移动无线传感器网络的节点定位算法中,基于RSSI(Received Signal Strength Indication)的蒙特卡罗定位算法结合了RSSI定位算法和蒙特卡罗定位算法的优点,定位精度较好,但计算量较大,节点能量消耗严重。针对上述不足,提出一种基于RSSI的...移动无线传感器网络的节点定位算法中,基于RSSI(Received Signal Strength Indication)的蒙特卡罗定位算法结合了RSSI定位算法和蒙特卡罗定位算法的优点,定位精度较好,但计算量较大,节点能量消耗严重。针对上述不足,提出一种基于RSSI的改进蒙特卡罗定位算法,采用插值法对节点运动状态进行预测,同时采用交叉操作加快有效粒子的选择,提高预测和滤波的准确性。仿真实验结果表明,该算法与传统算法相比加快了收敛速度,减少了计算开销,同时提高了定位精度。展开更多
对比分析几种常用的无线传感器网络节点定位方法。针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法。该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测...对比分析几种常用的无线传感器网络节点定位方法。针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法。该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测与定位。经仿真验证在低密度锚节点环境下,蒙特卡罗方法位置估计误差明显低于其它方法,提高了移动节点定位算法的准确性。展开更多
针对移动无线传感器网络中节点随机运动的情况,蒙特卡罗定位(MCL)算法有较好的定位精度,但由于MCL方法严格过滤而进行的频繁重采样带来大量计算,加重了节点能量消耗,针对上述情况提出了基于接收信号强度(received signal strength,RSS)...针对移动无线传感器网络中节点随机运动的情况,蒙特卡罗定位(MCL)算法有较好的定位精度,但由于MCL方法严格过滤而进行的频繁重采样带来大量计算,加重了节点能量消耗,针对上述情况提出了基于接收信号强度(received signal strength,RSS)的蒙特卡罗定位算法,该算法利用锚节点之间的距离及其测得的移动节点的RSS值来校正移动节点与每个锚节点之间的权值,缩小了传统MCL算法的采样范围。仿真表明,该方法降低了蒙特卡罗方法的采样次数以及通信开销,同时提高了节点定位精度。展开更多
针对水声传感器网络中移动定位算法的误差和鲁棒性问题,提出两种蒙特卡罗移动定位算法:CRMCL(Circular Ring Monte Carlo Localization)和PRMCL(Particle Swarm Optimization for Circular Ring Monte Carlo Localization).CRMCL利用1...针对水声传感器网络中移动定位算法的误差和鲁棒性问题,提出两种蒙特卡罗移动定位算法:CRMCL(Circular Ring Monte Carlo Localization)和PRMCL(Particle Swarm Optimization for Circular Ring Monte Carlo Localization).CRMCL利用1跳锚节点构建圆形采样区域和圆环过滤器.通过定义样本密度得到合理的样本数,论证圆环参数与过滤区域面积的关系.通过仿真实验得到合理的圆环参数,并以此构建高效的过滤器,降低定位误差.PRMCL使用粒子群算法优化CRMCL过滤后的样本,降低了无效样本的数目,增强了算法的鲁棒性.仿真表明,在不需要额外硬件的情况下,CRMCL和PRMCL比蒙特卡罗及其改进算法误差小、鲁棒性强.展开更多
文摘移动无线传感器网络的节点定位算法中,基于RSSI(Received Signal Strength Indication)的蒙特卡罗定位算法结合了RSSI定位算法和蒙特卡罗定位算法的优点,定位精度较好,但计算量较大,节点能量消耗严重。针对上述不足,提出一种基于RSSI的改进蒙特卡罗定位算法,采用插值法对节点运动状态进行预测,同时采用交叉操作加快有效粒子的选择,提高预测和滤波的准确性。仿真实验结果表明,该算法与传统算法相比加快了收敛速度,减少了计算开销,同时提高了定位精度。
文摘对比分析几种常用的无线传感器网络节点定位方法。针对煤矿井下节点移动性可能导致普通的定位算法变得不精确,提出了蒙特卡罗定位(Monte Carlo Localization)算法。该方法利用物体运动的连续性,通过选取合适的模型完成移动节点位置预测与定位。经仿真验证在低密度锚节点环境下,蒙特卡罗方法位置估计误差明显低于其它方法,提高了移动节点定位算法的准确性。
文摘针对移动无线传感器网络中节点随机运动的情况,蒙特卡罗定位(MCL)算法有较好的定位精度,但由于MCL方法严格过滤而进行的频繁重采样带来大量计算,加重了节点能量消耗,针对上述情况提出了基于接收信号强度(received signal strength,RSS)的蒙特卡罗定位算法,该算法利用锚节点之间的距离及其测得的移动节点的RSS值来校正移动节点与每个锚节点之间的权值,缩小了传统MCL算法的采样范围。仿真表明,该方法降低了蒙特卡罗方法的采样次数以及通信开销,同时提高了节点定位精度。
文摘针对水声传感器网络中移动定位算法的误差和鲁棒性问题,提出两种蒙特卡罗移动定位算法:CRMCL(Circular Ring Monte Carlo Localization)和PRMCL(Particle Swarm Optimization for Circular Ring Monte Carlo Localization).CRMCL利用1跳锚节点构建圆形采样区域和圆环过滤器.通过定义样本密度得到合理的样本数,论证圆环参数与过滤区域面积的关系.通过仿真实验得到合理的圆环参数,并以此构建高效的过滤器,降低定位误差.PRMCL使用粒子群算法优化CRMCL过滤后的样本,降低了无效样本的数目,增强了算法的鲁棒性.仿真表明,在不需要额外硬件的情况下,CRMCL和PRMCL比蒙特卡罗及其改进算法误差小、鲁棒性强.
