(物理电子学专业论文)基于非测距技术的无线传感器网络定位研究.pdf_第1页
(物理电子学专业论文)基于非测距技术的无线传感器网络定位研究.pdf_第2页
(物理电子学专业论文)基于非测距技术的无线传感器网络定位研究.pdf_第3页
(物理电子学专业论文)基于非测距技术的无线传感器网络定位研究.pdf_第4页
(物理电子学专业论文)基于非测距技术的无线传感器网络定位研究.pdf_第5页
已阅读5页,还剩68页未读, 继续免费阅读

(物理电子学专业论文)基于非测距技术的无线传感器网络定位研究.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

册y 18 0 4 脚5 0 7 j 基于非测距技术的无线传感器网络定位研究 摘要 无线传感器网络是2 1 世纪最重要的技术之一,能够广泛的应用在智能交通、军事国 防、环境监测、医疗卫生、空间探索等许多领域。节点定位技术作为无线传感器网络的关 键支撑技术之一引起了国内外学者的广泛关注。 本文研究了三种利用连通信息的非测距定位算法:相关向量机定位算法、稀疏表达分 类定位算法和多日冕分割定位算法。相关向量机定位算法是一种针对现有支持向量机定位 算法的改进算法;稀疏表达分类定位算法是最近流行的压缩传感原理与机器学习相结合产 生的新型算法;多日冕分割定位算法则利用日冕分割思想达到了一个更高的定位精度。 本文的主要内容如下: ( 1 ) 介绍了支持向量机定位算法的定位原理,并且针对支持向量机定位算法中支持向量 机在处理定位信息冗余度过大的情况,提出了基于相关向量机的相关向量机定位算 法。由于相关向量机本身是利用了贝叶斯框架构建学习机,可以有效降低定位信息 的冗余度。并且相关向量机无需对参数进行设置,使算法本身可以更好的适应不断 变化的网络。 ( 2 ) 提出了基于压缩传感原理的稀疏表达分类定位算法。稀疏表达分类定位算法与支持 向量机定位算法类似,都是基于机器学习进行分类的思想。不同之处在于,利用稀 疏表达分类定位算法可以在定位信息被处理前,主动地对定位信息进行压缩,而不 是像相关向量机定位算和支持向量机定位算法那样只有对定位信息处理后,才能知 道哪些信息是冗余的。 ( 3 ) 提出了基于圆环分割思想的多日冕分割定位算法。与之前利用不同发射功率进行圆 环分割的同心圆锚节点定位算法不同,多日冕分割定位算法在对区域进行圆环分割 时只需要锚节点的最短跳数。相对于同心圆锚节点定位算法,多日冕分割定位算法 的定位精度也有所提高。仿真实验也证明了在大规模高密度的网络中,多日冕分割 定位算法对支持向量机定位算法等当前主流定位算法都具有较大的优势。 关键字:节点自定位;非测距:跳数;相关向量机:压缩传感;圆环分割;日冕 tlj-_j,l :一 f - w i r e l e s ss e n s o rn e t w o r kl o c a l i z a t i o nb a s e do nr a n g e - f r e et e c h n i q u e a bs t r a c t w i r e l e s ss e n s o rn e t w o r k ( w s n ) ,a san e w - g e n e r a t i o nt e c h n i q u ef o ri n f o r m a t i o na c q u i r i n g a n dp r o c e s s i n g ,c a nb ew i l d l y e m p l o y e di nm a n ya r e a ss u c ha si n t e l l i g e n tt r a n s p o r t a t i o n s y s t e m ( t i s ) ,n a t i o n a ld e f e n s e ,e n v i r o n m e n ts u p e r v i s i o n , m e d i c a lt r e a t m e n t ,o u ts p a c e e x p l o r a t i o na n ds oo n i ti st h o u g h ta so n eo ft h em o s ti m p o r t a n tt e c h n i q u e si n2 1t hc e n t u r y w i r e l e s ss e n s o