基于精准打码技术构建卷烟溯源体系.docVIP

基于粒子群最小二乘支持向量机的无线传感网络定位算法的研究 　　摘要：针对传统野外无线传感网络节点定位存在环境复杂，节点分散，没有规律的分布等导致一些定位难题，本文提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。实验表明，发现该方法在较少的样本条件下，亦能非常逼近目标值，具有精确的定位能力。 中国论文网 /8/view-7183801.htm 　　关键词：粒子群最小二乘支持向量机 无线传感器网络定位 训练样本集 　　中图分类号：TP273 文献标识码：A 文章编号：1007-9416（2015）11-0000-00 　　Abstract： in this paper， a 3D wireless sensor network node localization method based on particle swarm optimization is proposed， which is based on the particle swarm optimization algorithm.Experiments show that the method can be very close to the target value， and has the ability to locate the target. 　　Keywords： particle swarm least squares support vector machine； wireless sensor network localization； training sample set 　　1 引言 　　近年，关于野外旅行越来越多，但是复杂的地理环境容易发生失踪现象。获取复杂地形的地理位置一直是无线传感网络定位相关研究工作的难题。支持向量机是建立在一套较好的有限样本下机器学习的理论框架和通用方法之下，既有严格的理论基础，又能较好的解决小样本、非线性、高维数和局部极小点等实际问题，已在很多领域得到了成功的应用。基于此，本文在对 RSSI 定位和 SVC 研究的基础上，提出基于粒子群最小二乘支持向量机的无线传感网络定位算法，并结合最近邻聚类算法和分布式的结构，以达到精确的定位能力。 　　2 最近邻聚类算法 　　最近邻聚类算法的前提是存在一个样本的数据集，每一个样本都有自己的标签，表明自己的类型[1]。现在有一个新的未知的数据，需要判断它的类型。那么通过计算新未知数据与已有的数据集中每一个样本的距离，然后按照从近到远排序。取前K个最近距离的样本，来判断新数据的类型[2]。 　　假设已有混合样本集 ，按照最近邻原则进行聚类，算法如下： 　　① 选取距离阈值T，并且任取一个样本作为第一个聚类中心，如：。② 计算样本到的距离， 若，则 为中心的聚类中心，否则令为第二个聚合中心， 。 　　设，计算聚类中心到和的距离和，若 和，则建立第三个聚合中心。否则把 归于最近邻的聚合中心。依此类推，直到把所有样本都进行分类。 　　③ 按照某种聚类准则考察聚类结果，若不满意，则重新选取距离阈值、第一个聚合中心，返回②，直到满意，算法结束。 　　在样本分布一定时，该算法的结果在很大程度上取决于第一个聚合中心的选取和距离阈值的大小。该算法的优点是简单，如果有样本分布的先验知识用于指导阈值和起始点的选取，则可较快得到合理结果。对于高维的样本集来说，则只有经过多次试探，并对聚类结果进行验算，从而选择最优的聚类结果。 　　3 粒子群算法（PSO） 　　粒子群算法由Eberhart 博士和kennedy 博士在1995年提出， 来于对鸟群捕食的行为研究的算法，并推广于最优化问题的求解[3]。在使用PSO算法求解最优化问题时，每个问题的解被看作空间中一个没有质量，没有体积的粒子，每个粒子所在的位置被看作空间的一个解，根据个体与群体的飞行经验的来分析结果来随时调整飞行速度。假设在D维空间中，经历k次迭代，第i个粒子的速度和位置分为：，每个粒子都保存着自己的最好位置，个体极值和全局极值分别记为pbest，gbest。所以粒子i在进行k次迭代时的速度和位置更新可用下面的公式表示： 　　（3） 　　（4） 　　其中：w为惯性权重；c1，c2为学习因子，分别调节个体最好粒子和全局最好粒子方向飞行的最大步长，通常取2.0；r1，r2为[0，1]上的随机数。 　　3.1 惯性权重 　　在粒子群算法中的参数中，惯性权重是非常重要的参数，当w较大时有利于提高算法的全局搜索能力，但局部搜索能力较差；而当w较小时可以增强算法的局部搜索能力，但搜索新领域的能力较差。目前使用较多的是线性递减策略（LDW）：将w初始化为0.9，随着迭代次数的增加线性递减到0