分布式协同定位论文提纲

面向移动通信网络的分布式协同定位技术研究

摘要：近年来,第五代移动通信技术（5G）和物联网技术（Internet of Things,IOT）得到了快速发展,为用户提供实时、快速、高精度的定位服务以及可靠、连续的导航服务是当前和未来通信网络关键且必备的基础能力。全球卫星导航系统（Global Navigation Satellite System,GNSS）在室外及空旷场景下拥有非常好的定位性能,能够满足大多数用户的需求。但是,在遮挡物繁多且复杂的室内区域、热点丰富且人员密集的大型商超区域以及高楼林立的城市峡谷区域,提供实时、无缝、高精度的位置服务仍然是一个亟待解决的问题。超密集组网技术（Ultra-Dense Network,UDN）和设备到设备技术（Device-to-Device,D2D）作为面向5G移动通信系统的关键候选技术,能够减少无线信号的非视距（Non Line of Sight,NLOS）传播以及实现节点间的双向通信和信息共享,为协同定位方案的实施提供技术支撑。本文研究面向移动通信网络的分布式协同定位问题,具体工作如下:首先,针对接收信号强度指示（Received Signal Strength Indication,RSSI）的测距模型参数随动态环境的变化导致测距误差大的问题,研究了无线信号传播特性,提出了环境自适应的RSSI测距模型（RSSI-based Environment Adaptive Ranging Model,REARM）。REARM 利用锚节点或已知位置的目标节点的位置冗余信息,实时地、动态地、周期地更新RSSI测距模型参数,并将其广播到协同网络中,辅助其他节点的测距。目标节点利用高斯混合滤波处理后的RSSI值和周期变化的测距模型参数进行测距。实测结果表明,采用本文所提的REARM模型的WLS定位算法比采用固定模型参数的WLS定位算法的定位精度提高了 23.73%,在时变的环境下,REARM仍能保持较好的测距性能,增强了测距模型对时变环境的鲁棒性。然后,在研究了前文中所提出的自适应环境的RSSI测距模型的基础上,针对D2D通信网络的协同定位的目标函数结构复杂且非凸,传统的协同定位算法很难获得最优定位解的问题,提出了基于分类粒子群优化（Classification Particle Swarm Optimization,CPSO）的分布式协同定位算法。CPSO算法根据代价值将粒子划分为近距离粒子、中距离粒子和远距离粒子,并给不同种类的粒子设置不同的惯性权重和学习因子,从而增强算法的寻优能力,有效提高定位精度。为了降低D2D通信网络的链路数,本文提出基于克拉美罗下界（Cramero Lower Bound,CRLB）评估的节点发送优选机制,在发送端进行节点优选,阻止了位置估计不可靠的伪锚节点的位置信息传播。仿真结果表明,本文所提的基于CPSO的分布式协同定位算法在NLOS环境下,比经典的分类粒子群优化算法的定位精度提高了 25.3%,并在不损失协同定位精度的情况下,D2D通信网络的平均链路数减少了 11.17%,有效地降低了网络的通信量。 

关键词：分布式协同定位;

文章目录

摘要

ABSTRACT

第一章 绪论

    1.1 本文研究背景及意义

        1.1.1 无线定位技术研究背景

        1.1.2 移动通信网络的协同定位研究背景

    1.2 国内外研究现状

        1.2.1 无线定位技术研究现状

        1.2.2 协同定位技术研究现状

    1.3 本文主要研究内容

    1.4 本文组织结构

第二章 协同定位算法研究

    2.1 引言

    2.2 协同网络系统模型

        2.2.1 网络模型

        2.2.2 测量模型

        2.2.3 性能分析

    2.3 基于非贝叶斯的协同定位算法研究

        2.3.1 加权最小二乘算法

        2.3.2 高斯-牛顿法

        2.3.3 半正定规划

        2.3.4 多维标度分析

    2.4 基于贝叶斯的协同定位算法研究

        2.4.1 因子图与和积算法

        2.4.2 贝叶斯估计框架

        2.4.3 结合因子图与和积算法的分布式协同定位算法

    2.5 仿生协同定位算法研究

        2.5.1 基于遗传算法的协同定位算法

        2.5.2 基于布谷鸟搜索的协同定位算法

        2.5.3 基于粒子群优化的协同定位算法

    2.6 本章小结

第三章 自适应环境的RSSI测距模型

    3.1 引言

    3.2 RSSI测距模型

    3.3 RSSI信号滤波

    3.4 自适应环境的RSSI测距模型

    3.5 基于RSSI测距模型的动态自适应定位算法

    3.6 实验分析与性能评估

    3.7 本章小结

第四章 基于分类粒子群优化的分布式协同定位算法

    4.1 引言

    4.2 系统模型

        4.2.1 网络模型

        4.2.2 测量模型

        4.2.3 问题建模

    4.3 粒子群优化算法

    4.4 发送端节点选择

    4.5 基于分类粒子群优化的分布式协同定位算法

    4.6 实验分析与性能评估

    4.7 本章小结

第五章 总结与展望

    5.1 工作总结

    5.2 研究展望

参考文献

[1]杜鹃搜索在无线传感器网络定位问题中的应用[J]. 徐行健,纪兆华,孟繁军.  合肥工业大学学报(自然科学版). 2021(04)

[2]一种基于无线传感器网络的动态环境自适应定位方法[J]. 杨文铂,刘彦华,崔明月.  南京师大学报(自然科学版). 2021(01)

[3]路径相似度因子在DV-Hop改进中的应用[J]. 石琴琴,王冬雨,徐强,张建平.  电子测量与仪器学报. 2019(01)

[4]面向5G的定位技术研究综述[J]. 张平,陈昊.  北京邮电大学学报. 2018(05)

[5]室内定位关键技术综述[J]. 邓中亮,尹露,唐诗浩,刘延旭,宋汶轩.  导航定位与授时. 2018(03)

[6]遗传粒子群优化的DV-Hop定位算法[J]. 高美凤,李凤超.  传感技术学报. 2017(07)