毕业论文_基于声音能量的无线传感网络定位算法

内蒙古工业大学本科毕业设计说明 （ 二 〇 一 三 年 六 月 摘 要 无线传感器网络在当今社会起着非常重要的作用。而传感器节点的位置对整个应用又起着很大的作用，节点所采集到的信息必须与节点的位置结合才有意义，否则所采集的数据便毫无意义。因此定位是无线传感器网络必备的功能，也是无线传感器网络的核心技术。 本文首先对无线传感器网络相关知识作了简单的介绍，包括声音能量的传播规律和无线传感器网络的几种算法，距离相关算法。 接着详细介绍了几种距离相关定位算法。设计主要针对三边定位算法和极大似然估计算法展开，在认真了解这两种算法后，分析其定位过程、定位方法、及定位误差。 最后利用matlab仿真软件对接收到的声音能量和定位算法进行仿真验证，并将两种算法的定位误差进行比较，从而得出，基于声音能量的无线传感器网络定位算法的两种算法中极大似然估计算法更好一点的结论。 关键词：无线传感器网络；三边定位算法；极大似然估计算法；matlab Abstract Wireless sensor network plays a very important role in today's society. And the position of the sensor nodes in the entire application plays a big role, node to collect information and the position of the node must be combined with meaningful, otherwise the data is meaningless. So the orientation is essential for wireless sensor network function, the core technology and wireless sensor network. Firstly, wireless sensor network related knowledge are introduced, several algorithms including the sound energy propagation and wireless sensor network, distance correlation algorithm. Then introduces the range-based localization algorithm. The design for the three main edge location algorithm and the maximum likelihood estimation algorithm, in the understanding of these two algorithms, analysis of its positioning, positioning method, and the positioning error. Finally, the simulation of the sound energy received and positioning algorithm using MATLAB simulation software, and the positioning error of two algorithms are compared, thus obtained, is more better conclusion MLE two algorithms for wireless sensor network localization algorithm based on acoustic energy. Keywords: wireless sensor network; three edge location algorithm; maximum likelihood estimation; MATLAB 目录 1 第一章 绪论 11.1 课题研究的背景和意义 11.2 无线传感器网络国内外研究现状 21.3 基于声音能量的无线传感器网络目标定位简介 31.4 定位算法评价指标 41.5 本章小结 5 第二章 声音能量的传播规律及适用算法的分析 52.1 声音的基本概念及其传播规律 52.2 声音能量衰减模型及算法的提出 62.3 基于声音能量衰减模型提出WSN定位技术 62.3.1 常用测距方法 72.3.2 常用的定位计算方法 72.4 定位算法设计的注意问题 82.5 算法的流程图及设计思路 82.5.1 算法的流程图 82.5.2 设计思路 92.6 本章小结 10 第三章 无线传感网络目标定位算法 103.1 论文定位算法介绍 103.2 三边测量法 113.3 极大似然估计法 133.4 比较综合两种定位算法的优劣 133.5 本章小结 14 第四章 基于声音能量的无线传感网络定位算法仿真 144.1 实验环境 144.2 采集声音能量进行分析 164.3 背景噪音均值为0，差为1环境下两种算法定位图 174.4 不同定位算法误差分布仿真 184.5 本章小结 19 结论 20 参考文献 22 谢辞 23 附录 第一章 绪论 1.1 课题研究的背景和意义 随着无线传感技术的快速发展和日趋成熟，无线通信技术也发展到一定的程度，其发展的技术越来越成熟、快速，方向也越来越多，同时也越来越重要。大量的应用开始采用无线技术进行数据采集和通信传输[1]。无线传感技术、传感网络已经被认定为重要的研究内容之一。值得庆幸的是，WSN技术在中国找到了发展机会。