使用灰度预测模型的强自适应性移动节点定位算法

来源 :华南师范大学 | 被引量 : 0次 | 上传用户:flywate
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
物联网、无线通信技术、集成电路、微机电系统等技术的快速发展,使低成本、低功耗、多功能的无线传感器网络出现飞速发展,无线传感器网络成为当前备受关注的前沿热点研究领域。确定节点的位置信息是无线传感器网络(WSN)提供服务的关键基础技术之一,物联网的快速发展,固定网络结构的WSN已无法满足新增服务的需求,移动节点的引入已成必然趋势,这也将为WSN的应用提供更为广阔的前景,开拓更多的应用领域,同时也带来了技术上的挑战。之前所研究的定位技术大多是针对固定节点的定位,但当节点移动时这些定位技术不能提供很好的定位结果。由于WSN中移动节点定位需求的日趋强烈,针对移动节点的定位成为无线传感器网络定位技术的热点研究方向之一。  本论文主要针对移动节点的定位做了深入研究,并提供了解决方案。文章首先论述无线传感器网络的结构、特点及应用,阐述了课题的背景和意义,并对移动节点定位算法的进展和状况进行了总结,特别是在蒙特卡罗定位算法(MCL)思想运用于解决移动节点定位方面。接着概述了节点定位的基本原理,无线传感器网络自身定位算法、性能评价指标和分类方法。然后通过对MCL算法思想的剖析引入使用灰度预测模型的强自适应性移动节点定位算法(GPAL):首先,为确定更加精准的采样区域,减少重复采样计算量,通过记录待定位节点前几个时刻的位置信息利用灰度预测模型估算出当前的运动速度和方向,确定大致运动区域,精确采样空间。然后,使用锚节点与定位节点之间的估计距离信息来滤除粒子,提高粒子质量和有效性,从而提高定位精度。最后利用限制性的线性交叉来扩展粒子数目,通过粒子团防止采样收敛,形成采样粒子的多样性,在减少采样时间的同时,加快高质量样本生成,达到更快,更准确的定位。  在实验仿真中,通过随机路点运动模型来模拟移动节点的运动轨迹,运用本文GPAL算法进行仿真定位,同时选取同领域内前沿的EMCL算法及原始MCL算法进行定位,将三者在通信半径、锚节点密度、样本大小等条件变化的情况下,所展现的定位结果进行对比,可以看到本文算法表现出较好的定位精度与较强的自适应性。在结果分析中对本算法的计算复杂度与性能进行了剖析。  最后,对全文进行了总结,并对未来的研究工作进行了展望。
其他文献
学位
随着移动互联网快速发展,移动终端面临的安全威胁也日益突出。Android系统凭借其开源、易定制的特性,已占据移动智能操作系统绝大部分的市场份额。自2008年的1.0版本以来,Androi
图像中的文字定位与提取是当前热门且具有实际应用意义的课题。随着数码产品的普及,网络中出现大量来源于各种场景下的图像,检测和识别这些图像中的文字在工业界正越来越受重视
无线传感器网络是由大量传感器节点通过无线通信方式组成的一个多跳自组织网络,用以实现对物理世界的监控,是影响人类未来生活的十大新兴技术之一。而节点自定位技术作为无线传
学位
在大数据环境下,每天产生海量数据,并存储在数据库系统中。很多时候,系统新来一个数据,都需要查询该数据是否已经在系统中,也就是对数据的查存。随着数据量增大,查询一个数据是否已
学位
随着互联网信息的指数增长,用户很难快速精确地找到自己想要的信息。这是因为现有的网络信息是设计给用户阅读的。Tim Berners-Lee提出的语义网概为了解决这个问题。语义网是
现代社会,在人们的日常生活中广泛存在着各种复杂网络,例如互联网、万维网、电力与交通网络、生物和神经网络、认知和语义网络、经济与金融网络和社交网络等。网络一方面给人类
学位