CN111432368B - 一种适用于稀疏锚节点wsn的测距定位方法 - Google Patents
一种适用于稀疏锚节点wsn的测距定位方法 Download PDFInfo
- Publication number
- CN111432368B CN111432368B CN202010240155.8A CN202010240155A CN111432368B CN 111432368 B CN111432368 B CN 111432368B CN 202010240155 A CN202010240155 A CN 202010240155A CN 111432368 B CN111432368 B CN 111432368B
- Authority
- CN
- China
- Prior art keywords
- positioning
- node
- nodes
- blind
- adaptive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/009—Security arrangements; Authentication; Protecting privacy or anonymity specially adapted for networks, e.g. wireless sensor networks, ad-hoc networks, RFID networks or cloud networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/63—Location-dependent; Proximity-dependent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/14—Determining absolute distances from a plurality of spaced points of known location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Abstract
本发明公开了一种适用于稀疏锚节点WSN的测距定位方法,所述适用于稀疏锚节点WSN的测距定位方法包括:定位中心获取网络中锚节点坐标参数及所有传感节点间的测距信息,构造定位模型,并生成盲节点定位矩阵;依据定位模型生成适应度函数,构建自适应算子;运行自适应烟花算法进行迭代优化,输出最优精英个体,解析为所有盲节点坐标。本发明中定位模型通过利用所有传感节点间的测距信息,特别是纳入盲节点间测距信息,显著提升了传感节点定位精度,并减少了对锚节点密度的依赖,此外可同时支持二维平面和三维空间定位,使本定位方法可以很好地适用于稀疏锚节点的WSN。
Description
技术领域
本发明属于WSN定位技术领域,尤其涉及一种适用于稀疏锚节点WSN的测距定位方法。
背景技术
WSN作为物联网中感知层的关键支撑技术,应用十分广泛,由于传感节点成本较为低廉,通常不配备GPS等定位模块,因此对传感节点间协作精确定位的需求较高。通常,WSN定位方法可分为测距定位方法与非测距定位方法,缘于非测距定位方法精度通常较低,有时难以满足实际应用需求。
WSN协作定位方法的一般流程如下:位置已知的锚节点在网络中广播自身位置信息;然后位置未知的待定位盲节点获得与锚节点间距离表征信息如接收信息强度指示、传播跳数等,同步获得锚节点位置信息;最后在获取多个锚节点信息后,通过将距离表征信息转换为测距信息即可完成自身定位。
但是,由于传感节点通信半径较短,每个盲节点通信范围内不一定会存在三个(二维平面定位)或四个(三维空间定位)及以上的锚节点,即实际应用时WSN经常面临稀疏锚节点环境。通常,非测距定位方法是稀疏锚节点环境下定位的首选,如DV-Hop、APIT等定位算法。但是,缘于非测距定位方法中距离表征信息误差较差,导致该类定位方法存在定位精度不高的缺陷。针对此,适用于稀疏锚节点环境的测距定位方法逐渐成为学者研究的重点。
因此,有学者研究提出将已完成定位的盲节点升级为锚节点以应对锚节点稀疏问题,并参与定位后续盲节点,但这种方式存在误差累积问题,即盲节点定位误差会在升级为锚节点后进一步传导至后续盲节点,从而导致定位误差逐渐增大。也有学者提出通过调整锚节点发射功率来覆盖更多盲节点,尽可能保证盲节点能同时收到三个锚节点位置信息,但这种可调发射功率的无线通信模块会显著增加锚节点成本,制约了方案的适应性。
综上所述,针对稀疏锚节点的WSN定位需求,现有非测距定位技术存在定位精度不高的问题,现有测距定位技术则存在定位误差累积和节点成本过高的缺陷。
解决上述技术问题的思路:
本发明从尽可能利用所有传感节点间测距信息的角度解决稀疏锚节点WSN的定位问题。通过深入分析定位误差来源,发现忽略盲节点与盲节点间测距信息(以下简称为盲节点间测距信息)是导致定位误差居高不下的根本原因。因此,通过纳入盲节点间测距信息,构建定位模型,可以有效提升定位精度。同时,通过将所有待求盲节点坐标表征为盲节点定位矩阵,将多节点定位转换为单目标优化问题,同步进行定位,因而在仅需要少量锚节点的同时避免了误差累积问题。
