基于水下无线传感器网络的定位算法研究

来源 :电子科技大学 | 被引量 : 0次 | 上传用户:squarestone
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
水下无线传感器网络作为海洋勘测、数据收集、自然灾害预测的重要设施之一,广泛应用在水下领域。水下传感器节点定位作为水下无线传感网在各领域的应用基础而备受关注。现如今,由于复杂的水下环境,水下节点定位仍面临节点定位率低、时间同步、定位精度差和节点移动性等诸多挑战。因此,基于水下无线传感器网络的节点定位算法极具研究价值和意义。本文首先介绍了水下无线传感器网络的网络结构以及各组成部分功能、基于水下无线传感器网络的节点定位算法分类、经典水下节点定位算法、水下节点定位的挑战以及算法评估准则。基于相关内容概述,本文提出两种水下节点定位算法,分别适用于大规模水下无线传感网的节点定位和水声传播分层现象下的静态节点高精度定位。从三维大规模水下无线传感器网络应用角度出发,本文提出一种无需时间同步的移动辅助定位算法。所提算法考虑了普通节点的水下漂移状态,并采用随机游走模型作起节点运动模型。算法第一阶段,依据监测区域大小和锚节点初始通信半径来规划部署监测区域内的锚节点。建立锚节点与普通节点之间投影距离与时间差的关系表达,实现无需时间同步测距。第一阶段已被定位的普通节点进行置信度筛选转换为新参考节点参与第二阶段普通节点定位。算法第二阶段,利用双向到达时间算法对普通节点与新参考节点实现测距。算法中均采用最小二乘法估计节点位置。仿真结果表明,该算法无需时间同步且具有较高的节点定位率,相比于其它算法降低了锚节点密度、锚节点能耗以及节点定位成本。从普通节点高精度定位的角度出发,本文提出一种基于粒子群优化的高精度节点定位算法。所提算法从两个方向提高节点定位精度。一是针对水下声线传播分层现象,利用声线补偿算法修正普通节点与锚节点之间的投影距离。二是利用改进的粒子群算法与遗传算法互补结合,相比于传统粒子群算法提高了水下节点定位精度。仿真实验环节,本文从节点定位率、算法收敛性、粒子收敛效果、平均节点定位误差、平均通信开销等方面验证所提算法的优越性。实验结果表明,该算法针对水声传播分层现象下的三维静态节点,具有较高的节点定位精度。
其他文献
多输入多输出(Multiple input multiple output,MIMO)雷达是一种新型雷达,用来应对日益复杂的战场环境。MIMO雷达相较于传统的雷达具有更好的波形分集能力,并且可以改善目标识别和参数估计等各方面的性能表现。MIMO雷达根据天线阵列的放置情况来分为集中式和分布式。两者均可通过发射正交波形来提高性能,其中发射正交波形可以让集中式MIMO雷达在接收端形成虚拟孔径来提高参数估
环境声音识别(Environment sound recognition)是指让计算机设备以一定的算法方式对采集到的环境声音进行分类与处理的过程,其在智能机器人、移动设备监测、自动驾驶、环境安全监控、智能家居、智慧城市等领域都有广泛的应用前景,是计算机听觉(Computer Audition)领域重要的研究方向之一。环境声音分类和增强是声音识别领域重要的研究内容。随着人工智能技术的不断发展,神经网
随着社会经济的不断发展,人民群众对于生活品质和人居环境的要求不断提高,噪声污染问题也日益凸显。由于噪声的产生与人们的生活状态、主观意愿高度关联,先进的技术手段对于噪声监测和防治必不可少。定向声波发射技术可以用于具有高指向性的声源装置,由于避免了声波的扩散,从根本上减少了噪声的产生。参量阵是定向声波发射的代表性技术之一,可以在较小尺寸上实现定向声波发射。虽然许多的研究工作都致力于降低参量阵的失真水平
无线传感器网络具有无线感知以及无线通信的作用,是重要的三维网络研究技术之一。传感器网络由多个具有自组织能力的节点组成,是当前网络研究中的一个热门领域,应用于多个领域方面,例如军事预防,地震监测,环境监测以及海底勘探等。目标跟踪技术是研究三维空间发展的重要部分,利用多个传感器节点的数据信息估计出目标当前时刻的状态。在目标跟踪系统中,利用滤波技术估计目标运动状态,根据滤波算法来消除相关的不确定性,实现
切换系统是一类动态混杂系统,由若干个子系统和一个协调子系统运行的切换规则构成,其在理论研究和实际应用中有着重要作用。在现代科技社会中,切换系统有着广泛的应用,如机械自动化、电力电子、交通网络等,并且关于切换系统的研究也日益受到关注。为了减少切换系统稳定性条件的保守性,本文引入矩阵多项式用于构造李亚普诺夫函数。矩阵多项式可以引入更多自由变量,从而降低线性矩阵不等式条件的保守性。根据这一特性,本文将矩
随着智能交通的需求,车联网系统是改善城市交通压力的一个重要突破点。其中车辆计数已经成为一个重要的问题,它可以用来缓解交通拥堵,提高交通灯的通行效率。城市规模的多摄像机车辆跟踪也是智能城市和交通管理中的重要任务。道路交通异常检测是计算机视觉的基础工作,在视频结构分析和城市交通分析中起着至关重要的作用。本文针对车联网环境下基于深度学习的路网交通优化研究,将主要对车辆计数、车辆跟踪和交通异常检测方法进行
目标定位,特别是多目标定位问题,一直以来都是信号处理领域内的重点问题,目标定位在雷达、声呐以及导航系统中都起着至关重要的作用,在射电天文学,地震学等领域中也得到了广泛的应用。近年来,目标直接定位(direct position determination,DPD)算法因其在某些条件下更加出色的性能,逐渐成为了目标定位算法中的研究热点。随着分布式无线传感器网络相关研究的不断深入,分布式算法可拓展性和
目标检测是指首先预设一组与任务相关的类别,然后使用算法检测出图像中可能存在属于预设类别范围的目标。它是目前计算机视觉领域最为核心的任务之一,作为上游任务对其下游任务有着积极与深远的影响。虽然目标检测从传统方法阶段到深度学习阶段的发展历史久远而且非常成熟,但是目标检测应用于特殊领域,比如水下目标检测、无人机目标检测等还具有巨大挑战。由于数据采集困难,相比现有大规模公开数据集,这些领域的影像的规模和内
对目标区域的监视或者搜索是多智能体系统的重要应用领域之一。区域覆盖算法作为多智能体系统的一种控制算法,决定着系统能否高效率的完成区域覆盖。因此,优化区域覆盖算法,提高区域的覆盖效率对多智能体系统的应用具有重大的意义。目前对区域覆盖算法的研究主要集中在:智能体的运动控制模型的改善和覆盖点规划的优化。但目前研究仍存在以下问题:(1)智能体难以同时考虑自身当前的覆盖状况以及邻居的覆盖状况来对覆盖点进行协
随着深度学习任务领域的细分和深入,神经网络的结构日益复杂。为了确保复杂模型的可靠性,对模型进行可解释性研究已经成为深度学习研究中不可或缺的重要环节。而生成对抗网络近年来在诸多领域有着广泛应用,包含但不限于风格迁移、语义分割、图像生成等计算机视觉领域,因而对生成对抗网络进行可解释性研究具有重要意义。但现有的基于生成对抗网络的可解释性研究仍存在着不少如模型不稳定、优化困难等问题亟待解决。在本文,我们主