rn e t w o r kl o c a l i z a t i o ni so n eo fk e ys u p p o r t i n gt e c h n i q u e si nw s n ,a n dh a s w i d e l ya t t r a c t e da t t e n t i o no fd o m e s t i ca n df o r e i g ns c h o l a r m yr e s e a r c hm a i n l yf o c u s e so nt h r e er a n g - f r e el o c a l i z a t i o na l g o r i t h m su s i n gh o p c o u n t e r : l o c a l i z a t i o nr e l e v a n c ev e c t o r m a c h i n e ( l r m v ) ,l o c a l i z a t i o ns p a r s er e p r e s e n t a t i o n c l a s s i f i c a t i o n ( l s r c ) a n dm u l t i - c o r o n ad i v i s i o n ( m c d ) l r v mi si m p r o v e m e n to fp r e v i o u s l o c a l i z a t i o ns u p p o r tv e c t o rm a c h i n e ( l s v m ) a l g o r i t h m ;l s r ci sb a s e do nt h ee m e r g e n c eo f c o m p r e s s i v es e n s i n g ( c s ) t h e o r ya n dm a c h i n el e a r n i n gt e c h n i q u e m c di sm o r el i k ec i r c l e d i v i s i o n t h em a i nd e t a i li s 嬲f o l l o w i n g : ( 1 ) f o rs o l v i n gp r o b l e mo fr e d u n d a n tl o c a l i z a t i o ni n f o r m a t i o ni nl s v m ,w ep r o p o s e dl r v m a l g o r i t h mb a s e do nr e l e v a n c ev e c t o rm a c h i n e ( r v m ) r v m ,al e a r n i n gm a c h i n et e c h n i q u e b a s e do nb a y e s i a nf r a m e w o r kc o n s i d e r ss p a r s i t yo fl o c a l i z a t i o ni n f o r m a t i o n , a n d f u r t h e r m o r el a r g e l yr e d u c et h er e d u n d a n c yo fi n f o r m a t i o n r v mi sn o n - p a r a m e t e ru n l i k e s u p p o r tv e c t o rm a c h i n e ( s v m ) ,t h e r e f o r el r v mi sm o r ea d a p t i v ei nar a p i d l yc h a n g e i n g n e t w o r kt h a nl s v m ( 2 ) l s r cr e s e m b l e sl s v m ,d u et os a m ec o n c e p to fu s i n gm a c h i n el e a r n i n gt oc l a s s i f y h o w e v e r b e f o r ec a l c u l a t i o nt h el o c a l i z a t i o ni n f o