解决上述技术问题的意义:
WSN作为万物互联世界的关键支撑技术,在智慧城市、智能家居、智慧军营、智慧农业、智能物流等领域都有着广泛的应用前景,而传感节点定位是实现智能、智慧应用的基础,甚至在部分场景下缺失位置的传感信息毫无价值。解决适用于稀疏锚节点环境的WSN定位问题将有效扩大WSN的应用场景。
发明内容
针对现有技术存在的问题,本发明提供了一种适用于稀疏锚节点WSN的测距定位方法。
为了实现上述目的,本发明采用了如下技术方案:
一种适用于稀疏锚节点WSN的测距定位方法,所述适用于稀疏锚节点WSN的测距定位方法包括:
第一步,定位中心获取网络中锚节点坐标参数及所有传感节点间的测距信息,构造定位模型,并生成盲节点定位矩阵;
给定邻居节点间测距距离dr与地理距离dg之差称为定位误差d:
通过充分利用盲节点间测距信息,以最小化定位误差为目标建立定位模型:
第二步,依据定位模型生成适应度函数,构建自适应算子;
结合上述模型,给出单目标优化问题的适应度函数:
第三步,运行自适应烟花算法进行迭代优化,输出最优精英个体,解析为所有盲节点坐标。
优选的,所述适用于稀疏锚节点WSN的测距定位方法的定位模型纳入了盲节点间测距信息,并通过设计定位优化因子β用以调整不同类型测距信息的权重,以适用于不同WSN环境。
优选的,所述适用于稀疏锚节点WSN的测距定位方法的盲节点定位矩阵表征方法,将多节点同步定位的多目标优化问题转换为单目标优化问题,并最后反向解析为所有盲节点坐标。
本发明的另一目的在于提供一种应用所述适用于稀疏锚节点WSN的测距定位方法的WSN测距定位仿真平台。
本发明提出的一种适用于稀疏锚节点WSN的测距定位方法,有益效果在于:本方案提出的定位方法可以在不增加网络成本的基础上显著提高稀疏锚节点WSN的定位精度,同时支持二维平面和三维空间定位场景,具有较好的适用性;与现有稀疏锚节点环境下非测距定位方法相比,本发明利用了传感节点间测距信息,具有更高的定位精度;与现有稀疏锚节点环境下测距定位方法相比,本发明定位模型纳入了盲节点间测距信息,同时采取盲节点定位矩阵表征方法将多节点定位问题转换为单目标优化问题,实现了同步定位,有效避免了误差累积问题。
附图说明
图1是本发明提出的一种适用于稀疏锚节点WSN的测距定位方法的流程示意;
图2是本发明提出的WSN测距定位仿真平台的组成图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1:一种适用于稀疏锚节点WSN的测距定位方法,所述适用于稀疏锚节点WSN的测距定位方法包括:
第一步,定位中心获取网络中锚节点坐标参数及所有传感节点间的测距信息,构造定位模型,并生成盲节点定位矩阵。
定位中心负责汇聚网络中传感节点参数,并运行定位算法。在获取网络中锚节点坐标参数及所有传感节点间的测距信息后,对传感节点位置坐标进行预处理。记为传感节点集合,为第k个传感节点,mc为传感节点数量,v∈{2,3}为节点坐标维度(v=2代表二维平面定位,v=3代表三维空间定位)。类似地,锚节点集合第i个锚节点ma为锚节点数量;盲节点集合第j个盲节点mb为盲节点数量。记定位区域为D。
给定邻居节点间测距距离dr与地理距离dg之差称为定位误差d:
通过充分利用盲节点间测距信息,以最小化定位误差为目标建立定位模型:
模型目标函数设计为所有节点定位误差总和最小。约束条件中,R为节点通信半径,因此限定节点与节点为邻居节点对;β为定位优化因子,表征模型定位误差对节点间测距信息的敏感程度,其取值对定位精度影响较大。通常,β取值越大,盲节点间测距信息对模型定位结果贡献越大,反之盲节点与锚节点间测距信息作用更为明显。特别地,β=0表示忽略盲节点间测距信息。同时,考虑到定位过程必须要有锚节点参与,即锚节点与盲节点间测距信息的权重必须大于0,故β<1。因此,通过合理调整β取值可以增强模型对不同网络的适应能力。例如,当网络中锚节点相比盲节点具有更高的信号发送功率时,通过适当调低β取值以提升锚节点与盲节点间测距信息的权重。
依据定位数学模型,多盲节点定位属于多目标优化问题。因此,通过将所有盲节点待求位置坐标整合为盲节点定位矩阵,从而将多目标优化问题转变为单目标优化问题,并实现同步定位避免误差累积。
第二步,依据定位模型生成适应度函数,构建自适应算子。
结合上述模型,给出单目标优化问题的适应度函数:
选用烟花算法求解上述单目标优化问题,并改进其适应性,给定自适应烟花算法算子包括自适应爆炸算子、自适应变异算子和选择策略,三者共同影响算法的自适应搜索性能。
烟花自适应产生爆炸火花的操作称为自适应爆炸算子,记为自适应爆炸算子采用极坐标系进行实现,其中和分别为极径矩阵和极角矩阵。极坐标系可以使爆炸火花更好地随机分布于圆形区域。在极角矩阵中,第j个极角向量其中在极径矩阵中,随机矩阵λ=rand(0,1);为爆炸半径,由适应度函数计算得出:
