基于MDS技術與MCL方法的無線傳感器網(wǎng)絡移動節(jié)點定位算法

無線傳感器網(wǎng)絡WSN(Wireless Sensor Networks)綜合了無線通信技術、傳感器技術、嵌入式計算技術和分布式信息處理技術，已經(jīng)成為當前國際上備受關注的、多學科高度交叉、知識高度集成的前沿研究領域[1]。通過部署大量傳感器節(jié)點至目標區(qū)域，WSN將改變人們與客觀世界的交互方式，其在環(huán)境監(jiān)測方面的應用尤其具有廣泛前景[2]。
鑒于WSN的應用背景，定位技術成為實現(xiàn)其功能的關鍵技術之一，如何使定位指標達到最優(yōu)始終是WSN定位算法的研究目標。
近年來，對WSN定位問題有了許多新穎的思想和解決方案，但多是針對解決固定節(jié)點的定位問題。若將這些算法應用于移動節(jié)點的定位，雖然也可以通過每隔一段時間的更新來進行定位，但節(jié)點的移動性會導致算法的定位精度降低。雖然移動性給節(jié)點定位帶來了困難，但也可以利用其來提高定位精度。參考文獻[3]提出了一種基于MCL（Monte Carlo Localization）的移動節(jié)點定位算法，其核心思想是在貝葉斯濾波位置估計基礎上，用若干個帶權重的采樣點來描述移動節(jié)點在布置區(qū)域的可能位置分布。
多維定標技術MDS（Multidimensional Scaling）是一種運用于心理學領域的技術，后由Shang等人引入WSN定位技術中[4]。基于MDS技術的定位算法在不需要知道節(jié)點間測量距離的情況下，可以充分利用節(jié)點間連通性信息，在即使沒有錨節(jié)點的情況下也可以得到節(jié)點的相對位置坐標。
本文提出一種MDS-MCL定位算法，通過結合MCL和MDS-RC[5]兩種方法，得到一種新的移動節(jié)點定位算法。通過將MDS-RC定位算法引入MCL算法，在定位過程中利用MDS-RC定位算法給出的定位位置作為新的限定條件進行濾波，保留更接近節(jié)點真實位置的預測樣本，提高節(jié)點定位精度。
1 MDS-MCL定位算法
本文提出的MDS-MCL算法，主要是通過在過濾階段利用MDS-RC算法給出的定位結果作為新的限定條件，濾除預測樣本，以達到提高精度的目的。
1.1 引入新的濾波條件
MDS-RC定位算法是一種應用在大規(guī)模固定節(jié)點定位問題中的算法，通過對節(jié)點間最小路徑賦予權值的方法來提高算法的整體定位精度。在大規(guī)模的網(wǎng)絡中使用時，該算法的整體定位效果較好，但不排除出現(xiàn)個別節(jié)點誤差較大的情況。在大規(guī)模網(wǎng)絡中，由于整體定位精度較高，所以即使個別節(jié)點的定位誤差較大，也不會影響算法整體的定位效果。但將這種算法應用于單一節(jié)點的定位時，這種偶然出現(xiàn)的較大誤差對于最終定位結果的影響較大，必須進行處理。
在MDS-MCL定位算法中，會對MDS-RC得到的定位結果進行判斷，根據(jù)不同的情況采取不同的濾波方式，從而避免偶然出現(xiàn)的大誤差對最終結果造成影響。算法的具體流程如圖1所示。

算法的初始化主要是進行循環(huán)次數(shù)k和預測樣本總數(shù)N的設定。
如圖1所示，在每一時刻的定位過程中，首先根據(jù)周圍一跳范圍內的信標節(jié)點信息，根據(jù)MDS-RC算法，得到初步定位位置ot。然后根據(jù)ot是否在最大移動速度范圍內對預測樣本進行處理。

過濾階段的詳細處理方法如下：
第一種情況：如果算法的定位位置ot在最大移動速度范圍內，則根據(jù)ot進行濾波。在生成的N個預測位置中，計算其與ot的距離，將這些距離與前一次保留的預測樣本進行比較，保留N個與ot最近的樣本，然后進行下一次循環(huán)。
第二種情況：如果算法的定位位置ot在最大移動速度范圍外，用另一種方法對位置進行修正。在使用MDS-RC算法進行定位時，會利用到周圍一跳范圍內的信標節(jié)點。對預測樣本中的每一個位置，統(tǒng)計在其通信范圍的本次定位中利用到的信標節(jié)點數(shù)，然后與前一次保留的預測樣本進行比較，保留N個信標節(jié)點數(shù)最多的樣本，然后進入下一次循環(huán)。
通過結合MDS-RC與MCL方法對移動節(jié)點進行定位，可以避免單一方法中偶然出現(xiàn)的較大誤差。
另外，MDS-MCL算法與MCL算法另一點不同的是，在每一次濾波中保留N個最符合要求的預測樣本，而不是嚴格刪除所有不符合要求樣本。通過這一點修改，可以保證算法在規(guī)定次數(shù)的循環(huán)內得到足夠數(shù)量的預測樣本，從而將算法的計算時間控制在一定范圍內。
1.2 參數(shù)與算法表現(xiàn)的關系
在MDS-MCL算法中，有兩個初始參數(shù)：循環(huán)次數(shù)和預測樣本數(shù)。為了使算法的性能達到最優(yōu)，下面通過仿真實驗考察這兩個參數(shù)對定位誤差和計算時間的影響。