移动无线传感器网络中节点自定位算法研究
2012-07-23 15:07:02   来源:   评论:0 点击:

很多无线传感器网络[1] (WSN)的应用,如井下人员定位、河流探索、动物跟踪、士兵定位、战场探测等都需要利用节点的移动来实现。这就涉及到了特殊的无线传感器网络——移动无线传感器网络(MWSN)。  MWSN通常由...

很多无线传感器网络[1] (WSN)的应用,如井下人员定位、河流探索、动物跟踪、士兵定位、战场探测等都需要利用节点的移动来实现。这就涉及到了特殊的无线传感器网络——移动无线传感器网络(MWSN)。
  MWSN通常由坐标已知的信标节点和坐标未知的普通节点组成,与一般的无线传感器网络不同的是网络中的部分节点或全部节点都是可移动的。它采用分布式的控制结构,网络中的节点是具有机动能力的增强型节点,一般同时具有传感、处理和转发功能,它可以不依赖于事先设置的网络基础设施而迅速展开并且自适应组网,各节点可在不进行通知的情况下自由进入网络或离开网络且不会导致整个网络陷入瘫痪。
  在WSNs中,确定传感器节点自身位置是网络的基本功能之一,也是WSNs的支撑技术之一。节点位置信息如此重要,主要3个原因[2]:
  (1) 传感器收集的数据,必须知道感知数据的发生位置才有应用价值。
  (2) WSNs的很多通信协议是在已知节点位置基础上运行的,如地理路由实施数据转发,并且需拥有节点的坐标。
  (3) WSNs的一些系统功能需要节点位置信息,例如,有了位置信息可以为网络提供命名空间,向部署者报告网络的覆盖质量等。
  目前广泛使用的全球卫星导航定位系统(GPS)可用来确定携带者的绝对位置信息,但GPS具有高成本、高能耗、尺寸较大、和不可在室内等电磁波较难到达的环境中使用的特点。网络中节点具有体积小、数量众多、能量有限、处理能力和通信能力较弱等特点。由于上述种种原因使得GPS不能广泛用在节点上,这就需要发展适合于无线传感器网络应用的节点定位方法。目前全球的研究机构已开展了大量工作。
  文章对MWSN节点间定位的基本原理、算法性能评价指标和全球开展的相关研究工作进行了介绍和归纳,以便于为无线传感器网络的深入研究与应用提供借鉴。在MWSN中,节点移动分为部分移动和全部移动的情况,文中只关注全部节点移动情形下的节点自定位算法的研究,部分节点移动的定位算法不在文章考虑范围之内。
  1 节点定位
  
  1.1 节点定位基本方法
  在传感器节点定位过程中,未知节点在获得对于邻近信标节点的距离,或获得邻近的信标节点与未知节点之间的相对角度后,通常使用下列方法计算自己的位置。
  1.1.1 三边测量法
  三边测量法如图1所示。图1中基于假设的理论模型:已知A,B,C 3个节点的坐标分别为(xa , ya)、(xb , yb)、(x c , yc ),以及它们到未知节点D的距离分别为da ,db ,dc ,假设节点D的坐标为(x, y)。那么,存在式1:
  由式1可得到节点D的坐标。
  1.1.2 三角测量法
  三角测量法的原理如图2中所示,A,B,C 3个节点的坐标分别为(xa , ya)、(xb, yb)、(x c, yc),那么节点D相对于节点A,B,C的角度则分别为:∠ADB,∠ADC,∠BDC,假设节点D的坐标为(x , y )。
  对于节点A,C和角∠ADC,如果弧段AC在ΔABC内,那么能够唯一确定一个圆,设圆心为O1(Xo1,yo1),半径为r 1,那么a =∠AO1C=(2π-2∠ADC),并存在式2:
  由式2能够确定圆心O 1点的坐标和半径r 1,同理对A、B,∠ADB和B,C,∠BDC分别确定相应的圆心O 2(Xo 2,yo 2)、半径r 2、圆心O 3(Xo 3,yo 3)和半径r 3。最后可以利用三边测量法,由点D(x,y),O 1(Xo1,yo1), O 2(Xo 2 , yo 2) ,O 3(Xo 3,yo 3)确定D点坐标。
  