r m a t i o n , c o m p r e s s i n gi tf o rr e d u c i n gt h e r e d u n d a n c yi su n i q u ei nl s r c w h i l ei nl s v ma n dl r v ma f t e ra l g o r i t h mh a v eb e e n e x e c u t e d ,r e d u n d a n ti n f o r m a t i o ni sc l e a r ( 3 ) m c d i sb a s e do nc i r c l ed i v i s i o n i np r e v i o u sa l g o r i t h ms u c ha sc o n c e n t r i ca n c h o r - b e a c o n s ( c a b ) u s i n gc i r c l ed i v i s i o n ,t h ea n c h o rn o d eu s u a l l ye q u i p p e ds o m es p e c i a ld e v i c es u c ha s d i r e c t i o na n t e n n ao rm u l t i - l e v e lp o w e re m i t t e r t h em c d sa n c h o r sd on o tr e q u i r et h e s e n l d e v i c e s a n ds i m u l a t i o ne x p e r i m e n td e m o n s t r a t e sm c dh a sh i g h e rl o c a l i z a t i o na c c u r a c yi n al a r g es c a l en e t w o r kt h a nc a ba n dl s v m k e yw o r d :s e l f - l o c a l i z a t i o n ;r a n g f r e e ;h o p - c o u n t e r , r e l e v a n c ev e c t o rm a c h i n e ; c o m p r e s s i v es e n s i n g ;c i r c l ed i v i s i o n ;c o r o n a i l l l j 留 h 目录 摘要i a b s t r a c t :i i 目录 l 绪论:1 1 1 课题背景l 1 2 无线传感器网络体系结构概述2 1 2 1 无线传感器网络概述2 1 2 2 无线传感器网络特征4 1 3 无线传感器网络节点定位问题概述。7 1 3 1w s n 定位的国内外发展情况7 1 3 2w s n 自定位技术分类8 1 4 研究内容安排9 2 无线传感器网络定位模型和方法1 0 2 1w s n 定位基本概念和术语1 0 2 1 1 基本概念1o 2 1 2 基本术语10 2 2 现有相关定位算法介绍1 1 2 2 1 定位模型要求1 l 2 2 2d i f f u s i o n 算法1 l 2 2 3l s v m 算法:l2 2 3l r v m 算法1 4 2 3 1r v m 与s v m 的区别1 4 2 3 2 相关向量机基本原理一15 2 3 3 相关向量机定位算法17 2 3 4 相关向量机定位算法仿真实验1 7 2 4 本章小结18 3 基于压缩传感原理的定位研究1 9 3 1 引言。19 3 2 压缩传感原理。19 3 3 稀疏表达分类2 0 3 3 1 定义采样字典2 0 3 3 2 计算c ,= a 缈一2 1 3 3 3 基于模拟正交匹配追踪的分类算法2 3 3 4 w s n 应用模型建立2 5 3 4 1 网络模型建立2 5 3 4 2 分类模型建立2 6 3 5 稀疏表达分类算法2 7 3 5 1 稀疏表达分类的有效性2 7 3 5 2 算法描述:2 9 3 5 3 算法相关协议描述3l 3 5 4 误差分析3 1 3 5 5 利用监督字典提高分类精度:3 4 3 5 6 通过质心法提高定位精度3 5 3 6 稀疏表达定位算法仿真实验3 7 3 7 本章小结3 9 日冕分割定位算法4 0 4 1 引。