无线传感器网络中卡尔曼滤波定位算法应用研究

发布时间：2019-11-19 11:20

【摘要】：无线传感器网络由大量具备感知能力、计算能力以及通信能力的传感器节点组成的自组织网络，广泛地应用在各个领域中。本文在研究了目前典型的无线传感器网络节点定位算法的基础上，对于当前定位算法在实际应用中所存在的问题进行分析后，提出了新的定位算法，在不改变现有的无线传感器网络节点配置的情况下，达到了提高无线传感器网络节点的定位精度的目的。本文主要围绕无线传感器节点定位算法，在不增加计算开销的前提下，实现了定位精度的提高。下面将概述本论文的主要研究内容和创新点: 1、对现有的无线传感器网络节点定位算法进行了综述，其中包括无线传感器网络的组成以及特点，相关关键技术和定位性能指标及影响因素。介绍了当前典型的无线传感器节点定位算法的原理以及这些定位算法的性能评估，并对这些典型的定位算法进行了综合分析，归纳了这些定位算法在实际的应用中存在的不足。 2、在对基于CSS(Chirp Spread Spectrum,线性调频扩频技术)的SDSTWR(Symmetrical Double-Sided Two Way Ranging,对称双向双面测距法)测距算法进行了研究和分析，并实验验证该算法具有测距误差低，测距范围广，成本较低，适用于室内和室外环境的优点。由于实际定位场景中，存在多种类未知的噪声对定位精度造成影响，本文提出了一种基于SDSTWR测距的加权最大似然估计和Kalman滤波的节点定位算法。该算法中首先利用SDSTWR测量未知节点距离锚节点之间的距离，然后采用WMLE（加权最大似然估计）将非线性的距离测量值转换成目标状态的线性观测值，最后通过使用Kalman滤波算法对目标状态的观测值进行迭代，解决因为测量噪声对于定位精度造成的影响。 3、对于提出的基于SDSTWR测距的加权最大似然估计和卡尔曼滤波算法进行了系统仿真设计，设计并实现了基于卡尔曼滤波的无线传感器网络定位系统。 4、对上述提出的算法以及设计实现的定位系统进行了实测分析，其中包括了实测环境的搭建，下位机测距数据的采集，对于传统的最大似然估计算法和加权最大算法以及本论文所提出的基于SDSTWR测距的加权最大似然估计和卡尔曼滤波定位算法进行了分析比较，通过实验验证分析，本文所提出的SDSTWR-WMLE-KALMAN算法提高了定位精度，降低了定位误差。
【图文】：

体系结构图,无线传感器网络,体系结构

传统无线网络与 WSNs 拥有不一样的设计目的，一般情况下，，在 WSNs 环境中，大部分的传感器节点都是静止不动的，部署在指定的区域中，仅有少数的传感器节点是移动的。图1.1给出了当前具备典型性的WSNs体系结构[8,9,10]，主要包括WSNs节点，传输信道，汇聚节点，Internet 和无线通信网络和信息处理中心等部分。图 1.1 无线传感器网络的体系结构图无线传感器节点[11,12]是无线传感器网络的最基本，同样也是最重要的组成单元，无线传感器节点主要包括四个部分：分别是传感器的模块，处理器的模块，能量供应的模块和无线通信的模块，如图 1.2 所示。图 1.2 无线传感器网络节点结构示意图传感器模块的作用主要是用于采集各类信息，比如温度，湿度，速度以及定

示意图,无线传感器网络,节点结构,模块

图 1.1 无线传感器网络的体系结构图11,12]是无线传感器网络的最基本，同样也是最主要包括四个部分：分别是传感器的模块，线通信的模块，如图 1.2 所示。
【学位授予单位】：湖北工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP212.9;TN929.5

【参考文献】