基于AIUKF的WSN节点定位算法

针对无线传感器网络节点定位精度不足的问题,在无迹卡尔曼滤波( UKF)的基础上,结合迭代约束条件和自适应因子,提出了一种自适应迭代无迹卡尔曼滤波( AIUKF)算法。根据基于测距的节点定位模型,采用RSSI进行测距,以极大似然估计法进行节点初步定位,利用AIUKF算法对节点进行精确定位,并且直接以RSSI作为系统的观测量。仿真结果表明,本文提出的基于AIUKF的定位算法相比EKF和UKF算法具有更高的定位精度。     

一种基于CKF的无线传感器网络分布式定位算法

为提高无线传感器网络节点定位的精度,降低算法计算复杂性,提出了一种基于容积卡尔曼滤波的无线传感器网络分布式节点定位算法。该算法假定移动锚节点按预定路径在传感区域移动,并周期性广播自身位置信标信息;每个未知位置节点首先收集多个锚节点信标信息及信号强度信息,然后估算出锚节点信标位置与未知节点的距离,最后在未知节点上运用容积卡尔曼滤波算法完成自身位置的分布式定位。仿真结果表明：本文所提算法具有优良的定位性能,定位精度和无迹卡尔曼滤波算法相当,明显优于极大似然估计定位算法,而计算复杂性则低于无迹卡尔曼滤波算法。     

基于SRUKF的TSOA/TDOA单站跟踪技术研究

阐述了蜂窝网系统中单台定位设备TSOA/TDOA被动式新型混合定位技术的原理.利用TSOA/TDOA混合定位的数学模型建立系统观测方程,采用受随机加速影响的匀速运动状态模型,描述了移动台的位移和速度.在此基础上推导了基于平方根无迹卡尔曼滤波的跟踪算法,并通过仿真实现了对移动台位置和速度的同时跟踪.仿真结果表明,与扩展卡尔曼滤波及无迹卡尔曼滤波算法相比,平方根无迹卡尔曼滤波算法的跟踪性能更优.     

基于移动锚节点的加权多维标度节点定位算法

针对无线传感器网络节点定位精度不足等原因,提出了一种基于移动锚节点的加权多维标度度节点定位算法,首先通过对移动锚节点的轨迹进行采样,添加虚拟锚节点,增加拓扑约束关系,将虚拟锚节点收集的信息与实际节点之间的信息构成距离矩阵,然后利用奇异值分解计算节点相异性矩阵的逼近阵,通过加权多维标度对节点进行定位.仿真实验表明:与MDS-MAP和MDS-MAP(P)算法相比,该算法具有良好的定位精度.     

基于UKF滤波的WSN节点定位研究

无迹卡尔曼滤波(UKF)模拟系统的后验概率密度函数,避免了扩展卡尔曼滤波(EKF)中引入的较大线性化误差的缺陷.本文提出了一种基于加权最小二乘法(WLSE)和UKF的无线传感器网络(WSN)节点定位算法.算法采用TOF测距技术测量未知节点到信标节点的距离,利用加权最小二乘法估算未知节点的初始位置,并采用UKF滤波对节点进行精确定位,同时与EKF滤波结果进行比较.相关分析结果表明,算法在TOF测距基础上,将加权最小二乘法和UKF滤波结合,可以较大提高节点的定位精度.     

撒布型无线传感器网络节点定位算法

针对撒布型无线传感器网络提出了基于非度量多维标度的NMDS-MAP算法及NMDS-MAP（P）算法,两种方法采用TDOA等测距技术测量节点间距,利用非度量多维标度技术对未知节点进行定位,前者是集中式算法,后者是分布式算法。理论分析与仿真实验表明,两种算法具有较高的定位精度与健壮性。     

基于布谷鸟搜索算法的无线传感器网络节点定位

无线传感器网络的节点定位实际上是解决测量距离和测距误差的多维约束优化问题。针对最小二乘方法对测距误差敏感的不足,提出一种基于布谷鸟搜索算法的无线传感器网络节点定位算法。该算法利用全局和局部寻优能力强的布谷鸟算法求解定位过程中的多维约束优化问题;通过设定相应的约束适应度函数来减小定位过程的搜索范围,加快了收敛速度,能够快速地确定未知节点的位置。仿真结果表明：相较于粒子群算法和最小二乘算法,该算法能有效地抑制测距误差对定位的影响,提高节点的定位精度,具备很好的实用性。     

基于移动信标的无线传感器网络节点定位

提出了一种基于测距的移动信标节点定位方法.该方法采用一个移动信标节点,信标的移动方式采用高斯马尔可夫模型,该移动模型基本能遍历整个传感区域,能使未知节点获得足够定位信息;定位机制采用加权质心与扩展卡尔曼滤波算法相结合,先用加权质心算法进行初精度定位,进而用扩展卡尔曼滤波方法进行精确定位.通过对信标移动时间、移动速度、虚拟信标点个数、迭代次数等定位参数分别进行仿真试验,实验结果表明在相同条件下该方法与最小二乘法(LSE)及加权最小二乘法(WLSE)相比,其定位精度高,健壮性好,可扩展性强.     

