模糊化的无线传感节点自适应定位算法

节点定位是无线传感网络的研究基础,具有重要的研究价值和研究意义.现有定位算法主要分为测距相关的算法(range-based)与测距无关的算法(range-free)两类.前者通常使用未经处理的、包含环境噪声的测距信号,导致其定位稳定性较差;后者常使用节点间的连通性信息,导致其定位精度相对较低.针对该现状,本文提出一种基于模糊处理的节点自适应定位算法(fuzzy localization, FL).FL算法首先收集有关测距信息,然后对测距信息进行模糊化处理,最后采用自适应算法计算节点位置.FL算法对测距信息的模糊化处理,减少了环境噪声对定位的影响,提高了节点定位的稳定性;同时细化了通讯半径内的距离估计,提高了节点的定位精度;且自适应算法能对模糊化过程进行自适应控制,取得有效模糊化参数.实验结果表明,与DV-Hop算法和Spring算法相比,FL算法减少了约31%和6%的定位误差,且定位稳定性较好.     

基于无线传感器网络的定位系统设计

无线定位应用需求日益增长,研究无线传感器网络的定位应用具有重要意义。首先介绍基于无线传感器网络的定位系统的软硬件结构,然后从能量消耗、网络通信量和可靠性等方面来分析和选择移动结点的工作方式,并提出了使信标结点实现动态快速组网、提高网络通信效率和通信链路稳定性等所采取的措施,最后给出了在TinyOS下传感器结点的程序结构和实现,以及在服务器端实现的改进的加权质心定位算法。     

一种基于Monte Carlo的移动传感网络精确定位算法

无线传感器网络作为一种全新的信息获取和处理技术,可以在广泛的应用领域内实现复杂的大规模监测和追踪任务.在传感器网络中,确定事件发生的位置或获取消息的节点位置是传感器最基本的功能和支撑技术.本文针对特定的应用场景,设计了适用于锚节点固定,节点自由移动的移动传感器网络的基于Monte Carlo方法的精确定位算法,并描述了其节点运动预测和位置选取模型,最后通过实验将本算法与以往研究成果中的代表性的移动传感器网络定位算法进行了模拟比较和分析.     

一种基于RSSI校验的无线传感器网络节点定位算法

由于事件发生的位置和获取信息的节点位置是无线传感器节点监测消息中所包含的重要信息,因此如何进行无线传感网络节点自定位成为了当前的一个研究热点.在过去权质心算法的研究基础上,本文提出了基于RSSI校验的无线传感器网络节点定位算法,利用固定节点之间的距离和RSSI值来校正移动节点与每个固定节点之间的权值,从而提高了算法的定位精度.实验结果表明,在相同实验环境下本算法的精度优于以往的权质心算法.尤其在平均定位误差方面,前者比后者改进了大约25%.