本文選題：無線傳感器網絡 + 自適應卡爾曼濾波器��； 參考：《南京大學》2017年博士論文

【摘要】：在無線傳感器網絡的許多應用中,例如環境監測和室內定位等,無線傳感器節點需要被部署在一個復雜的環境中。無線傳感器網絡是一種自組織類型的網絡,節點之間通常沒有固定的通信鏈路,它們是以隨機多跳的方式將采集的數據傳回給匯聚節點的。對于隨機部署的無線傳感器網絡而言,通常不知道采集數據節點的準確位置。因此,定位技術是無線傳感器網絡研究領域的熱點之一。然而,由于無線傳感器網絡部署環境的復雜性,獲得準確的節點位置仍然是一項具有挑戰性的工作。本文圍繞復雜環境下無線傳感器網絡定位研究了基于噪聲自適應卡爾曼濾波的傳感網定位精化、魯棒的傳感網噪聲自適應卡爾曼濾波定位和多徑環境下傳感網噪聲自適應卡爾曼濾波指紋定位優化這三個問題。(1)考慮到無線傳感器網絡是一種能量、計算能力、通信帶寬、成本等資源受限的網絡,通常,在節點之間最容易獲取的接收信號強度被用來確定無線傳感器網絡中節點之間的距離,進而再根據多個節點之間的相對距離獲得節點在網絡中的相對位置。然而,接收信號強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果。由于在實際的部署環境中,噪聲的統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有自適應擴展卡爾曼濾波器的無線傳感器網絡多維定標定位精化算法。然后,為了進一步提高精化的效果,我們從自適應擴展卡爾曼濾波器推導出了一種新的自適應無跡卡爾曼濾波器,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絡多維定標定位精化算法。前一種算法具有相對更小的計算復雜度,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境下無線傳感器網絡指紋定位結果的自適應指紋卡爾曼濾波器。廣泛的實驗結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卡爾曼濾波器對無線傳感器網絡定位結果的精化效果。(2)卡爾曼濾波器是通過無線傳感器節點的過程模型和測量模型來估計節點的位置、速度等狀態信息。通常,由于一些外部和內部的干擾因素,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變量。目前,如果這兩種噪聲的統計特性同時隨時間改變時,現有自適應卡爾曼濾波器估計的結果會出現較大的偏差,甚至出現濾波器無法工作失去魯棒性的情況。為了提高基于自適應卡爾曼濾波器的無線傳感器網絡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擴展卡爾曼濾波器。然后,在這個魯棒濾波器的基礎上,進一步推導出了精度更高的魯棒自適應無跡卡爾曼濾波器。另外,這兩種新提出濾波器的魯棒性被從理論上進行了嚴格地證明。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絡中的節點位置被魯棒和準確地估計。(3)目前基于自適應卡爾曼濾波器的無線傳感器網絡指紋定位研究主要是關注如何提高算法的精度和魯棒性,還很少有關于指紋定位在噪聲和多徑的環境下如何獲得最優節點位置估計的研究。因此,我們首先利用自適應卡爾曼濾波器和多目標演化算法優化了噪聲環境下的指紋定位結果。由于自適應卡爾曼濾波器只能過濾掉一部分接收信號強度的測量噪聲,所以過濾后的接收信號強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果的影響降低到最小,我們又使用多目標演化算法進一步優化了噪聲環境下的指紋定位結果。由于在多徑環境下現有RSSI(received signal strength indication)測距模型會導致優化過程中用于計算節點位置估計的指紋權重與位置權重不匹配,所以為了獲得更好的指紋定位優化結果,我們根據多徑環境下的信號強度與距離關系表達式推導出了多信道加權RSSI的測距模型。廣泛的實驗結果表明新建立的多目標演化模型和多信道加權RSSI測距模型能夠使自適應卡爾曼濾波指紋定位在噪聲和多徑環境下獲得更優的節點位置估計結果。
[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.
【學位授予單位】：南京大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP212.9;TN929.5

【相似文獻】

相關期刊論文 前10條

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

2 F.A.法魯基;R.C.戴維斯;高自功;;跟蹤目標用的卡爾曼濾波器的設計[J];國外艦船技術.雷達與對抗;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];火控雷達技術;1984年04期

4 趙希人;;卡爾曼濾波器在船用慣性導航系統中的應用[J];自動化學報;1985年03期

5 劉國慶;卡爾曼濾波器的自適應算法[J];南京化工大學學報(自然科學版);1995年01期

6 張亞平;卡爾曼濾波器實用技術研究[J];無線電工程;1997年02期

7 秦吉,張翼鵬;現代統計信息分析在安全工程方面的應用——卡爾曼濾波器基本知識[J];工業安全與防塵;1999年04期

8 喬蕓,樊錫德;鎖相環與卡爾曼濾波器[J];現代電子技術;2001年04期

9 葉 斌,徐 毓;強跟蹤濾波器與卡爾曼濾波器對目標跟蹤的比較[J];空軍雷達學院學報;2002年02期

10 盛三元 ,王建華;基于多傳感器信息融合技術的聯合卡爾曼濾波器的設計及應用[J];情報指揮控制系統與仿真技術;2002年02期

相關會議論文 前10條

1 李明;楊洪耕;劉立生;;新型自適應卡爾曼濾波器作動態諧波估計[A];2004年電力電容器學會論文集[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[A];1997中國控制與決策學術年會論文集[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(英文)[A];第七屆海峽兩岸工程力學研討會論文摘要集[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用[A];中國聲學學會2006年全國聲學學術會議論文集[C];2006年

5 張勇軍;李小占;楊志剛;;動態優化漸消因子的強跟蹤卡爾曼濾波器研究[A];中國自動化學會控制理論專業委員會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];中國聲學學會第九屆青年學術會議論文集[C];2011年

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

8 張建偉;伍蔡倫;謝松;;卡爾曼濾波器在RTK處理中的應用[A];第三屆中國衛星導航學術年會電子文集——S08衛星導航模型與方法[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屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

10 顧明武;陳熙源;;RBFNN輔助卡爾曼濾波器在GPS/SINS組合導航中的應用[A];2008年船舶通信導航學術年會論文集[C];2008年

相關博士學位論文 前3條

1 王思思;自適應容積卡爾曼濾波器及其在雷達目標跟蹤中的應用[D];大連海事大學;2015年

2 陸詩遠;基于WSN的分布式傳感器系統關鍵技術研究[D];浙江大學;2016年

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

相關碩士學位論文 前10條

1 張巍;卡爾曼濾波器在帶寬測量中的應用[D];電子科技大學;2015年

2 李方良;基于NI myRIO的四旋翼飛行器的設計與研究[D];太原理工大學;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];哈爾濱工業大學;2016年

4 顧靚雨;復雜環境中運動目標檢測與跟蹤算法研究[D];中國礦業大學;2016年

5 張銳;基于FPGA的小型捷聯式慣性導航系統研究[D];中國民航大學;2014年

6 張姍姍;基于復眼的小型高速三維跟蹤系統研究[D];天津大學;2014年

7 邱燕平;退化故障下設備可靠性的卡爾曼濾波器預測方法[D];合肥工業大學;2010年

8 葛磊;非希爾伯特空間濾波研究[D];哈爾濱工程大學;2009年

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

10 楊丹;卡爾曼濾波器設計及其應用研究[D];湘潭大學;2014年

，

本文編號：2021713