基于超声波六元阵列测距的WSN节点定位技术研究

基于超声波测距的定位技术以其精度高、范围广和性能稳定等优点,在无线传感器网络中广泛应用。为了实现较大范围的高精度定位,利用自主实现的超声波六元传感器阵列进行TDOA测距,并进行测距误差分析,然后采用基于测地距离的多维定标算法(Geodesic Distance MDS)进行无线传感器网络节点定位。在MATLAB平台下与Cricket采用的迭代式三边定位和AHLoS采用的多点定位算法进行对比仿真实验,结果表明Geodesic Distance MDS算法在不同网络规模和测距误差条件下均能够获得更高的定位精度和较小的定位误差。     

无线传感网络中基于测距修正的定位算法

为了提高DV-Hop算法的定位精度,提出基于测距修正的无迹卡尔曼滤波优化定位算法UKF-DV-Hop(Unscented Kalman Filtering Localization algorithm based on modifying average hop distance).UKF-DV-Hop算法先对信标节点广播的信息包进行改进,然后对跳距误差进行加权处理,进而减少测距误差,再利用最小二乘法估计未知节点位置,最后再利用无迹卡尔曼滤波UKF滤波优化节点位置.实验结果表明,与传统的DV-Hop算法相比,提出的UKF-DV-Hop算法的归一化平均误差率下降了约40%.     

基于多粒度流形学习的无线传感器网络定位方法*

针对FastMDS-MAP定位算法存在对不规则无线传感器网络定位误差大,选取的框架节点不能很好的体现网络的拓扑结构实现不同粒层定位的问题,通过选择不同的筛选半径获得不同粒度的框架节点,结合绝对坐标变换加权策略提出了基于多粒度流形学习的无线传感器网络定位方法(MG-MDS)。仿真实验结果表明,不规则网络中MG-MDS算法定位精度比FastMDS-MAP算法有明显的提高;且定位误差随着网络节点粒度的变细而变小。     

基于改进拼合策略的分布式多维标度定位算法

本文基于多维标度定位（MDS-MAP）方法,研究了大规模无线传感器网络的分布式定位问题。在分布式MDS-MAP的算法框架下,本文通过对基本的拼合条件进行分析与扩展,提出了更一般化的拼合条件,并在此基础上通过引入一种新的MDS计算方法设计了一种改进的拼合策略。由于改进后的拼合策略能够适用于更一般化的拼合情况,因此,本文基于改进拼合策略所给出的分布式MDS-MAP算法具有拼合要求低、定位精度高及鲁棒性强的优点。通过仿真比较。本文所给出的分布式MDS-MAP算法的有效性及优点得以验证。     

一种基于MDS的无线传感器网络快速定位算法

定位是无线传感器网络的重要问题.为了减少资源有限的传感器节点的响应时间和能量消耗,提出了Fast MDS-MAP算法.基于多维尺度分析(Multi-dimensional Scaling, MDS)的MDS-MAP定位算法虽有较好的精度,但计算量过高成为其运算速度瓶颈.针对此问题通过结合LMDS(Landmark MDS)算法,并加入对测距信息的利用策略后,该算法经Matlab仿真分析证明在达到所需定位精度的同时,充分利用了测距信息提高定位精度,显著提高了MDS-MAP的运算速度.     

改进的分布式无线传感器网络多维标度定位算法

为提高无线传感器网络集中式多维标度MDS-MAP算法的定位精度,提出了一种改进的基于MDS的分布式定位算法。该算法在构建距离矩阵时引入Euclidean算法距离估算思想,同时采用一种优化的基于最小二乘逼近的坐标转换方法实现节点由相对坐标到绝对坐标的转换。实验结果显示,与经典MDS-MAP算法相比,改进算法在多种网络拓扑结构下均能有效提高节点的定位精度。     

最短路径距离矩阵修正的多维标度定位算法

为了减小最短路径距离矩阵与欧氏距离矩阵之间的差异,提高MDS-MAP(C)算法的节点定位精度,提出一种改进的多维标度节点定位算法.该算法对MDS-MAP(C)算法进行了以下改进:采用启发式的搜索策略对最短路径距离矩阵进行修正,以减少最短路径距离矩阵与实际的欧氏距离矩阵之间的误差;利用smacof算法迭代误差函数代替SVD分解来求解节点的定位问题,以优化和改善节点定位的求解过程.实验结果表明,与MDS-MAP(C)算法相比,改进算法能够减少最短路径距离的误差,有效提高节点的定位精度,并且对不规则网络具有更好的适应性.     