政府引导、研究人员推动和企业的积极参与大大加快了WSN技术的市场化进程，中国必将在WSN技术和市场推进中发挥重要作用[2]。 无线传感网络是一种开创了新应用领域的新兴概念和技术。无线传感器网络节点的稳定运行是整个网络可靠性的重要保障。低功耗无线传感模块研究具有极其重要的学习和研究价值，其功能的实现具有极其重要的理论和现实意义。首先，现有的众多研究中，将性能和低功耗相结合的较少，有的只考虑低功耗而性能不高，有的性能高但是功耗太大[3]。其次，增加无线传感模块的应用。无线传感模块应用已非常广泛，除去组成无线传感网络的应用外，无线传感技术还广泛的应用于环境监测，如车间温湿度、短距无线通信等。克服了这些困难，无线传感器网络将会发挥巨大的功能。 1.2 无线传感器网络国内外研究现状 无线传感器网络在许多国家的军事和民用的各个领域都具有十分广阔的应用前景，它的出现引起了许多国家越来越大的兴趣以及挑战。许多国家都非常重视无线传感器网络的基础理论和应用研究[4]。 从国外的研究现状来看，美国是最早开始研究无线传感器网络技术的国家，美国国防部和军方近年来投入了巨资，在一些著名的高校、研究机构和企业公司，开展一系列满足军方作战须取得无线传感器网络技术和应用研究的活动，研究的重点主要集中在各种军用侦察和监视技术与系统，如“智能微尘”（SmartDust）、“无线综合网络传感器”（WINS）、“传感器信息技术”（SensorIT）、“沙地直线系统”（A Line in the Sand）等。WSN网络是面向应用的，贴近客观世界的网络系统，其产生和发展一直都与应用相联系。多年来经过不同领域研究人员的演绎，WSN技术在军事领域、安全监控、环保监测、建筑领域、工业监控、智能交通、自由空间探索、智能家居等领域的应用得到了充分的肯定和一定的应用[5]。 在中国：中科院的微系统所主导的团队积极开展基于WSN的边境防御系统的研发和试点，已取得了阶段性的成果。现在，无线传感器网络在人们的生活应用中已经起了积极地作用。比如：（1）在环境监控和精细农业方面，WSN系统应用最为广泛，英特尔公司建立了世界上第一个无线葡萄园，这是一个典型的精准农业、智能耕种的例子；中国杭州齐格科技有限公司与浙江农科院合作研发了远程管理决策服务平台，该平台利用了无线传感器技术实现对农田温室大棚温湿度、露点、光照等环境信息的监测；（2）在民用安全监控方面，英国的一家博物馆利用无线传感器网络设计了一个报警系统，他们将节点放在珍贵文物或艺术品的底部或背面，通过侦测灯光亮度的改变和振动的情况，来判断展览品的是否安全；中科院在故宫博物院实施的文物安全监控系统也是WSN技术在民用安防领域中的突出应用；2004年，哈工大在深圳地王大厦实施部署了监测环境噪声和震动加速度响应测试的WSN网络系统；（3）在医疗监控方面，英特尔公司目前正在研制家庭护理的无线传感器网络定位系统，作为美国“应对老龄化社会技术”的一项重要内容；在对特殊医院(精神类或残障类)中病人的位置监控方面，WSN也有巨大的应用潜力；（4）在工业监控方面，中国西安成峰公司与陕西天和集团合作开发了矿井环境监测系统和矿工井下区段定位系统，这样使得无人监控安全既准确又能减少事故的发生；（5）在智能交通方面，美国交通部提出了“国家智能交通系统项目规划”，预计到2025年全面投入使用，该系统综合运用大量传感器网络，配合GPS系统等，实现对交通车辆的优化调度，并为个体交通推荐最佳的行车路线服务，目前在美国的一些城市已经建有这样的智能交通信息系统[6]。 总的来说，无线传感器网络以其独特的优势已经在世界各地逐步地显现出来，鉴于当前的使用和研究情况，相信无线传感器网络技术在未来的几十年内将会被应用于更广阔的领域。 1.3 基于声音能量的无线传感器网络目标定位简介 目标定位技术是利用无线传感器网络节点分布式协作进行工作的一个重要应用，它利用网络内多个传感器节点检测的目标信息进而估算出某一时刻该定位目标的具体位置[7]。 本文主要讨论声音能量的目标定位方法，基于声音能量的目标定位相对于其他目标定位来说特点有：(1)不因视线和能见度而影响定位：声音定位系统可以在晚上、阴雨天、雾霾天和下雪天工作，具有全天候工作的优点；(2)易隐蔽，有较强的保密性：声音定位系统不受电磁波的干扰，也不易被无线电测量；(3)普遍存在于常见的目标和常见的监测目标中：许多目标的出现都伴有不同的频率、幅值的声音，声音目标定位在实际应用中更具普遍性；(4)用以目标定位的声音能量传感器成本低，能耗小：常见的声音传感器有驻极体麦克风、硅麦克风等，其价格相对于其他传感器要低，功耗也较少；（5）声音能量易检测、易分辨：可以通过不同频率、幅值及具体坏境因素分析目标位置[8]。 在诸多基于声音能量的定位算法中，本文在大的方面选择了声音能量在接收信号时强度强弱的定位。而在基于接收信号声音能量强度的定位算法中，又选择了基于测距的定位算法进行研究。根据声音传播的规律，寻找一个适合声音能量传播的合理模型，此模型反映了节点检测的声音能量强度与其目标节点之间距离的关系，根据此模型可以通过多个节点的检测值估算出定位目标的位置，这种算法对节点的数量和分布密度要求相对来说较低，更适合于实际应用，所以本论文研究的是基于声音能量强度中基于测距的无线传感器网络目标定位问题。 1.4 定位算法评价指标 1.定位误差与定位的精度：定位误差指经算法定位未知节点的坐标与实际坐标之间的误差。误差值越大，定位精度越小，定位也越不准确；2.网络规模：一种定位技术在给定的一段时间内或一定数量的基础设施时，能够定位目标的多少；3.节点密度：指单位面积上的节点数。节点密度影响整个网络的开销、网络的连通性，从而影响定位算法的精度。在保证定位精度的基础上，尽量降低信标节点密度以减少网络成本；4.容错性和自适应性:无线传感器系统或者定位算法需具有较高的容错性和自适应性，能够通过自身调整或者重构来纠正错误、适应环境、减少各种误差的影响、提高定位精度；5.