基于特征量重要度LS-SVR的WSN定位方法

被引：7

作者：

刘桂雄

周松斌

张晓平

洪晓斌

机构：

[1] 华南理工大学机械与汽车工程学院

来源：

华南理工大学学报(自然科学版) | 2008年 / 10期

基金：

广东省自然科学基金;

关键词：

特征提取; 最小二乘支持向量回归机; 无线传感器网络; 定位;

D O I：

暂无

中图分类号：

TN929.5 [移动通信]; TP212.9 [传感器的应用];

学科分类号：

080402 ; 080904 ; 0810 ; 081001 ; 080202 ;

摘要：

针对无线传感器网络（WSN）节点定位方法中采用粗测距技术时,节点间较大的测距误差导致定位准确度不足的问题,提出一种基于特征量重要度最小二乘支持向量回归（LS-SVR）的定位方法.该方法把未知节点到锚节点的距离作为特征量,依据特征量的重要度进行特征提取,通过对探测区域网格化采样得到训练样本集,使用LS-SVR学习得到定位模型;在定位阶段,将未知节点的特征向量输入定位模型,利用LS-SVR良好的泛化能力实现对未知节点的准确定位.对均匀分布和C形区域随机分布的100个节点的定位实验表明,文中提出的定位方法能有效地降低测距误差对定位准确度的影响,减小平均定位误差;与采用相同测距技术的DV-Hop方法相比,均匀分布情况下该方法的平均定位误差减小7.5%14.0%,C形区域随机分布情况下显著减小36.5%55.2%.

引用

页码：102 / 107

页数：6

共 7 条

[1] 无线传感器网络定位算法研究 [J].

于宁 ;

万江文 ;

吴银锋 .

传感技术学报, 2007, (01) :187-192

[2] 无线传感器网络中的自身定位系统和算法 [J].

王福豹 ;

史龙 ;

任丰原 .

软件学报, 2005, (05) :857-868

[3] Support vector machines-based generalized predictive control [J].

Iplikci, S. .

INTERNATIONAL JOURNAL OF ROBUST AND NONLINEAR CONTROL, 2006, 16 (17) :843-862

[4]

Range-free localization and its impact on large scale sensor networks[J] . Tian He,Chengdu Huang,Brian M. Blum,John A. Stankovic,Tarek F. Abdelzaher.ACM Transactions on Embedded Computing Systems (TECS) . 2005 (4)

[5]

Distributed localization in wireless sensor networks: a quantitative comparison[J] . Koen Langendoen,Niels Reijers.Computer Networks . 2003 (4)

[6]

Geometry and invariance in kernel based method .2 Burges C.J.C. Kernel Methods-support vector learning . 1999

[7]

Location estimation viasupport vector regression .2 Wu H L,Ng J K,Karl R,et al. Mobile Computing . 2007

← 1 →