移动传感器网络定位技术研究

论文摘要

节点定位是无线传感器网络诸多应用的关键功能,像环境监测、野生动物追踪以及医疗病人监视等应用系统,定位已成为其中最基本的一个业务功能。在这些系统中,如果节点自身的位置未知,则节点所感知的与环境相关的数据信息将变得毫无意义。传统的定位技术存在着诸多局限性,这些定位技术无法有效地适应无线传感器网络的应用要求。比如,广泛应用的全球定位系统（GPS）存在着应用场所、设备尺寸、设备成本以及能源消耗等方面的局限性,不符合传感器网络全天候室内外应用、小尺寸、低成本低功耗之要求,因而无法有效地应用于无线传感器网络。针对无线传感器网络的应用要求,作者对无线传感器网络中的目标探测以及节点定位,尤其是不规则发射半径和节点移动条件下的定位进行了较为深入的探索并创新性地提出了若干算法机制。本文的主要创新点在于:1、在现实无线传感器网络节点之间通信不可靠的条件下,提出了一种基于最优搜索理论的目标探测方法。2、在锚节点数量较少的网络环境中,提出了一种基于几何学原理迭代获得较高定位精度的迭代圆环重叠定位机制（IROLS）。3、在节点发射半径不规则的条件下,提出了一种基于蒙特卡罗方法,适用于移动传感器网络环境的无需测距的序列蒙特卡罗定位方法（SMCL）。4、在无线电波传播存在路径损耗的条件下,提出了一种基于接收信号强度的适用于移动传感器网络环境的蒙特卡罗定位方法（RSS-MCL）。5、改进现有蒙特卡罗定位方法:首先,提出了改进度量节点通信半径不规则度以及节点初始位置估计的扩展蒙特卡罗定位方法（Ext-MCL）;其次,提出了样本数量随节点采样区域变化的样本自适应蒙特卡罗定位方法（SAMCL）。由于现实无线传感器网络存在着很多不确定因素,传统的确定性目标探测与定位方法无法有效地适应实际网络的应用环境,而采用概率统计的方法,可以较为准确地建立实际网络环境的目标探测与定位模型。以最优搜索模型建立起来的无线传感器网络的目标探测策略,在网络通信不可靠的条件下,可以以较少的搜索代价最大概率地找到网络中的目标。基于统计学原理的定位技术是移动传感器网络中节点定位的重要手段,以蒙特卡罗方法建立起来的节点定位,可以较好地胜任网络节点的移动性、非线性特性以及无线信道的非线性非高斯特性。仿真结果表明蒙特卡罗定位方法在定位精度、可定位节点数量等方面与其他定位算法相比较具有同等或更优的性能。