功耗：定位算法的功耗大小直接影响定位网络系统的寿命长短，定位时产生的功耗开销，节点之间相互通信时产生的功耗开销，以及传感器网络节点存储信息时所产生的功耗开销，功耗越大，定位系统的寿命就越短，所以应该尽量设计耗能低的定位系统；6.代价：节点定位算法的代价主要由时间代价、空间代价、能耗代价和资金代价[9]。 以上指标间相互关联，不仅是设计网络的考虑因素，在后期网络优化，网络更新中也需着重考虑。 1.5 本章小结 本章主要介绍了无线传感网络的研究现状、发展情况及定位方法的评价指标。 第二章 声音能量的传播规律及适用算法的分析 2.1 声音的基本概念及其传播规律 大部分声音的发出都来源于物体的振动。描述声波的最常见的基本物理量是声压、声功率和声强。 (1)声压Pe：它是介质受扰动后产生的逾量压强，单位是帕斯卡(Pa)。 (2)声功率W：单位时间内通过垂直于声传播方向面积的声能量称为声功率，单位瓦特(W)，它和声压的关系如式W=Pe2S/PoCo其中，Pe为声压，S为垂直于声传播方向的面积，PoCo为空气的特性阻抗率一般取值为400 Ns/m3。 (3)声强I：单位面积上的平均声功率称为声强，单位为W／m2，它和声压的关系如式I= Pe2/ PoCo，其中，Pe为声压，PoCo为空气的特性阻抗率。 声压的测量比较易于实现，而且通过声压的测量也可以间接求得其他声学参量，所以实际中声音传感器大多都是检测声压值，声音传感器的参数中会提供灵敏度参数，灵敏度是麦克风在单位声压激励下输出的电压值，其单位是mV／Pa或V／Pa。灵敏度也经常用分贝示，灵敏度分贝值与灵敏度值的关系如式：灵敏度分贝值Db=20lg灵敏度值mV/Pa／0dB对应的灵敏度值。其中，多数声音传感器的参数中规定0dB对应1V／Pa。这样根据检测的电压值和传感器的灵敏度就可以得出检测的声压值，从而可以求得其他声学参量[10]。 2.2 声音能量衰减模型及算法的提出 声音能量衰减模型是基于声音能量强度的目标定位算法的基本研究目标,目标计算模型决定了定位的准确程度。我们知道，声音信号的能量与它传播距离的平方成反比，目标定位算法就是利用声音的传播的这个特点来计算目标的位置[11]。将节点监测到的电压值转化为声音能量值,代入模型估算出声源的位置,从而实现目标定位估计。具体化这一模型：假设在某一时刻t声源目标进入了由n个声音传感器节点组成的无线传感器网络,理论上认为目标源均匀地向四周发射声音信号能量,这样,第i个传感器节点在时刻t检测到的声音信号能量可以表示为式： Yi（t）=si(t)+i(t)，i=1,2,3… （2-1） si(t)：t时刻目标值因能量传播到节点i衰减后的能量值 i(t)：t时刻节点i的背景噪音能量值，一般认为气均值为0，方差为2 Yi（t）：t时刻节点i实际测得的能量值 在具体的测量过程中，忽略一些数据的影响，就可以写出声音能量衰减模型的最终公式，替换si(t)，得公式为： Yi（t）=gis（t）/di2（t）+i(t)，i=1,2,3… （2-2） 其中gi：节点i的噪音影响系数（取1）； s（t） ：t时刻声源能量（取10000）； di（t）：节点i与生源目标之间的距离； i(t) ：t时刻节点i的背景噪音能量值（均值为0，方差为1）。 值得注意的是，以上计算节点接收到的声音能量的算法是在忽略了一定的因素之后得出的，（1）在不同采样节点接收信号时，目标源的声音突变使得接收信号不准确，我们一般认为采样的频率很高，可以忽略这一点;（2）当声源离墙面或山比较近时，这些障碍物都会吸收声音能量导致节点采集信息有误差，当节点离目标生源非常近的时候就不能把它当做一个点来看待。然而，传感器有多点协作的的特点，同时，传感器接收到信号的时间一般比声源变化得快，所以，为了使目标定位算法简洁而又不影响大的计算面，还是可以适当的忽略这些细小的干扰;（3）在具体的节点接受能量计算过程中，本文尽量会在不影响定位结果的情况下精简计算量，降低计算复杂度[12]。 2.3 基于声音能量衰减模型提出WSN定位技术 上式中通过将每个声音传感器节点检测到的电压值转化为声音能量值，通过声音信号的能量与它传播距离的平方成反比这一结论可以就此算出各节点的位置，利用适当算法进而可以求出目标节点位置，以下就是对算法具体分析研究。 2.3.1 常用测距方法 1.接收信号强度（Received Signal Sterength Indicator，RSSI ）指示法：接收机通过测量射频信号的能量来确定与发送机的距离。RSSI有传感器节点标准功能，实现起来简单，且对节点的成本和功耗无影响，因此这个方法早已被采用，缺点是在被遮盖或折射会引起严重的测量误差[13]。 2.到达时间（Time of Arrival，TOA）法:通过测量信号的传输时间来估计两节点间距离。优点是要求精度较高，缺点是无线信号的传输速度快，时间测量过程中很小的误差都可能导致很大的距离误差，其次也要求传感器节点的计算能力强[13]。 3.到达时间差（Time Difference of Arrival,TDOA）法:测量不同接收节点接收到的同一个发射信号的时间差，进而进行计算。此方法比到达时间法要准确与好用些，因为它对时间的精准度与计算能力要求较低一些[13]。 4.到达角（Angle Of Arrival，AOA）法:通过配备天线阵列多个接收器来估测其他节点发射的无线信号到达的角度。此算法需要硬件的结合，在功耗和体积上面对定位节点提出了更高的要求[13]。 2.3.2 常用的定位计算方法 1.三边定位方法：设有三个节点坐标，未知节点坐标与这三个坐标距离公式进行整合计算就可以估算出未知节点坐标的坐标。其优点为计算方便简单，需要定位的节点较少，但是定位的精度、准确度较低。 