基于k-means聚类点密度加权质心定位算法研究

《基于k-means聚类点密度加权质心定位算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、节－．‘—扛—’ｒ．Ｖ梦＾咳痒．為＇方方八、‘．．－－‘＇＇ｖ．气一／；｜Ｖ…冶心，Ｖ产＾．；－沁＇．－方？＇去＼耗：巧键來＾／．峰始蜘為篇齡八冶又．，．’．‘．？－‘‘‘巧ｘ抽的’。－：．＾妆衫班’，ｆ１為－、ＶＨ‘‘：勺一；＇、－＇：＾ｙ；：ＴＰ３９３Ｖ芋ｉ，无＾．’在分类号—這．；ｒ乂蜜缀＿存＞‘，＇＞、：Ｖ学校代捉；ｖ１０４１４二巧，、＃号—式其；：成２０１３０１０８０９：轉：瓜％．．＇＇■＇■－－．＾；－Ｖ；；；

2、ｔ嚇；难＆戀禱怒凱禱讓麵＾；；：ｔ研究生学位论文！鶴￣ｒ蘇硕；■？■＞＇一，‘－．Ｖ．、／Ｖｆ：、／壽穿Ｍ，４ｊ：’＇＊＇■？：．自－＇；．。？冯＞－知巧＂字Ｗ记读扭．＇－。＇＇：ｒ？、一＊壬Ａ＊ｆ．？－＇＾－奸与：ｉ－＾＼，；／户■？．■＜，？，，？レ、．＊．、、＇＇、，ＶｉＡＫ－公４浆于ｆｌｉＭｔｉｓ聚类点密度加牧麻定位賓｜＞＊―．与；－枝／乂＇ｒ，：；．算法研究人＼．—ｙ山户．．如％＇扛’’－＾．．诚‘

3、．．；シＶ：Ｖ．．；；這琪達衣＾；．，パ讀：耗寬：作瓣屯ＲｅｓｅａｒｃｈｏｎＷｅｉｇｈｔｅｄｃｅｎｔｒｏｉｄ１ｏｃａ１ｉｚａｔｉｏ打＇ｍ－—／ａｌｇｏｒｉｔｈｂａｓｅｄｏｎＫ＿ｍｅａ打ｓｃｌｕｓｔｅｒｉｎｇｐｏｉｎｔ、．、＂秦：＇？＇＼ｉ；．．－－Ａ＇ｖ＇．：－Ｖ．、，，／‘－＼心■，＾Ｖ．＾’ｄｅｎｓ１巧：心當＂厶＿，式．一语韻．’．’＇；片公＇，．气ｒ，．知’－：悲＾占＇采渉－＞無ｒ／；心＾．争＇＇＞交心知－节Ｌ

4、■■■－■■Ｖ＇？＇＇＇？；－－常Ｖ為：－．／；：：＾：，．＇’’；？－＾爲：某？所感咕．：计算机信惠工程学瞭导师挂名：＂余敏＾ｆ．键科专业九；：计算机科学与技术研究方向：无线传感网络‘！－＇巧．Ｖ＊‘二‘－．４—：－一少‘、＞、！，？乃巧＇卢＇．＇．？、？．兴‘‘？＇鸿袭於／解技？－＼ｖ—心声－？．１－．■■－－Ｖ：：－＇；＃，６：：ｎ：；节？乂－Ｖ＾．；、－、＞．．，产－守．．１式：．独创性声明本人声明所呈交的学位论文是本人在导师指导

5、下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解江西师范大学研究生院有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权江西师范大学研究生院可以将学位论文的全部或部分内容

6、编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文作者签名：导师签名：签字日期：年月日签字日期：年月日摘要随着移动通信技术的飞速发展，基于无线传感器网络（WirelessSensorNetworks,WSNs）的定位技术受到越来越多的关注。无线传感器网络是由大量随机部署在监测区域的传感器节点组成，这些传感器节点通过自组织方式形成了一个多跳的动态自组织网络，目的是为了对网络覆盖区域中感兴趣的信息进行协同感知、采集以及处理。作为信息自动获取的重要技

7、术之一，无线传感器网络技术综合了无线通信、嵌入式技术以及传感器技术等，其应用领域非常的广泛，如井[1-3][4-6]下人员定位、消防救援、安全监控、环境监测、智能家居等。虽然如今的科技越来越发达，但矿难、火灾等的救援工作由于无法精确定位到受害者位置而增加了风险，是一个亟待解决的问题。本文在传统的基于RSSI测距和质心定位非测距算法基础上，取两者的优势进行融合，提出了基于K-means聚类点密度加权质心定位算法（KCPD-WCLA）。本文的主要工作如下：（1）首先对无线传感网络节点定位的相关算法进行分析、研究，分为基于

8、测距和基于非测距两种定位算法，其中本文最主要侧重对基于RSSI的测距和质心非测距定位算法研究。（2）由于在WSNs应用中，信标节点的个数一般比较多。进行定位时，对这些大量数据进行处理将面临计算量大、计算复杂度高的问题，必须找出一种适合的算法来处理大量的数据集。而目前已有的处理大量数据集的聚类算法有很多种，本文主要对基于划分方法中的K-means