  1.1.3 极大似然估计法
  极大似然估计法如图3所示,已知1,2,3等n个节点的相对坐标分别为(x 1,y 1) ,(x 2,y 2) ,(x 3,y 3) ,…,(x n ,y n),它们到节点D的距离为d 1,d 2,d 3,…,
  d n ,假设节点D的坐标为(x ,y)。
  那么,存在式3:
  式4的线性方程表示方式为:AX =b,其中:
  使用标准的最小均方差估计方法可以得到节点D的坐标为:
  X = (ATA)-1ATb。
  1.2定位算法性能评价指标
  MWSN定位机制和算法的性能将直接影响其可用性,如何评价它们是一个需要深入研究的问题。存在一些重要的评价指标。
  (1) 定位精度:定位技术首要且最重要的评价指标就是定位精度。定位精度指提供的位置信息的精确程度,它分为相对精度和绝对精度。绝对精度指以长度为单位度量的精度,相对精度通常以节点之间距离的百分比来定义。
  (2) 刷新速度:刷新速度是指提供位置信息的频率。对于移动的物体,位置信息刷新较慢,则会出现严重的位置滞后,直观上感觉已经前进了很长距离,但提供的位置还是以前的位置信息。
  (3) 功耗:功耗是对MWSN的设计和实现影响最大的因素之一。由于一般传感器节点使用的电池都是一次性的能量有限的微型电池,因此在保证定位精度前提下,与功耗密切相关的定位所需的计算量、通信开销、存储开销、时间复杂性是一组关键性指标。
 (4) 容错性和自适应性:定位算法和系统的软硬件必须具有很强的容错性和自适应性,节点能够在数据丢失或做随机运动的情况下,通过算法恢复或继续进行,从而纠正错误、适应环境、减小各种误差的影响,提高定位精度。
  (5) 代价:包括时间、空间、成本等多种代价,主要是由定位算法决定节点的硬件设施。
  (6) 信标节点密度:网络中已知自身位置的节点占节点总数的比例。一般信标节点的密度越大,定位精度越高,但定位的成本也就越大,因为信标节点的费用会比普通节点高两个数量级[3],这意味着即使仅有10%的节点是信标节点,整个网络的价格也会增加10倍。
  (7) 安全定位:由于传感器网络自身以及定位机制均存在固有的脆弱性,节点的定位过程很容易遭受来自内部或外部的攻击。攻击所产生的错误定位结果可能导致网络功能的局部失效和监测结果出错,进而破坏整个网络应用的有效性。因此,如何为存在敌对可能的传感器网络应用提供安全的节点定位系统,也是评价定位算法性能的要素之一。
  2 定位方法研究现状
  
  2.1 定位算法和系统介绍
  现阶段提出的是二维情况下所有节点移动的定位算法;三维情况下的所有节点移动的定位算法,从目前搜集到的资料来看,还未被提出。
  二维定位算法有全部节点使用信标节点定位、部分节点使用信标节点定位和不需使用信标节点定位3种。全部节点使用信标节点的移动定位系统有ZebraNet系统,部分节点使用信标节点定位的移动定位算法包括蒙特卡罗定位(MCL)算法系列和其他定位算法系列,不需使用信标节点定位的移动定位算法有DL算法。
  
  2.1.1 ZebraNet系统
  2002年,Princeton大学的Philo Juang等人设计了ZebraNet系统[4],该系统用于跟踪研究肯尼亚的野生斑马群。系统由全部带有GPS定位系统的节点和一个移动基站组成。节点安置在部分斑马身上,节点每隔3分钟使用GPS定位系统确定节点自身位置,并且把收集的数据和相关位置保存在节点上。基站位于研究人员驾驶的车上,当车靠近斑马群时,节点通过射频把收集到的数据发送到基站。该系统虽然节点都是移动的,但是不需要使用特定的算法进行定位。
  