言4 0 4 2 多日冕分割定位4 0 4 2 1 定义日冕4 0 4 2 2 扩展日冕。4 2 4 2 3 算法及协议描述4 5 4 2 4 交集区域的确定4 6 4 2 5m 的取值4 9 4 2 6 误差分析。4 9 4 3 多日冕分割定位算法仿真实验5 l 4 4 本章小结5 5 5 总结与展望5 8 5 1 结论5 8 5 2 展望5 8 参考文献5 9 致谢6 2 攻读学位期间取得的研究成果6 3 浙江师范大学学位论文独创性声明6 4 学位论文使用授权声明6 4 v k f 1 1 课题背景 1 绪论 无线传感器网络( w i r e l e s ss e n s o rn e t w o r k ,w s n ) 是无线通信技术、感知技术、嵌入 式计算技术、分布式信息处理技术高度集成的一种新型信息获得和处理模式【l - 3 】。典型的 工作方式是:使用飞行器将大量传感器节点( 数量从几百到几千个甚至上万个) 抛撒到感兴 趣的区域,节点通过自组织快速形成一个无线网络。随机分布的集成有传感器、数据处理 单元和通信模块的微小节点借助内置传感器测量所在周边环境中的热、红外、声纳、雷达 和地震波信号等,从而探测包括温度、湿度、噪声、光强度、压力、土壤成分、移动物体 的大小、速度和方向等众多部署者感兴趣的物理信息。在网络中,节点既是信息的采集和 发出者,也充当信息的路由者,采集的数据通过多跳路由到达汇聚节点( s i n k n o d e ) 。汇聚 节点是一个特殊的节点,可通过i n t e m e t 、移动通信网络、卫星等与监控中心通信,可利 用无人机飞越网络上空,通过汇聚节点采集数据。与传统的信息获取方式相比,无线传感 器网络具有自组织、功耗小、廉价和快速部署、可扩展性强、能在恶劣和特殊的环境下正 常工作等优点。无线传感器网络是一种无基础设施的、全新的信息获取和处理网络,不同 于其他传统的网络,它能够实时检测、感知和采集各种环境或者检测对象的信息,同时也 受到使用者的控制而影响着客观世界,扩展了人类同自然界的交互方式 麻省理工学院的技术评论将无线传感器网络列为对当今世界产生深远影响的十大 新兴技术之一。无线传感器网络的灵活性,容错性,高感知能力,低费用以及快速部署的 特点,使其广泛应用在智能交通、国防军事、环境监测和预报、医疗卫生、空间探索、反 恐抗灾、智能家居、复杂机械监控等领域。无线传感器网络的研究起步于2 0 世纪9 0 年代, 由于无线传感器网络的巨大应用价值,它已经引起了世界许多国家的军事部门,工业界和 学术界的关注。 1 2 无线传感器网络体系结构概述 1 2 1 无线传感器网络概述 1 ) w s n 体系结构 无线传感器网络结构如图1 1 所示,通常包括传感器节点( s e n s o r n o d e ) 、汇聚节点( s i n k n o d e ,也称网关节点) 和管理节点。大量传感器节点随机散布在指定的监测区域( s e n s o r f i e l d ) ,通过自组织方式构成网络。每个传感器节点同时具有收集数据和转发数据的能力, 最终检测数据可以通过“多跳 路由方式传送到s i n k 节点,同样s i n k 节点也可以用这种 方式将信息发送给各节点。s i n k 节点直接与i n t e m e t 或通信卫星相连,通过i n t e m e t 或通 信卫星实现任务管理节点( 观察者) 与传感器之间的通信。 图1 1 无线传感器网络体系结构 本质上来讲,传感器节点是一个电池提供能量的微型化嵌入式系统,具有有限的计算、 存储、通信能力,节点的通信半径较短,一般只与其紧邻的节点交换信息,通过多跳的方 式传输数据。因此,节点在网络中扮演了传统网络节点中的终端和路由器双重角色,除了 要采集和处理本地数据外,还要与其他节点协作进行数据存储、融合等处理。相对而言, s i n k 节点具有较强的计算、存储、通信能力,是一种特殊的网关设备,它实现了传感器 网络和外部网络的互连,实现两种协议栈之间的通信协议转换,同时发布管理节点的监测 任务,并把传感器采集到的数据转发到外部网络上。 2 ) w s n 节点硬件结构 无线传感器节点一般由四部分组成包括:传感器模块、处理器模块、无线通信模块和 能量供应模块1 4 】,如图1 2 所示。传感器模块主要负责监测区域内信息的采集和数据转换, 2 d l 绪论 传感器币元处理器荦元 图1 2 传感器节点体系结构 包括传感器和模数转换器两部分,传感器用于感知、获取外界的信息,并通过模数转换 器将其转换为数字信号,可通过更换传感器使节点满足不同的应该用要求。