；将所述待检测的边坡的有限元和物理参数带入所述成熟的目标函数，得到当前滑动位移序列的预测结果。相较于传统的分析方法，具有更高更科学的分析精度，非常方便预测边坡运动。

摘要： 本发明公开了一种基于遗传算法和质心算法的定位方法，具有如下步骤：对边坡进行有限元分析并采集物理参数，得到边坡的三维有限元模型；使用计算机为所述的有限元模型，计算得到边坡重心的位置；对待检测的边坡进行有限元分析，调用数据库中的模拟数据库中与当前边坡参数相关的边坡数据，使用人工神经网络训练所述的预测函数，得到成熟的目标函数；将所述待检测的边坡的有限元和物理参数带入所述成熟的目标函数，得到当前滑动位移序列的预测结果。相较于传统的分析方法，具有更高更科学的分析精度，非常方便预测边坡运动。