  2.1.2 MCL算法和其他定位算法系列
  (1) MCL算法系列
  文献[5]弗吉尼亚大学的Hu和Evans借鉴了移动机器人中的序贯蒙特卡罗定位方法思想,并首次将其应用于MWSN节点定位中。MWSN中的序贯蒙特卡罗定位算法是首次研究信标节点和未知节点都移动的一种非测距定位算法。蒙特卡罗定位算法源于Bayesian位置估计,其核心思想是用若干个带有权重的离散采样来估计后验概率密度分布,并且利用重要性采样来迭代地更新它们。在MCL定位算法中,时间被分成若干个等长的离散时间段,待定位节点在每一个时间段对自身重定位,算法分为预测、滤波、重采样和估计节点位置4个阶段。该算法的定位精度非但没有受到节点移动性的影响,相反通过节点的移动提高了定位精度,减少了定位开销。另外,该算法不需要在节点上安装额外硬件,因此降低了网络成本。然而,该算法并没有讨论在不同应用环境下无线传感器网络的条件是如何假设的以及不同类型的运动模型是如何影响定位精度的等问题。
  文献[6]中,Baggio A等在Hu和Evans研究成果的基础上总结并提出了蒙特卡罗盒子定位算法,该算法通过定义信标节点盒子和样本盒子,把采样区域限制在一个由信标节点射频范围重叠组成的样本盒子里,这样使得采样效率得到了显著提高,进而也提高了定位精度和定位效率。然而当观测数据在样本盒子分布的比重较少时,就减少了采样的成功率。
  文献[7]中,加拿大约克大学的Rudafshani M和Datta S提出了移动和静态传感网络定位算法(MSL)和MSL*算法,它们利用节点的一阶邻居节点和二阶邻居节点的位置信息改善定位精度。然而,MSL算法和MSL*算法利用一阶邻居节点和二阶邻居节点的方式比较复杂,算法复杂难懂,并且MSL算法计算量大,MSL*算法通信开销量大,算法的实现都需要消耗巨大的能量。
  考虑到MCL算法需要已知节点的无线信号传输半径,而实际上由于环境改变、能量损耗等原因,无线信号的传输半径值也是时刻变化的,并不是很容易就能得到。针对上述问题,韩国延世大学的Jiyoung Yi等人提出了一种叫做基于多跳的蒙特卡罗算法(MMCL) [8],这种算法不需要已知节点的无线信号传输半径值,而只需利用DV-Hop算法将平均每跳距离算出,然后利用未知节点到各信标节点的跳数及平均每跳距离,得出节点可能存在位置的条件,最后利用蒙特卡罗定位方法就能将满足条件的节点位置求出。MMCL通过在全网内泛洪信标节点信息,减少了未知节点接收不到信标节点信息的可能性。
  文献[9]中, Stevens-Navarro  E等人针对MCL算法在定位过程中由于不能在采样区域内得到正确的样本而导致未知节点不能准确定位的问题,对MCL算法进行了改进,提出了对偶蒙特卡罗定位算法和混合蒙特卡罗定位算法。对偶蒙特卡罗定位算法可以看作是将MCL算法的逻辑顺序颠倒得到的,而混合蒙特卡罗算法则是将MCL算法和对偶蒙特卡罗定位算法综合起来运用,最终获得的一种更为有效的定位方法。然而对偶蒙特卡罗定位算法算法和混合蒙特卡罗算法也同样存在着缺陷,它们在定位过程中的计算量要远大于MCL算法。
  文献[10]中,Martins等人针对移动传感器网络提出了一种增强的蒙特卡罗(EMCL)定位算法。该算法通过把每步相关工作的主要思想并入最初的MCL中来对MCL进行改进。考虑到信标节点和未知节点间的通信信息会使MCL方法计算量大幅扩张问题,该算法通过协调多跳信标节点来建立一个简化的抽样区域,通过DV-hop算法控制泛洪来产生分布式的信息,进而减少算法的计算负荷,保证较好的精度,达到更快的定位收敛性,控制通信开销。
  文献[11]中,Dil B等人把两种基于测距和非测距类型的信息引入到序贯蒙特卡罗定位算法中,提出了一种基于测距的序贯蒙特卡罗定位算法。该算法在节点移动时获得了精确的位置估计,但是同时也存在着网络中的节点必须使用特殊测距硬件的缺点。
  文献[12]中,魏叶华等人针对未知节点和信标节点都随机运动的网络模型,提出了一种基于动态网格划分的蒙特卡罗定位算法。首先,在算法中当接收的信标节点数超过一定阈值时就开始使用最远距离节点选择模型,选出部分信标节点参与定位和信息转发,进而节约能耗。接下来利用选择的或所有接收的信标节点构建采样区域,完成网格划分,通过使用网格单元数计算最大采样次数,并在采样区域内采样并使用误差补偿的运动模型进行过滤,使得采样效率得到提高,计算开销得到减少,并保证了较好的定位精度。然而,移动网络定位要远复杂于静态网络,因此对运动模型及动态特性的研究仍然是一个难点。
  文献[13]中,李鹏程等人提出了基于估计的蒙特卡罗定位算法(MCBE)移动定位算法,该算法是基于MCB定位算法,其利用信标盒子(即包含待定位节点可能位置且平行于坐标轴的矩形)和邻居未知节点的位置来帮助定位。由于信标盒子的大小与定位误差是正相关的,因此该算法根据当前时刻待定位未知节点的一跳和二跳信标节点位置信息能够计算出信标盒子,当信标盒子的大小大于某一定值时,利用邻居未知节点的位置缩小信标盒子,最后在信标盒子内采样,并运用蒙特卡罗定位方法进行定位。但当待定位未知节点的信标盒子较大时,未知节点要和邻居节点通信,这就增加了通信成本,所以MCBE算法并不太适用于信标节点密度大,对能量效率要求高的场合。

