论文部分内容阅读
无线传感器网络(Wireless Sensor Network，WSN)是一种新型的信息获取平台，具有信息采集、信息传递、数据处理等多种功能，随着近几年相关学科技术的快速发展和较大的进步，越来越受到了国内外研究人员的广泛关注。本论文在对国内外相关研究现状总结分析的基础上，围绕着无线传感器网络室内非视距定位技术开展研究工作，主要研究内容和成果体现在以下几个方面:
由于室内的环境复杂并存在很大的不确定性，致使监测环境受障碍物阻隔导致信号非视距(Non-line of sight，NLOS)传播问题，严重降低了无线传感器网络的定位技术的精确度。针对NLOS环境下的移动定位问题，提出了一种基于交互式多模型-改进卡尔曼滤波(Interacting multiple model-Improved Kalman filter，IMM-IKF)的NLOS节点定位算法。算法在IMM算法框架下估计移动节点位置，采用两个平行的改进卡尔曼滤波算法对多个移动节点候选位置进行滤波处理，通过Markov链实现LOS状态和NLOS状态的转换，根据似然概率对两个滤波结果进行加权融合，获得移动目标位置。仿真实验结果证明该算法可以有效抑制NLOS误差，实现精确定位。
在实际应用的环境中，监测范围内的环境可能随时间不断的发生变化，针对动态NLOS环境下的移动节点定位问题，提出了一种基于Mean Shift的改进卡尔曼滤波(Mean Shift-Improved Kalman filter，MS-IKF)的移动定位方法。首先对同一时间点测得的测距数据进行鉴别，若存在视距（line of sight，LOS）测量值，则直接应用视距测量值进行最终求取定位结果的计算。若测距数据全部都是非视距测量值，要对此数据进行非视距的削弱，减小其对定位精确度造成的影响。同时考虑到Mean Shift算法能够找到数据概率密度的最大值点的特性，则应用Mean Shift算法的基本思想对数据进行求取加权的均值，并对测量的残差进行数据融合。应用处理后的数据进行数据的滤波处理，对系统的状态和协方差矩阵进行更新的计算，仿真实验结果显示，该算法能够较好的处理非视距误差，提高定位结果的精度，并对非视距误差具有一定的鲁棒性。
由于室内的环境复杂并存在很大的不确定性，致使监测环境受障碍物阻隔导致信号非视距(Non-line of sight，NLOS)传播问题，严重降低了无线传感器网络的定位技术的精确度。针对NLOS环境下的移动定位问题，提出了一种基于交互式多模型-改进卡尔曼滤波(Interacting multiple model-Improved Kalman filter，IMM-IKF)的NLOS节点定位算法。算法在IMM算法框架下估计移动节点位置，采用两个平行的改进卡尔曼滤波算法对多个移动节点候选位置进行滤波处理，通过Markov链实现LOS状态和NLOS状态的转换，根据似然概率对两个滤波结果进行加权融合，获得移动目标位置。仿真实验结果证明该算法可以有效抑制NLOS误差，实现精确定位。
在实际应用的环境中，监测范围内的环境可能随时间不断的发生变化，针对动态NLOS环境下的移动节点定位问题，提出了一种基于Mean Shift的改进卡尔曼滤波(Mean Shift-Improved Kalman filter，MS-IKF)的移动定位方法。首先对同一时间点测得的测距数据进行鉴别，若存在视距（line of sight，LOS）测量值，则直接应用视距测量值进行最终求取定位结果的计算。若测距数据全部都是非视距测量值，要对此数据进行非视距的削弱，减小其对定位精确度造成的影响。同时考虑到Mean Shift算法能够找到数据概率密度的最大值点的特性，则应用Mean Shift算法的基本思想对数据进行求取加权的均值，并对测量的残差进行数据融合。应用处理后的数据进行数据的滤波处理，对系统的状态和协方差矩阵进行更新的计算，仿真实验结果显示，该算法能够较好的处理非视距误差，提高定位结果的精度，并对非视距误差具有一定的鲁棒性。