无线传感器网络移动节点定位中的滤波问题 徐学永 导师：黄刘生 指导：汪炀 2006-4-10 背景简介 在过去的三十年中，针对非高斯、非线性系统，有许多 滤波方法被人们提出，象：扩展卡尔曼滤波、高斯算术 近似(Gaussian sum approximations)和基于网格 (Grid-based filters)的滤波。但前两种方法没有能够 充分考虑处理过程中的统计问题，从而得到的结果比较 差，而Grid-based filters存在巨大的计算开销，这点 是我们无法容忍的。 目前，能比较好的解决这类问题的算法类是序贯蒙特卡 罗算法(Sequential Monte Carlo)。 传感器节点的限制 1、电源能量限制 传感器节点体积微小，通常携带能量十分有限的电池。由于传感器节 点个数多、成本要求低廉、分布区域广，而且部署区域环境复杂，有 些区域人员不能到达，所以传感器通过更换电池的方式来补充能源不 现实，必须节能从而提高网络生命周期。 2、计算和存储能力有限 传感器节点价格低功耗小，这些本身因素也必能会影响其计算和处理 能力。传感器节点一般处理能力比较弱，存储容量小。 滤波算法 由于传感器节点自身的限制，好的滤波算法也应该充分考虑这 些限制。所以考虑滤波问题应该朝计算复杂度小(运算简单，但 并不表示运算少)这方面考虑。 之所以向这方面考虑，因为我们采用分布式定位方法再结合传 感器节点自身的限制。 采用分布式定位有下述原因：
Download ReportTranscript 无线传感器网络移动节点定位中的滤波问题 徐学永 导师：黄刘生 指导：汪炀 2006-4-10 背景简介 在过去的三十年中，针对非高斯、非线性系统，有许多 滤波方法被人们提出，象：扩展卡尔曼滤波、高斯算术 近似(Gaussian sum approximations)和基于网格 (Grid-based filters)的滤波。但前两种方法没有能够 充分考虑处理过程中的统计问题，从而得到的结果比较 差，而Grid-based filters存在巨大的计算开销，这点 是我们无法容忍的。 目前，能比较好的解决这类问题的算法类是序贯蒙特卡 罗算法(Sequential Monte Carlo)。 传感器节点的限制 1、电源能量限制 传感器节点体积微小，通常携带能量十分有限的电池。由于传感器节 点个数多、成本要求低廉、分布区域广，而且部署区域环境复杂，有 些区域人员不能到达，所以传感器通过更换电池的方式来补充能源不 现实，必须节能从而提高网络生命周期。 2、计算和存储能力有限 传感器节点价格低功耗小，这些本身因素也必能会影响其计算和处理 能力。传感器节点一般处理能力比较弱，存储容量小。 滤波算法 由于传感器节点自身的限制，好的滤波算法也应该充分考虑这 些限制。所以考虑滤波问题应该朝计算复杂度小(运算简单，但 并不表示运算少)这方面考虑。 之所以向这方面考虑，因为我们采用分布式定位方法再结合传 感器节点自身的限制。 采用分布式定位有下述原因：
Slide 1
无线传感器网络移动节点定位中的滤波问题
徐学永
导师：黄刘生
指导：汪炀
2006-4-10
Slide 2
背景简介
在过去的三十年中，针对非高斯、非线性系统，有许多
滤波方法被人们提出，象：扩展卡尔曼滤波、高斯算术
近似(Gaussian sum approximations)和基于网格
(Grid-based filters)的滤波。但前两种方法没有能够
充分考虑处理过程中的统计问题，从而得到的结果比较
差，而Grid-based filters存在巨大的计算开销，这点
是我们无法容忍的。
目前，能比较好的解决这类问题的算法类是序贯蒙特卡
罗算法(Sequential Monte Carlo)。
Slide 3
传感器节点的限制
1、电源能量限制
传感器节点体积微小，通常携带能量十分有限的电池。由于传感器节
点个数多、成本要求低廉、分布区域广，而且部署区域环境复杂，有
些区域人员不能到达，所以传感器通过更换电池的方式来补充能源不
现实，必须节能从而提高网络生命周期。
2、计算和存储能力有限
