论文部分内容阅读
作为21世纪的重要发展技术，无线传感器网络(WSNs，WirelessSensor Networks)已经超过光、有线等传输介质，成为应用最为广泛的传感器网络。由于其尺寸小、价格低廉、精度高、便于广泛布设、可自组织等特点，越来越多的领域都将其投入应用，如监控(如医疗监控)、跟踪(如野生动物跟踪)等。
目标跟踪是无线传感器网络的一个重要且广泛的应用。在理想场景中，目标在传感器网络中移动时，会对其遮挡的链路信号产生扰动，结合节点布局和受干扰链路的位置关系，即可判定目标所在位置并进行跟踪。而在紧急场景中，比如火灾，提前获取节点位置信息和空场景信号强度则变得难度较大。因此，有必要进行节点自定位及信号背景检测问题的研究。
本文的研究重点包括：
(1)节点定位
GPS是常用的节点定位方法，但对于大规模网络适用性不强。其他定位系统主要组成部分为距离/角度估计、位置计算、自定位系统三个部分，其中又各自形成了研究的分支领域。本文对其中的位置计算部分进行了深入研究，对经典的最大似然估计(MLE，Maximum Likelihood Estimation)定位算法进行了改进，加入衰减参数估计，并将MLE函数修正为加权方程。仿真结果验证了本文提出的加权最大似然估计(WMLE，WeightedMaximum Likelihood Estimation)算法相对于原算法的可靠性，以及其对缺失数据集合容忍性的优点。
(2)无线信号背景检测
背景检测常用于图像处理中，而在无线信号的应用还很少，无线信号比图像更具有不稳定性，因此对无线信号的背景检测也变得更为复杂。本文先介绍了图像处理中常用的背景检测算法，并选择混合高斯(MG，Mixture of Gaussian)及核密度估计(KDE，Kernel Density Estimation)引入到无线信号的背景检测中，对实际的实验测量值进行了分析。通过结果比对，体现了KDE在无线信号背景检测中的优势。
(3)链路互相关
链路相关性研究领域出现了一些模型及算法，本文对其中一些经典算法进行了比对，基于性能最突出的网络衰减(NeSH，Network Shadowing)模型思想，设计了一个新的互相关模型，使用椭圆衰减模型，通过本文提出的快速计算方法，建立起名为交叠模型(OM，Overlap Model)的互相关模型，该模型与NeSH模型相比，具有更高的准确性和更低的计算时间。