基于历史信标辅助的移动传感器网络定位算法.docx

《基于历史信标辅助的移动传感器网络定位算法.docx》由会员分享，可在线阅读，更多相关《基于历史信标辅助的移动传感器网络定位算法.docx（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、毕业设计外文资料翻译学 院： 信息科学与技术学院 专 业： 网络工程 姓 名： 学 号： 外文出处： 附 件： 1.外文资料翻译译文；2.外文原文。 指导教师评语： 签名： 2017年3月9 日附件1：外文资料翻译译文基于历史信标辅助的移动传感器网络定位算法摘要：非测距定位方法是性价比较高的的移动传感器网络（因为没有额外的硬件支持）。然而，现有的移动传感器网络的定位方法，不仅存在稀疏锚节点问题还存在通信成本高的问题。基于经济上的考虑，移动传感器网络通常使用在大多数范围内不准确稀疏锚节点的自由定位算法。另一方面，由于移动传感器节点的功率限制（即，他们是电池供电），高功率消耗的通信和通信成本高将大

2、大减少网络的生命时间。为了解决这两个问题，在本文中我们用历史的信标（即锚节点公告前的时段交付）和接收信号强度（RSS）得到三个约束。通过三个约束的援助，我们引入了一个低通信成本范围内的自由定位算法（只有一个跳信标广播）。根据理论分析和仿真结果，我们的三个约束可以提高精度。仿真结果还表明，我们的算法即使在不规则的无线信号环境依然优于其他的。此外，传感器节点上运行的硬件实现，OctopusXS，证实了理论分析和仿真实验。指数条款：特设网络；本地化；移动性；非测距；无线传感器网络1.介绍定位是无线传感器网络中的一个关键问题（WSNs）。虽然GPS已经广泛应用于基于位置的各种服务 1 、 2 、 3

3、、 4 、 5 、 6 、 7 、 8 ，但是在大规模无线传感器网络中为每个传感器节点装置GPS设备是不切实际的。因此，定位算法的无线传感器网络通常使用有限数量锚节点来确定自己的位置，例如，借助于全球定位系统，而其他节点（称为正常节点）估计其位置使用的是锚节点的位置信息。这样的定位算法是以锚节点为基础的，并可以进一步划分为两大部分 9 ：基于范围的和范围的自由。一个基于范围的定位算法需要计算点对点的绝对的位置与距离，而一个范围内的自由定位算法则不需计算这些位置与距离。然而，距离估计技术通常需要额外的昂贵的硬件支持（例如，到达角（AOA） 10 和到达时间差（TDOA） 11 ），或低精度硬件支

4、持（例如，接收信号强度（RSS）为基础的方法）。由于无线传感器网络的硬件限制，非测距的解决方案正在被需求来替代一个基于范围的解决方案。大多数以前的无定位定位算法（例如， 12 ， 13 ， 9 ， 14 ， 15 ）是专为静态传感器网络准备的，而不适用于移动的传感器网络。现有的移动传感器网络的定位方法通常存在稀疏锚节点问题和通信成本高的问题。由于经济上的考虑，无线传感器网络通常具有稀疏锚节点，这使得大多数范围内的自由定位算法不准确。另一方面，在移动传感器网络中传感器节点是电池供电，所以通信是最高的功率消耗项目。现有定位算法中实现它所需精度具有很高的通信成本 12 、 14 、 15 、 16

5、、 17 、 18 、 19 、 20 、 21 、 9 、 22 并且通信成本高将明显减少了网络的生存时间。此外，由于无线技术的快速发展（如Wi-Fi和蓝牙）和迅速兴起的的新兴应用ISM频段，大多数无线传感器网络的应用已经越来越广泛 23 。因此，在不久的将来，高通信成本的定位算法是不切实际的。在本文中，我们介绍一个移动传感器节点网络的非测距定位算法的改进。为了解决锚节点稀疏问题和通讯成本高的问题，我们的算法充分利用了通信的优势范围（节点），历史的信标和RSS（信标）的优点，并且这些的通信成本是免费的。据我们所知，我们的算法是第一个在移动传感器节点定位的历史信标问题中使用RSS的。我们的算法

6、包括三个新的约束区域（参见3.2节）。 约束区域是一个可以覆盖目标正常节点位置的区域，例如一跳相邻锚节点（是现有的无标距离算法中广泛采用的通信16、18、19、21、17）。根据理论分析和仿真结果，这三个约束区域确实可以提高定位精度。此外，我们的算法具有低通信成本（只有一个跳信标广播）的特点。仿真结果还表明，我们的算法甚至在不规则的无线信号环境也是可用的。此外，传感器节点上运行的硬件实现OctopusXS 24 并证实了理论分析和仿真结果。本文的其余部分组织如下。第二节简要的介绍之前的与距离无关的定位算法。第3节介绍提出了的算法和三个约束区域，而4节介绍约束区域的理论分析。5部分论证了算法的可

7、行性，通过利用传感器节点的硬件实现，Octopus XS。第6节显示的模拟结果，并比较我们的算法与国家的最先进的算法。最后，7部分总结全文。2.前自由定位算法在本节中,介绍以前的移动无线传感器网络的无范围定位算法16，17，18，19，21，25，26，27。在随后的讨论中，每个锚节点发送一个信标（它的位置信息），给它的一个跳邻近节点（称为一跳信标广播） 25 或其一跳和二跳邻近点（称为双跳-信标广播） 16 ， 17 ， 19 ， 21 或所有节点 18 。正常节点收集航标锚节点来确定自己的位置。我们用r来表示一个正常节点的通信半径，Vmax表示正常节点在一个时间槽的最大移动距离。在现有的与

