论文部分内容阅读
无线传感器网络是近年来各国投入大量人力物力进行研究的热点之一,其网络在设计上有着自身独特的特点。由于组成网络的传感器节点的数量多、能量低、内存小、处理能力低等物理限制使得无线传感器网络和传统的无线通信网络存在着很大不同,作为无线传感器网应用的基础之一的定位算法,传统的GPS定位方式由于成本过高并不合适,无线传感器网络的定位算法必需寻找新的突破。本文首先分析了无线传感器网络的测距方式和已有的无线传感器网络定位算法,重点介绍了多维定标定位算法,随后在MDS-MAP的基础上,引入迭代优化模型和基于泰勒级数展开的最小二乘估计模型,对多维定标算法进行优化,提出了能自适应不同信道衰减指数环境的基于RSSI的MDS-LSE定位算法。算法首先将整个网络分为多个局部网络,然后在局部网络中用迭代优化的多维定标算法对网络进行定位,其收敛速度快,但解中存在局部最小值问题,有时无法得到最优解。随后整合所有局部网络,对整个网络引入最小二乘估计模型来解决局部最小值问题造成的误差,采用泰勒级数展开帮助求解,由于最小二乘估计是一种需要初始估计值的递归算法,具有定位精度高的优点,且在基于RSSI测距方式的情况下即使不知道信号传播环境的衰减系数,仍能逐步逼近其真实值。但最小二乘估计仅在适当的初始估计值的情况下收敛速度快,如果初始位置的估计值与真实值相差较大,迭代的次数就会很多,甚至是无法趋向于收敛。而且每一次递归中都需要进行矩阵的运算,计算量较大。本文的基于RSSI的MDS-LSE定位算法的核心为由多维定标算法得到的位置估计值作为后续基于泰勒级数展开的最小二乘估计算法的初始值代入的混合算法。由于多维定标后的得到的位置估计值已近似准确,能使最小二乘估计迅速收敛,减少计算时间,并可以根据不同的网络环境,多次计算后能得到信道衰减指数自适应无线传感器网络的周边环境。本文随后先在小范围局部网络情况下在MATLAB和Freescale ZigBee评估套件(1321xEVK)平台上对引入迭代优化的多维定标算法进行仿真,再在MATLAB下对本文所提出的定位算法和MDS-MAP(P)进行仿真比较。实验表明,本文所提出的MDS-LSE算法具有定位精度高,容错性与自适应性强。