其中,γ代表自适应烟花算法进化效率,且有γ≥1;ωmax和ωmin分别为ω的最大值和最小值,显然有ω∈[ωmin,ωmax],ω∝γ-1。因此,当算法进化较快时,ω可以有效加速全局搜索能力;而当算法进化较慢时,通常表示算法进入精细寻优阶段,因而ω取值变大,使爆炸半径变小,从而进一步增强局部搜索性能。
其中,h为修正参数,ceil(·)和round(·)分别为向上取整和四舍五入取整函数。
给定烟花自适应产生变异火花的操作称为自适应变异算子,记为自适应变异算子采用直角坐标系进行位移,并基于高斯分布进行随机变异。其中,高斯变异矩阵为e~N(1,1),A′E为变异半径,依据适应度函数计算得出:
其中,δ∈[0,1]为变异火花系数,其与自适应搜索因子ω共同优化变异火花数量。此外,为进一步防止算法在优化搜索性能时陷入局部最优,ω仅作用于爆炸火花数目,而不影响爆炸火花半径。类似于爆炸火花,将变异火花数目修正为
第三步,运行自适应烟花算法进行迭代优化,输出最优精英个体,解析为所有盲节点坐标。
烟花产生爆炸火花和变异火花后,需要从中选择优秀的进化个体传递至下一代,从而不断寻优。首先,依据精英保留策略从进化个体集合K中选择fmin对应的元素成为下一代烟花。然后,采用轮盘赌策略从K的剩余元素中选择n-1个,与精英进化个体共同构成下一代烟花种群
为增强进化效果,轮盘赌策略概率由元素拥挤程度决定,即越密集的元素被选择概率越低。拥挤程度由元素所在位置得出,给出进化个体Er被选择概率p(Er):
考虑到能量有效性及定位时效性,自适应烟花算法终止条件设定为算法迭代达到指定次数或精英进化个体适应度值满足连续g次相同。
定位结果输出时,将烟花算法输出的精英进化个体定位矩阵按行解析为各个盲节点的位置坐标,即优化完成的定位结果。
实施例
本发明的另一目的在于提供一种应用所述适用于稀疏锚节点WSN的测距定位方法的WSN测距定位仿真平台。
如图2所示,本发明实施例提供的稀疏锚节点环境下WSN测距定位仿真平台实施过程为:
S1:数据导入模块负责从外部导入已经采集的WSN定位相关数据,支持导入RSSI和TOA两种测距数据,距离数据导入为可选项,仅用于评估数据定位误差。
S2:参数配置模块中,数据参数配置用于对导入定位数据的属性进行配置,如测距信息类型、锚节点信息、节点位置坐标维度等;模型参数配置负责对定位模型的参数进行设置,如定位优化因子、节点通信半径等;算法参数配置负责对烟花算法运行过程上的参数进行设定,如初始烟花种群数、最大迭代次数、变异火花系数、自适应搜索因子边界值等;结果参数配置主要对定位结果输出信息进行配置,包括定位时间、迭代次数、定位精度等。
S3:算法运行模块负责对算法运行进行控制,种群初始控制主要负责完成种群初始化;算子运行控制负责产生爆炸火花和变异火花,并对火花越界进行处理;种群进化控制负责对烟花迭代寻优进行控制,并在满足条件时终止算法输出最优精英个体。
S4:结果输出模块中,定位坐标解析负责将最优精英个体定位矩阵按行解析为各个盲节点的位置坐标;定位结果评估统计算法迭代次数、算法运行时间以及依据导入的距离数据计算定位误差等;定位误差输出通过平均定位误差曲线、节点定位误差图等方式输出定位结果。
综上所述:本发明提出的定位方法可以在不增加网络成本的基础上显著提高稀疏锚节点WSN的定位精度,同时支持二维平面与三维空间定位,具有较好的适用性;与现有稀疏锚节点环境下非测距定位方法相比,本发明利用了传感节点间测距信息,具有更高的定位精度;与现有稀疏锚节点环境下测距定位方法相比,本发明定位模型纳入了盲节点间测距信息,同时采取盲节点定位矩阵表征方法将多节点定位问题转换为单目标优化问题,实现了同步定位,有效避免了误差累积问题。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种适用于稀疏锚节点WSN的测距定位方法,其特征在于,所述适用于稀疏锚节点WSN的测距定位方法包括:
第一步,定位中心获取网络中锚节点坐标参数及所有传感节点间的测距信息,构造定位模型,并生成盲节点定位矩阵;
令为传感节点的集合,为第k个传感节点的向量表示,mc为传感节点的数量,v为节点坐标维度,传感节点包括锚节点和盲节点;令为锚节点的集合,为第i个锚节点的向量表示,ma为锚节点的数量;令为盲节点集的合,为第j个盲节点的向量表示,mb为盲节点的数量;给定邻居节点间测距距离dr与地理距离dg之差称为定位误差d:
通过充分利用盲节点间测距信息,以最小化定位误差为目标建立定位模型:
所述定位模型的目标函数设计为所有节点定位误差总和最小;在所述定位模型的约束条件中,R为节点通信半径,因此限定节点与节点为邻居节点对;β为定位优化因子,用于表征定位模型的定位误差对节点间测距信息的敏感程度,调节锚节点与盲节点在所述定位模型中的贡献;
第二步,依据定位模型生成适应度函数,构建自适应算子;
根据所述定位模型,设置单目标优化问题的适应度函数:
第三步,运行自适应烟花算法对所述单目标优化问题进行迭代优化,输出最优精英个体,解析为所有盲节点坐标;其中,所述自适应烟花算法的所述自适应算子包括自适应爆炸算子和自适应变异算子;且所述运行自适应烟花算法对所述单目标优化问题进行迭代优化,包括如下:
第(1)步、构建自适应爆炸算子:
设所述自适应爆炸算子为:Φ:所述自适应爆炸算子采用极坐标系实现,和分别为极径矩阵和极角矩阵;在所述极角矩阵中,第j个极角向量为: 在所述极径矩阵中,随机矩阵为:λ=rand(0,1),为爆炸半径,由适应度函数计算得出,所述适应度函数为:为烟花种群,n为烟花种群大小,ε为机器最小量,ω为改善所述自适应烟花算法搜索性能而设计的自适应搜索因子,ω包括:γ代表所述自适应烟花算法的进化效率,且有γ≥1;ωmax和ωmin分别为ω的最大值和最小值,ω∈[ωmin,ωmax],ω∝γ-1;
依据所述自适应爆炸算子,第r个烟花Er产生爆炸火花数目包括其中,将爆炸火花数目修正为对爆炸火花数目取整并设定下限阈值其中,h为修正参数,ceil(·)和round(·)分别为向上取整和四舍五入取整函数;
第(2)步、构建自适应变异算子:
设所述自适应变异算子为Γ:所述自适应变异算子采用直角坐标系进行位移,并基于高斯分布进行随机变异;其中,高斯变异矩阵为e~N(1,1),A′E为变异半径,依据适应度函数计算得出依据所述自适应变异算子,第r个烟花Er产生变异火花数目为其中,δ∈[0,1]为变异火花系数,ω仅作用于爆炸火花数目,而不影响爆炸火花半径,将变异火花数目修正为
第(3)步、根据所述自适应爆炸算子和所述自适应变异算子,对所述单目标优化问题进行迭代优化,输出最优精英个体,解析为所有盲节点坐标:
依据精英保留策略从进化个体集合K中选择fmin对应的元素成为下一代烟花;
采用轮盘赌策略从K的剩余元素中选择n-1个元素,将n-1个元素与精英进化个体共同构成下一代烟花种群其中,所述轮盘赌策略概率由元素拥挤程度决定,且越密集的元素被选择概率越低;所述拥挤程度由元素所在位置得出,给出进化个体Er被选择概率p(Er)为:
当迭代达到指定次数或精英进化个体适应度值满足连续g次相同时,结束迭代,并将输出的精英进化个体定位矩阵按行解析为各个盲节点的位置坐标。
2.如权利要求1所述的适用于稀疏锚节点WSN的测距定位方法,其特征在于,所述适用于稀疏锚节点WSN的测距定位方法的定位模型纳入了盲节点间测距信息,并通过设计定位优化因子β用以调整不同类型测距信息的权重,以适用于不同WSN环境。
3.如权利要求1所述的适用于稀疏锚节点WSN的测距定位方法,其特征在于,所述适用于稀疏锚节点WSN的测距定位方法的盲节点定位矩阵表征方法,将多节点同步定位的多目标优化问题转换为单目标优化问题,并最后反向解析为所有盲节点坐标。
4.一种应用权利要求1~3任意一项所述适用于稀疏锚节点WSN的测距定位方法的WSN测距定位仿真平台。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010240155.8A CN111432368B (zh) | 2020-03-31 | 2020-03-31 | 一种适用于稀疏锚节点wsn的测距定位方法 |
LU500797A LU500797B1 (en) | 2020-03-31 | 2020-11-19 | Ranging positioning method suitable for sparse anchor node wsn |
PCT/CN2020/130076 WO2021196656A1 (zh) | 2020-03-31 | 2020-11-19 | 一种适用于稀疏锚节点wsn的测距定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010240155.8A CN111432368B (zh) | 2020-03-31 | 2020-03-31 | 一种适用于稀疏锚节点wsn的测距定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111432368A CN111432368A (zh) | 2020-07-17 |
CN111432368B true CN111432368B (zh) | 2022-10-21 |
Family
ID=71550319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010240155.8A Active CN111432368B (zh) | 2020-03-31 | 2020-03-31 | 一种适用于稀疏锚节点wsn的测距定位方法 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN111432368B (zh) |
LU (1) | LU500797B1 (zh) |
WO (1) | WO2021196656A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111432368B (zh) * | 2020-03-31 | 2022-10-21 | 中国人民解放军国防科技大学 | 一种适用于稀疏锚节点wsn的测距定位方法 |