2.三角定位法：已知三个节点坐标，通过与未知节点坐标角度的确定可以画出三个以三点为圆心的图形，再根据三边测量算法算出具体的未知点坐标。缺点为较为复杂。 3.极大似然估计(ML)法：将似然函数达到最大值时的参数最为参数的估计值。此方法计算过程稍微繁琐点，但是其计算的精度是非常高的。 2.4 定位算法设计的注意问题 WSN的定位算法有很多，但是非常完美的算法几乎没有，在具体的实际应用中，设计及选用算法时要根据以下的几个因素进行考虑分析。无线传感网络需要用电池供电，所以选择算法和相关的硬件时应该尽量选取耗能小的，并且尽量选择节点占用空间少并且定位较准确的。同时，要想在无线传感器网络这个领域走的更好更远，就需要将定位与路由器、时间同步、数据融合等技术结合起来，分工合作，才可以将各自的长处发挥到最大，才会在定位应用中占据不败的位置[14]。 另外，不同的定位算法在不同的外界因素下都有其各种的优缺点，所以在具体的实际应用过程中，根据情况选择设计相应的定位算法也是至关重要的。 最后，提出的重要的一点就是，定位节点的密度对定位算法的精确度的影响对于不同的算法影响程度是不同的。在节点耗费较大的情况下，对于某些定位算法适当的增加一些节点会大大的提高定位的精度[15]。 2.5 算法的流程图及设计思路 2.5.1 算法的流程图 否 是 图2.1算法分析流程图 其算法流程设计步骤：1.在100×100 的单位中，按均匀分布方式布置n个节点，作为信标节点；2.在该区域内，随机分布若干节点为未知节点；各未知节点向周围发送声音信息，搜索自身通信范围内的信标节点；3.测算该未知节点与信标节点的距离；4.每个未知节点计算出与其通信的信标节点的坐标；其坐标作为该未知节点的初次估算位置；5.在图中标出该未知节点对应的坐标；6.运用定位算法进行计算，满足条件算出结果，不满足条件从新采集计算定位[16]。 2.5.2 设计思路 图2.2 设计思路流程图 2.6 本章小结 本章分析了声音传播规律，提出了声音能量衰减模型，计算了节点接收信号的能量值算法，又根据声音信号的能量与它传播距离的平方成反比而确定了节点与目标声源的位置关系及坐标来分析了定位算法。 第三章 无线传感网络目标定位算法 3.1 论文定位算法介绍 无线传感器网络的节点定位算法一般分为与距离无关和距离相关两种算法，典型的距离相关算法有AHLo，RADAR, Cricket等，典型的距离无关定位算法有DV-HOP算法，质心定位算法，APIT等。经过研究算法，出于对时间和认知程度的综合分析，本文着重讨论两种定位算法并对其进行研究、分析、仿真，既三边定位算法与极大似然定位算法。选择这两种算法主要是基于三边定位算法易分析，通俗易懂，而极大似然算法虽较三边定位算法计算复杂了一些，但是它的定位精度高[17]。 3.2 三边测量法 多变测量方法是声音能量定位方法的前提，而多变测量法方法又是从三边测量方法引申而来的。三边测量法的理论依据就是：在一个平面上，已知目标节点到其它三个节点的距离，并且这三个点的坐标也是已知的，那么我们可以根据这三个点到目标节点的距离进行了方程组并且计算出目标节点的坐标[18]。 节点A,B,C为信标节点，其坐标分别为 ， ， ，三点到未知节点D的距离分别为 ， ， ，假设D点坐标 ,则可得公式3-1 = = (3-1) = 公式3-1是一个非线性方程，求解可得未知节点的坐标，如公式3-2 （3-2） 式中： ， ， 分别是三个信标节点坐标，是未知节点到3个信标节点到未知节点的距离。式（3-2）经过线性化，可得到下列方程式 AX+N=B A=， B=， X= 使用标准的最小均方差估计可得未知节点坐标为 X=(AAT)-1ATb （3-3） 式中的N是由于存在测距的误差而引入的参数，它是根据测距误差的分布形式存在的一个随机误差矢量。由于三边定位算法易于接受，所以对这种算法进行了研究，再与其它的算法进行比较，可以进一步对定位算法有一些深入的了解。三边测量算法涉及到大量的矩阵运算和最小二乘运算，计算量相对较大，对于以上情况，有人也提出了最大最小值法，即通过简单的折线运算估计出未知节点的位置，具体的运算不再写出。 3.3 极大似然估计法 由声音能量衰减模型可知，为正态随机变量，其满足密度为 N（） 的正态分布，模型已假设背景噪音 ，所以可由各个节点根据环境噪音测得。未知参数为声源能量，通过n个节点的检测得到来自总体的样本（），最后得到关于的似然函数可表示如下 L()= = （3-4） 忽略掉式中的无关项并求出式子达到最大值时的等价于求下式达到最小值时的 L(S(t),r(t))∝ （3-5） 之后便可求解式子，当然极大似然估计法是最小二乘法的基础，求解上式可以用最小二乘原理。 1 2 5 3 D 4 图3.2 极大似然估计法原理图 当然在已知节点坐标信息后，也可以通过以下的算法来实现无线传感器网络定位。在已知1,2,3，…n个节点的坐标分别为 ，到节点D的距离分别为 ，则可得公式（3-6） 用每个方程减去后一个方程，可得： 用线性方程表示为 ，其中： ， ， 使用标准的最小均方差估计法可以得到节点D的坐标为 运用极大似然估计算法来计算节点位置信息，计算步骤较为复杂，但是由于计算的结果精确度较高，所以本文中对这个算法进行了一些研究[19]。 3.4 比较综合两种定位算法的优劣 三边测量法：易分析，通俗易懂，但是计算量较大，定位精度不确定，适应环境能力差，是最基础的定位算法；极大似然估计法：结合概率统计、随机变量、以及矩阵等知识，能够较准确的定位，当然相应的来说所需的运行时间较长。 3.5 本章小结 本章提出了两中常用的定位算法，并对每一种算法都进行了系统的分析，在理论上分析了两种算法的优缺点。 