Node Localization in 3D WSN Using Optimized Deep Learning Mechanism

Akash Raghuvanshi

doi:10.1002/dac.70377

2026-02-01

PRE

Akash Raghuvanshi *

Kumar, Awadhesh

Nilesh Chandra

DOI：10.1002/dac.70377

原文链接

原文求助

摘要

En 中文

由许多移动和传感器节点组成的无线传感器网络（WSN）。然而，定位这些传感器和移动节点颇具挑战性。由于时间变化的移动性，分析WSN中传感器节点的当前位置颇具挑战。由于定位未知节点中的所有已知信标，典型的定位方法用于确定这些节点的位置，但在预测信标与未知节点之间的距离时会产生大量误差。此外，使用全球定位系统（GPS）技术进行节点检测成本高昂。尽管已提出多种适用于三维拓扑WSN的定位方法，但仍需创建和优化新的定位算法以进一步提高节点定位方法的精度。本研究中，开发了先进启发式算法和深度学习技术，用于三维无线传感器网络（3D-WSN）中未知节点的定位。首先，使用高效的混合深度学习技术（双向长短时记忆网络Bi-LSTM和门控循环单元GRU）评估未知节点与信标节点之间的距离。开发了混合位置地雷爆炸与变色龙群算法（HP-MBCS）以调整深度学习技术的参数。通过利用Bi-LSTM-GRU技术计算的距离，并优化选择未知节点的位置，得到最小化节点定位平均误差（ALE）的目标函数。实验模拟在所提模型与传统模型之间进行，以展示所提模型在最小化定位误差方面的有效性。结果表明，所提HP-MBCS-Bi-LSTM-GRU模型的MEP值为24.191，优于其他现有算法（如EHO、EOO、MBO和CSO）。因此，证实所提Bi-LSTM-GRU不仅提高了节点定位的精度和效率，还增强了整体能量效率。

Keyword:

bidirectional long short-term memory

hybrid position of mine blast and chameleon swarm

node localization

wireless sensor networks