基于移动节点的无线传感器网络定位算法

节点定位技术是无线传感器网络应用的重要支撑技术之一,为了提高定位算法的准确性,提出了一种基于移动目标节点的两步定位算法。该算法利用一个移动目标节点遍历整个网络,并周期性地广播包含自身当前位置的信息。而传感器节点的自身定位过程则可用基于无迹卡尔曼滤波(UKF)的目标跟踪方法实现。由于所用的目标状态模型和量测模型有一定的不确定性,所以先选取不共线的3个拥有RSSI测距能力的目标节点信息,利用Euclidean定位法提高滤波的初始位置精度,从而改善定位效果。通过仿真、分析和比较该目标节点在多种移动轨迹情况下的定位误差,这种两步定位法可以改善对目标节点移动轨迹的特殊要求的限制,能取得较好的定位精度,而且更适合于实际情况。     

分布式多维标度定位算法的研究

针对经典MDS-MAP定位算法在定位精度和算法复杂度方面的不足,提出一种分布式多维标度定位算法。改进后的算法加入了分簇的思想,将大规模网络分成多个具有簇首的局部网络。局部定位时,引入Hop-Euclidean算法,计算簇内节点间距离,再用局部网络融合算法将局部相对坐标图合并成全局相对坐标图。仿真分析表明,提出的算法在各向同性和各向异性网络中都有很好的定位精度,而且在定位精度提高的情况下可用于不规则网络,有利于网络的扩展,更适用于大规模密集型网络。     

无线传感器网络中基于移动锚节点的APIT的改进定位算法

针对APIT定位算法定位误差大,覆盖率低等缺点,提出了一种基于移动锚节点的改进的定位算法.在网络中引入移动锚节点,通过移动覆盖算法尽量使节点均匀分布,并提出了一种基于异构传感器网络的最佳节点数量的计算方法,另外引入了RSSI量化模型对APIT算法进行修正,解决了用APIT算法不能进行定位的问题.仿真结果表明,其与传统方...     

Cooperative localization for disconnected sensor networks and a mobile robot in friendly environments

Localization for a disconnected sensor network is highly unlikely to be achieved by its own sensor nodes, since accessibility of the information between any pair of sensor nodes cannot be guaranteed. In this paper, a mobile robot (or a mobile sensor node) is introduced to establish correlations among sparsely distributed sensor nodes which are disconnected, even isolated. The robot and the sensor network operate in a friendly manner, in which they can cooperate to perceive each other for achieving more accurate localization, rather than trying to avoid being detected by each other. The mobility of the robot allows for the stationary and internally disconnected sensor nodes to be dynamically connected and correlated. On one hand, the robot performs simultaneous localization and mapping (SLAM) based on the constrained local submap filter (CLSF). The robot creates a local submap composed of the sensor nodes present in its immediate vicinity. The locations of these nodes and the pose (position and orientation angle) of the robot are estimated within the local submap. On the other hand, the sensor nodes in the submap estimate the pose of the robot. A parallax-based robot pose estimation and tracking (PROPET) algorithm, which uses the relationship between two successive measurements of the robot's range and bearing, is proposed to continuously track the robot's pose with each sensor node. Then, tracking results of the robot's pose from different sensor nodes are fused by the Kalman filter (KF). The multi-node fusion result are further integrated with the robot's SLAM result within the local submap to achieve more accurate localization for the robot and the sensor nodes. Finally, the submap is projected and fused into the global map by the CLSF to generate localization results represented in the global frame of reference. Simulation and experimental results are presented to show the performances of the proposed method for robot-sensor network cooperative localization. Especially, if the robot (or the mobile sensor node) has the same sensing ability as the stationary sensor nodes, the localization accuracy can be significantly enhanced using the proposed method.     

面向地下空间探测的移动机器人定位与感知方法

提出了一种面向地下空间探测的移动机器人定位与感知方法。首先,针对地下空间的结构退化问题,构建了基于因子图的激光雷达／里程计／惯性测量单元紧耦合融合框架;推导了高精度惯性测量单元／里程计的预积分模型,利用因子图算法实现对移动机器人运动状态及传感器参数的同步估计。同时,提出了基于激光雷达／红外相机融合的目标识别方法,能够对弱光照环境下的多种目标进行识别与相对定位。试验结果表明,在结构退化环境中,本文方法能够将移动机器人的定位精度提升50%以上,并对弱光照环境中的目标实现厘米级的相对定位精度。