论文目录

• Abstract
• 摘要
• Chapter 1 Introduction
• 1.1 Wireless Sensor Networks
• 1.2 Applications of Wireless Sensor Networks
• 1.3 Why Localization
• 1.4 Why Localization in Mobile Sensor Networks
• 1.5 Localization Metrics
• 1.6 Focus of the Thesis
• 1.7 Simulation of the Thesis
• 1.8 Outline of the Thesis
• Chapter 2 Related Work
• 2.1 Target Detection Problems
• 2.1.1 Introduction
• 2.1.2 Flooding Search Strategies
• 2.2 Range-based Localization Techniques
• 2.2.1 Received Signal Strength Indication（RSSI）
• 2.2.2 Time of Arrival（TOA）
• 2.2.3 Time Difference of Arrival（TDOA）
• 2.2.4 Angle of Arrival（AOA）
• 2.2.5 Trilateration
• 2.2.6 Multilateration
• 2.3 Range-free Localization
• 2.3.1 Centroid
• 2.3.2 Gradient
• 2.3.3 APIT
• 2.3.4 MDS-MAP
• 2.4 Probabilistic Localization
• 2.5 Summary
• Chapter 3 Optimal Search Theory Based Target Detection
• 3.1 Modeling
• 3.1.1 Mathematical Model
• 3.1.2 General Optimal Search Model
• 3.2 Target Detection Model
• 3.3 Target Detection Mechanism
• 3.4 Performance Evaluation
• 3.4.1 Search Cost
• 3.4.2 Energy Consumption
• 3.4.3 Probability of Target Detection
• 3.5 Conclusions
• Chapter 4 Iterative Ring Overlapping Localization
• 4.1 Introduction
• 4.2 Primary
• 4.3 IROLS Algorithm
• 4.3.1 Neighboring Anchors Discovery
• 4.3.2 Intersection Area Forming
• 4.3.3 Intersection Area Centroid Calculation
• 4.4 Summary
• 4.5 Performance Evaluations
• 4.5.1 Localizable Percentage
• 4.5.2 Localization Accuracy
• 4.5.3 Communication Overhead
• 4.6 Analysis
• 4.7 Conclusions and Future Work
• Chapter 5 Introduction of Monte Carlo Method
• 5.1 Bayesian Filtering
• 5.1.1 Definition
• 5.1.2 Recursive Bayesian Filtering
• 5.2 Monte Carlo-Based Approaches to Bayesian Filtering
• 5.2.1 Sampling from an Arbitrary Distribution
• 5.2.2 Importance Sampling
• 5.2.3 Sequential Importance Sampling（SIS）
• 5.2.4 Degeneracy of the SIS Algorithm
• 5.2.5 Choice of the Proposal Distribution
• 5.2.6 Resampling
• 5.3 Generic Particle Filter
• Chapter 6 Sequential Monte Carlo Localization in Mobile Sensor Networks
• 6.1 Introduction
• 6.1.1 Problem Description
• 6.1.2 Graphical Illustration
• 6.2 Sequential Monte Carlo Localization
• 6.2.1 Prediction
• 6.2.2 Updating
• 6.2.3 Resampling
• 6.2.4 Summary
• 6.3 Performance Evaluations
• 6.3.1 Localization Accuracy
• 6.3.2 Localizable Percentage
• 6.3.3 Communication Overhead
• 6.3.4 Evaluation Summary
• 6.4 Conclusions and Future Work
• Chapter 7 RSS Based Monte Carlo Localization in Mobile Sensor Networks
• 7.1 Signal Propagation Model
• 7.2 RSS Measurements
• 7.3 Bayesian Approach
• 7.3.1 Mobility Model
• 7.3.2 Mixture RSS Gaussian Model
• 7.4 RSS-based Monte Carlo Localization
• 7.4.1 Localization Scheme
• 7.4.2 Algorithm
• 7.5 Simulation
• 7.5.1 Estimation Error
• 7.5.2 Communication Overhead
• 7.5.3 Computational Cost
• 7.6 Cramer-Rao Bound Analysis
• 7.7 Conclusions and Future Work
• Chapter 8 Extended Monte Carlo Localization
• 8.1 Introduction
• 8.2 Analysis of MCL and MCB
• 8.3 New Sample Box
• 8.4 Degree of Irregularity
• 8.5 Extended Monte Carlo Localization Algorithm
• 8.6 Performance Evaluation
• 8.6.1 Simulation Parameters
• 8.6.2 Localization Accuracy
• 8.6.3 Localizable Percentage
• 8.6.4 Degree of Irregularity
• 8.6.5 Other Parameters
• 8.7 Conclusions and Future Work
• Chapter 9 Sample Adaptive Monte Carlo Localization
• 9.1 Introduction
• 9.2 The KL-distance
• 9.3 Sample Adaptive Monte Carlo Localization Algorithm
• 9.4 Performance Evaluation
• 9.4.1 Performance of Fixed Parameters
• 9.4.2 Performance with Variable Parameters
• 9.5 Conclusion
• Chapter 10 Conclusions and Future Work
• 10.1 Review
• 10.2 Future Research
• 10.2.1 Physical Experiments
• 10.2.2 Sensor Mobility Model
• 10.2.3 Secure Localization
• Acknowledgement
• References
• Research Experience
• Publications