第四章 基于声音能量的无线传感网络定位算法仿真 在前三章中，介绍了无线传感器网络的定位算法，提出并分析了三边定位算法和极大似然估计（ML）算法。本文使用Matlab软件仿真环境建立所研究网络系统的模型，在计算机上运行这个模型，并分析运行的输出结果，对这些算法进行仿真。首先对三边测量算法进行仿真，接着对极大似然估计算法的性能进行仿真，并得出仿真结果，最后对于两种不同算法的误差进行对比，总结。 4.1 实验环境 Matlab是一款具有高效数值计算功能的仿真软件。它提供了强大的科学运算环境、灵活的程序设计流程、高质量的图形与可视化界面设计、以及与其他程序和语言对接的功能。正是由于Matlab有如此多的功能特点和简洁的操作环境，本文选择使用Matlab R2009a软件进行算法的仿真。 无线传感器网络最常使用的部署方式是使用飞机向感兴趣区域抛洒无线传感器节点，这样部署方式使节点的分布具有随机性，因此，本文的仿真首先使用Matlab在固定区域内随机产生传感器节点，代码如下 x(i)=10*normrnd(0,1,1,1) y(i)=10*normrnd(0,1,1,1) 上述代码是在固定的区域内产生一个一行一列的，背景噪音为均值为零，标准差为0.1的高斯白噪声的随机数。在传感器网络节点定位中，主要的评价标准是平均定位误差。因此，本章在声音能量衰减模型下代入采集到的节点信息进行分析。其中平均定位误差使用式进行计算[20]。 （4-1） 4.2 采集声音能量进行分析 利用声音传感器节点检测到声音信号电压、声压等值采集到的声音能量图形如图4.1：（横轴为时间，纵轴为电压） 4.1声音能量图形 取有用信号时间段，运用接收声音信号能量的计算公式：Yi（t）=gis（t）/di2（t）+i(t)，i=1,2,3….( gi: ：节点噪声系数取1；s（t）：t时刻声源能量取10000；di（t）：节点i与声源目标之间距离；i(t) ：均值为0，方差为1的高斯白噪声)编码并输出检测信号示意图如下：（横轴为时间，纵轴为电压） 4.2检测信号示意图 得到接收信号能量值图形后，根据声音信号的能量与它传播距离的平方成反比而采用具体算法来确定目标节点坐标。 4.3 背景噪音均值为0，标准差为1环境下两种算法定位图 其中红色圆圈和洋红圆圈代表极大似然估计算法利用声音能量衰减模型采集节点信息和定位后坐标，蓝色圆圈和绿色圆圈代表三边定位算法代入声音能量衰减模型采集节点和定位后坐标。 4.3两种算法定位图 下图为极大似然估计算法误差： 下图为三边定位算法误差： 4.4算法误差值 4.4 不同定位算法误差分布仿真 通过对比两种定位算法可以在一幅图中清晰地看到误差的变化对比 1. 节点数n=5时（横轴为时间，纵轴为误差大小） 图4.5.1两种定位算法误差比较（1） 其中蓝色线代表极大似然估计算法，红色线代表三边定位算法。 2. 节点数n=50（横轴为时间，纵轴为误差大小） 图4.5.2两种定位算法误差比较（2） 通过以上图形仿真，可以清晰地看到极大似然估计算法的定位精度随着节点数的增加会远远的高于三边定位算法。 4.5 本章小结 本章通过借用仿真平台模拟仿真了两种定位算法的结果，并注意对其进行了分析，最后在相同的外界环境下对两种算法的误差进行了比对，从而得出极大似然估计算法的定位精度远远高于三边定位算法的结论。 结论 本文以无线传感器网络中节点定位为研究背景，分析了声音能量传输规律，提出了声音能量衰减模型，主要针对无线传感网络定位算法进行了主要的说明和研究。 论文的主要内容可以概括为几个方面:(l)介绍了无线传感器网络基本概念，并对无线传感器网络节点定位的概念、定位算法分类及节点坐标计算方法进行了介绍，此外，还介绍了几种基于测距的定位算法、定位算法评价常用指标，并对几种常用的基于测距定位算法进行分析。(2)论文分析了三边定位算法和极大似然估计定位算法各自的优势和不足，并对两种算法展开进行分析。 (3)在Matlab R2009a环境下，对本文分析的声音能量接收公式和两种算法进行仿真，并对仿真结果进行分析。 由于无线传感器技术的复杂性和多样性，应用领域的广泛性。本文对无线传感器网络节点定位技术的研究还有待提高。首先，本文的题目为基于声音能量的无线传感网络定位算法，而在研究过程中偏向了分析算法而忽略了对于声音能量的推敲以及声音能量与定位的细一步联系。再次，在分析两种算法的过程中，因为时间和个人学识水平的限制，只是将现有的知识整合了一下，在软件中仿真模拟、总结。最后，本文的不足之处还在于对于声音能量传输与算法衔接点不够好，只进行了分块研究。 通过本次毕业设计，对大学四年来所学的专业知识进行了检验和巩固，也给了自己很多经验和教训，在选题开题时，只是课题进行了一个大概的了解，导致自己在以后的设计过程中找不到方向，终于确定研究方法时又因为能力不足而没有达到预想的效果。所以，以后不管做什么事情都要对目标有详细的了解，对工作有明确的，尽快的完成任务。 参考文献 [1]王正林,刘明,陈连贯.精通MATLAB第三版[M].电子工业出版社.2013年1月 [2]郑军,张宝贤.无线传感器网络技术[M].机械工业出版社.2012年2月：133-149 [3] 陈敏,李军华.无线传感器网络原理与实践[M].化学工业出版社.2011年7月：110-155 [4]余成波，李洪兵，陶红艳.无线传感器网络使用教程[M].清华大学出版社.2012年4月：100-130 [5]彭杰纲，宁静.传感器原理及应用[M].电子工业出版社.2012年9月 [6]唐宏，鲁玉芳，唐伦.无线传感器网络原理及应用[M].人民邮电出版社.2010年8月. [7]许力.无线传感器网络的安全和优化[M].北京电子工业出版社.2010年2月：191-218 [8]鲁资.基于ZigBee的无线传感及网络定位技术研究[D].电子科技大学硕士学位论文.2011 [9]王涛.