处理器模块负 责控制整个传感器节点的操作,存储和处理本身采集的数据以及其它节点发来的数据,它 包括嵌入式微处理器、存储器,某些复杂应用可能还需要嵌入式d s p 的支持,传感器节 点通常选用的嵌入式微处理器如a t m e l 公司的a t m e g a l 2 8 l ,t i 的m s p 4 3 0 系列等。无线 通信模块负责数据传输和与其他传感器或观察者的通信,主要由低功耗、短距离的无线通 信模块及天线组腺比如t i 公司的c c l 0 0 0 等。能量供应模块为传感器提供正常工作所 必需的能源,通常采用电池供电。 3 ) w s n 节点软件构成 传感器网络节点的软件部分由系统软件和应用软件构成,如嵌入式操作系统、嵌入式 数据库、编译开发环境及应用软件等。 t i n y o s ( t m ym i c r ot h r e a d i n go p e r a t i n gs y s t e m ) 【7 】是由加州大学伯克利分校开发的开 源嵌入式操作系统,是针对无线传感器网络应用特点而专门设计的。其主要特点有:基于 组件( c o m o n e n t b a s e d ) 的架构并提供一系列的可重用组件;基于事件驱动模式,采用事件 触发唤醒传感器工作;支持传感器网络的自主配置;无内核、进程管理和虚拟内存管理: 与硬件完全集成。 编译环境方面,n e s c l 8 1 作为传统c 语言的扩展语言。它基于体现t i n y o s 的结构化概 念和执行模型而设计。t i n y o s 中的各组件、库是都是用n e s c 编写的。在n e s t 中,程序 由组件( c o m p o n e n t s ) 构成,它们装配在一起构成完整程序。 4 ) 网络协议栈及其标准 无线传感器网络的应用价值在于用大量廉价的节点进行协同工作,完成传统设备因造 价过高而无法完成的任务。由于需要协同工作,所以标准化协议栈是十分必要。1 9 9 8 年3 3 l l 绪论 月成立的i e e e8 0 2 1 5 1 9 1 i 作组,致力于w p a n 网络的物理层和m a c 子层的标准化工作, 并为上述在个人操作空间( p e r s o n a lo p e r a t i n gs p a c e ,p o s ) i 为相互通信的设备提供一个统一 的标准。其中,我们接触最多的蓝牙标准( i e e e8 0 2 1 5 1 ) 就是由这个工作组标准化的。 i e e e 8 0 2 1 5 4 主要针对低速率的无线个人区域网络( l o w - r a t ew i r e l e s sp e r s o n a la r e a n e t w o r k ,l r w p a n ) ,目前许多商业化的传感器节点逐步开始采用i e e e 8 0 2 1 5 4 标准。 1 2 2 无线传感器网络特征 1 ) 与现有无线网络的区别 传统的无线宽带网络和m a n e t ( m o b i l ea d h o en e t w o r k ,i e e e 8 0 2 1 1 ) 网络都是以传 输数据,完成通信为目的,中间节点仅仅负责分组数据的转发,它们更关注于高速移动的 环境中通过优化路由和资源管理策略,最大化带宽的利用率,同时为用户提供一定的服务 质量( q u a l i t yo fs e r v i c e ,q o s ) 。 而无线传感器网络则是以数据为中心( d a t a e e n t r i c ) ,以获取信息为主要目的,中间节 点不但具有转发数据的能力,还必须具有处理、融合和缓存与具体应用相关数据的能力。 并且除了少数节能移动外,大部分节点一般式静止的。无线传感器网络有时需要运行在极 端恶劣甚至危险的环境中,传感器节点一旦被部署到监测区域,其电池将无法更换:而且 对数量巨大的传感器节点进行电池更换也是不现实的。因此必须考虑在传感器节点工作的 各个方面设计有效的节能策略,这也是无线传感器网络设计的一个核心问题。能量效率 的设计准则必须贯彻在无线传感器网络的硬件、软件、算法和协议等各个层面,这是无 线传感器网络和任何无线网络最重要的区别之一。 2 ) 无线传感器节点的限制 ( a ) 电源能量有限 传感器模块、处理器模块和无线通信模块是w s n 节点的主要耗能模块。