基于隱馬爾可夫模型的無線傳感器網(wǎng)絡(luò)非視距定位研究.pdf

1、近年來，無線傳感器網(wǎng)絡(luò)這一新興技術(shù)受到國際學(xué)術(shù)界、工業(yè)界的廣泛關(guān)注，在軍事、環(huán)境、工業(yè)等領(lǐng)域顯現(xiàn)出良好的發(fā)展態(tài)勢。其中，獲取移動節(jié)點的位置信息是無線傳感器網(wǎng)絡(luò)的基本功能。無論是在災(zāi)難救援還是在智能家居領(lǐng)域，如何精確地測算出移動節(jié)點的坐標(biāo)信息，對整個傳感器網(wǎng)絡(luò)系統(tǒng)都有著舉足輕重的作用。本文針對室內(nèi)陌生環(huán)境，研究非視距的誤差的消除策略和算法，并結(jié)合仿真實驗對其性能進行了分析。
　　針對D/TA(Detection/Tracking A

2、lgorithm)算法的不足，本文結(jié)合節(jié)點自身的運動特點，提出了一種結(jié)合了運動慣性的(Improved-Detection/Tracking Algorithm，I-D/TA)定位算法。在完善隱馬爾可夫模型(Hidden Markov Model，HMM)算法的基礎(chǔ)上，相繼提出了修正隱馬爾科夫模型(Modified-Hidden Markov Model，M-HMM)和更新修正隱馬爾科夫模型(Renewal Modified-Hidde

3、n Markov Model，RM-HMM)兩種改進的定位算法。仿真實驗表明，上述三種算法在距離估計和坐標(biāo)計算環(huán)節(jié)都有很好的效果，算法定位精度逐步提高，并具有很好的穩(wěn)定性。
　　考慮到移動節(jié)點的速度運動特點，本文提出了一種HMM與IMM混合定位算法，將其速度模型劃分為高速模型和低速模型，讓節(jié)點在移動時不斷地評估自己處于兩種狀態(tài)的概率，利用交互式多模型(IMM)對HMM定位的結(jié)果進行融合，然后以HMM算法的改進形式與IMM進行融合，

4、以達到更好的精度。仿真實驗表明，HMM與IMM混合定位算法在距離估計和坐標(biāo)計算環(huán)節(jié)都有很好的效果，所獲得的定位精度高于卡爾曼濾波、粒子濾波等其它算法，而且定位結(jié)果穩(wěn)定，具有良好的魯棒性。
　　在不同的定位環(huán)境下，HMM初值定位的條件通常各不相同。針對這一客觀事實，本文提出了一種基于粒子群(PSO）和模擬退火混合優(yōu)化算法，對HMM的初始條件進行優(yōu)化。并提出了一種降維的優(yōu)化策略在不影響精確度的情況下加快運行效率，針對傳統(tǒng)的邊界處理方式