各向异性无线传感器网络节点定位算法研究[D].中国石油大学硕士学位论文.2010 [10]衣晓，刘瑜，黄越平.无线传感器网络Range-free 自身定位算法仿真分析[J] 中国科学报.2012年6月 [11]田金鹏.无线传感器网络节点定位技术研究[D]上海大学博士学位论文.2011 [12]林闯, 单志广, 盛立杰, 等. Internet区分服务及其几个热点[J]. 计算机学报, 2000, 23(04): 419-431 [13]张豫鹤，黄希，崔莉.面向交通信息采集的无线传感器网络节点.计算机研究与发展.2008：110-118 [14]刘刚，周兴社，谷建华等.自组织、自适应无线传感器网络理论研究.计算机应用研究.2005 ：35-40 [15]杨少军，史浩山，陈敏.无线传感器网络QOS路由的研究与仿真.传感技术学报.2005年第18卷第3期：102-106 [16]王汝传.无线传感器网络技术与应用[M].北京：人民邮电出版社，2011:91-95. [17]康冠林，王福豹，段渭军.无线传感器网络时间同步综述[J].计算机测量与控制，2005，13(10):1021-1023. [18]Peng H, Shen LC, Bu YL, Wan L. Group mobility model for ad hoc networks. Journal of Software, 2008,19(11):2999−3010 [19]Sheng-shin wang, kuei-ping shih and chin-yun chang. Distributed direction-based based localization in wireless sensor networks [J]. computer communications,2007,30[6]:1424-1439 [20]L. Lazos and R. Poovendran. HiRLoc: High-resolution robust localization for wireless sensor networks [J]. IEEE Journal on Selected Areas in communications. 2006,24(2):233-246 谢辞 经过一学期的努力，我的本科毕业设计终于完稿了。首先，要感谢我的毕业设计导师老师，感谢在毕业设计的这半年毕业设计中对我的悉心指导，耐心讲解，老师在学习、设计安排、督促等多方面的帮助，是我完成此次本科毕业设计的最大保障。 再者，感谢我的班主任老师及班级同学，感谢老师同学们在我的大学生涯中给予的无微不至的关怀和包容。是她们，在我难过的时候开导我，在我迷茫的时候指引我，在我有困难的时候帮助我。还有从我踏进大学校园起所有的授课老师，从大一时的懵懂到现在的学满毕业，我感谢那么多老师精彩的课堂授予了我丰富的专业知识，感谢老师们对我的谆谆教诲，使得我的毕业设计得以顺利完成。 最后，感谢同组毕业设计的各位同学，大家一起对相关课题的研究探讨，对我课题研究有很大的启发和帮助，感谢他们在我学习和写论文的过程中给予的帮助和建议。在后的工作学习中我一定踏实努力，不辜负老师的栽培，同学的帮助。 附录 1、接收信号程序： fs=100; fc=40; fo=fs/20; a=2*fo; T=40; x=rand(40,1); y=round(x); a1=y*2-1; z=ones(200,1); for i=1:40 for j=1:5 an(5*i-5+j)=z(5*i-5+j)*a1(i); end end t=1/fs:1/fs:2; xn=an.*cos(4*pi*fc*t); figure(1) plot(t,xn); axis([0 2 -1.5 1.5]); window=kaiser(length(xn),0.5); nfft=512; [Pxx,f]=periodogram(xn,window,nfft,fs); as=rand(20,1); b=as*2; c=floor(b); d=reshape(c,10,2); e=bi2de(d,'left-msb'); h=modem.qammod(4); g=modulate(h,e); scatterplot(g); N=length(g); x=real(g); y=imag(g); fc=40; t0=0.000001; ts=1e-010; t1=0:ts:t0; n1=0.1*randn(1,N); for i=1:N s1=x(i)*cos(2*pi*fc*t1)-y(i)*sin(2*pi*fc*t1); end t2=0.000001:1e-010:0.000002; M1=length(t2); nt=0.1*randn(1,M1); s2=nt.*cos(2*pi*fc*t2); %add nt t=0:ts:0.000002; s=zeros(1,20001); for i=1:10001 s(i)=s1(i); end for j=1:10000 s(j+10000)=s2(j); end cl=xcorr(s1); L=length(cl); i2=1:2:L; c2=cl(i2); a1=fc; p=exp(-2*pi*t1*j); M=length(p); pp=c2.*p; ts=1e-010; cxx1=pp*ts; u1=sum(cxx1(1:10),'double'); N1=length(c2); N2=length(t); Te=0.03; i3=1:N1; a2=i3./(N1*Te); tj1=exp(a2); cx1=tj1*u1*1e10; U1=sum(cx1(1:10)); cl2=xcorr(s2); L=length(cl2); i3=1:2:L; c22=cl2(i3); p2=exp(-2*pi*t2*j); M2=length(p); pp2=c22.