无线传感器网络中RSSI定位算法的自校正参数研究

摘要

无线传感器网络(Wireless Sensor Networks，WSNs)是由大量具有通信和计算能力的微型传感器节点，以无线的方式连接构成的自治测控网络;对于无线传感器网络的许多应用和网络服务来说，将感知到的信息和相应的节点位置相结合是至关重要的，例如在军事、航空、反恐、防爆、救灾等场景中的应用;因此，未知位置的传感器节点感知的数据信息是没有意义的。而对节点间的距离的测量准确性直接影响了无线传感器网络定位算法的精度和可靠性。在无线传感器网络中，常用的测量节点间距离的方法主要有TOA(Time of Arrival)、TDOA(Time Difference of Arrival)、RSSI(ReceivedSignal Strength Indicator)及TOF(Time of Light)等;本文通过对RSSI定位算法的相关特性的研究以及对实验中的大量的仿真数据的进行分析，提出一种基于RSSI定位技术与数据聚类分析相结合的方法，该方法计算出自校正参数融入RSSI定位算法中解决了单一RSSI定位算法定位精度不高，误差较大的问题，通过MATLAB仿真也验证了本文提出的自校正参数方案能有效降低RSSI定位算法的定位误差，提高定位精度。
　　本文根据国内外对无线传感器网络的最新研究进展，重点综述了基于测距的无线传感器网络定位算法的研究现状，及无线传感器网络中基于测距与非测距定位算法的优缺点。其次，本文根据无线传感器网络的结构和特点，重点阐述和分析RSSI的定位算法在实际应用中存在的问题，并提出一种通过某种自校正参数融入到网络中传感器节点的位置信息的计算中，达到降低基于RSSI定位算法的测距误差，提高测距精度。因此，本文利用数据挖掘中的一个非常活跃的研究领域:聚类分析对实验过程中产生的多组的大量的实验数据进行数据分析，求解出同一节点位置的误差集合的最优解即误差参数，将其定义为自校正参数并将其融入定位算法，提高基于RSSI定位算法的定位精度。
　　本文介绍两种方案对实验的仿真数据进行聚类分析:(1)基于RSSI定位算法融合K-means数据分析;(2)基于RSSI定位算法融合层次聚类数据分析。两种方案计算出稳定的误差值，并定义为自校正参数融入到基于RSSI的定位算法中，从而达到提高RSSI定位算法的定位精度。最后，将自校正参数融入到定位算法中进行仿真实验，并且与单一未融合校正参数的RSSI定位及DV-Hop未融合校正参数的定位算法进行定位误差及精度比较，仿真结果表明:融合了校正参数的单一的RSSI定位算法的定位误差明显小于相同条件下未融合校正参数的定位算法，同时，融合了校正参数的定位算法的定位误差具有更高更稳定的收敛性。

目录

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 论文主要内容

1．4 本章小结

第二章 无线传感器网络的定位技术

2．1 无线传感器网络定位技术简介

2．2 基于非测距的定位技术

2．2．1 质心定位技术简介

2．2．2 DV-Hop算法简介

2．2．3 APIT算法简介

2．3 基于测距的定位技术

2．3．1 基于时间到达和时间差的测距技术

2．3．2 基于到达角度的测距技术

2．3．3 基于信号强度的测距技术

2．3．4 基于测距的定位算法

2．4 本章小结

第三章 基于RSSI定位技术与数据聚类分析

3．1 基于RSSI的测距模型分析

3．1．1 自由空间中的传播模型与对数．常态传播模型

3．2 数据滤波处理

3．3 数据聚类分析算法

3．3．1 数据分析常用方法

3．3．2 K-means聚类算法

3．3．3 Hierarchical cluster聚类算法

3．4 本章小结

第四章 基于RSSI定位技术融合聚类算法

4．1 基于RSSI定位算法融合K-means数据分析

4．2 基于RSSI定位算法融合层次聚类数据分析

4．2．1 距离属性规范

4．2 本章小结

第五章 实验结果与分析

5．1 仿真实验参数与设置

5．2 仿真实验结果与分析

5．2．1 基于RSSI定位技术融合K-means聚类算法实验分析

5．2．2 基于RSSI定位技术融合层次聚类算法实验分析

5．2．3 分析对比提出的两种基于RSSI融合聚类算法的定位算法

5．3 本章小结

总结与展望

总结

展望

参考文献

攻读硕士学位期间发表的学术论文

声明

致谢