CN113038475B (zh) * | 2021-03-15 | 2023-01-20 | 中山大学 | 基于稀疏项恢复的恶意锚节点检测和目标节点定位方法 |
CN113923590B (zh) * | 2021-09-24 | 2023-07-21 | 西北工业大学 | 一种锚节点位置不确定情况下的toa定位方法 |
CN113959448B (zh) * | 2021-10-26 | 2023-08-29 | 江苏海洋大学 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
CN114173281B (zh) * | 2021-12-24 | 2023-10-27 | 长安大学 | 室内nlos环境下基于toa的定位系统信标节点的优化布局方法 |
CN115766779B (zh) * | 2022-11-03 | 2023-07-07 | 北京邮电大学 | 物联网中目标节点高精度定位方法、系统、设备及介质 |
CN116930864B (zh) * | 2023-06-27 | 2024-02-23 | 中铁第四勘察设计院集团有限公司 | 一种室内外无缝统一基准构建方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108668358A (zh) * | 2018-05-09 | 2018-10-16 | 宁波大学 | 一种应用于无线传感网络的基于到达时间的协作定位方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104066179B (zh) * | 2014-07-10 | 2017-09-22 | 浙江银江研究院有限公司 | 一种改进的自适应迭代ukf的wsn节点定位方法 |
CN105277917B (zh) * | 2015-10-30 | 2017-11-03 | 湖南大学 | 一种基于反馈机制的动态指纹库室内定位方法 |
CN105554873B (zh) * | 2015-11-10 | 2019-03-15 | 胡燕祝 | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 |
CN105682026A (zh) * | 2016-01-08 | 2016-06-15 | 南昌大学 | 基于跳数阈值优化平均跳距的改进DV-Hop定位方法 |
CN106211079A (zh) * | 2016-09-23 | 2016-12-07 | 武汉创驰蓝天信息科技有限公司 | 基于 iBeacons 节点的RSSI 测距的室内定位方法及系统 |
US10575275B2 (en) * | 2017-08-23 | 2020-02-25 | Locix, Inc. | Systems and methods for adaptively selecting distance estimates for localization of nodes based on error metric information |
CN107426817B (zh) * | 2017-08-28 | 2020-09-22 | 西安电子科技大学 | 距离修正混沌粒子群多维标度无线传感器网络定位方法 |
CN107734479A (zh) * | 2017-09-11 | 2018-02-23 | 广东广业开元科技有限公司 | 一种基于无线传感技术的消防人员定位方法、系统和装置 |
CN108600959A (zh) * | 2018-01-03 | 2018-09-28 | 中山大学 | 一种基于改进布谷鸟搜索算法的wsn节点定位方法 |
CN108924734B (zh) * | 2018-05-24 | 2020-08-11 | 北京理工大学 | 一种三维传感器节点定位方法及系统 |
TWI671740B (zh) * | 2018-06-07 | 2019-09-11 | 光禾感知科技股份有限公司 | 基於地磁訊號結合電腦視覺的室內定位系統及方法 |
CN110856252B (zh) * | 2019-11-11 | 2020-10-16 | 山东大学 | 一种考虑测量误差的二维平面传感器定位方法及系统 |
CN111432368B (zh) * | 2020-03-31 | 2022-10-21 | 中国人民解放军国防科技大学 | 一种适用于稀疏锚节点wsn的测距定位方法 |
-
2020
- 2020-03-31 CN CN202010240155.8A patent/CN111432368B/zh active Active
- 2020-11-19 LU LU500797A patent/LU500797B1/en active IP Right Grant
