无线传感器网络数据收集与节点定位关键技术研究

论文摘要

无线传感器网络(Wireless Sensor Networks, WSN)是目前IT领域中的研究热点之一,美国商业周刊和MIT技术评论在预测未来技术发展报告中,将之列为21世纪最有影响的21项技术和改变世界的10大技术之一。WSN具有规模大、自组织、动态性、可靠性、应用相关和以数据为中心等特点,能应用于军事、环境观测、预报系统、医疗护理、智能家居、建筑物状态监控等领域。当前,人们在传感器网络通信协议、支撑技术以及应用技术等方面展开了大量的研究工作,取得了众多研究成果[1]。本文研究了无线传感器网络数据收集问题中拥塞公平性控制与面向网络寿命最大化优化策略;RSSI指纹库定位算法的精度问题与移动节点的定位问题。具体工作如下:第一,针对传感器网络的拥塞公平性控制问题,提出了基于事件信息量的公平性控制算法EFFRC,实现了数据的有效传输。其基本思想是:根据传感器网络以事件为中心的特点,计算节点包含的潜在事件信息量,并以其为权重进行带宽分配,避免了传统的以数据量为权重而带来用有限带宽资源传输冗余数据的问题。在计算节点的事件信息量时,为获取事件全貌,节点包含信息量与节点映射的事件面积成正比,提出了一种基于事件面积信息量近似算法,通过区域细分,将任意形状的事件区域大小的计算转换为若干四边形区域大小的求和,最终实现事件有效信息量的计算。第二,针对以寿命最大化为目标的异构分簇网络传输能量消耗问题,提出了一种精细的网络能量消耗模型,以及基于该模型的多跳与单跳传输的比例分配算法,有效延长了网络寿命。其基本思想是:基于圆环能量消耗模型,进一步分析节点在数据传输中能量消耗的不均衡性,建立面向数据收集中节点能量消耗不均衡特征的精细模型;在该模型基础上,通过优化网络节点部署参数以及传输中单跳与多跳的比例,利用单跳多跳的混合传输,达到延长网络寿命的目的。第三,针对RSSI指纹库定位技术的定位精度问题,提出了基于CPN神经网络的指纹库细化粒度算法CBFIA,有效提高了定位精度。其基本思想是:根据RSSI的空间相关性特点,改进传统的CPN神经网络,构造RSSI向量与位置坐标的映射关系,通过非采样方法计算出细粒度的定位指纹,达到提高定位精度的目的。第四,针对移动传感器节点定位问题,提出了运动模型和测距相结合的移动节点自定位算法DMMPLA,用以提高定位精度,减小计算量。其基本思想是:由于移动节点受环境中各种因素干扰,采用运动状态方程对移动节点位置进行预测误差较大;为减小误差,通过无线测距手段对位置信息进行修正,将移动节点的自定位问题转化为状态估计问题求解,在求解状态方程时,将噪声与状态估计子建模为博弈双方,通过求解博弈双方的鞍点来获得状态方程的解,达到移动节点定位的目的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 无线传感器网络概述
• 1.1.1 研究背景
• 1.1.2 传感器网络的体系结构
• 1.1.3 传感器网络的特点
• 1.1.4 传感器网络的应用
• 1.1.5 关键技术
• 1.2 传感器网络数据收集与定位技术
• 1.2.1 数据收集
• 1.2.2 节点定位
• 1.2.3 数据收集与定位技术的研究难点
• 1.3 本文的主要工作
• 1.3.1 拥塞公平性控制
• 1.3.2 网络寿命最大化
• 1.3.3 RSSI 指纹库定位精度
• 1.3.4 移动节点自定位
• 1.4 本文的创新点
• 1.5 全文组织
• 第二章 相关研究分析
• 2.1 拥塞控制
• 2.2 网络寿命最大化
• 2.3 静态节点定位
• 2.4 移动节点定位
• 第三章 拥塞公平性控制研究
• 3.1 引言
• 3.2 公平性问题分析
• 3.3 任意形状区域面积计算方法
• 3.4 节点潜在事件区域面积的计算
• 3.5 性能模拟与分析
• 3.5.1 报文传送率
• 3.5.2 算法能耗比较
• 3.5.3 能量有效性
• 3.6 小结
• 第四章 面向网络寿命最大化优化策略研究
• 4.1 引言
• 4.2 网络模型
• 4.2.1 网络模型
• 4.2.2 问题描述
• 4.3 簇内节点的最佳发射半径
• 4.3.1 簇内节点承担数据量分析
• 4.3.2 簇内节点最佳发射半径的确定
• 4.4 最佳簇半径
• 4.5 异构网络的能量均衡的优化分析与最佳取值计算
• 4.6 基于多跳与单跳混合的网络性能优化策略
• 4.6.1 策略思想
• 4.6.2 多跳与单跳混合优化算法
• 4.7 结果分析与计算实例
• 4.8 小结
• 第五章 基于 RSSI 指纹库的定位技术研究
• 5.1 引言
• 5.2 RSSI 定位算法分析
• 5.2.1 RSSI 指纹定位算法
• 5.2.2 传统指纹库生成方法
• 5.2.3 RSSI 空间相关性分析
• 5.3 指纹库细化粒度算法
• 5.3.1 已知位置点采样
• 5.3.2 构建位置与特征向量的映射关系
• 5.3.3 细化粒度过程
• 5.4 实验与评估
• 5.5 小结
• 第六章 移动节点自定位技术研究
• 6.1 引言
• 6.2 移动节点运动模型
• 6.3 移动节点运动状态的观测
• 6.4 定位过程求解
• 6.4.1 噪声建模
• 6.4.2 计算过程
• 6.4.3 算法复杂性分析
• 6.5 实验结果与分析
• 6.6 小结
• 第七章 结束语
• 7.1 论文工作总结
• 7.2 展望
• 致谢
• 参考文献
• 作者攻读博士期间取得的学术成果
• 作者攻读博士期间主持的科研项目