文献[14]王洁等人提出一种在低锚节点密度的移动传感器网络中实现定位跟踪的方法,即增强型蒙特卡罗定位跟踪算法。该算法利用受控的洪泛方式提高锚节点利用效率,采用遗传交叉操作加快预测阶段的抽样,并采用插值方法对节点运动速度及方向进行预测,利用位置估计精度优于自身的1跳邻居节点的信息强化滤波条件。仿真实验结果表明,该算法与传统MCL算法相比加快了收敛速度,提高了定位精度,改善了在低锚节点密度时的性能。
  (2) 其他定位算法系列
  文献[15]中,S. Datta等人提出了一种基于多边形的算法,该算法中节点保持一个凸多边形来代表当前的可能位置,这个多边形包含了节点所有的可能位置,多边形的质心被认为是节点的位置估计。节点所在位置由前一时刻的多边形,当前所听到的锚节点和普通节点所限制,这些限制也由一个个的多边形表示。
  文献[16]中,Ji Luo 和Qian Zhang提出了一种叫做MIL的算法,把节点所在的区域划分为一个个宽度相等的小长方形,这些长方形的顶点的坐标由限制节点所在位置的所有小等式计算出,这些小长方形的质心被认为是节点所在区域的质心,为节点的估计位置。
  
  2.1.3 DL算法
  DL定位算法[17]是由Polytechnic University的Akcan等人提出的。该方法应用于没有锚节点的场合,易于布置。但它也有一些限制条件,如它需要节点上安装有感知运动方向和运动速度的设备,并且有测距设备测量到邻居节点之间的距离。节点可以获得自身的运动方向和速度,通过与邻居节点通信可以获得邻居节点的运动方向和速度,通过测距设备可以测得到邻居节点间的距离。利用这些方向、速度和距离,该方法可以实现移动节点的定位。
  
  2.2 典型定位算法分析
  由于其他种类定位算法和系统相对研究成果较少,每种算法和系统都是在特定情况下提出的,可比性不大,所以文章主要分析MCL算法系列。
  
  2.2.1 性能比较
  对MCL算法系列进行分析研究,可以得到两条结论。
  (1)在WSNs节点定位算法中没有一种通用的算法,只是在特定环境下某一种定位算法优于另一种算法。但是减少通信与计算开销,节省网络能量,延长网络的生命周期,以最少的信标节点数和最低的网络成本达到最高的节点定位精度和覆盖率这是每种定位算法所追求的。表1可以直观看到几种具有代表性算法及其优缺点。
  (2)现有的针对全节点移动的定位算法,基本上都是在蒙特卡罗算法的基础上对其的改进;节点的移动模型主要是随机路点移动模型。
  