- 2020-11-19 WO PCT/CN2020/130076 patent/WO2021196656A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108668358A (zh) * | 2018-05-09 | 2018-10-16 | 宁波大学 | 一种应用于无线传感网络的基于到达时间的协作定位方法 |
Non-Patent Citations (3)
Title |
---|
"Adaptive fireworks algorithm based on simulated annealing";YE, Wenwen等;《2017 13th International Conference on Computational Intelligence and Security》;20180212;第371-373页 * |
"基于自适应烟花算法的多无人机分配";马焱等;《电光与控制》;20180131;第25卷(第1期);第38-41页 * |
"烟花算法研究进展";谭营等;《智能系统学报》;20141031;第9卷(第5期);第516-521页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111432368A (zh) | 2020-07-17 |
WO2021196656A1 (zh) | 2021-10-07 |
LU500797A1 (en) | 2021-11-24 |
LU500797B1 (en) | 2022-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111432368B (zh) | 一种适用于稀疏锚节点wsn的测距定位方法 | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN110167138A (zh) | 基于改进灰狼优化算法的无源时差定位系统优化布站方法 | |
CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
CN112291734A (zh) | 一种移动传感器网络区域覆盖优化的方法 | |
CN115471016A (zh) | 一种基于cisso与daed的台风预测方法 | |
CN116362329A (zh) | 一种融合参数优化的集群联邦学习方法及设备 | |
Pan et al. | The phasmatodea population evolution algorithm and its application in 5g heterogeneous network downlink power allocation problem | |
CN109116300B (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN110852435A (zh) | 一种基于神经进化计算模型 | |
CN112613530A (zh) | 基于自适应密度聚类算法的小区住户识别方法和系统 | |
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
Xue et al. | A novel intelligent antenna synthesis system using hybrid machine learning algorithms | |
CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 | |
CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
CN115567131A (zh) | 一种基于降维复卷积网络的6g无线信道特性提取方法 | |
CN113516766B (zh) | 一种基于神经网络算法的独立坐标系参数分析方法及系统 | |
CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 | |
Liu et al. | Research on Wireless Sensor Network Localization Based on An Improved Whale Optimization Algorithm | |
CN114218849A (zh) | 基于深度强化学习的复杂阵列天线智能设计方法 | |
CN113627074A (zh) | 一种基于迁移学习的地波传播时延预测方法 | |
CN113609677A (zh) | 一种基于多路径的机器学习辅助天线设计方法 | |
CN113219408A (zh) | 改进型rbf神经网络室内可见光定位方法及系统 | |
CN114173280B (zh) | 一种基于广义回归神经网络的室内3d定位方法 | |
CN114599084B (zh) | 一种基于植物群落行为的无线传感器网络目标定位算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |