基于Markov链优化测距的WSN节点定位技术研究
发布时间：2021-07-08 00:07
定位技术是无线传感器网络的应用支撑技术,也是研究的热点。在环境复杂的室内,外界环境的变化会引起测距误差,减小测距误差,进而提高其定位精度显得尤为重要,因为传统的测距模型不能很好地适应外界环境变化,所以本文选择具有自适应性的测距模型作为落脚点,以此开展课题研究。本文首先分析出影响信号传输不规则的两个重要因素是传输介质和设备,并分析出不同环境下的测距模型的衰减不同的特点,在分析具有自适应性的BP测距模型的基础上,提出了利用马尔可夫链修正其存在的误差,以达到优化原BP模型的目的,并结合神经网络和统计学的思想,提出了一种基于BMarkov链的测距模型,通过实验结果验证提出模型的有效性,然后以MDS-MAP定位算法为例进行定位仿真,分析影响节点定位效果的节点部署情况等因素,利用控制单一变量法设计实验,并对结果进行分析比较,验证了测距式方法的定位效果在一定程度上要优于非测距式方法的定位效果的结论,节点部署也应结合实际情况确定。本课题研究的具体内容如下:（1）首先对信号传输不规则的因素进行分析,结合不同测距模型各自的特点,分析出产生测距误差的原因和传输介质及设备这两类因素有关,...
【文章来源】：三峡大学湖北省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
受环境影响的信号传输范围的极坐标示意图
为了更好地进行后续的研究分析，下面给出对数路径损耗模型的另一种 RSSI - d 图形表示，如图 3.2 所示。图 3.2 对数路径损耗模型 RSSI - d 图对比图 3.1 中的（c）和（d）两张图，可以发现外界环境对信号传播的影响很不规则，这是由于外界环境的复杂性决定的，此时需要一种能够自适应环境变化的模型，现有的方法是结合神经网络，常用的有 BP 神经网络。3.2 BP 神经网络介绍与自适应测距模型分析BP 算法是一种反向传播的学习算法，用于前向多层网络，其算法思想可表述如下：在前向多层网络中，各人工神经元之间是相互连接的，该算法通过不断修改它们之间的连接权值，实现将输入信息变成所期望的输出信息。在修改连接权值时，利用的是该网络的实际输出与其期望的输出之差，通过反向一层一层的传播差值来决定连接权值怎样修改。BP 算法的学习过程分为前向传播和反向传播
图 3.3 三层 BP 神经网络结构图线性映射的优点，该算法可以实现一个从输层的神经网络能够以任意精度逼近任何非线性非线性映射能力[35]。BP 算法具有较强的自学习内容记忆于网络的权值中。泛化和容错能力化能力是指训练后，可以对未见过的模型进
本文编号：3270639
【文章来源】：三峡大学湖北省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
受环境影响的信号传输范围的极坐标示意图
为了更好地进行后续的研究分析，下面给出对数路径损耗模型的另一种 RSSI - d 图形表示，如图 3.2 所示。图 3.2 对数路径损耗模型 RSSI - d 图对比图 3.1 中的（c）和（d）两张图，可以发现外界环境对信号传播的影响很不规则，这是由于外界环境的复杂性决定的，此时需要一种能够自适应环境变化的模型，现有的方法是结合神经网络，常用的有 BP 神经网络。3.2 BP 神经网络介绍与自适应测距模型分析BP 算法是一种反向传播的学习算法，用于前向多层网络，其算法思想可表述如下：在前向多层网络中，各人工神经元之间是相互连接的，该算法通过不断修改它们之间的连接权值，实现将输入信息变成所期望的输出信息。在修改连接权值时，利用的是该网络的实际输出与其期望的输出之差，通过反向一层一层的传播差值来决定连接权值怎样修改。BP 算法的学习过程分为前向传播和反向传播
图 3.3 三层 BP 神经网络结构图线性映射的优点，该算法可以实现一个从输层的神经网络能够以任意精度逼近任何非线性非线性映射能力[35]。BP 算法具有较强的自学习内容记忆于网络的权值中。泛化和容错能力化能力是指训练后，可以对未见过的模型进
本文编号：3270639
本文链接：https://www.wllwen.com/kejilunwen/wltx/3270639.html