随着集成电 路工艺的进步,处理器和传感器模块的功耗相较于无线通信模块几乎可以忽略不计。图 1 3 显示了一种采用m s p 4 3 0 + c c 2 4 2 0 方案中的传感器节点能量消耗情况,从图中可知传 感器节点的绝大部分能量消耗在了无线通信模块。传感器节点传输信息时要比执行计算时 更加耗能,无线通信模块在1 0 0 m 的距离内传输l b i t 信息需要的能量大约相当于处理器执 行1 0 0 0 条计算指令所消耗的能量。 t l 绪论 2 0 1 5 l i r a 霎1 0 5 0 逼倡 图1 3 传感器节点能量消耗情况 ( b ) 通信能力有限 无线通信能耗与通信半径的关系为:e 刊防 其中,d 为通信半径,参数n 满足关系2 - j 机有一个很重要的能力是泛化能力,也就是对于没有训练过的样本的测试能力。 研究表明,r v m 的泛化能力好于s v m 。 7 无论是在回归问题上还是分类问题上,r v m 的准确率都不亚于s v m 。 8 较s v m ,r v m 训练时间较长。 2 3 2 相关向量机基本原理 r v m 是一种基于贝叶斯学习构架的机器学习,其基本原理如下【3 6 】: 设 葺) 2 。是训练中的特征值,t = 1 1 ,t 2 ,f - 】r 是目标值。r v m 认为是以y 为均值的 正态分布: p ( o2 ( 疗ij ,( x ) ,0 2 ) ;j ,( x ) = :。w j k ( x , x j ) ( 2 5 ) 其中:露( 峭) 为非线性核函数;一为模型的权值。在( 2 5 ) 定位了模型后,可以 在贝叶斯框架下用最大似然方法训练权值叶,这样可回避过学习问题,提高模型的泛化 能力。因而,r :v m 为每个权值定义了先验概率分布: p ( 小) = 2 寥掣 眨6 , 其中叶是决定权值,先验分布的超参数。 训练样本集的似然函数为 p ( 彬) :( 2 冗。:) 孚p 峙h ( 2 7 ) 其中:,= ( f 。,t 2 ,“) t ;,= ( h ,渺) r ;m 为矩阵,其行包含所有核函数对输入x i 的响应( m ) ,= e l ,霸( _ ) ,哦( 葺) 。 根据先验概率分布和似然分布,再用贝叶斯式计算权值的后验概率分布,即 小卟锗 亿8 ) 该权值的后验分布属于多变高斯分布,即 1 5 2 无线传感器网络定位模型和方法 e ( w l t , a ,0 2 ) = ( i l ,) ( 2 9 ) 其中:= ( o 一2 t m + a ) 1 为协方差,a 是( 伍。,仅 一a 一) 的对角矩阵;p = o - 2 m t f 为均值。 训练目标值的似然分布通过对权值进行积分,即: p ( wt , a ,0 2 ) = ,p ( ,| 鸭0 2 ) p ( wa ) d w ( 2 1 0 ) 实现边缘化,从而求得超参数的边缘似然分布: p ( 研la ,0 2 ) = ( o ,c ) ( 2 1 1 ) 其中的协方差c = 0 2 1 + m a 1 m t r v m 方法中,模型权值的估计值由后验分布的均值给出,同时它也是权值的最大后 验( m a p ) 估计。权值的m a p 估计取决于超参数n 和噪声0 2 ,其估计值二和二2 可以通过 最大化边缘似然分布得到。后验分布反映出的权值最优值的不确定性可以表示模型预测的 不确定性。若给出输入值x 。相应输出的概率分布为 p i ,菇2 ) = 卜卜,嵋二2 ) p 蕊,二2 d w ( 2 1 2 ) 服从高斯分布的形式,即 p ( f ix ) = ( j ,。气) ( 2 1 3 ) 其中的预测均值和方差( 不确定性) 分别为 j ,= p t m ( x ) ,仃气= 二2 + m t ( x + ) m ( 工+ ) ( 2 1 4 ) 在最基本的二元分类的情况,目标值 ) 二只可能为0 或1 。r v m 使用把回归算法应 用到分类问题时常用的s i g m o i d 函数: p ( f , - - 1 1 桫) = 。 ,( ;w ) 2 丽1 ( 2 1 5 ) 在每次观测皆为独立事件的前提下,得到观测结果为t 的概率为: p ( ,1w ) = 尊6 y ( w ) l - 。;w ) h ) ( 2 1 6 ) r v m 使用贝叶斯框架下的显著度解决了模犁的参数选取问题,具有较好的适应性。 1 6 。