  2.2.2 存在问题
  MCL定位算法的不足之处需要进行改进,这主要集中在6个方面。
  (1) MCL类算法采用大量加权粒子来表征未知节点的概率密度分布,用于寻找这些粒子的计算量较大。通过对采样进行优化,使采样向后验密度分布取值较大的区域移动,可以更好地表达后验密度分布,解决MCL方法采样效率低的问题。
  (2) MCL类算法在锚节点密度小于1时,定位精度随着锚节点密度的降低急剧下降。通过利用测距技术和改变无线信号传输模式以改变能量损耗,提高定位精度。位置估计的精度是设计定位算法始终追求的目标,它直接影响WSNs后继的网络传输和监测性能。影响定位精度的因素主要包括测距误差和定位计算带来的误差。由于测距误差是由硬件设备决定,不同的测距或测角技术具有不同的误差特征,但目前尚没有精确刻画这些技术特征的公开资料。传感器在理想情况下的无线传输范围是以该节点为中心的球形,而节点的无线传输方式是不规则的,即不同方位的传输距离不同,因此感知半径或通信半径均为实际情形的近似。
  (3) MCL类算法仅利用锚节点的信息进行滤波。通过限制样本的采样范围等方法在预测和滤波阶段进行改进,并利用位置估计精度优于自身的普通邻居节点的位置信息,实现了多点参与的协作定位。
  (4) MCL算法没有考虑运动轨迹的预测问题。通过利用节点前几个时刻的位置信息估算出其当前的运动参数,从而提高运动预测的精度。
  (5) 混合定位技术和算法的研究。每一种定位技术和算法都有其优缺点,仅仅使用一种定位技术和算法不可能满足所有的传感器网络通信环境的要求。这需要把己有的定位技术和算法进行融合,充分利用各定位技术和算法的优点,避免其缺点,使节点能够获得更加精确的定位。
  (6) 地理环境的不均匀特性。由于MWSN可能部署在战场、市区等具有障碍物的复杂地理环境中,地形和植被特征的差别,存在网络所处环境的不均匀性即各向异性。通常定位算法将平均探测半径广播至全网络,其实这只是平均估计值,各节点的实际数据可能各不相同,产生的误差不仅给定位问题也给其他问题带来错误信息,这是一个急需解决的问题。
  3 定位方法研究趋势
  二维方面的研究相对来说比较透彻,而部署在三维空间的MWSN相比于二维空间具有更丰富的位置信息,且网络规模和分布密度也都有所增加。三维MWSN的研究还比较薄弱,有大量的新问题需要解决。
  三维的特殊性主要体现在:
  (1)研究资料和成果缺乏。不能仅仅靠增加第三维坐标计算的方式把二维的研究结论推广到三维,或者将三维问题规约到二维平面上解决。
  (2)问题难度增加。由于难度随维数的增加呈指数增长,网络的覆盖率和连通性将更加难以处理,而且相对坐标系统也会更复杂。
  (3)计算复杂度成倍上升。随着维度的增加,三维无线传感器网络中算法的复杂度往往高出其二维平面对应算法一个或多个数量级。这就要求算法在处理大量数据时,具有更快的运算速率。
  (4)现实物理结构复杂。大多数二维传感器网络研究都假设n个节点在理想的完全平坦的二维平面随机均匀分布或规则格状分布,其通信范围是以最大传输范围为半径,以未知节点的位置为圆心的圆,节点传输信号不受地形或者障碍影响;而三维传感器网络,在现实世界的结构更加复杂,受到物理环境的严格制约。未知节点的通信范围是以最大传输范围为半径,以未知节点位置为中心的球体,节点信号传输受到地形因素和障碍的影响。与此同时,节点在三维空间的运动路线将更加复杂,移动模型的建立将更加困难。
  (5)空间拓扑结构更加复杂。拓扑控制的目标是通过控制节点的传输范围,使生成的网络拓扑满足一定的性质,以延长网络生命周期,降低网络干扰,提高网络吞吐率。复杂的网络空间拓扑结构对三维传感器网络的覆盖、连通、拓扑控制和部署都有重要的影响。
  (6)节点间通信更加频繁,冗余信息加剧,干扰更加频繁。由于节点具有随时的机动性,节点间的通信量将成倍增加,这将产生大量的能量消耗和冗余信息。同时,单个远处的节点在本地产生的干扰信号也许比较微弱,但多个远处节点在本地形成的累加信号在三维环境下将会很严重,以至可能使网络完全无法工作。传感器节点的空间信号传输模型为理想的球体,即其通信范围是以通信半径为半径的球形区域,但是在实际应用中由于空间物理结构的差异可能存在各向异性。
  (7)安全性变得更差。MWSN的通信是采用无线信道、分布式控制的,节点是在三维空间中运动,其网络更容易被窃听、入侵,节点也更容易遭到物理上或逻辑上的窃取,从而使信息被泄露,甚至造成信息的篡改。另外,传感器节点所在的环境是比较恶劣的,不可能照顾到每个传感器节点,这样,网络的维护也十分困难。因此,网络的通信保密和安全性十分重要,信道加密、抗干扰、用户认证等安全措施要特别考虑,同时设计的传感器节点要非常坚固,不易损耗,适应各种恶劣的环境条件。
 因此,对三维移动网络节点定位算法在考虑以上特殊性的同时,需在如下的方面做进一步的深入研究,包括:定位技术和算法的研究;建立新的移动模型;提高定位精度;平衡算法复杂度与能量消耗间的关系;减少误差累积问题等。
  4 结束语
  定位问题在MWSN组网时具有关键作用,是传感器网络运行的前提和基础,国际上对移动定位进行了较早的研究。现有的各种所有节点移动定位算法都是根据各自的应用需求在一定的条件下提出的,适合于特定情况,得到的结果是在定位精度、节点覆盖率、能量耗损、计算与通信代价等要求上的折中。由于各种应用差别较大,没有普遍适合于各种应用的定位算法,所以应针对不同的应用,通过综合考虑节点的规模、成本及系统对定位精度等要求,来设计最适合的定位算法。由于不同环境下传感器节点都存在资源有限、随机部署、通信易受环境干扰甚至节点失效等特点,定位机制必须要满足自组织性、健壮性、能量高效、分布式计算等要求。
