基于自回归模型的蒙特卡罗定位算法研究.pdfVIP

福 建 电 脑 U J I A N C O M P U T E R F DOI:10.16707/j.cnki.fjpc.2017.05.049 基于自回归模型的蒙特卡罗定位算法研究 李振伟 （桂林电子科技大学计算机与信息安全学院 广西 桂林 541004 ） 【摘 要】蒙特卡罗定位算法是解决无线传感网络节点定位的移动性的比较实用的方法，但是由于其采样范围比较 大，如果采样数量不足，还必须进行重复采样，造成了采样效率低的问题，为了解决这个问题，本文提出了基于自回归模 型 AR 的蒙特卡罗定位算法，通过 AR 模型进行运动预测，缩小采样区域，提高采样效率 。 同时在过滤阶段，由邻居节点 和跳距不同的锚节点来得到样本的混合加权值，使得未知节点的估计位置更加趋近其真实位置，提高定位精度。 【关键词】蒙特卡罗定位算法；AR 模型；混合加权 1 引言 2 蒙特卡罗定位算法步骤简介 [1] 无线传感器网络（WSN） 是由随机部署在一定区域内的传 蒙特卡罗定位算法（MCL）的定位过程分为两个阶段 ，分别 感器节点组成，这些传感器节点具有体积小、成本低 、布置方便 是预测和过滤[13]，在每个时刻，未知节点通过重复预测和过滤 的 等优点，其通过无线通信的方式进行彼此间 的信息传递。 信息 过程来得到其估计位置，MCL 基本步骤如下所示： 时代的到来使得 WSN 技术迅速兴起，其被应用到国防、 自然灾 （ 1）初始化 ：从未知节点所在区域中随机选取 N 个样本点 害预测、环境监测等诸多领域[2] 。 目前对于 WSN 的研究主要有 进行初始化，得到初始化样本集合： MAC 协议、路由协议和网络安全性等方面，然而节点 的位置信 (1) 息是一切研究的基础， 因此设计出较好的定位算法对于 WSN [3] （2）预测阶段 ：设未知节点的最大速度为 Vmax，未知节点的 的研究具有重要意义 。 目前很多的WSN 节点定位算法在对节点进行定位时，都 速度均匀分布在 0 到 Vmax 之 间，其速度方 向未知，则 当前时刻 是假定节点是静止的，比如质心定位算法[4]、DV-HOP 定位算法 节点的位置必然处于 以上一时刻节点位置为 圆心， 以未知节点 [5] 、凸规划定位算法等。 而实际环境中，很多时候节点是移动的， 最大速度 Vmax 为半径的圆内。 于是，当前时刻 的采样样本集合 L 可以 由上一时刻 的采样样本集合 L 以及未知节点的最大速 如果将这些算法直接应用于移动节点的定位，则会影响定位精 t t-1 度 。 2004 年 ，Hu 和 Evans 提 出 了 Monte Carlo Localization [6] 度 Vmax 得到，未知节点相对于前一时刻位置的 当前位置估计的