基于半监督学习的无线传感器网络节点定位问题研究

摘要

随着大数据和云计算技术的发展，无线传感器网络(Wireless Sensor Network，WSN)已经步入大数据时代。作为新型的无线通信网络，WSN的主要目标是获取网络环境中的数据，这些数据来自于传感器节点，节点所处的位置不同，数据代表的意义也就不同。因此，节点的位置信息是WSN的重要参数，节点定位是WSN的一项重要任务。随着机器学习技术的发展，将半监督学习思想引入WSN节点定位中，可以减小算法对信标节点比例的敏感度，并且可以获得较高的定位精度。本文基于DVHop算法思想，建立了监督学习和半监督学习的定位算法模型，并对算法的定位性能进行了比较。
　　本文首先介绍WSN节点定位的基本概念以及无需测距定位算法的定位原理，并对三个无需测距定位算法进行仿真分析，对比三个算法在不同信标节点比例下的平均定位误差和定位覆盖率。
　　其次，本文将经典DV-Hop定位算法获取跳数的思想引入到支持向量机(SupportVector Machine，SVM)中，建立基于跳数的多分类SVM定位算法模型。该SVM定位算法根据“一对多”的构造思想，将WSN网络区域等分为多个网格，将信标节点的网格编号以及所有节点的跳数向量作为支持向量机训练参数，训练网格编号与跳数向量的映射模型，并通过训练好的模型预测未知节点的位置坐标。仿真结果表明，在节点通信半径较大，信标节点比例较高，网格划分长度较小的情况下，相比经典DV-Hop算法以及O-DV-Hop改进算法，基于跳数的多分类SVM算法的定位精度较高。
　　最后，本文将基于跳数的多分类SVM算法与机器学习算法中的k近邻算法相结合，建立基于协同训练的半监督SVM(SSL)定位算法模型。该SSL定位算法同时训练两个定位模型，取标记结果一致的节点作为新的信标节点，并将该信标节点的参数输入定位模型中进行训练，不断更新定位模型，直到全部节点定位完成。仿真结果表明，相比基于跳数的多分类SVM算法，SSL算法不仅定位精度有所提高，并且降低了算法对信标节点比例的敏感度。

目录

声明

摘要

第1章 绪论

1．1 研究背景及研究意义

1．2 无线传感器网络节点定位算法研究现状

1．2．1 无需测距定位算法的研究现状

1．2．2 基于学习模型定位算法的研究现状

1．3 论文主要内容及章节安排

第2章 无线传感器网络节点定位技术基础

2．1 无线传感器网络节点定位概述

2．2 节点位置估算方法

2．2．1 三边测量法

2．2．2 三角测量法

2．2．3 极大似然估计法

2．3 无需测距定位算法

2．3．1 质心定位算法

2．3．2 APIT定位算法

2．3．3 DV-Hop定位算法

2．3．4 三个经典的无需测距定位算法性能对比

2．4 本章小结

第3章 基于跳数的多分类SVM节点定位算法研究

3．1 支持向量机原理

3．2 基于跳数的多分类SVM节点定位建模

3．2．1 多分类SVM算法模型

3．2．2 多分类SVM定位模型

3．3 仿真实验分析

3．3．1 参数设置

3．3．2 仿真结果分析

3．4 本章小结

第4章 基于协同训练的半监督SVM节点定位算法研究

4．1 半监督学习简介

4．1．1 半监督学习的思想

4．1．2 半监督学习的分类

4．2 半监督支持向量机原理

4．3 基于协同训练的半监督SVM节点定位建模

4．3．1 半监督学习算法模型

4．3．2 半监督学习定位模型

4．4 仿真实验分析

4．4．1 参数设置

4．4．2 仿真结果分析

4．5 本章小结

总结与展望

致谢

参考文献