9 【乏 2 无线传感器网络定位模型和方法 2 3 3 相关向量机定位算法 l r v m 算法具有和l s v m 算法同样的思路,只是将分类器由s v m 换成r v m 。并且 由r v m 的基本原理,直接给出了在多目标值即多分类情况下的分类器。所以可以利用 r v m 直接对连通信息进行分类。而不再考虑由二分类向多分类转化的问题。同时需要指 出的是,由于r v m 是建立在稀疏性的基础上,所以它的支持向量个数将明显少于由s v m 的。也就是说由r v m 构建的分类模型将比s v m 更简洁,这对于存储资源有限和节省发 射功耗的w s n 节点来说是比较重要的。所以l r v m 比l s v m 更适合w s n 网络定位。 另一方面s v m 必须要由使用者给定一个误差参数c 或者8 ,这个参数对分类结果影 响较大,例如刘明中提出c = 8 ,在一个1 0 0 1 0 0 ,3 0 0 个节点的区域内,这个参数能达到 比较好的效果【3 7 1 。但是当网络变化是,例如新增加了3 0 0 个点时,c = 8 就不再适用了,s v m 的分类效果变差,定位误差随之增大。如图2 2 所示。r v m 则不需要误差参数的设置, 所以l r v m 更能适应网络的变化。 节点数量 图2 2 当c = 8 时,在不同节点数量和锚节点密度下,l s 的表现 2 3 4 相关向量机定位算法仿真实验 本文通过仿真实验验证了l r v m 的定位性能,并与其相近的l s v m 算法进行了对比, 取绝对定位误差作为主要定为定位表现的依据。绝对定位误差定义如下: = ( k 一) 2 + ( 一j ,他) 2 ( 2 1 7 ) ( 此) 和( ,靠) 分别表示节点的估计坐标和实际坐标。下文如无特殊说明,所指定位 误差均为绝对定位误差。 1 7 加 捌皤掣删宦曩 2 无线传感器网络定位模型和方法 场景设置如下:在【o ,5 0 m * 0 ,5 0 m 的区域内,随机撤布2 5 0 个节点,设置节点通信半 径为1 0 m 。s v m 参数设置为c = 7 ,1 r = 0 3 5 。锚节点密度分别取:5 ,1 0 ,1 5 ,2 0 图2 3 显示了l s v m 与l r v m 在不同锚节点密度下所有非锚节点绝对定位误差的平 均值。可以看出l s v m 与l r v m 在w s n 定位上的表现是基本相同的,这是由s v m 与 r v m 的相似性所决定的。 o ,1 u h10z口 锚节点密度 图2 3l s 、m 与l r v m 在不同锚节点密度下的平均定位误差 表2 1 显示了在不同锚节点密度下,l r v m 与l s v m 所需的向量( v e c t o r ) 。可以看 出l r v m 所需的支持向量明显少于l s v m 的,这是由r v m 的稀疏性所决定的。所以l r v m 在计算量以及传输能耗方面比l s v m 更占优势。 表2 1l s v m 与l r v m 在不同锚节点密度下所平均所需向量个数 。 5 l o 1 5 2 0 l s v m2 7 6 84 4 1 75 0 6 35 7 8 7 l r v m1 9 6 72 5 3 62 8 1 23 5 7 l 2 4 本章小结 本章阐述了基本的无线传感器网络定位概念,介绍了相关的术语。随后提出了本次研 究需要满足的最简定位模型要求r i r 4 。r i - r 4 是接下来几章节展开讨论的基础。l s v m 和d i f f u s i o n 是现有满足上述条件的两种算法。与l s v m 不同,d i f f u s i o n 算法主要利用了 邻的信息,当邻节点变少时,d i f f u s i o n 算法中靠近边缘的节点的定位精度会变差即所谓 的边界问题,这方面的内容将第三章进行阐述。l r v m 算法是对l s v m 算法一种改进, 与l s v m 算法相比,l r v m 的定位精度没有太大提升,但是在所需支持向量个数方面较 l s v m 有明显优势。 1 8 3 1 引言 3 基于压缩传感原理的定位研究 本章中提出的稀疏表达分类定位算法( l o c a l i z a t i o ns p a r s er e p r e s e n t a t i o n c l a s s i f i c a t i o n ,l s r c ) 是

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论