论文部分内容阅读
移动无线传感器网络作为人类社会与大自然衔接的媒介,其被广泛的应用于各种领域当中,例如森林植被覆盖的监测、牧区深处动物习性的监测研究以及矿难救援等等,如何在上述的应用场景中精确的获取监测节点的位置信息就成了异常关键而又难以解决的问题。其不仅具有理论研究意义,还具有一定的商业价值。本文首先总结了前人对移动节点位置预测方法研究的进展,并分析了其中的不足,例如位置预测精度较低;需要大量的历史运动轨迹来构建预测模型以及预测模型的鲁棒性不是很好等问题。针对以上存在的这些问题,首先,提出了能够在小样本数据集的情况下依然可以有效的预测移动节点下一时刻位置所在的节点位置预测算法,该算法利用不确定性支持向量机具有处理不确定信息的能力,并结合启发式遗传寻优算法构建一个良好的位置预测模型,同时采用移动节点偏转方向计算来排除错误的预测取值点,从而达到提高位置预测的精度目的。其次,在上一个仿真实验的基础上,考虑到实际监测环境中可能由于节点能量耗尽、火灾或者地震等其他外力因素导致节点死亡从而形成节点总体分布比较稀疏的移动传感网,针对稀疏传感网中移动节点位置预测精度低的问题,本文还提出了一种稀疏传感网中移动节点位置预测算法。该方法充分利用了深度信念网络特有的无监督学习能力,自主学习复杂环境下的信号强度分布特性,并据此训练并构建一个距离预测模型,利用所构建的距离预测模型确定未知节点与其相邻节点之间的距离,从而判断其位置所在区域,进而达到预测未知节点位置的目的。最后,实验仿真结果表明本文所提出的基于不确定性支持向量机的节点位置预测方法在保持较好的预测精度的同时在小样本的情况下依然适用,并且计算量相对较小,适合能量有限的移动节点位置预测。而基于深度信念网络的移动节点位置预测算法在稀疏传感网中对节点位置的预测效果要优于其他方法,且提高了预测精度,鲁棒性相对而言也比较强,适用于稀疏传感网中进行节点位置预测。