本文選題：無線傳感器網(wǎng)絡(luò) + 自適應(yīng)卡爾曼濾波器�。� 參考：《南京大學(xué)》2017年博士論文

【摘要】：在無線傳感器網(wǎng)絡(luò)的許多應(yīng)用中,例如環(huán)境監(jiān)測和室內(nèi)定位等,無線傳感器節(jié)點需要被部署在一個復(fù)雜的環(huán)境中。無線傳感器網(wǎng)絡(luò)是一種自組織類型的網(wǎng)絡(luò),節(jié)點之間通常沒有固定的通信鏈路,它們是以隨機(jī)多跳的方式將采集的數(shù)據(jù)傳回給匯聚節(jié)點的。對于隨機(jī)部署的無線傳感器網(wǎng)絡(luò)而言,通常不知道采集數(shù)據(jù)節(jié)點的準(zhǔn)確位置。因此,定位技術(shù)是無線傳感器網(wǎng)絡(luò)研究領(lǐng)域的熱點之一。然而,由于無線傳感器網(wǎng)絡(luò)部署環(huán)境的復(fù)雜性,獲得準(zhǔn)確的節(jié)點位置仍然是一項具有挑戰(zhàn)性的工作。本文圍繞復(fù)雜環(huán)境下無線傳感器網(wǎng)絡(luò)定位研究了基于噪聲自適應(yīng)卡爾曼濾波的傳感網(wǎng)定位精化、魯棒的傳感網(wǎng)噪聲自適應(yīng)卡爾曼濾波定位和多徑環(huán)境下傳感網(wǎng)噪聲自適應(yīng)卡爾曼濾波指紋定位優(yōu)化這三個問題。(1)考慮到無線傳感器網(wǎng)絡(luò)是一種能量、計算能力、通信帶寬、成本等資源受限的網(wǎng)絡(luò),通常,在節(jié)點之間最容易獲取的接收信號強(qiáng)度被用來確定無線傳感器網(wǎng)絡(luò)中節(jié)點之間的距離,進(jìn)而再根據(jù)多個節(jié)點之間的相對距離獲得節(jié)點在網(wǎng)絡(luò)中的相對位置。然而,接收信號強(qiáng)度的測量噪聲會使這種方法的定位精度變差。為了降低測量噪聲對定位精度的影響,卡爾曼濾波器被利用來精化定位的結(jié)果。由于在實際的部署環(huán)境中,噪聲的統(tǒng)計特性往往是未知或時變的,所以我們首先提出一種基于現(xiàn)有自適應(yīng)擴(kuò)展卡爾曼濾波器的無線傳感器網(wǎng)絡(luò)多維定標(biāo)定位精化算法。然后,為了進(jìn)一步提高精化的效果,我們從自適應(yīng)擴(kuò)展卡爾曼濾波器推導(dǎo)出了一種新的自適應(yīng)無跡卡爾曼濾波器,并且基于這種新的濾波器提出了精度更高的無線傳感器網(wǎng)絡(luò)多維定標(biāo)定位精化算法。前一種算法具有相對更小的計算復(fù)雜度,而后一種算法則具有相對更高的定位精度。同時,我們還提出了一種專門用于精化噪聲環(huán)境下無線傳感器網(wǎng)絡(luò)指紋定位結(jié)果的自適應(yīng)指紋卡爾曼濾波器。廣泛的實驗結(jié)果表明不論噪聲是已知還是未知、是否隨時間改變,我們提出的算法均能夠較好地改善傳統(tǒng)卡爾曼濾波器對無線傳感器網(wǎng)絡(luò)定位結(jié)果的精化效果。(2)卡爾曼濾波器是通過無線傳感器節(jié)點的過程模型和測量模型來估計節(jié)點的位置、速度等狀態(tài)信息。通常,由于一些外部和內(nèi)部的干擾因素,在建立的過程模型和測量模型里分別會包含表示過程噪聲和測量噪聲的隨機(jī)變量。目前,如果這兩種噪聲的統(tǒng)計特性同時隨時間改變時,現(xiàn)有自適應(yīng)卡爾曼濾波器估計的結(jié)果會出現(xiàn)較大的偏差,甚至出現(xiàn)濾波器無法工作失去魯棒性的情況。為了提高基于自適應(yīng)卡爾曼濾波器的無線傳感器網(wǎng)絡(luò)定位算法的精度和魯棒性,我們首先提出了一種魯棒的自適應(yīng)擴(kuò)展卡爾曼濾波器。然后,在這個魯棒濾波器的基礎(chǔ)上,進(jìn)一步推導(dǎo)出了精度更高的魯棒自適應(yīng)無跡卡爾曼濾波器。另外,這兩種新提出濾波器的魯棒性被從理論上進(jìn)行了嚴(yán)格地證明。在過程噪聲和測量噪聲都時變的情況下,大量仿真實驗的結(jié)果表明我們提出的這兩種卡爾曼濾波器能夠確保無線傳感器網(wǎng)絡(luò)中的節(jié)點位置被魯棒和準(zhǔn)確地估計。(3)目前基于自適應(yīng)卡爾曼濾波器的無線傳感器網(wǎng)絡(luò)指紋定位研究主要是關(guān)注如何提高算法的精度和魯棒性,還很少有關(guān)于指紋定位在噪聲和多徑的環(huán)境下如何獲得最優(yōu)節(jié)點位置估計的研究。因此,我們首先利用自適應(yīng)卡爾曼濾波器和多目標(biāo)演化算法優(yōu)化了噪聲環(huán)境下的指紋定位結(jié)果。由于自適應(yīng)卡爾曼濾波器只能過濾掉一部分接收信號強(qiáng)度的測量噪聲,所以過濾后的接收信號強(qiáng)度仍然殘留一個小的噪聲,這會影響指紋定位精化的效果。為了將殘留噪聲對定位結(jié)果的影響降低到最小,我們又使用多目標(biāo)演化算法進(jìn)一步優(yōu)化了噪聲環(huán)境下的指紋定位結(jié)果。由于在多徑環(huán)境下現(xiàn)有RSSI(received signal strength indication)測距模型會導(dǎo)致優(yōu)化過程中用于計算節(jié)點位置估計的指紋權(quán)重與位置權(quán)重不匹配,所以為了獲得更好的指紋定位優(yōu)化結(jié)果,我們根據(jù)多徑環(huán)境下的信號強(qiáng)度與距離關(guān)系表達(dá)式推導(dǎo)出了多信道加權(quán)RSSI的測距模型。廣泛的實驗結(jié)果表明新建立的多目標(biāo)演化模型和多信道加權(quán)RSSI測距模型能夠使自適應(yīng)卡爾曼濾波指紋定位在噪聲和多徑環(huán)境下獲得更優(yōu)的節(jié)點位置估計結(jié)果。
[Abstract]:In many applications of wireless sensor networks, such as environmental monitoring and indoor positioning, wireless sensor nodes need to be deployed in a complex environment. Wireless sensor networks are self-organized networks with no fixed communication links between nodes, and they transmit the collected data in a random multi hop manner. Back to converging nodes. For random deployed wireless sensor networks, it is usually not known to acquire the exact location of data nodes. Therefore, location technology is one of the hotspots in the research field of wireless sensor networks. However, due to the complexity of the deployment environment of wireless sensor networks, the acquisition of accurate node location is still a one. Challenging work. This paper focuses on the localization refinement of sensor networks based on noise adaptive Calman filtering, robust sensing network noise adaptive Calman filtering positioning and adaptive Calman filter fingerprint localization optimization of sensing network noise under multi path environment around the complex environment of wireless sensor network location. (1) consideration of the three problems. Wireless sensor networks (WSN) is a network with limited resources, such as energy, computing power, communication bandwidth, cost, and so on. Usually, the most easily acquired signal intensity between nodes is used to determine the distance between nodes in the wireless sensor network, and then the relative distance between multiple nodes is obtained by the relative distance of multiple nodes in the network. However, the