论文部分内容阅读
无线传感器网络是由数量众多的节点组成的自组织网络,节点随机散布在监测区域,自身位置不可知。但在大部分的无线传感器网络实际应用中,节点位置坐标确定收集的信息才具有使用价值,因此,节点定位技术至关重要。节点定位研究主要是对定位算法的研究,常用的定位算法包括质心算法、APIT算法、DV-Hop算法等。定位精度受节点间测距误差的影响,为了减小测距误差,许多研究将粒子群算法、遗传算法、蚁群算法等群体智能优化算法引入到这些算法中,提高节点定位精度。BP神经网络算法是一种按误差逆向传播的多层前馈网络,具有高度的非线性映射能力,泛化和容错能力强。但由于BP神经网络算法是一种局部搜索的优化方法,易陷入局部极小化,收敛速度慢。针对BP算法固有缺陷本文提出了一种基于粒子群算法(PSO)和遗传算法(GA)结合改进的PGA-BP算法,既用粒子群算法和遗传算法对BP算法进行优化。其主要思想是先利用粒子群算法对种群进行优,结合修正的DV-Hop算法构造适应度函数,同时抑制距离估计误差累计对定位精度的影响,再利用遗传算法中的选择、交叉、变异操作得到BP网络中最优的权值与阈值,最后将最优的粒子带入神经网络中进行网络训练,提高定位精度。本文算法在MATLAB 2014a平台上进行仿真实验。与DV-Hop算法、BP-DV-Hop算法在平均定位误差与锚节点比例、锚节点半径、节点数量增加几个方面的性能进行对比。实验结果证明,本文算法的平均定位误差低于其他两种算法的平均定位误差。锚节点比例从10%增加到35%时,本文算法相比BP-DV-Hop算法的平均定位误差下降了3.3%-6.9%;未知节点由200增加到450时,相比BP-DV-Hop算法,本文算法的平均定位误差下降了2.3%-7.8%,相比DV-Hop改进算法,本文算法的平均误差下降了7.8%-9.2%;锚节点半径由15m增加到40m时,与BP-DV-Hop算法相比,本文算法的平均定位误差下降了3.4%-5.1%。