传感器技术的迅速发展使得无线传感器网络(Wireless Sensor Network,WSN)在众多领域具备广阔的应用前景。考虑到WSN中的多数应用是基于传感器节点位置的,研究WSN定位算法具有重要的现实意义。本学位论文针对WSN定位的几个关键问题,包括如何降低算法复杂度及网络功耗、如何识别并抑制非可视径(None-Line-of-Sight,NLOS)误差以提高定位精度以及如何增强定位系统的鲁棒性等,提出了对应的算法加以解决,以期进一步完善WSN定位算法的性能。首先,提出一种基于软件定义网络(Software Defined Networking,SDN)架构的定位节点选取算法,在网络总功耗受限的条件下,为每个待定位节点选取出对其定位结果最有利的一组参考节点,从而降低算法复杂度及能量消耗。该算法计算出每个参考节点对特定待定位节点的类-克拉美罗下界(Analogous Cramer-Rao Lower Bound,A-CRLB),作为衡量该参考节点对定位结果的贡献值。算法利用SDN网络结构的特性,分别在非协作定位及协作定位场景下提出一种集中式的节点选取算法,将其构建成在网络总功率约束条件下的0-1规划问题,求解得出使贡献值总和达到最大的参考节点集合。此外,在所提的基于SDN的节点选取算法中定义了一种适用于软件定义传感器网络的编址方式,用于控制平面与数据平面之间的南向协议接口之中。仿真结果表明所提的算法可以有效地实现WSN定位算法的精度与复杂度及能量消耗之间的均衡。其次,提出一种基于AdaBoost的非可视径误差识别及抑制算法,用来消除或缓解因WSN定位场景中存在障碍物阻挡而导致的NLOS误差的影响。NLOS误差识别算法通过提取节点之间传播路径的信号特征,利用AdaBoost机器学习算法从一系列弱学习器中训练出一个NLOS强分类器,将可视径(Line-of-Sight,LOS)路径和NLOS路径区分开来。NLOS误差抑制算法在鉴别出NLOS路径后,提出一个链路状态因子(Link Condition Indicator,LCI)衡量不同链路受NLOS影响的程度,并将其作为加权因子,设计一种N阶概率性硬加权(N-Probabilistic Hard Weight,N-PHW)算法对传统的无线网络和积算法(Sum-Product Algorithm over a Wireless Network,SPAWN)加以改进,使其具备缓解NLOS影响的能力。仿真结果表明基于AdaBoost构建的NLOS强分类器可以有效地识别NLOS路径,在此基础上改进的SPAWN算法能够抑制NLOS误差,提高定位精度。接着,提出一种基于经济模型的协作定位激励算法,通过设计一个定价方案,从利润的角度引导每个盲节点达到最优状态,从而鼓励网络中的盲节点,特别是一些处在较好网络状态的盲节点,积极参与到协作定位中。所提的激励算法分为预算决策和价格分配两个部分。预算决策部分构建一个基于博弈理论的最优化问题,将每个盲节点当成博弈问题中的参与者,并将其效用函数表示成与利润相关的函数,采用Dinkelbach方法将效用函数转化成一个凹形式的目标函数,并提出一种单对谈判(Per Pair Negotiation,PPN)策略求得该优化问题的最优解,确定出每个盲节点利润最大化的最佳预算投入。价格分配部分通过引入Shapley值度量每个参考节点对盲节点定位结果的贡献值,将盲节点的预算公平地分配给每个参考节点,使得在给定预算的情况下,盲节点的定位精度达到最优。仿真结果表明所提的激励算法能够使网络中处于较好状态的盲节点更乐意参与到协作定位中,从而提高网络的整体定位性能。最后,提出一种基于RSSI和惯性导航的融合定位算法,通过不同定位技术的优势互补,提高定位系统的准确性、可靠性和连续性。算法利用接收信号强度指标(Received Signal Strength Indicator,RSSI)值,通过位置指纹匹配算法初步估计节点的位置,同时采集目标节点上携带的惯性测量单元(Inertial Measurement Unit,IMU)提供的惯性数据(包括节点移动的加速度、角速度以及所处位置的地磁强度值等),计算其移动过程中的俯仰角、翻滚角和航向角等姿态向量,将这些信息以及RSSI数据通过Kalman滤波器,采用状态方程描述目标节点位置坐标的动态变化规律,使用融合定位算法对RSSI定位结果进行修正。仿真结果表明所提的融合定位算法可以克服单独使用RSSI定位或惯性导航方法存在的问题,从而增强定位系统的鲁棒性。
