基于序列學習的UWSNs節(jié)點移動預測及定位算法.pdf

1、水下傳感器網(wǎng)絡可以應用于海洋環(huán)境的探索與水下資源的開發(fā),具有廣闊的發(fā)展前景,已引起全世界各個國家的軍事部門、工業(yè)界和學術(shù)界的廣泛關(guān)注。在水下傳感器網(wǎng)絡的所有應用中,只有當水下傳感器節(jié)點位置已知時,節(jié)點采集到的信息才具有實際的意義和用途,因此水下傳感器節(jié)點定位的研究具有基礎性的重要意義。在復雜的水下環(huán)境中,節(jié)點隨著水流而移動,而水下節(jié)點運動規(guī)律的研究成果較少,移動節(jié)點的定位非常困難。因此,設計一種適合于水下傳感器網(wǎng)絡的節(jié)點動態(tài)定位算法具有

2、重要的理論意義和應用價值。
　　本文研究的主要內(nèi)容及創(chuàng)新之處在于:
　　(1)研究了動態(tài)水下環(huán)境中傳感器節(jié)點的定位問題,提出了一種基于序列學習的節(jié)點移動預測算法。該方法利用傳感器節(jié)點歷史時刻的坐標序列進行移動預測:首先將傳感器節(jié)點歷史時刻的坐標序列進行相空間重構(gòu);然后利用在線序列極限學習機訓練坐標預測模型;輸出傳感器節(jié)點當前時刻的坐標預測值,并隨著新的坐標的加入不斷更新預測模型。
　　(2)基于以上節(jié)點移動預測的結(jié)果,

3、結(jié)合傳感器節(jié)點接收到的錨節(jié)點的信標信息,實現(xiàn)對傳感器節(jié)點的最終定位,提高了定位的精度。本文搭建了兩種不同的動態(tài)水下傳感器網(wǎng)絡模型,設計了大量的仿真實驗,與現(xiàn)有的具有代表性的動態(tài)定位方法SLMP算法作對比分析,證明了本文算法的有效性。
　　本文研究并提出的基于序列學習的水下傳感器網(wǎng)絡中節(jié)點移動預測及定位方法,不依賴于節(jié)點運動模型,移動預測計算效率高,充分利用錨節(jié)點測距信息,可以綜合出較為準確的水下節(jié)點位置信息。本文工作有助于提高現(xiàn)有