复杂场景中基于智能计算的无线传感器网络节点定位研究

Node localization in wireless sensor networks is an important technology having valuable practical applications, while it is meaningful to location-sensitive data collection, analyses, processing, and applications. The accuracy of node localization is of great impact on the value of sensed data. However, under the influences of coverage holes and bordering effects, there is still lack of reliable and accurate localization schemes for complicated scenarios in large-scaled wireless sensor networks. Particularly, the problem of improving the localization accuracy and reliability of the boundary nodes has not been effectively solved, which needs an in-depth study in this field. In this project, we intend to study the location error patterns caused by the bordering effects in WSN, and the detection and recognition methods for coverage holes and their neighboring nodes, by means of integrating machine learning approaches and intelligent algorithms with aggregating the sensed data of sensor nodes. On this basis, we intend to propose and optimize mathematical models, carry out theoretical analyses, perform data simulations, and correct the localization error patterns, in order to improve the accuracy of node localization and the reliability of sensed locations.

无线传感器网络（WSN）中的节点定位技术是一种重要的有实际应用价值的技术，对于位置敏感的数据采集、分析、处理和应用都具有重要的意义。节点定位的精度则影响着传感检测数据的价值。然而，WSN中受到覆盖空洞和边界效应的影响，针对复杂场景的大型WSN网络还缺乏可靠和准确的定位方案。特别是如何提高边界节点的定位精度和定位可靠性的难题至今未得到有效解决，需要深入研究。本项目拟通过机器学习和智能算法，融合传感器节点的感知数据，研究WSN中由边界效应引起的错误模式，研究覆盖空洞及其周围节点的检测与估计。在此基础上，建立并优化数学模型，进行理论分析和数据仿真，对定位错误模式进行修正，以提高WSN中节点定位的准确性及感知位置的可靠性。

本项目首先研究了存在覆盖空洞的WSN非测距节点定位算法，提出了基于锚节点对条件判决的非测距定位算法(LAPCD)和基于锚节点自适应选择的非测距定位算法(RF-LAAS)来提高算法的定位精度，并通过利用锚节点对与未知节点结合所提供的几何信息对LAPCD算法进一步优化。还提出了基于可靠锚节点对选择和改进樽海鞘算法的非测距节点定位算法(LRAQS)和基于堆栈式自编码器的无测距定位算法(LSAE)，并通过仿真实验验证了所提算法在不同形状覆盖空洞网络中的定位精度性能均有提高；在节点定位中，由于不完整的跳数矩阵会影响定位精度，因此提出了基于朴素贝叶斯分类器的跳数矩阵恢复方案(HCMR-NBC)和基于矩阵补全的跳数矩阵恢复方案(HCMR-MC)，并进一步优化提出了基于决策树的跳数矩阵恢复方法(HCMR-DT)和基于邻接矩阵的跳数矩阵补全方法(HCMR-AM)帮助恢复得到完整的跳数矩阵，通过仿真实验验证了所提算法在不同形状覆盖空洞中的矩阵恢复性能优于其他算法；另外，对室内WiFi定位进行了研究，提出了基于深度学习的WiFi室内定位算法，提升定位精度；当定位问题难以求解时，研究了灰狼智能优化算法，提出了一种多策略组合的GWO算法(MEGWO)和一种强化等级制度的灰狼优化算法(HSGWO)；当WSN中的锚节点可能会因为受到攻击或者环境变化而被捕获为恶意锚节点，从而发送虚假消息，影响定位过程。对WSN节点安全定位问题进行了研究；提出了基于孤立森林的恶意锚节点检测算法以及一种抵抗攻击的加权最小二乘算法(ARWLS)对目标节点定位；另外还提出了一种基于梯度投影恢复稀疏项的安全定位算法(GPB)，实现锚节点检测和位置估计，从而提高定位精度。此外，依托本项目还研究了物联网技术和信息科学技术中其它相关问题，为进一步研究打下了较好基础。