*p2; ts=1e-010; cxx2=pp2*ts; u2=sum(cxx2(1:10),'double'); i3=1:N1; a2=i3./(N1*Te); tj2=exp(a2); cx2=tj2*u2*1e10; U2=sum(cx2(1:10)); tz=0:ts:0.000002; sz=zeros(1,20001); for i=1:10001 sz(i)=U1; end for j=1:10000 sz(j+10000)=U2; end figure(2) plot(f,-10*log10(Pxx)); window=kaiser(length(xn),0.5); nfft=1024; [Pxx,f]=periodogram(xn,window,nfft,fs); figure(3) plot(f,-10*log10(Pxx)); window1=boxcar(length(xn)); window2=hamming(length(xn)); window3=blackman(length(xn)); [Pxx1,f]=periodogram(xn,window1,nfft,fs); [Pxx2,f]=periodogram(xn,window2,nfft,fs); [Pxx3,f]=periodogram(xn,window3,nfft,fs); figure(4) subplot(221) plot(f,-10*log10(Pxx)); subplot(222) plot(f,-10*log10(Pxx1)); subplot(223) plot(f,-10*log10(Pxx2)); subplot(224) plot(f,-10*log10(Pxx3)); 2、两定位算法程序： close all clc clear disp('ÇëÊäÈëÒÑÖª½ÚµãÊýn(n>3);'); n=input('input n='); if n<3; disp('ÊäÈë½ÚµãÊý´í'); return; end for i=1:n x(i)=10*normrnd(0,0.1,1,1); % y(i)=10*normrnd(0,0.1,1,1); scatter(x(i),y(i),'r'); hold on end grid; x(n+1)=10*normrnd(0,0.1,1,1); y(n+1)=10*normrnd(0,0.1,1,1); scatter(x(n+1),y(n+1),'r'); P=[x(n+1),y(n+1)] for i=1:n; d(i)=sqrt((x(n+1)-x(i))^2+(y(n+1)-y(i))^2); end d(1,i)=d(i) for i=1:n; D(i)=d(i)+2*normrnd(0,0.1,1,1); end D(1,i)=D(i) for i=1:n-1 M(i,1)=[2*(x(i)-x(n))]; M(i,2)=[2*(y(i)-y(n))]; end for i=1:n-1; N(i,1)=[x(i)^2-x(n)^2+y(i)^2-y(n)^2+D(n)^2-D(i)^2]; end T=M'; X=inv(T*M)*T*N; xp=X([1]) yp=X([2]) scatter(xp,yp,'m'); error=sqrt((xp-x(n+1))^2+(yp-y(n+1))^2) for i=1:3 x(i)=10*normrnd(0,0.1,1,1); % y(i)=10*normrnd(0,0.1,1,1); hold on scatter(x(i),y(i),'b'); end grid; A=[x(1),y(1)] B=[x(2),y(2)] C=[x(3),y(3)] k = 1; while (k==1) x(4)=10*normrnd(0,0.1,1,1); y(4)=10*normrnd(0,0.1,1,1); a4=(x(4)-x(3))/(x(2)-x(3))-(y(4)-y(3))/(y(2)-y(3)); a1=(x(1)-x(3))/(x(2)-x(3))-(y(1)-y(3))/(y(2)-y(3)); b4=(x(4)-x(1))/(x(3)-x(1))-(y(4)-y(1))/(y(3)-y(1)); b2=(x(2)-x(1))/(x(3)-x(1))-(y(2)-y(1))/(y(3)-y(1)); c4=(x(4)-x(1))/(x(2)-x(1))-(y(4)-y(1))/(y(2)-y(1)); c3=(x(3)-x(1))/(x(2)-x(1))-(y(3)-y(1))/(y(2)-y(1)); if (a4*a1>0)&&(b4*b2>0)&&(c4*c3>0); k=0; hold on scatter(x(4),y(4),'b'); P=[x(4),y(4)] end end for i=1:3; d(i)=sqrt((x(4)-x(i))^2+(y(4)-y(i))^2); end d=[d(1),d(2),d(3)] for i=1:3; D(i)=d(i)+2*normrnd(0,0.1,1,1); end