基于移动定位算法研究与改进-
最后更新时间：2024-03-24
作者：用户投稿
本站原创
点赞:4948
浏览:15908
本站原创
点赞:4948
浏览:15908
论文导读：
摘要：改进的算法在节点位置的预测阶段使用二次曲线来模拟人的走动，在滤波阶段判断节点位置是否符合人的移动规律，改进了节点位置的预测方法和滤波算法，达到了缩小样本空间的目的，最终达到提高摘自：7彩论文网写毕业论文经典的网站www.7ctime.com
定位精度的结果。通过实验仿真将改进算法与基本的移动定位算法进行了比较和分析，仿真结果表明，在改变锚节点数量、普通节点数量和移动速度三个变量的情况下，改进的算法都比原算法提高了定位的精度。
关键词：电路与系统；无线传感器网络；预测；滤波；移动定位算法
1007-9599 (2012) 11-0000-03
一、引言
无线传感器定位算法主要分为基于测距的算法和无需测距的算法两大类。基于测距的定位算法通过测量节点之间的距离、角度等信息实现定位，常用的方法有三边测量法、三角测量法或最大似然估计法等。无需测距的定位算法则不需要距离、角度等信息，利用节点之间的相邻关系和连通性实现定位，缺点是定位精度较低，典型的无需测距的定位算法有基于节点跳数信息的DV-Distance算法和Amorphous算法、求解几何重心的质心算法等。计算移动的节点的位置，当结果计算出来以后，节点置信息。也已经因为移动离开了那个位置，这样得出的将永远是已经过期的无效的位置信息。在某些特定应用场合中，虽然可以通过高频率的运行为静态无线传感器网络设的定位算法来近似实时的确定移动节点的位置，并且可以取得一定的效果，但是会引起比较严重的信息衰减。
所以，在设计针对无线传感器网络移动节点的定位算法时，移动性应该被直接考虑到定位结果不应该因为移动性降低，而是应该通过利用移动性这一特点来帮助提高定位精度和定位效率。例如，可以通过已经获得的现有位置信息，比较精确的预测接下来的时刻的节点位置，以提供比较实时的有效的当前位置信息。
移动定位算法分为预测和滤波两个阶段。
图（1）直观的表示了移动定位算法的效果，质点从已知位置的某点，（图中A点）出发，沿实线所示轨迹运动。随着时间的推移，样点集的不确定性增强。
分别以OS集合中的锚节点为圆心、通信半径R为半径作圆，取所作的几个圆的交集，并作交集的外接矩形；再分别以TS集合中的锚节点为圆心、二倍通信半径为半径作圆，取所作的几个圆的交集，并作交集的外接矩形。取上述两个矩形的交集为trustbox0例如，假设有待定位节点P，在它的一跳范围内监听到两个锚节点和一个邻居节点，分别锚节点A、锚节点B和普通节点Y，即待定位节点P的OS集合为锚节点A和锚节点B。邻居节点Y在它的一跳范围内也监听到两个锚节点，分别为锚节点a和锚节点b，即待定位节点P的TS集合为锚节点a和锚节点b。如下图2所示。
分别作OS集合中锚节点的外接圆，即分别以锚节点A和锚节点B为圆心、通信半径R为半径作圆，并取两个圆相交部分的外接矩形。如下图3所示。
分别作TS集合中锚节点的外接圆，即分别以锚节点a和锚节点b为圆心、二倍通信半径2R为半径作圆，并取两个圆相交部分的外接矩形，再取新作矩形与上一步所作矩形的交集，即为trustbox0。如图4中所示灰色区域。
在trustbox0中随机取20个样点，将20个点的平均位置作为节点在初始时刻的初始预测位置P0。
trustbox0中随机取的20个样点均这样做，这样可以得到20个samplebox。
循环往复预测阶段和滤波阶段，则可得到所有时刻对节点定位的位置结果。
摘要：改进的算法在节点位置的预测阶段使用二次曲线来模拟人的走动，在滤波阶段判断节点位置是否符合人的移动规律，改进了节点位置的预测方法和滤波算法，达到了缩小样本空间的目的，最终达到提高摘自：7彩论文网写毕业论文经典的网站www.7ctime.com
定位精度的结果。通过实验仿真将改进算法与基本的移动定位算法进行了比较和分析，仿真结果表明，在改变锚节点数量、普通节点数量和移动速度三个变量的情况下，改进的算法都比原算法提高了定位的精度。
关键词：电路与系统；无线传感器网络；预测；滤波；移动定位算法
1007-9599 (2012) 11-0000-03
一、引言