传感器节点价格低功耗小，这些本身因素也必能会影响其计算和处理
能力。传感器节点一般处理能力比较弱，存储容量小。
Slide 4
滤波算法
由于传感器节点自身的限制，好的滤波算法也应该充分考虑这
些限制。所以考虑滤波问题应该朝计算复杂度小(运算简单，但
并不表示运算少)这方面考虑。
之所以向这方面考虑，因为我们采用分布式定位方法再结合传
感器节点自身的限制。
采用分布式定位有下述原因：
Slide 5
滤波算法
对移动节点的定位我们采用分布式定位的方法:
集中式定位需要节点将数据传送到某个中心节点(例如,一台服
务器),并在那里进行节点定位计算的方式，再将结果传送回节
点，这样带来不可避免的时延，显然对移动中节点定位精度会
带来进一步的影响。
分布式计算是指依赖节点间的有限的信息交换和协调,由节点
自行计算的定位方式。
显然，我们选择分布式定位方法。
Slide 6
假设及定义
假设1：假设通讯时延不计
假设2: 设节点Nmobile在时刻m处于状态Xm，坐标为(xm,ym)
假设3: 设预测得到节点Nmobile在时刻t的状态为Xpt，坐标为
(xpt,ypt)
定义1 (outsiders)：当前时刻和前一时刻都不在通讯半径内
的锚点
定义2 (Arrivers)：当前时刻在前一时刻不在通讯半径内的
锚点
定义3 (Leavers)：当前时刻不在前一时刻在通讯半径内的锚
点
定义4 (Insiders)：当前时刻和前一时刻都在通讯半径内的锚
点
Slide 7
节点Nmobile在时刻t-1到t的平均速度Vta估计
从时刻t-(m+1)到时刻t-1共m个时间间隔中(设时间间隔长度
为 )，设节点移动的路程为S，则：
t
m
S
( x ( t i ) x ( t ( i 1 )) ) ( y ( t i ) y ( t ( i 1 )) )
2
2
i 1
Vta
S
m * t
m
i 1
( x ( t i ) x ( t ( i 1 )) ) ( y ( t i ) y ( t ( i 1 )) )
2
2
(m * t )
Slide 8
滤波
根据平均速度Vta,我们可以得知在t时刻节点所处的范围为：
t时刻节点可能处于的位置
r
r Vta * t
X t 1 ( x t 1 , yt 1 )
t时刻预测阶段的值
r
Slide 9
滤波修正
从半径为r圆域内随机选n个点，A1，A2，⋯⋯An
在t时刻存在以下观测信息：
锚节点向通讯半径内广播其当前时刻t位置
邻节点向通讯半径内广播其时刻t所侦听到的锚节点位置
设在t时刻Nmobile所侦听到的锚节点的集合为N，Nmobile邻居所
侦听到的锚节点的集合为N’：
则有：
设Ai(xai,yai)为n个点中的某一点,则：
对任意 s N , s ' ( N ' N I N ') ，Ai到s的的距离d(Ai,s)小于
等于R，Ai到s’的距离d(Ai,s’)大于R小于2R。(R为通讯半径)
Slide 10
图示
s
N m obile
R
R
s’
2R
N m obile
Slide 11
剔除
对于不满足上述两个条件的Ai点去除，再从圆域中选出与去除
数目相同的点。对新选出的点重新判别两个条件直到获得n个
点。
获得这些点后，考虑预测值的权值w以及这n个点权值wi，
n
w i 1 w 将这些点的坐标与权值相乘求和从而得到修正
i 1
值。
Slide 12
问题／下一步工作
1、平均速度中m选定
2、圆域中的n值
3、不能够选到n个满足条件的点，如何解决？
4、 权值设定/处理
Slide 13
谢谢各位！！！
--END--
无线传感器网络移动节点定位中的滤波问题
徐学永
导师：黄刘生
指导：汪炀
2006-4-10
Slide 2
背景简介
在过去的三十年中，针对非高斯、非线性系统，有许多
滤波方法被人们提出，象：扩展卡尔曼滤波、高斯算术
近似(Gaussian sum approximations)和基于网格
(Grid-based filters)的滤波。但前两种方法没有能够
充分考虑处理过程中的统计问题，从而得到的结果比较
差，而Grid-based filters存在巨大的计算开销，这点
