针对混合矩阵估计算法中传统的噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法需要人为设定邻域半径以及核心点数这一问题,提出双约束粒子群优化(double constrained particle...针对混合矩阵估计算法中传统的噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法需要人为设定邻域半径以及核心点数这一问题,提出双约束粒子群优化(double constrained particle swarm optimization,DCPSO)算法,对DBSCAN算法的邻域半径参数进行寻优,将得到的最优参数作为DBSCAN算法的参数输入,然后计算聚类中心,完成混合矩阵估计。针对基于距离排序的源信号数目估计算法存在依靠经验参数的选取且不具备噪声点剔除能力的问题,提出了最大距离排序算法。实验结果表明,所提算法较相应的对比算法皆有提升,源信号数目估计准确率较原算法提高近40%,混合矩阵估计的误差较对比算法提升3 dB以上,且所提算法在收敛速度上优于原算法。展开更多
在无线传感器网络定位的距离估计方法研究中,普遍假设到达信号强度(received signal strength indicator,RSSI)与对应通信距离的对数成线性关系,但是该假设在实际无线通信环境下几乎不能满足。针对此问题本文提出一种基于区间数聚类的RS...在无线传感器网络定位的距离估计方法研究中,普遍假设到达信号强度(received signal strength indicator,RSSI)与对应通信距离的对数成线性关系,但是该假设在实际无线通信环境下几乎不能满足。针对此问题本文提出一种基于区间数聚类的RSSI-距离(RSSI-D)估计方法(distance estimation method using interval data clustering,DEMIDC),首先利用区间数表示方法结合实际定位环境中RSSI数据的统计信息表示RSSI的分布区域,然后针对不同环境中RSSI不确定性程度不同,分别采用基于区间数软聚类和硬聚类的方法对RSSI-D进行估计。最后采用3种典型通信环境下真实的RSSI测量数据完成的实验结果表明,该方法具有较高的距离估计精度,同时具备一定的实用价值。展开更多
文摘在无线传感器网络定位的距离估计方法研究中,普遍假设到达信号强度(received signal strength indicator,RSSI)与对应通信距离的对数成线性关系,但是该假设在实际无线通信环境下几乎不能满足。针对此问题本文提出一种基于区间数聚类的RSSI-距离(RSSI-D)估计方法(distance estimation method using interval data clustering,DEMIDC),首先利用区间数表示方法结合实际定位环境中RSSI数据的统计信息表示RSSI的分布区域,然后针对不同环境中RSSI不确定性程度不同,分别采用基于区间数软聚类和硬聚类的方法对RSSI-D进行估计。最后采用3种典型通信环境下真实的RSSI测量数据完成的实验结果表明,该方法具有较高的距离估计精度,同时具备一定的实用价值。