measurement noise that receives the signal intensity will make the positioning accuracy of this method worse. In order to reduce the effect of measurement noise on positioning accuracy, Calman filter is used to refinement the result of positioning. Because the statistical characteristics of noise are often unknown or time-varying in the actual deployment environment, we first propose a one. Based on the existing adaptive extended Calman filter, a multi-dimensional scaling localization algorithm for wireless sensor networks is proposed. Then, in order to further improve the effect of the refinement, we derive a new adaptive Untraced Calman filter from the adaptive extended Calman filter, and the precision is more accurate based on this new filter. The previous algorithm has a relatively smaller computational complexity and the latter has a relatively higher positioning accuracy. At the same time, we also propose an adaptive fingerprint Calman filter for the fingerprint localization results of wireless sensor networks in the noise environment. A wide range of experimental results show that whether the noise is known or unknown or not, our proposed algorithm can better improve the refinement effect of the traditional Calman filter on wireless sensor network location results. (2) the Calman filter is estimated by the process model and the measurement model of the wireless sensor nodes. The position, speed, and other state information of a node. Usually, due to some external and internal interference factors, the process model and the measurement model will contain random variables that represent process noise and measurement noise respectively. At present, if the statistical properties of these two kinds of noise are changed with time, the existing adaptive Calman filter can be used. In order to improve the accuracy and robustness of the wireless sensor network location algorithm based on adaptive Calman filter, we first propose a robust adaptive spread spreading Calman filter. Then, the robust filtering is used to improve the robustness and robustness of the wireless sensor network location algorithm. On the basis of the device, a more accurate robust adaptive Untraced Calman filter is derived. In addition, the robustness of the two new proposed filters is strictly proved in theory. The results of a large number of simulation experiments show that the two kinds of Calman filters have been proposed in the case of varying process noise and measurement noise. The wave device can ensure that the node location in the wireless sensor network is robust and accurate. (3) the current research on fingerprint location of wireless sensor networks based on adaptive Calman filter is mainly concerned with how to improve the accuracy and robustness of the algorithm, and few about how to get the best fingerprint location in the environment of noise and multipath. Therefore, we use adaptive Calman filter and multi-objective evolutionary algorithm to optimize the result of fingerprint localization in noisy environment. Since adaptive Calman filter can only filter a part of the measured noise of the received signal intensity, the intensity of the received signal is still remaining after the filter. In order to minimize the impact of residual noise on the positioning results, we use multi target evolution algorithm to further optimize the result of fingerprint localization in noisy environment. Because of the existing RSSI (received signal strength indication) range model in the multipath environment, it will lead to the result. In order to obtain better fingerprint location optimization results, we derive a range model for multi channel weighted RSSI based on the expression of signal intensity and distance in multipath environment. The evolutionary model and the multi channel weighted RSSI range finding model can make adaptive Calman filter fingerprint localization in the noise and multipath environment to obtain better node position estimation results.
【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP212.9;TN929.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李立早;;基于System Generator的卡爾曼濾波器實現(xiàn)[J];信息化研究;2013年03期

