基于压缩感知的无线传感器网络定位算法研究

论文摘要

随着无线通信、数字电子技术以及微电子技术的发展,无线传感器网络已经得到了飞速的发展与广泛的应用。定位技术作为无线传感器网络最重要的支撑技术之一,是各种网络应用与服务的前提。由于传感器网络是一个低功耗、低成本的网络,因此,定位技术必须具有低成本、低能耗、低复杂度以及高精度等优点,并且目前一些现有的定位算法在适应性上都有一定的局限性。因此,提升定位算法的适应性和精度等具有重要的理论与实际意义。本文主要进行了无线传感器网络定位算法的研究,并针对各种不同网络条件下的定位问题,结合当下信号处理领域的前沿理论——压缩感知技术,提出了一些新的无线传感器网络定位问题的解决算法。具体地来说,论文的主要研究成果和创新点包括以下几个方面:1、静态信标下的节点定位研究现有的基于静态信标下的节点定位算法有很多,但是对于大多数算法来说它们只适合于某些应用,在很多场合下不容易实现。因此,为了使算法具有可靠性、有效性和易用性的特点,在解决定位问题时,它们需要满足一些适当的条件。根据这些条件,并结合压缩感知技术,提出了一种新的算法——基于压缩感知的节点定位算法,该算法通过将压缩感知和质心算法相结合来计算节点的位置,充分体现了节点间的空间相关性,因此算法具有良好的定位性能。此外,该算法满足一些适当条件,并具有较好的适应性。由于算法法收集的连通信息是各个节点的最小跳数,并且它们均为整数,这也就是说,这些信息只是近似地描述各个节点之间的空间关系。因此,为了提升算法的定位性能,文中提出了伪跳数的概念,以其来准确地描述节点间的空间关系,并以此对算法进行改进,得到了一种改进的基于压缩感知的节点定位算法,该算法继承了基于压缩感知的节点定位算法的一些优点,并大大地提升了算法的定位性能。2、动态信标下的节点定位研究针对网络中节点能感知多个移动信标点,并且其在感知区域内具有单一性的特点,提出了一种新的动态信标下的节点定位算法——基于稀疏化的无线传感器网络节点定位算法。该算法首先对感知区域网格化,把节点定位问题转换为压缩感知重构问题,并采用加权质心算法来解决重构出来的信号是一个近似稀疏信号的问题,从而进一步的提升算法的定位性能。此外,基于稀疏化的无线传感器网络节点定位算法中,测量矩阵不满足RIP 性质的问题,又提出了一种新的定位算法——基于LU分解的稀疏化定位算法,该算法对测量矩阵的LU分解预处理过程中,能使测量矩阵满足RIP性质,因此算法的性能能够得到进一步的提升。3、目标定位研究在目标定位问题算法研究上,文章在分析基于orth预处理的稀疏目标定位算法的优缺点之后,提出了一种基于QR分解的稀疏目标定位算法,该算法能够有效地保证测量矩阵满足RIP性质,并且不影响原信号的稀疏性,从而使算法的性能得到了提升,因此其具有较好的目标定位精度。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 研究背景和研究意义
• 1.2.1 课题的研究背景
• 1.2.2 课题的研究意义
• 1.3 国内外研究现状
• 1.3.1 节点自定位算法的研究现状
• 1.3.2 目标定位算法的研究现状
• 1.3.3 定位技术中存在的问题
• 1.4 本文的主要内容及章节安排
• 第2章 无线传感器网络定位算法和压缩感知理论
• 2.1 引言
• 2.2 无线传感器网络定位算法
• 2.2.1 无线传感器网络定位基本概念
• 2.2.2 现有定位算法分类
• 2.2.3 典型的定位算法
• 2.2.4 无线传感器网络定位性能评价
• 2.3 压缩感知理论
• 2.3.1 稀疏分解
• 2.3.2 观测矩阵
• 2.3.3 重建算法
• 2.3.4 压缩感知的应用
• 2.4 本章小结
• 第3章 静态信标下的基于压缩感知的节点定位算法
• 3.1 引言
• 3.2 相关的节点定位算法
• 3.2.1 Diffusion算法
• 3.2.2 LSVM算法
• 3.2.3 LSRC算法
• 3.3 基于压缩感知的节点定位算法
• 3.3.1 传感器网络模型
• 3.3.2 定位算法原理
• 3.3.3 协议
• 3.3.4 稀疏性分析
• 3.3.5 压缩比分析
• 3.3.6 误差分析
• 3.3.7 仿真实验与结果分析
• 3.3.8 算法的复杂度分析
• 3.4 改进算法
• 3.4.1 算法原理
• 3.4.2 改进后的协议
• 3.4.3 稀疏性分析
• 3.4.4 压缩比分析
• 3.4.5 仿真实验与结果分析
• 3.4.6 算法的复杂度分析
• 3.5 本章小结
• 第4章 移动信标下的基于压缩感知的节点定位算法
• 4.1 引言
• 4.2 传统的基于移动信标下的节点定位算法
• 4.2.1 HADO算法
• 4.2.2 MAP类算法
• 4.3 基于稀疏化的无线传感器网络节点定位算法
• 4.3.1 系统模型
• 4.3.2 算法原理
• 4.3.3 节点位置估计
• 4.3.4 感知区域的确定
• 4.3.5 信标点数的选择
• 4.3.6 仿真实验与结果分析
• 4.3.7 算法的复杂度分析
• 4.4 基于LU分解的稀疏化定位算法
• 4.4.1 LU分解预处理
• 4.4.2 信标点数的选择
• 4.4.3 仿真实验与结果分析
• 4.4.4 算法的复杂度分析
• 4.5 本章小结
• 第5章 基于压缩感知的目标定位算法研究
• 5.1 引言
• 5.2 基于orth预处理的稀疏目标定位算法
• 5.2.1 系统模型
• 5.2.2 orth预处理
• 5.3 基于QR分解的稀疏目标定位算法
• 5.3.1 QR分解预处理
• 5.3.2 加权质心后处理
• 5.3.3 目标相互独立条件下的仿真实验与结果分析
• 5.3.4 目标非相互独立条件下的仿真实验与结果分析
• 5.3.5 算法的复杂度分析
• 5.4 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