基于机器学习的无线传感网络节点定位方法研究

论文摘要

节点定位技术是无线传感器网络(Wireless Sensor Network, WSN)得以实际应用的重要支撑技术之一,受到相关研究者和相关厂商的高度重视,但到目前,非常成熟的节点定位技术仍未得到业界公认。机器学习是利用经验来改善自身性能的一种学习方法。本文设想利用机器学习算法的特性,来实现无线传感网络节点定位。其基本思路是：将网络区域划分为若干个等分的小格,每一小格代表机器学习算法中一个确定的类别,机器学习算法在学习了已知的信标节点对应的类别后,对未知节点所处位置进行分类,从而来进一步确定未知节点的位置坐标。本文主要做了以下工作：1.研究基于测距的支持向量机“一对一”节点定位算法。将所有信标节点之间的距离,生成距离向量,作为支持向量机的训练数据,同时将未知节点与信标节点之间的距离向量作为测试数据,经训练后的支持向量机可对未知节点进行分类,通过区域分类来获得未知节点的坐标信息。2.研究无需测距的支持向量机“决策树”节点定位算法。在支持向量机建模阶段,将网络区域中的所有分类组织成一棵二叉决策树,以此判定区域分类,进而来确定未知节点的位置信息。同时,针对在决策树分类过程中出现的分类路径错误的情况,进行误差分析。3.对上述两种节点定位算法,进行实验验证。对“一对一”节点定位算法,实验表明,该方法有较高的定位精度,对测距误差的容忍性较好,同时对信标节点的比例要求并不高,比较适合用于信标节点稀疏的网络环境中。对“决策树”节点定位算法,我们在无覆盖漏洞的网络区域和有覆盖漏洞的网络区域两种情况下进行仿真实验,结果显示该方法受覆盖漏洞的影响并不大,比较适合应用于节点分布不均匀或者存在覆盖漏洞的网络环境中。

论文目录

• 摘要
• ABSTRACT
• 目录
• 图索引
• 表索引
• 第1章 绪论
• 1.1 无线传感器网络定位问题
• 1.1.1 无线传感器网络概念
• 1.1.2 无线传感器网络节点定位
• 1.1.3 无线传感器网络定位出现的问题
• 1.2 机器学习
• 1.2.1 机器学习技术
• 1.2.2 机器学习技术用于节点定位的可行性分析
• 1.2.3 关于机器学习用于传感网节点定位的研究现状
• 1.3 研究目标和内容
• 1.3.1 研究目标
• 1.3.2 研究内容
• 1.4 论文组织
• 第2章 现有主要的无线传感网络节点定位方法
• 2.1 定位技术简介
• 2.1.1. 定位技术基本术语
• 2.1.2. 节点位置计算基本方法
• 2.1.3. 定位算法分类
• 2.2 现有的两类WSN定位机制
• 2.2.1 基于测距的定位
• 2.2.2 无需测距的定位
• 2.3 基于机器学习的节点自定位基本的思路
• 第3章 基于测距的支持向量机“一对一”节点定位算法
• 3.1 支持向量机原理简介
• 3.2 SOAOLA算法的设计
• 3.2.1 建立网络模型
• 3.2.2 支持向量机建模
• 3.3 SOAOLA算法的过程描述
• 3.3.1 训练阶段
• 3.3.2 广播阶段
• 3.3.3 定位阶段
• 3.4 SOAOLA算法的实验仿真及分析
• 3.4.1 仿真环境简介
• 3.4.2 仿真实验设计
• 3.4.3 仿真结果及分析
• 第4章 无需测距的支持向量机“决策树”节点定位算法
• 4.1 网络模型的建立
• 4.2 支持向量机建模
• 4.3 SDTLA算法过程描述
• 4.3.1 训练阶段
• 4.3.2 广播阶段
• 4.3.3 定位阶段
• 4.4 误差分析
• 4.5 SDTLA算法仿真与分析
• 4.5.1 仿真实验设计
• 4.5.2 仿真结果分析与比较
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读学位期间参加的科研项目和成果