2 F.A.法魯基;R.C.戴維斯;高自功;;跟蹤目標(biāo)用的卡爾曼濾波器的設(shè)計[J];國外艦船技術(shù).雷達(dá)與對抗;1982年08期

3 卓兆水;;具有輸入估計跟蹤方案的無檢測全修正卡爾曼濾波器[J];火控雷達(dá)技術(shù);1984年04期

4 趙希人;;卡爾曼濾波器在船用慣性導(dǎo)航系統(tǒng)中的應(yīng)用[J];自動化學(xué)報;1985年03期

5 劉國慶;卡爾曼濾波器的自適應(yīng)算法[J];南京化工大學(xué)學(xué)報(自然科學(xué)版);1995年01期

6 張亞平;卡爾曼濾波器實用技術(shù)研究[J];無線電工程;1997年02期

7 秦吉,張翼鵬;現(xiàn)代統(tǒng)計信息分析在安全工程方面的應(yīng)用——卡爾曼濾波器基本知識[J];工業(yè)安全與防塵;1999年04期

8 喬蕓,樊錫德;鎖相環(huán)與卡爾曼濾波器[J];現(xiàn)代電子技術(shù);2001年04期

9 葉 斌,徐 毓;強(qiáng)跟蹤濾波器與卡爾曼濾波器對目標(biāo)跟蹤的比較[J];空軍雷達(dá)學(xué)院學(xué)報;2002年02期

10 盛三元 ,王建華;基于多傳感器信息融合技術(shù)的聯(lián)合卡爾曼濾波器的設(shè)計及應(yīng)用[J];情報指揮控制系統(tǒng)與仿真技術(shù);2002年02期