8、距离无关的定位算法的移动无线传感器网络中，两跳信标广播中16、17、18、19、21，正常的节点位置交换17、21、统计模型21，25 26，模糊逻辑和RSS27被用来提高定位精度。在 16 蒙特卡洛定位（MCL）算法被提出，其中位于邻近的通信范围的一跳单锚节点（称为一个锚约束区21）和环形区域的交叉口。在一个环形区域中每个点距离的两跳邻近锚节点的距离范围在(r,2r)。MCL算法随机生成的点的集合（称为时间槽的有效样本0个）在部署区域，然后在每个时隙执行两个阶段：预测和过滤。考虑时间槽i的范围是i0。在预测性阶段，样品时间槽是一个点从样本中随机选择的圆。样圆半径等于Vmax并且在时间槽i-1

9、之前生成一个有效样本。MCL算法考虑了样本在时间槽i是否无效的（有效的），如果在只有一个外（内）锚约束区域（在时间槽i）的时候。在过滤阶段，无效的样本（生成的时间槽i）是过滤出来的。的位置（生成的时间槽i）然后被估计为所有有效样本的质心（生成的时间槽i）。例如，Vmax1，r2和点（1，1），（1，0），和（0.5，0.5）被选为一个有效样本槽。然后有三个样品时间槽为1时,每一个随机选择的样本圆的半径都是1和集中在一个有效样本时间槽0。假设这些点(1.5,1.5),(0.5,0)和(0,0.5)在时间槽1被选为样本。假设有一个邻近锚节点在（0，0）并且没有两跳邻近锚节点，例锚节点约束的范围在是

10、的通信范围（即圆的半径是2并以（0，0）点为中心）并在时隙1。因此，有2个有效的样本在时隙1，例如点（0.5，0）和（0，0.5）。因此，在时隙1的位置估计为（0.25，0.25）。针对MCL算法的缺陷就是有效样本在预测阶段产生的可能不足以估计一个准确 19 的位置。此外，MCL定位精度在锚节点稀疏的环境下低。在 19 ，蒙特卡洛定位盒装（MCB）算法被提出。在MCB算法中的单跳通信范围(单相邻锚节点)和两跳通信范围(邻近两跳锚节点)分别简化为2r2r的平方地区和4r4 r的广场区域。这些方形区域的交集被称为锚盒子。这是样本在预测阶段在锚箱和样品盒的交叉点上产生的(即一盒覆盖样本圆制程中所描述

11、的算法)。自锚箱是一个光秃秃的近似锚约束区域,并且更有效的样本可能仍处于过滤阶段。然而,当锚节点密度高时MCB算法可能产生比估计的位置所需的更多得更有效的样品。在移动的静态传感器网络定位（MSL）算法中被要求在每一个时间槽的一跳邻近点和二跳邻近点交换位置信息 17 。MSL算法考虑了的一个样本的无效（有效），如果它在的外（内）锚定约束区域一跳相邻正常节点的通信范围和正常的环区的交叉点上则是无效（有效）的。在这里，一个普通的环区包括了在两跳邻近点到普通节点的距离范围在(r,2rd的点的集合。虽然MSL算法比MCB和MCL算法估计的位置更准确，但是同时它会导致更高的通信成本。此外，MSL算法是一个

12、更精准的算法，被命名为改进的蒙特卡罗定位（IMCL）算法 21 。IMCL算法将的范围划分成大小相等的八个区域，并且每个扇区的半径延伸至+r，其中是离的有效样本距离最大的在这个部分内。由此产生的部分的集合被称为的邻近的限制区域。在IMCL算法，一个的样本被认为是有效的（无效的），如果它在的外（内）锚定约束区域一跳相邻正常节点的通信范围和正常的环区的交叉点上则是无效（有效）的。在 18 ，多跳的蒙特卡洛定位（MMCL）算法考虑每一个具有一个大面积监控和锚节点稀疏的移动无线传感器网络的连接。在这种情况下，该MMCL算法要求每个锚节点的所有节点广播信标。除了上述的MCL算法、定位算法、命名锚的历史定

13、位（LAH）算法也被提出了 25 。LAH算法计算出在每个时隙时的位置，历史上通过近似的的流动模式和回归模型的系数来确定信标进行的援助，这是不容易在实践中预测的一个准确的流动模式。在 26 ，一个基于模糊逻辑的定位算法的（fuzloc）提出。对无线电信号的不规则程度高，通过交换信标，锚节点建立模糊规则，找到并测量自己与RSS之间的距离。每一个普通节点，发送一个查询包到两跳锚节点，以获得模糊距离相邻的锚节点。此外，为了解决锚节点稀疏问题，每个锚节点也计算和一些预定义的位置和之间的距离（借助于和模糊距离和与这些预定义的位置的距离），并提供这些距离来提高定位精度。在 27 ，每个普通节点确定一跳邻近点顺序是由降序的RSS的值来排序的。利用一跳邻近节点密度顺序的差异，普通的节点可以估计它们和2跳邻近点位置之间的相对距离。