第1章 绪论 1
1.1 研究的背景和意义 1
1.2 无线传感器网络概述 2
1.2.1 无线传感器网络的特点 3
1.2.2 无线传感器网络的关键技术 4
1.3 国内外研究现状 6
1.3.1 无线传感器网络的研究现状 6
1.3.2 无线传感器网络定位技术的研究现状 7
1.3.3 无线传感器网络修复技术的研究现状 8
1.4 主要研究内容和章节安排 9
1.4.1 主要研究内容 9
1.4.2 章节安排 10
第2章 基于TDOA的室内NLOS定位方法研究 12
2.1 基于无线传感器网络的室内定位 12
2.1.1 基本概念和术语 12
2.1.2 定位算法的分类 13
2.1.3 经典定位算法概述 16
2.1.4 NLOS定位算法概述 19
2.2 基于TDOA的NLOS检测及削弱算法研究 20
2.2.1 NLOS环境下的传播模型 20
2.2.2 基于序贯概率比检验的NLOS检测算法 22
2.2.3 基于最大联合概率的NLOS削弱算法 23
2.2.4 仿真与实验结果分析 24
2.3 基于TDOA的室内定位系统设计 27
2.3.1 室内定位系统概述 27
2.3.2 系统架构及工作原理 27
2.3.3 基于TDOA的室内定位节点硬件设计 28
2.3.4 基于TDOA的室内定位系统软件设计 32
2.3.5 定位系统的性能分析 33
2.4 本章小结 34
第3章 未知NLOS误差的移动定位方法研究 35
3.1 移动节点定位 35
3.1.1 移动节点定位算法概述 35
3.1.2 NLOS环境下移动节点定位研究现状 36
3.2 无线传感器网络移动定位滤波算法分析 37
3.2.1 Kalman滤波算法 38
3.2.2 粒子滤波算法 39
3.2.3 H∞滤波算法 40
3.2.4 NLOS误差对滤波算法影响的分析 42
3.3 基于似然矩阵校正的移动定位算法研究 44
3.3.1 测距模型 44
3.3.2 未知NLOS误差参数的似然矩阵校正算法 44
3.3.3 混合Kalman-H∞滤波算法 46
3.3.4 位置估计算法 48
3.3.5 仿真结果与分析 49
3.4 本章小结 54
第4章 基于高斯混合模型的移动鲁棒定位方法研究 55
4.1 基于EM算法的高斯混合模型 55
4.1.1 高斯混合模型 55
4.1.2 EM算法的基本原理 56
4.1.3 基于EM算法的GMM参数估计 57
4.2 概率数据关联算法 58
4.2.1 基于概率数据关联的状态估计 59
4.2.2 关联概率的计算 60
4.2.3 状态和协方差矩阵的更新 60
4.3 基于高斯混合模型的NLOS定位研究 61
4.3.1 信号模型 61
4.3.2 基于GMM的测量值概率密度估计 62
4.3.3 改进的概率数据关联滤波算法 65
4.3.4 残差加权位置的估计 66
4.3.5 仿真结果与分析 67
4.4 本章小结 71
第5章 基于二元传感器网络的多源定位方法研究 72
5.1 二元传感器网络多源定位 72
5.2 二元传感器探测模型 74
5.2.1 0/1探测模型 74
5.2.2 概率探测模型 74
5.2.3 基于Neyman-Pearson准则的探测模型 75
5.3 基于Fisher判别准则的双源定位算法研究 77
5.3.1 基于Fisher准则的传感器分类 77
5.3.2 多源WSNAP定位算法 78
5.3.3 仿真结果与分析 79
5.3.4 实验与结果分析 84
5.4 基于模糊C均值的多源定位算法研究 85
5.4.1 系统模型 85
5.4.2 基于模糊C均值算法的多源定位算法 86
5.4.3 仿真与实验结果分析 90
5.5 本章小结 95
第6章 基于能量均衡的无线传感器网络修复方法研究 96
6.1 无线传感器网络修复技术 96
6.2 网络模型的建立 97
6.2.1 节点探测模型 98
6.2.2 节点能耗模型 100
6.2.3 网络状态指标 101
6.3 基于能量均衡的网络修复算法研究 103
6.3.1 COST_MAX_MIN算法 104
6.3.2 COST_MAX_AVG算法 104
6.3.3 仿真结果与分析 105
6.4 基于PSO的网络修复算法研究 110
6.4.1 智能优化算法简介 110
6.4.2 基于LinWPSO的COST_MAX_AVG网络修复算法 111
6.4.3 仿真结果与分析 113
6.5 本章小结 115
第7章 总结与展望 116
7.1 总结 116
7.2 展望 117
参考文献 118