算法分析
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
李恒涛
(西安邮电大学陕西西安710065)
摘要：针对传统野外无线传感网络节点定位存在环境复杂，节点分数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予群优化最小二来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，赤能非常遇近目标值，具有精确的定位能力。
关键调：粒子群最小二乘支持向量机无线传感器网络定位试练样本集
中图分类号：TP273
文献标识码A
文章编号：1007-9416(2015)11-0136-03
Abstract:in this paper, a 3D wireless sensor nerwork node localization method based on particle swam optimization is proposed, which is based on the Key Wordis:paricle swamm least squares suppor 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概架和通用方法之下，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间题，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"。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高，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。
假设已有混合样本集X-(X.X,..X)，按照最近邻原则进
表1
定位精度
未知节点编号 2 3 4 n
7 98 9 10
收稿日期：201510-14
50个节点 75% 74% 82% 73%%66 63% 87% 73% 72% 81%
100个节点 86% 88% 89%%68 84% 83% 90% 83% 82% 86%
行聚类，算法如下：
①选取距离阔值T，并且任取一个样本作为第一个聚类中心 Z,，如：Z,=X,。计算样本X,到Z,的距离D，若D，≤T，则 X,eZ,为中心的案类中心，否则令X，为第二个聚合中心， Z,=X.
设Z,=X，，计算X,聚类中心到Z,和Z,的距离D,和Ds，若 D,>T和D，>T，则建立第三个聚合中心。否则把X,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按照某种率类准则考察聚类结果，若不满意，则重新选取距离闻值T、第一个聚合中心Z,，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阔值的大小，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博土和kennedy博士在1995年提出，来于对岛群捕食的行为研究的算法，并推广于最优化闻题的求解在使用PSO算法求解最优化间题时，每个间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次代，第i个粒子的速度和位置分为："，x"，每个粒子都保存着自已的最好位置，个体极值和全局极值分别记为pbest，gbest。所以粒子i在进行k次送代时的速度和位置更新可用下面的公式表示：
v" =w, +cr(pber, x)+c,(gbest, x) x=x+
(1)(2)
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
基金资助项目：国家自然科学基会资助项目(51205309).陕西省协同创新计划项目(2015XT-76)。
作者葡介：李恒涛(1988—),男，汉,陕西西安人,工学项士，研究方向，无线传感网络定位。 136
万方数据