  5 参考文献
  [1] 孙利民,李建中,陈渝,等.无线传感器网络[M].北京:清华大学出版社,2005.
  [2] 崔逊学,赵湛,王成.无线传感器网络的领域应用与设计技术[M].北京:国防工业出版社,2009.
  [3] HILL J L. Spec: Smartdust Chip with Integrated RF Communications[D]. Berkeley, CA, USA: University of California-Berkeley, 2001.
  [4] JUANG P, OKI H, WANG Y, et al. Energy-Efficient Computing for Wildlife Tracking: Design Tradeoffs and Early Experiences with ZebraNet[C]// Proceedings of the 10th International Conference on Architectural Support for Programming Languages and Operating Systems (ASPLOS '02),Oct 5-9,2002,San Jose, CA, USA. New York, NY, USA: ACM 2002:96-107.
  [5] HU L, EVANS D. Localization for Mobile Sensor Networks[C]// Proceedings of the 10th Annual International Conference on Mobile Computing and Networking (MOBICOM’04), Sep 26-Oct 1,2004, Philadelphia, PA, USA. New York, NY, USA: ACM, 2004: 45-47.
  [6] BAGGIO A, LANGENDOEN K. Monte-Carlo Localization for Mobile Wireless Sensor Networks[C// Proceedings of the 2nd International Conference on Mobile Ad-hoc and Sensor Networks (MSN’06), Dec 13-15, 2006, Hong Kong, China. LNCS 4325. Berlin, Germany: Springer- Verlag, 2006: 718 -733.
  [7] RUDAFSHANI M, DATTA S. Localization in Wireless Sensor Networks[C]//Proceedings of the 7th International Symposium on Information Processing in Sensor Networks (IPSN’07),Apr 25-27,2007, Cambridge, MA, USA. Los Alamitos, CA, USA: IEEE Computer Society, 2007: 51-60.
  [8] Jiyoung Yi,Sungwon Yang,Hojung Cha, "Multi-Hop-Based Monte Carlo Localization for Mobile Sensor Networks"[A], Fourth Annual IEEE Communications Society Conference on Sensor[C],Mesh and Ad Hoc Communications and Networks (SECON 2007),June 2007
  [9] STEVENS-NAVARRO E, VIVEKANANDAN V, WONG V W S. Dual and Mixture Monte Carlo Localization Algorithms for Mobile Wireless Sensor Networks[C]// Proceedings of the IEEE Wireless Communications and Networking Conference (WCNC’07), Mar 11-15, 2007, Hong Kong, China. Piscataway, NJ, USA: IEEE, 2007: 4027-4031.
  [10] MARTINS M H T, SEZAKI K. An Enhanced Monte Carlo Localization Algorithm for Mobile Sensor Networks[C]// Proceedings of the 5th international Conference on Networked Sensing Systems (INSS’08), Jun 17-19,2008, Kanazawa, Japan. Piscataway, NJ, USA: IEEE, 2008:232.
