摘要提出一种新的节点分布式定位算法(MB-IPF)用于节点定位.doc

摘　要:提出一种新的节点分布式定位算法(MB-IPF) 用于节点定位。在算法中，各移动节点均配置一个GPS 接收器用于自身定位，这些移动节点采用高斯-马尔科夫运动模型在无线传感器网络的区域内运动，并周期性的发送新标点。在这样的全分布的方式下，每一个未知节点根据接收到的移动节点发送的信标来估计自己的位置。该定位算法是基于滤波信标和其他的一些改进算法的，包括加权质心算法，剩余重采样算法和马尔科夫链蒙特卡罗方法。仿真结果表明算法在大多数应用中是有效的。其全分布计算定位方式适用于大规模的无线传感器网络节点定位。 关键词:无线传感器网络;节点定位;移动信标；MB-IPF算法 1.简介 无线传感器网络(Wireless Sensor Network ,WSN) 由大量部署在监控区域的传感器节点(Node) 组成,通过无线通信方式形成一个自组织网络系统,协作感知、采集和处理相关监控信息，监控事件的位置信息。可被应用于非常广泛的领域中，如环境检测和军事监测。传感器节点自身的正确定位是非常重要的，因为它是提供事件位置信息的前提。同时，节点的精确定位还可以提高一些基于簇的路由算法的性能。然而，考虑到成本和能量方面的因素，为每一个传感器节点配置一个GPS接收器是不现实的。同样在一个含有成千上万个节点的网络中，预先设定好每一个节点的位置也是不可能的。 现有的节点定位算法可以被分为集中化算法，该算法是由一个中心处理器在计算数据前收集所有的测量数据。还有一种算法是分布式算法，该算法要求节点只与其临节点共享信息。主要的集中化算法包括：最大似然估计法，凸优化法，分布式的半正定规划定位算法。主要的分布式算法包括两类：网络多边化和连续优化。 现在的一些研究开始考虑在WSN中引入移动节点的情况。在REF【15】中，作者用几何方法判断节点的位置，即在一个圆中两条弦的交叉点来定位节点。还有通过蒙特卡洛法对移动节点进行定位。 本无主要关注如何在移动信标的辅助下对节点进行定位。提出了一个定位算法MB-IPF估计未知节点的位置。在定位系统中，移动节点采用高斯-马尔科夫运动模型在无线传感器网络的区域内运动，周期性的广播信标信号和声音能量信号。所有的其他静态未知节点根据在其接收区域内收到的信标信号估计自身的位置。许多改进方法被用来提高定位的精确性。如加权质心算法用来获得最初的点，数据滤波法被用来选择最佳定位信标，剩余重采样算法和马尔科夫蒙特卡罗法被用来解决采样耗尽的现象。仿真结果表明本文提出的节点定位算法是有效的。 2.MB-IPF定位模型 2.1MB-IPF定位法 WSN由两种节点组成：静态节点和移动节点。图1描述了WSN中的定位环境。三角代表静态节点接收到的信标；曲线代表移动节点的运动轨迹；打圆圈代表静态节点的感知区域。在定位过程中，每一个未知的节点接收其感知区域内的信标，并且记录信标的位置和能量信息。未知节点根据收集到的信息实现自身的定位。 我们假设： 1）每一个移动节点装有一个GPS，实现自身的定位。定位过程中移动节点周期性的广播信标。 2）移动节点有足够的能量自己移动或者附着于移动机器人及移动车辆等工具。 随着移动节点的增加，每一个静态节点都回收到越来越多的信标。因此，定位错误就会增加。因此，信标碰撞的可能性就会增加。简单期间，仿真实验中我们只引入一个移动节点。 2.2移动节点运动轨迹 为了实现对传感器网络范围内所有未知节点的定位，确定一条移动节点的最优运动路径和最佳的广播信标的时间是非常重要的。然而，由于节点位置是未知的，所以这个问题就变得非常的复杂。在机器人定位过程中，机器人可以按照预先存储好的轨迹地图行走，与在ＷＳＮ中采用移动节点辅助定位具有较大的差异性，因为移动节点可能无法或者很少控制自身的运动。因此，为了覆盖所有的未知节点，我们采用高斯－马尔科夫运动模型作为移动节点的运动模型。可用下式表示该运动模型： v ( k) 和d ( k) 表示k 时刻移动节点的速度和方向。0 ≤α≤1 表示随机转弯参数。v 和d 代表k → ∞时的平均速度和方向。v ( xk- 1 ) , d ( xk- 1 ) 表示随机高斯变量。 移动节点下一时刻的速度和方向基于当前时刻的速度和方向,其计算公式如下: x ( k) = x ( k - 1) + v ( k + 1)* cos ( d ( k - 1) ) (3) y ( k) = y ( k - 1) + v ( k - 1) * sin ( d ( k - 1) ) (4) ２.３ＭＢ－ＩＰＦ定位模型 WSN中节点的定位模型表示如下： 1）未知节点状态模型 根据上文描述的定位方法，可知未知节点在散播在WSN后，其位置就不再改变。因此，移动节点的位置可有下式完全确定： 其中代表了未知节点的位置，代表了由于风或者是环境