一种局部模式的RGB差值序列交叉区域取样节点定位算法

鉴于当前无线传感器网络(WSN)移动节点定位技术中存在的实时性差和定位不准确的问题,设计了一种交叠区域采样模式的WSN移动节点定位算法OASM_MNL(overlapping area sampling mode of mobile node localization);该算法通过获取的信号在能够直接和移动节点通信的信标节点的信号交叠区域里面进行局部采样;通过距离比例因子对平均跳距进行权值化,优化了CDL中跳距的计算公式;通过RGB差值序列对样本点滤波,在此基础上把差值序列绝对值作为加权标准,计算出移动节点的坐标;仿真结果表明,与E-CDL、MCL等常见的移动节点定位算法相比,新算法定位误差降低幅度超过33%,定位效果良好。     

WSN中信标节点移动情况下的定位方法研究

定位技术是无线传感器网络的基础理论和关键技术之一.在实际应用中,一些信标节点在部署以后其位置由于各种原因而会发生漂移,由此就使得依赖于这些信标节点来定位的其他节点将无法准确定位,或者产生很大定位误差.本文针对信标节点产生漂移情况下的节点定位问题,提出了一种基于区域划分的信标节点移动检测算法(AD-BMD),在区域划分的基础上,通过两次判定过程将移动的信标节点检测出来,并为每个信标设置了坐标可信度值.为合理利用移动的和未移动的信标节点,提出一种基于信标移动检测的信标择优定位算法(BMD-BOS),通过合理选择信标节点来对其它未知节点进行定位.实验结果证明,AD-BMD算法具有很高的检测正确率和较低错误率,检测效果好于LB和SSV方法.BMD-BOS算法的定位精度远远高于没有进行移动信标检测的定位算法(N-BMD)和将移动信标丢弃的定位算法(D-BMD).     

WSNs中一种基于移动信标检测的定位算法

信标节点在无线传感器网络(WSNs)定位技术中起着重要的作用,它作为参考节点决定着被定位目标的位置。在WSNs的实际环境应用中,信标节点可能会因为各种原因发生移动成为不可靠的信标节点,此时依赖不可靠信标节点来定位的未知节点将可能产生较大的定位误差,甚至失去了利用价值。针对信标节点发生移动的问题,提出了一种定位前期的基于可用信标的移动信标检测(BAB—BMD)方案。在节点定位之前,对定位节点收到的所有信标进行检测,并对移动信标重定位计算其可靠度。然后,依据信标可靠度选择可用信标节点进行定位,即基于可用信标的信标择优(BAB—BOS)算法。实验结果表明:BABBMD具有较好的检测准确度,同时采用BAB—BOS定位算法定位准确度要高于未进行移动信标检测的定位准确度和丢弃移动信标的定位准确度。     

基于采样滤波的信号矢量分解移动定位算法

以接收信号强度(received signal strength,简称RSS)的测距技术为基础,借助移动传感器网络(MSN)中MCL类粒子滤波定位算法的采样、过滤方法,并融入物理中力的分解和合成的思想,提出了一种信号矢量分解的采样滤波移动节点定位算法.该算法通过建立直角坐标系,分解合成移动节点、样本点与信标节点间的信号矢量,利用误差圆环采样,比较移动节点与样本点的信号合矢量进行滤波,将合矢量模差绝对值最小的样本点坐标的均值作为移动节点的坐标.仿真结果表明,在同样的实验条件下,该算法的定位精度明显高于相比较的其他算法,且该算法不需要添加额外的硬件设备.     

基于最优信标节点的无线传感器网络质心定位算法

针对无线传感器网络(WSN)质心定位(CL)算法精度不高的问题,提出了一种基于最优信标节点的质心定位(OBCL)算法.OBCL算法采用了4个移动信标节点,首先,对移动信标节点的路径进行规划;然后,未知节点根据集合偏移度(SDD)从候选信标节点集合中选出最优信标节点来进行位置估计;其次,为了解决信标节点不足导致无法定位的问题,引入角色转变机制,未知节点在完成定位之后成为准信标节点来进行辅助定位;最后,为了保证网络中所有节点能够完成定位,在完成初次定位之后,需要进行重定位过程.仿真实验结果表明,与CL、基于加权的质心定位(WCL)、利用接收信号强度加权的质心定位(RR-WCL)这3种算法相比,OBCL算法的平均定位误差分别降低了67.7%、39.2%、24.4%.由于OBCL算法只需要4个移动信标节点就能达到较好的定位效果,因此适合应用于对网络成本低、定位精度要求高的场景.     

缩小采样区域的蒙特卡罗移动节点定位算法

针对无线传感器网络中移动节点定位问题,提出一种适用于未知节点移动而信标节点固定的改进蒙特卡罗定位算法,充分利用信标节点与未知节点间的测距误差来缩小采样区域,提高采样效率。仿真结果表明,改进算法在信标节点密度、连通度和节点最大运动速度等不同情况下均能提高定位精度,减少采样次数和计算量,延长网络的生存周期。     

基于多移动信标的DV-Hop定位算法

针对传统DV-Hop定位算法严重依赖拓扑结构的问题,提出一种基于多移动信标和DV-Hop的定位算法MMB-DV-Hop。利用多个移动信标遍历整个DV-Hop定位网络,并且这些信标保持一定的相对位置关系,使用RSSI技术测距并为未知节点提供距离信息以辅助定位,从而有效结合基于测距和基于非测距2种算法的优势。仿真结果表明,与传统算法相比,该算法能减少约10%~15%的归一化平均定位误差,不仅降低对网络拓扑结构的依赖,而且减少了距离估计误差对定位精度的影响,从而提高平均定位精度。     

基于DV-HOP改进的无线传感器网络定位算法

由于在无线传感器网络中定位技术DV-HOP算法存在较大的误差,为提高其定位的精度,提出一种DDV-Hop算法对传统DV-Hop算法在两方面对未知节点定位进行优化。一方面在估算信标节点的平均每跳距离时提出理论最小跳数偏离度的概念,分析误差并进行距离的修正,另一方面通过信标节点的自身定位来获取定位误差对未知节点的定位坐标进行修正。仿真结果表明该优化算法提高了定位的精确度,减小了定位误差约8%~12%。     

基于无线网络节点相似度的室内定位算法

针对RSSI测距定位技术在室内环境中受到的随机干扰大,干扰变化情况不确定,定位结果误差较大的问题,提出了一种基于无线传感器网络节点相似度的室内定位算法。首先通过无线传感器网络的连通特性确定位于网络盲节点周围的几个信标节点,利用数据拟合的方法确定节点工作电压对RSSI距离测量的影响,然后根据拟合结果对不同工作电压下测得的RSSI值进行修正,利用修正后得到的RSSI值计算得到网络节点之间的相似度值,并利用该相似度值作为距离测量和定位结果的自校正系数,对定位结果进行修正,从而获得精度较高的定位效果。实验结果表明该定位算法具有较高的定位精度。     

基于多功率移动锚节点WSN智能定位算法

为了降低定位成本及提高定位精度,提出了一种使用单个锚节点移动进行未知节点坐标计算的SAPSO-SMPMA算法.该算法采用单个移动锚节点游历定位区域,并通过功率控制发射不同功率的信标信号,未知节点利用收到的不同位置锚节点信息结合自适应权重粒子群算法计算节点坐标.考虑到实际应用时锚节点可能带有误差,故加入了锚节点矢量误差分析.仿真表明,本算法在充分考虑锚节点自身误差及大幅降低定位成本的情况下,定位精度仍然较高,是一种实用的定位算法.     

动态无线传感器网络的改进蒙特卡罗定位算法

针对于无线传感器网络中移动节点的定位问题,在传统蒙特卡罗定位算法的基础上,提出了一种改进算法。该算法通过构建接收信号强度指示测距模型来限制样本区域以求提高采样效率。仿真结果表明,与MCL、MCB等其他蒙特卡罗定位算法相比,改进算法在不同的时间、不同的锚节点密度、不同的节点移动速度等情况下,都具有更好的定位精度。     

基于多假设跟踪的移动机器人自适应蒙特卡罗定位研究

针对移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)算法在含有对称和自相似结构的环境中容易失败的问题, 提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法. 该算法根据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类, 每簇粒子代表一个位姿假设并用一个独立的MCL算法进行跟踪, 总体上形成了一组非等权的粒子滤波器, 很好地克服了普通粒子滤波器由于粒子贫乏而引起的过度收敛问题. 同时运用该核密度树实现了自适应采样, 提高了算法的性能. 针对机器人``绑架'问题对该算法作了进一步的改进. 实验结果证明了该算法的有效性.     

基于RSSI等级的蒙特卡罗定位算法应用研究

感知节点的定位是无线传感网应用的基础。现有的静态定位算法无法应用于动态传感网。针对一类目标节点移动而锚节点静止的传感网应用,提出了一种RRMCL（RSSI Rank Monte Carlo Localization）定位算法。该算法以蒙特卡罗算法为基础,利用RSSI（Received Signal Strength Indication）值与距离的单调递减关系划分通信域,减少采样区域大小。为了避免锚节点共线出现定位失效的情况,引入共线影响角度,提出了一种约束策略。仿真结果表明,提出的RRMCL与现有的MCL和MCB定位算法相比,能有效缩小采样区域,提高了定位精度和速度。     

基于测距的蒙特卡罗盒传感网定位算法研究

针对以蒙特卡罗算法为基础的无线传感器网定位算法普遍存在定位精度和采样效率低的问题,提出了一种基于测距的蒙特卡罗盒（R-MCB）定位算法。通过测距信息构造修正的包含有约束条件的方形边界框,使用从强约束条件中除去弱约束条件的启发法来提高采样效率,然后进行样本过滤和加权处理,并通过校准减少距离误差实现精确的定位。该R-MCB定位算法允许节点是静止或移动的,并且能够与可进行测距的节点和没有测距能力的节点协同工作。通过在传感器硬件上进行真实模拟定位算法证明,在多数情况下该R-MCB算法的定位误差,均要比WMCL算法（加权蒙特卡罗定位算法）的定位误差低10%左右。     

一种基于运动预测的蒙特卡罗定位算法

以蒙特卡罗算法为基础的无线传感器网络移动节点定位算法普遍存在定位误差较大的问题.针对实际应用中一般的运动模型,提出一种基于运动预测的蒙特卡罗定位(MCLMP)算法,通过构建节点运动模型,进行位置预测和滤波,并对过滤后的值进行加权计算.仿真结果表明,MCLMP算法相比以往算法定位精度提高了30％以上.     

基于VWMC的传感器网络移动节点定位算法

为了解决无线传感器网络移动节点定位精度低、计算方法复杂以及响应时间长的问题,提出了一种基于VWMC的传感器网络移动节点定位算法(VWMCL).该算法利用Monte Carlo算法作为移动节点的基本定位算法,并在预测阶段加入航位推算方法,通过减少预测角度的误差来提高粒子位置预测的精度;并把Voronoi图和权值融合在MCL算法的粒子过滤阶段,采用Voronoi图和权值的双重筛选的机制,提高粒子过滤的准确性.仿真结果表明,该算法可以显著改善定位精度,减少算法的计算量,从而提高定位的效率.     

基于MCL算法的移动节点安全性研究

蒙特卡罗（MCL）算法对移动节点进行定位时没有考虑安全因素,针对该问题,在MCL流程中加入身份认证环节,即可实现定位又保证被定位移动节点的安全性。实验结果表明,在节点速度较小时,改进后的MCL算法定位偏差性良好。     

移动机器人的改进无迹粒子滤波蒙特卡罗定位算法

粒子滤波是移动机器人蒙特卡罗定位(Monte Carlo localization, MCL)的核心环节. 首先, 针对粒子滤波过程的粒子退化问题, 利用迭代Sigma点卡尔曼滤波来精确设计粒子滤波器的提议分布, 以迭代更新方式将当前观测信息融入顺序重要性采样过程, 提出IUPF (Improved unscented particle filter)算法. 然后, 将IUPF与移动机器人MCL相结合, 给出IUPF-MCL定位算法的实现细节. 仿真结果表明, IUPF-MCL是一种精确鲁棒的移动机器人定位算法.     

移动无线传感网中的迭代蒙特卡罗定位算法研究

研究移动无线传感网中的节点定位问题,分析影响蒙特卡罗定位精度的两个因素:观测值和前一时刻的位置样本集,提出一种迭代蒙特卡罗定位算法。该算法中,信标节点的位置信息在每个时间段只被它的邻居节点转发一次,但是接收到该信息的其他节点会保存它们,并在下一时间段将它们与待发送/转发的信息融合成一个数据包进一步转发,增加待定位节点用于估算前几个时间段位置样本集的观测值。待定位节点再利用蒙特卡罗算法迭代计算前面时间段的位置样本集,并充分利用观测值滤除较差样本,从而提高当前时刻的定位精度。仿真实验表明改进算法提高了定位准确度。当信标节点密度较低时,更能体现改进算法的优越性。     

基于时序蒙特卡洛的WSN节点定位算法

针对无线传感器网络（WSN）中的移动节点定位问题,提出了一种将反馈时间序列与蒙特卡洛相结合的定位算法TSMCL（Feedback Time Series-Based Monte Carlo）。该算法基于目标节点1跳范围内的邻居锚节点（至少3个）反馈信号的先后顺序,构建了节点可能的初始采样区域R1,并以区域R1与蒙特卡洛采样区域R2的重叠区作为新的采样区域R,以进一步缩小采样范围、提高采样效率。仿真结果表明：与蒙特卡洛定位算法相比,提出的TSMCL算法能够减少约38%的定位误差,尤其当节点移动速度较高时,算法的收敛速度也得到了显著提升。