相關(guān)會議論文 前10條

1 李明;楊洪耕;劉立生;;新型自適應(yīng)卡爾曼濾波器作動態(tài)諧波估計[A];2004年電力電容器學(xué)會論文集[C];2004年

2 苑薇薇;王建輝;;采用推廣卡爾曼濾波器估計入射波參數(shù)[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

3 姜義德;鐘潁秀;張帆人;;以限制型卡爾曼濾波器估測位置與姿態(tài)(英文)[A];第七屆海峽兩岸工程力學(xué)研討會論文摘要集[C];2011年

4 馬馳州;楊亦春;李曉東;;多模型卡爾曼濾波器在聲定位中的應(yīng)用[A];中國聲學(xué)學(xué)會2006年全國聲學(xué)學(xué)術(shù)會議論文集[C];2006年

5 張勇軍;李小占;楊志剛;;動態(tài)優(yōu)化漸消因子的強(qiáng)跟蹤卡爾曼濾波器研究[A];中國自動化學(xué)會控制理論專業(yè)委員會C卷[C];2011年

6 房媛媛;李亞安;李曉花;白曉娟;;Cubature-Kalman濾波及性能分析[A];中國聲學(xué)學(xué)會第九屆青年學(xué)術(shù)會議論文集[C];2011年

7 韓光宇;;組合導(dǎo)航中卡爾曼濾波器之淺見[A];中國航海學(xué)會優(yōu)秀論文文摘及學(xué)術(shù)會議論文目次匯編（1990—1991）[C];1992年

8 張建偉;伍蔡倫;謝松;;卡爾曼濾波器在RTK處理中的應(yīng)用[A];第三屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會電子文集——S08衛(wèi)星導(dǎo)航模型與方法[C];2012年

9 張雷;王建宇;戴寧;;基于模糊融合的GPS/INS算法研究(英文)[A];全國第19屆計算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

10 顧明武;陳熙源;;RBFNN輔助卡爾曼濾波器在GPS/SINS組合導(dǎo)航中的應(yīng)用[A];2008年船舶通信導(dǎo)航學(xué)術(shù)年會論文集[C];2008年

相關(guān)博士學(xué)位論文 前3條

1 王思思;自適應(yīng)容積卡爾曼濾波器及其在雷達(dá)目標(biāo)跟蹤中的應(yīng)用[D];大連海事大學(xué);2015年

2 陸詩遠(yuǎn);基于WSN的分布式傳感器系統(tǒng)關(guān)鍵技術(shù)研究[D];浙江大學(xué);2016年

3 方旭明;基于自適應(yīng)卡爾曼濾波器的WSN定位算法研究[D];南京大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 張巍;卡爾曼濾波器在帶寬測量中的應(yīng)用[D];電子科技大學(xué);2015年

2 李方良;基于NI myRIO的四旋翼飛行器的設(shè)計與研究[D];太原理工大學(xué);2016年

3 侯康;基于卡爾曼濾波器的橋梁損傷快速診斷方法研究[D];哈爾濱工業(yè)大學(xué);2016年

4 顧靚雨;復(fù)雜環(huán)境中運動目標(biāo)檢測與跟蹤算法研究[D];中國礦業(yè)大學(xué);2016年

5 張銳;基于FPGA的小型捷聯(lián)式慣性導(dǎo)航系統(tǒng)研究[D];中國民航大學(xué);2014年

6 張姍姍;基于復(fù)眼的小型高速三維跟蹤系統(tǒng)研究[D];天津大學(xué);2014年

7 邱燕平;退化故障下設(shè)備可靠性的卡爾曼濾波器預(yù)測方法[D];合肥工業(yè)大學(xué);2010年

8 葛磊;非希爾伯特空間濾波研究[D];哈爾濱工程大學(xué);2009年

9 臧曉蕾;基于卡爾曼濾波器的船用雷達(dá)運動目標(biāo)跟蹤算法研究及性能分析[D];大連海事大學(xué);2011年

10 楊丹;卡爾曼濾波器設(shè)計及其應(yīng)用研究[D];湘潭大學(xué);2014年

，

本文編號：2021713