D=[D(1),D(2),D(3)] M=[2*(x(1)-x(3)),2*(y(1)-y(3));2*(x(2)-x(3)),2*(y(2)-y(3))]; N=[x(1)^2-x(3)^2+y(1)^2-y(3)^2+D(3)^2-D(1)^2;x(2)^2-x(3)^2+y(2)^2-y(3)^2+D(3)^2-D(2)^2]; T=M'; X=inv(T*M)*T*N; x4=X([1]) y4=X([2]) scatter(x4,y4,'g') error=sqrt((x4-x(4))^2+(y4-y(4))^2) 3、算法误差比较程序： close all clc clear disp('ÇëÊäÈëÒÑÖª½ÚµãÊýn(n>3);'); n=input('input n='); if n<3; disp('ÊäÈë½ÚµãÊý´í'); return; end for m=1:100; for i=1:n x(i)=10*normrnd(0,1,1,1); % y(i)=10*normrnd(0,1,1,1); end grid; x(n+1)=10*normrnd(0,1,1,1); y(n+1)=10*normrnd(0,1,1,1); P=[x(n+1),y(n+1)]; for i=1:n; d(i)=sqrt((x(n+1)-x(i))^2+(y(n+1)-y(i))^2); end d(1,i)=d(i); for i=1:n; D(i)=d(i)+2*normrnd(0,0.1,1,1); end D(1,i)=D(i); for i=1:n-1 M(i,1)=[2*(x(i)-x(n))]; M(i,2)=[2*(y(i)-y(n))]; end for i=1:n-1; N(i,1)=[x(i)^2-x(n)^2+y(i)^2-y(n)^2+D(n)^2-D(i)^2]; end T=M'; X=inv(T*M)*T*N; xp=X([1]); yp=X([2]); error=sqrt((xp-x(n+1))^2+(yp-y(n+1))^2); errorList(m)=error; end graNum=1:100; plot(graNum,errorList); hold on for m = 1:100 for i=1:3 x(i)=10*normrnd(0,1,1,1); % y(i)=10*normrnd(0,1,1,1); end grid; A=[x(1),y(1)]; B=[x(2),y(2)]; C=[x(3),y(3)]; k = 1; while (k==1) x(4)=10*normrnd(0,1,1,1); y(4)=10*normrnd(0,1,1,1); a4=(x(4)-x(3))/(x(2)-x(3))-(y(4)-y(3))/(y(2)-y(3)); a1=(x(1)-x(3))/(x(2)-x(3))-(y(1)-y(3))/(y(2)-y(3)); b4=(x(4)-x(1))/(x(3)-x(1))-(y(4)-y(1))/(y(3)-y(1)); b2=(x(2)-x(1))/(x(3)-x(1))-(y(2)-y(1))/(y(3)-y(1)); c4=(x(4)-x(1))/(x(2)-x(1))-(y(4)-y(1))/(y(2)-y(1)); c3=(x(3)-x(1))/(x(2)-x(1))-(y(3)-y(1))/(y(2)-y(1)); if (a4*a1>0)&&(b4*b2>0)&&(c4*c3>0); k=0; P=[x(4),y(4)]; end end for i=1:3; d(i)=sqrt((x(4)-x(i))^2+(y(4)-y(i))^2); end d=[d(1),d(2),d(3)]; for i=1:3; D(i)=d(i)+2*normrnd(0,0.1,1,1); end D=[D(1),D(2),D(3)]; M=[2*(x(1)-x(3)),2*(y(1)-y(3));2*(x(2)-x(3)),2*(y(2)-y(3))]; N=[x(1)^2-x(3)^2+y(1)^2-y(3)^2+D(3)^2-D(1)^2;x(2)^2-x(3)^2+y(2)^2-y(3)^2+D(3)^2-D(2)^2]; T=M'; X=inv(T*M)*T*N; x4=X([1]); y4=X([2]); error=sqrt((x4-x(4))^2+(y4-y(4))^2); errorList(m) = error; end graNum = 1:100; plot(graNum, errorList,'r') 本科毕业设计说明书 题 目：基于声音能量的无线传感器网络定位算法 开 始 选取网络节点 根据采集到的节点信息选取合适的算法 节点数 节点定位计算 结 束 分析题目 阅读资料，熟悉算法、确定思路 整合编程 结合题意计算仿真 整理成果，编写论文 准备答辩 A（xa,ya） B(xb,yb) D C(xc,yc) _1234567897.unknown _1234567901.unknown _1234567905.unknown _1234567907.unknown _1234567909.unknown _1234567910.unknown _1234567908.unknown _1234567906.unknown _1234567903.unknown _1234567904.unknown _1234567902.unknown _1234567899.unknown _1234567900.unknown _1234567898.unknown _1234567893.unknown _1234567895.unknown _1234567896.unknown _1234567894.unknown _1234567891.unknown _1234567892.unknown _1234567890.unknown