论文部分内容阅读
节点定位是无线传感器网络中最重要的功能之一，节点自身位置的准确性关系到节点其他数据的有效性.无线传感器网络在最近几年得到了很好的发展，新的应用领域对节点定位提出新的挑战，但由于节点自身条件的限制，到现在还没有一个通用的定位算法.本文通过对节点定位的基础理论进行研究，并结合支持向量机(SVM)和最小二乘支持向量机(LS-SVM)的相关理论知识，在其基础之上加以改进，把改进后的方法应用到节点定位技术当中.论文在怎么提高节点定位的快速性，鲁棒性和怎么实现节点的移动化方面取得一些成果，主要包括以下三个方面:1)正则化参数和核参数不同组合的选取对LS-SVM算法的精确性和快速性起着关键性的作用.现有的一些LS-SVM参数调优方法有着很多缺点，例如很难取得全局最优值和没有很好的收敛速度.在论文当中，提出一种利用量子粒子群优化(QPSO)调节LS-SVM参数的方法，并把改进的LS-SVM应用到节点定位技术当中.算法根据QPSO得到的参数初值，再利用十字交叉验证法得到最终的优化参数.仿真显示了提出的方法与耦合模拟退火(CSA)LS-SVM和改进量子粒子群(IPSO)LS-SVM的对比结果.2)对加权LS-SVM(WLS-SVM)进行研究和改进，将提出的一种改进的鲁棒LS-SVM(MRLS-SVM)应用到无线传感器网络的节点定位技术中，以改善节点定位技术的精确性和鲁棒性.定位过程中，先利用WLS-SVM和迭代加权方案预测虚拟节点的位置，再结合样本值和新的位置信息得出一组数据作为新的样本，最终获得模型参数并进一步地预测未知节点的位置.最后，通过仿真例子表明本文提出的方法比LS-SVM和WLS-SVM更能精确的实现节点定位.3)根据移动节点的种类把移动节点定位分为三种模型，并对三种不同类型的移动定位模型进行节点定位建模.对于时效要求高的移动定位系统，利用建立非线性自回归模型来预测节点未来的地理位置和运动轨迹.仿真结果显示了MRLS-SVM算法能有效的应用到三种定位模型当中，同时也显示了本文建立的轨迹预测模型能有效的预测出移动节点在未来几个周期的运动轨迹.