无线传感器定位算法主要分为基于测距的算法和无需测距的算法两大类。基于测距的定位算法通过测量节点之间的距离、角度等信息实现定位，常用的方法有三边测量法、三角测量法或最大似然估计法等。无需测距的定位算法则不需要距离、角度等信息，利用节点之间的相邻关系和连通性实现定位，缺点是定位精度较低，典型的无需测距的定位算法有基于节点跳数信息的DV-Distance算法和Amorphous算法、求解几何重心的质心算法等。计算移动的节点的位置，当结果计算出来以后，节点置信息。也已经因为移动离开了那个位置，这样得出的将永远是已经过期的无效的位置信息。在某些特定应用场合中，虽然可以通过高频率的运行为静态无线传感器网络设的定位算法来近似实时的确定移动节点的位置，并且可以取得一定的效果，但是会引起比较严重的信息衰减。
所以，在设计针对无线传感器网络移动节点的定位算法时，移动性应该被直接考虑到定位结果不应该因为移动性降低，而是应该通过利用移动性这一特点来帮助提高定位精度和定位效率。例如，可以通过已经获得的现有位置信息，比较精确的预测接下来的时刻的节点位置，以提供比较实时的有效的当前位置信息。
二、传统移动定位算法
Monte Carlo移动定位算法（MCL）是1988年Rubin提出的采样/重采样算法的一个演化，关键想法是使用一个包含N个带权值的样点的集合来代替后验概用表示样点集中的样点，其中为质点所在位置为这个样点的权值，类似于离散概率。通过假设保持归一性移动定位算法分为预测和滤波两个阶段。
(一)在预测阶段
因为约定待定位节点的运动速度不会超过某个最大值Vmax，所以，是若待定位节点在t-1时刻的可能位置，那么在t时刻，该节点的位置就只可能在以为圆心Vmax为半径的一个圆内。(二)在滤波阶段
待定为节点根据当前时刻接收到的观测值和约束条件丢弃那些不可能的预测位置。最后的得到的样点平均即为节点的定点位置。图（1）直观的表示了移动定位算法的效果，质点从已知位置的某点，（图中A点）出发，沿实线所示轨迹运动。随着时间的推移，样点集的不确定性增强。
三、新移动定位算法
(一)初始位置预测
在初始化阶段，即时刻，待定位的无线传感器节点对自己的位置未知。待定位的无线传感器节点记录下自己的一跳范围内的所有锚节为集合OS，再记录一跳范围内邻居节点的一跳范围内的所有锚节点集合（即邻居节点的OS集合）为集合TS。分别以OS集合中的锚节点为圆心、通信半径R为半径作圆，取所作的几个圆的交集，并作交集的外接矩形；再分别以TS集合中的锚节点为圆心、二倍通信半径为半径作圆，取所作的几个圆的交集，并作交集的外接矩形。取上述两个矩形的交集为trustbox0例如，假设有待定位节点P，在它的一跳范围内监听到两个锚节点和一个邻居节点，分别锚节点A、锚节点B和普通节点Y，即待定位节点P的OS集合为锚节点A和锚节点B。邻居节点Y在它的一跳范围内也监听到两个锚节点，分别为锚节点a和锚节点b，即待定位节点P的TS集合为锚节点a和锚节点b。如下图2所示。
分别作OS集合中锚节点的外接圆，即分别以锚节点A和锚节点B为圆心、通信半径R为半径作圆，并取两个圆相交部分的外接矩形。如下图3所示。
分别作TS集合中锚节点的外接圆，即分别以锚节点a和锚节点b为圆心、二倍通信半径2R为半径作圆，并取两个圆相交部分的外接矩形，再取新作矩形与上一步所作矩形的交集，即为trustbox0。如图4中所示灰色区域。
在trustbox0中随机取20个样点，将20个点的平均位置作为节点在初始时刻的初始预测位置P0。
(二)选取样本空间
经过一个时隙后，即时刻，无线传感器节点移动到了一个新的未知的位置P‘，用上述方法作当前时刻的trustbox1作以样点为圆心、节点最大移动速度Vmax为半径的圆的外接正方形，与当前trustbox1作交集，得到的矩形为samplebox。如下图5所示橙色区域。trustbox0中随机取的20个样点均这样做，这样可以得到20个samplebox。
(三)下一时刻节点预测
在samplebox里随机取一个点，通过做矢量的运算判断该点是否符合预测的运动轨迹若符合条件，则将该点储存在trustbox1中，否则丢弃该点，重新在samplebox里随机选取一个点进行上述滤波判断。直到得到符合条件的样点或达到最大尝试次数。若达到最大尝试次数后还是无法得到符合条件的样点，则放弃这个samplebox，直接在trustbox1中随机得到一个样点储存在trustbox1‘中依次判断20个样点，得到有20个新的样点的trustbox1‘，取20个样点的均值，即为时刻的节点定位位置P1。循环往复预测阶段和滤波阶段，则可得到所有时刻对节点定位的位置结果。