无线传感器网络(WSN)定位技术作为物联网感知层的重要基础,已广泛应用于军事勘察、环境监测、智慧城市等领域。基于时间测量的WSN定位技术具有标签容量大、定位精度高、硬件要求低等优势,已逐渐成为该领域的研究热点。在此背景下,本文以实现大规模、快速部署、低功耗、高精度的WSN定位技术为研究目标,重点对基于时间测量定位技术中的时钟同步、网络拓扑重构、非视距误差消除等问题展开研究。论文的主要工作和贡献概括如下:1.针对时钟频偏对传统TOF(Time of Flight)测量影响较大、现有测距协议在共享介质传输条件下需要专门的控制协议以保证TOF测量不被中断等问题,提出了基于多站TWR(Two Way Ranging)并行测量和时钟频偏补偿的TOF定位算法。算法能够在短时间内同时与多个基站进行TOF测量,减少了标签移动性对TOF测距过程的影响。时钟频偏估计和补偿的方法能够完成节点的时钟同步。仿真结果表明,本文算法相比于传统TOF定位算法具有更高的定位精度,同时表现出对节点移动的鲁棒性。此外,该算法在基于IEEE 802.15.4a标准的UWB(Ultra Wide Band)无线信号定位系统中进行了测试和验证,能够同时实现四个基站TOF测量,定位精度小于20cm。2.针对采用单一类型测量值的传统定位算法难以满足多项定位性能指标的问题,提出了基于TOF和TDOA(Time Difference of Arrival)的高精度混合式定位算法,充分结合了 TOF定位算法高精度和TDOA定位算法在标签端低能耗的优势。仿真结果表明,本文算法相比于传统TOF定位算法具有较低的标签能量损耗,相比于TDOA算法具有较高的定位精度。3.目前已有的研究需要事先测量基站位置坐标以满足基站位置已知的假设条件,从而在部署大量基站时,极大地增加了网络实际部署的工作量。本文在基站位置未知的前提下,提出了基于基站相对坐标系自动建立的标签TDOA同步定位联合算法。通过引入基站虚拟TOF的概念,算法能够实现基站的时钟同步和网络拓扑重构,并且在基站缓慢相对运动时依然具有动态拓扑能力。标签通过一次定位请求信号发射完成时钟同步和TDOA定位。仿真结果表明,与现有算法相比,本文算法不需要预先测量和获得基站位置,能够实现基站网络拓扑重构和标签的同步定位。4.针对NLOS(Non-Line-of-Sight)误差对定位结果造成较大偏差的问题,本文提出了基于二阶锥松弛约束的加权最小二乘NLOS误差消除方法。该算法利用NLOS误差信息包含于NLOS测量值的特性,在简化加权最小二乘约束条件的同时,结合测量噪声方差和NLOS测量值设计了一种新的NLOS权值计算方法。最小二乘约束条件与权值计算均不需要NLOS误差上确界作为已知条件。在多组NLOS误差参数设置下的仿真测试对比中,本文算法相比现有的NLOS误差消除方法表现出更加稳健的NLOS消除性能。
随着无线通信技术的不断发展,无线传感器网络在许多行业都得到了日益广泛的应用,无线传感器网络定位作为其中的一个分支取得了较多的学术成果。近几年提出的压缩感知技术应用于无线传感器网络定位,减小了通信量和数据交互,为无线传感器网络定位提供了新的发展机遇。本文在此基础上,对基于压缩感知的无线传感器网络定位算法进行深入研究:首先,针对传统压缩感知算法在候选集选取原子阶段采用固定步长影响定位精度的问题,提出一种改进蝗虫优化的弱匹配追踪(Improved grasshopper optimized weak match pursuit,IGO-WMP)算法。将候选集选取原子的过程分为前后两个阶段,在不同阶段采用不用的阈值控制候选集原子的筛选,然后利用改进的蝗虫算法优化弱匹配追踪算法的阈值参数,相较于传统的蝗虫优化算法,采用非线性权重参数以及融入柯西差分变异策略后的蝗虫优化算法能够跳出局部最优解,以更高概率获得全局最优解。实验结果表明,将IGO-WMP算法应用于无线传感器网络定位时,定位精度优于传统的压缩感知算法,鲁棒性更强。其次,针对无线传感器网络目标定位过程中存在的测量矩阵维数高、运算量大以及测量向量不准确的问题,提出一种基于bounding box与卡尔曼滤波的优化压缩感知(Optimal compression sensing based on bounding box and Kalman filtering,OCS-BBKF)算法。首先对传感器采集的接收信号强度值进行卡尔曼滤波处理保证压缩感知测量向量的准确性;其次引入bounding box方法估计位置区域,缩小节点定位范围从而降低后一阶段压缩感知测量矩阵的维数;最后在节点估计区域进行压缩感知定位,并提出基于原子相关度阈值的回溯匹配追踪算法,通过原子相关度阈值控制对候选集原子进行二次筛选剔除低相关度原子,在支撑集中保留系数较大的原子,提升重建精度。实验结果表明,相比传统压缩感知算法,将OCS-BBKF算法应用于无线传感器网络定位时能获得更高的定位精度。
暂无评论