是我们无法容忍的。
目前，能比较好的解决这类问题的算法类是序贯蒙特卡
罗算法(Sequential Monte Carlo)。
Slide 3
传感器节点的限制
1、电源能量限制
传感器节点体积微小，通常携带能量十分有限的电池。由于传感器节
点个数多、成本要求低廉、分布区域广，而且部署区域环境复杂，有
些区域人员不能到达，所以传感器通过更换电池的方式来补充能源不
现实，必须节能从而提高网络生命周期。
2、计算和存储能力有限
传感器节点价格低功耗小，这些本身因素也必能会影响其计算和处理
能力。传感器节点一般处理能力比较弱，存储容量小。
Slide 4
滤波算法
由于传感器节点自身的限制，好的滤波算法也应该充分考虑这
些限制。所以考虑滤波问题应该朝计算复杂度小(运算简单，但
并不表示运算少)这方面考虑。
之所以向这方面考虑，因为我们采用分布式定位方法再结合传
感器节点自身的限制。
采用分布式定位有下述原因：
Slide 5
滤波算法
对移动节点的定位我们采用分布式定位的方法:
集中式定位需要节点将数据传送到某个中心节点(例如,一台服
务器),并在那里进行节点定位计算的方式，再将结果传送回节
点，这样带来不可避免的时延，显然对移动中节点定位精度会
带来进一步的影响。
分布式计算是指依赖节点间的有限的信息交换和协调,由节点
自行计算的定位方式。
显然，我们选择分布式定位方法。
Slide 6
假设及定义
假设1：假设通讯时延不计
假设2: 设节点Nmobile在时刻m处于状态Xm，坐标为(xm,ym)
假设3: 设预测得到节点Nmobile在时刻t的状态为Xpt，坐标为
(xpt,ypt)
定义1 (outsiders)：当前时刻和前一时刻都不在通讯半径内
的锚点
定义2 (Arrivers)：当前时刻在前一时刻不在通讯半径内的
锚点
定义3 (Leavers)：当前时刻不在前一时刻在通讯半径内的锚
点
定义4 (Insiders)：当前时刻和前一时刻都在通讯半径内的锚
点
Slide 7
节点Nmobile在时刻t-1到t的平均速度Vta估计
从时刻t-(m+1)到时刻t-1共m个时间间隔中(设时间间隔长度
为 )，设节点移动的路程为S，则：
t
m
S
( x ( t i ) x ( t ( i 1 )) ) ( y ( t i ) y ( t ( i 1 )) )
2
2
i 1
Vta
S
m * t
m
i 1
( x ( t i ) x ( t ( i 1 )) ) ( y ( t i ) y ( t ( i 1 )) )
2
2
(m * t )
Slide 8
滤波
根据平均速度Vta,我们可以得知在t时刻节点所处的范围为：
t时刻节点可能处于的位置
r
r Vta * t
X t 1 ( x t 1 , yt 1 )
t时刻预测阶段的值
r
Slide 9
滤波修正
从半径为r圆域内随机选n个点，A1，A2，⋯⋯An
在t时刻存在以下观测信息：
锚节点向通讯半径内广播其当前时刻t位置
邻节点向通讯半径内广播其时刻t所侦听到的锚节点位置
设在t时刻Nmobile所侦听到的锚节点的集合为N，Nmobile邻居所
侦听到的锚节点的集合为N’：
则有：
设Ai(xai,yai)为n个点中的某一点,则：
对任意 s N , s ' ( N ' N I N ') ，Ai到s的的距离d(Ai,s)小于
等于R，Ai到s’的距离d(Ai,s’)大于R小于2R。(R为通讯半径)
Slide 10
图示
s
N m obile
R
R
s’
2R
N m obile
Slide 11
剔除
对于不满足上述两个条件的Ai点去除，再从圆域中选出与去除
数目相同的点。对新选出的点重新判别两个条件直到获得n个
点。
获得这些点后，考虑预测值的权值w以及这n个点权值wi，
n
w i 1 w 将这些点的坐标与权值相乘求和从而得到修正
i 1
值。
Slide 12
问题／下一步工作
1、平均速度中m选定
2、圆域中的n值
3、不能够选到n个满足条件的点，如何解决？
4、 权值设定/处理
Slide 13
谢谢各位！！！
--END--