基于范数正则化矩阵补全的无线传感网定位算法

发布时间：2017-12-04 18:15

  本文关键词：基于范数正则化矩阵补全的无线传感网定位算法

  更多相关文章： 无线传感器网络 定位 野值噪声 矩阵补全 L范数正则化

【摘要】：节点定位是实现无线传感器网络(wireless sensor networks,WSNs)应用的重要前提之一.针对传统基于测距的定位方法需要大量节点距离信息以及多径效应、噪声干扰等导致的节点测距误差问题,提出了一类基于L1范数正则化矩阵补全(L1-norm regularized matrix completion,L1NRMC)的WSNs节点定位方法.该方法基于传感网节点间距离矩阵低秩特性,将部分采样信息下的距离恢复问题建模为稀疏野值噪声(outlier)情形下的矩阵补全问题,然后采用交替方向乘子法(alternating direction method of multipliers,ADMM)结合算子分裂技术(operator splitting technology)对该问题进行求解,所设计的非精确L1范数正则化矩阵补全(InExact-L1NRMC)算法不仅能显式解析采样矩阵中的稀疏野值噪声,也可隐式平滑常见的高斯随机噪声.仿真结果表明:相比已有的同类定位方法,该算法只需进行部分测距采样即可实现精准的节点定位,且对各类测距噪声具有很好的抗干扰能力,适用于资源受限的WSNs.
【作者单位】： 南京邮电大学计算机学院;江苏省无线传感网高技术研究重点实验室(南京邮电大学);宽带无线通信与传感网技术教育部重点实验室(南京邮电大学);
【基金】：国家自然科学基金项目(61373137;61373017;61171053;61373139) 江苏省高校自然科学研究计划重大项目(14KJA520002) 江苏省“六大人才高峰”基金项目(2013-DZXX-014) 江苏省“青蓝工程”项目 江苏高校优势学科建设工程项目-信息与通信工程~~
【分类号】：TP212.9;TN929.5
【正文快照】： 对传统基于测距的定位方法需要大量节点距离信息以及多径效应、噪声干扰等导致的节点测距误差问题,提出了一类基于L1范数正则化矩阵补全(L1-norm regularized matrix completion,L1NRMC)的WSNs节点定位方法.该方法基于传感网节点间距离矩阵低秩特性,将部分采样信息下的距离恢

【相似文献】

中国期刊全文数据库 前10条

1 尹学松;胡恩良;;半监督正则化学习[J];小型微型计算机系统;2010年12期

2 相文楠;赵建立;;判别正则化谱回归[J];聊城大学学报(自然科学版);2011年04期

3 李勇周;罗大庸;刘少强;;基于正则化最小二乘的局部判别投影的人脸识别[J];模式识别与人工智能;2008年05期

4 庄福振;罗平;何清;史忠植;;基于混合正则化的无标签领域的归纳迁移学习[J];科学通报;2009年11期

5 朱林立;戴国洪;高炜;;正则化框架下半监督本体算法[J];微电子学与计算机;2014年03期

6 刘小兰;郝志峰;杨晓伟;马献恒;;基于最小熵正则化的半监督分类[J];华南理工大学学报(自然科学版);2010年01期

7 关海鸥;衣淑娟;焦峰;许少华;左豫虎;金宝石;;农作物缺素症状诊断的正则化模糊神经网络模型[J];农业机械学报;2012年05期

8 刘敏;陈恩庆;杨守义;;正则化粒子滤波在水下目标跟踪中的应用[J];电视技术;2012年09期

9 尚晓清;杨琳;赵志龙;;基于非凸正则化项的合成孔径雷达图像分割新算法[J];光子学报;2012年09期

10 刘建伟;黎海恩;刘媛;付捷;罗雄麟;;迭代再权共轭梯度q范数正则化线性最小二乘 支持向量机分类算法[J];控制理论与应用;2014年03期

中国重要会议论文全文数据库 前5条

1 毛玉明;郭杏林;吕洪彬;;动载荷反演问题的正则化求解[A];第18届全国结构工程学术会议论文集第Ⅰ册[C];2009年

2 王彦飞;;地球物理数值反演问题的最优化和正则化理论与方法[A];中国地球物理学会第二十七届年会论文集[C];2011年

3 廖熠;赵荣椿;;从明暗恢复形状方法综述[A];中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集[C];2000年

4 张瀚铭;闫镔;李磊;;一种基于TV正则化的有限角度CT图像重建算法[A];全国射线数字成像与CT新技术研讨会论文集[C];2012年

5 熊春阳;黄建永;方竞;;高性能牵引力显微镜方法及其在细胞力学研究中的应用[A];中国生物医学工程学会成立30周年纪念大会暨2010中国生物医学工程学会学术大会报告论文[C];2010年

中国博士学位论文全文数据库 前3条

1 牛善洲;基于变分正则化的低剂量CT成像方法研究[D];南方医科大学;2015年

2 王梅;正则化路径上的支持向量机模型组合[D];天津大学;2013年

3 刘小兰;基于图和熵正则化的半监督分类算法[D];华南理工大学;2011年

中国硕士学位论文全文数据库 前10条

1 黄树东;协同聚类及集成的关键技术研究[D];西南交通大学;2015年

2 白闪闪;基于L0正则化局部字典学习的视频追踪[D];大连理工大学;2015年

3 王新美;基于正则化相关熵的极端学习机[D];河北大学;2013年

4 冯李哲;关于系数正则化模型的误差分析[D];杭州师范大学;2011年

5 田明党;系数正则化在线算法收敛性分析[D];宁波大学;2011年

6 储小荣;基于无界抽样的正则化回归学习算法的研究[D];济南大学;2013年

7 吴鹏洲;基于支持向量机与正则化风险最小化的目标计数研究[D];浙江大学;2013年

8 黄志强;正则化机器学习算法及其财务预警应用研究[D];华东交通大学;2014年

9 王宇;动态在线序列极端学习机[D];西北大学;2014年

10 王艳;基于联合正则化及隐马尔可夫树模型的图像压缩传感方法研究[D];燕山大学;2010年

，

本文编号：1251893