  [11] DIL B, DULMAN S O, HAVINGA P J M. Range-Based Localization in Mobile Sensor Networks[C]// Proceedings of the Proceedings of the 3rd European Workshop on Wireless SensorNetworks (EWSN’06), Feb 13-15,2006, Zürich, Switzerland. LNCS 3868. Berlin, Germany: Springer- Verlag, 2006:164-179.
  [12] 魏叶华,李仁发,罗娟,等.基于动态网格划分的移动无线传感器网络定位算法[J].计算机研究与发展,2008,45(11): 1920-1927.
  [13] 李鹏程,廖波,罗娟,等.无线传感器网络中一种移动节点定位算法[J].小型微型计算机系统,2008, 29(11): 2051-1054.
 [14] 王洁, 王洪玉,高庆华,等. 一种适用于移动传感器网络的增强型蒙特卡罗定位跟踪算法[J].电子与信息学报,2010, 32(4): 864-868.
  [15] DATTA S, KLINOWSKI C, RUDAFSHANI M, et al. Distributed Localization in Static and Mobile Sensor networks[C]// Proceedings of the IEEE International Conference on Wireless and Mobile Computing, Networking and Communications(WiMOB’06),Jun 19-21,,2006, Montreal, Canada. Piscataway, NJ,USA:IEEE, 2006: 69-76.
  [16] LUO Ji, ZHANG Qian. Relative Distance Based Localization for Mobile Sensor Networks[C]//Proceedings of the IEEE Global Telecommunications Conference (GLOBECOM '07), Nov 26-30,2007, Washington, DC,USA.Piscataway,NJ,USA:IEEE,22007:1076-1080.
  [17] AKCAN H, BRÖNNIMANN H, KRIAKOV V, et al. GPS Free Node Localization in Mobile Wireless Sensor Networks[C]//Proceedings of the 5th ACM International Workshop on Data Engineering for Wireless and Mobile Access(MobiDE’06), Jun 25, 2006, Chicago, IL, USA. New York, NY, USA: ACM, 2006: 35-42. 

相关热词搜索:移动 无线 传感器

上一篇:计算机网络安全的现状和防范
下一篇:基于REST风格的混杂感知车载网信息服务设计

分享到: function postToWb(){ var _t = encodeURI(document.title); var _url = encodeURIComponent(document.location); var _appkey = encodeURI("cba3558104094dbaa4148d8caa436a0b"); var _pic = encodeURI(''); var _site = ''; var _u = 'http://v.t.qq.com/share/share.php?url='+_url+'&appkey;='+_appkey+'&site;='+_site+'&pic;='+_pic+'&title;='+_t; window.open( _u,'', 'width=700, height=680, top=0, left=0, toolbar=no, menubar=no, scrollbars=no, location=yes, resizable=no, status=no' ); } document.write(' '); document.write(' '); document.write(' '); document.write(' '); document.write(' '); 收藏
相关论文
$(function(){ $(".picbig").each(function(i){ var cur = $(this).find('.img-wrap').eq(0); var w = cur.width(); var h = cur.height(); $(this).find('.img-wrap img').LoadImage(true, w, h,'http://www.beikangshu.com/statics/images/msg_img/loading.gif'); }); })