基于蒙特卡羅的移動(dòng)傳感網(wǎng)節(jié)點(diǎn)定位跟蹤算法

石研，楊文忠,，高秋田，李雙雙，韓玄

（1.新疆大學(xué)軟件學(xué)院，烏魯木齊 830008；2.新疆大學(xué)信息科學(xué)與工程學(xué)院，烏魯木齊 830046；3.國(guó)網(wǎng)新疆電力公司吐魯番供電公司，吐魯番 838000）

基于蒙特卡羅的移動(dòng)傳感網(wǎng)節(jié)點(diǎn)定位跟蹤算法

石研1，楊文忠1,2，高秋田1，李雙雙2，韓玄3

（1.新疆大學(xué)軟件學(xué)院，烏魯木齊 830008；2.新疆大學(xué)信息科學(xué)與工程學(xué)院，烏魯木齊 830046；3.國(guó)網(wǎng)新疆電力公司吐魯番供電公司，吐魯番 838000）

針對(duì)傳統(tǒng)蒙特卡羅定位算法（MCL）存在的需要大量樣本才能得到較好定位效果，導(dǎo)致的算法需要較長(zhǎng)的計(jì)算時(shí)間以及較高的能源消耗的問題，提出IMCL算法，通過免疫計(jì)算加快預(yù)測(cè)階段樣本的抽樣，減少定位時(shí)間，降低能耗；使用插值法預(yù)測(cè)節(jié)點(diǎn)的運(yùn)動(dòng)速度和方向，縮小采樣區(qū)域，提高采樣效率。實(shí)驗(yàn)仿真表明提出的IMCL算法和MCL算法相比定位時(shí)間減少30%左右，定位誤差降低約10%。

無線傳感器網(wǎng)絡(luò)；移動(dòng)節(jié)點(diǎn);定位；蒙特卡羅算法；遺傳算法

第二項(xiàng)會(huì)議議程為“攻克技術(shù)難關(guān)”。學(xué)生按興趣分為研討種子繁殖和研討嫁接繁殖的小組。每個(gè)小組將會(huì)通過合作探究的學(xué)習(xí)模式領(lǐng)會(huì)各種繁殖方式的要領(lǐng)，并進(jìn)行動(dòng)手實(shí)踐操作和小組成果分享。

0 引言

無線傳感器網(wǎng)絡(luò)（Wireless Sensor Networks，WSNs)是由部署在監(jiān)測(cè)區(qū)域中的大量具有感知、計(jì)算和通信能力的傳感器節(jié)點(diǎn)通過自組織和多跳的方式構(gòu)成的無線網(wǎng)絡(luò)，是物聯(lián)網(wǎng)的一種主要形式[1]。在WSNs的許多應(yīng)用中節(jié)點(diǎn)位置至關(guān)重要，如果沒有位置信息，感知的數(shù)據(jù)是沒有意義的[2]。在過去的幾年時(shí)間里，提出了很多的WSNs節(jié)點(diǎn)定位算法，按照定位時(shí)是否需要測(cè)量節(jié)點(diǎn)之間的實(shí)際距離，這些算法大致可以分成2類，分別是基于測(cè)距的和無須測(cè)距的定位算法。基于測(cè)距的定位算其中有基于接收信號(hào)強(qiáng)度（Received Signal Strength Indication，RSSI）定位方法[3]，基于信號(hào)到達(dá)時(shí)間差（Time Difference of Arrival，TDOA）定位方法[4]等；無須測(cè)距的定位算有質(zhì)心定位算法[5]、DV-Hop（Distance Vector-Hop）定位算法[6]等。

上述算法適用于靜態(tài)傳感器網(wǎng)絡(luò)，在很多應(yīng)用如牧區(qū)牲畜監(jiān)測(cè)跟蹤等，節(jié)點(diǎn)在部署后可能會(huì)移動(dòng)形成移動(dòng)傳感器網(wǎng)絡(luò)，節(jié)點(diǎn)的移動(dòng)造成很多現(xiàn)有的靜態(tài)定位算法并不適用。因此，設(shè)計(jì)移動(dòng)WSNs節(jié)點(diǎn)定位算法很有必要。2004年L.Hu和D.Evans提出了MCL（Monte Carlo Localization）算法[7]，算法利用節(jié)點(diǎn)的移動(dòng)性在提高定位精度的同時(shí)減小了定位代價(jià)，為WSNs移動(dòng)節(jié)點(diǎn)的定位提供了新的思路。2008年Baggio[8]等人提出了蒙特卡羅箱（MCB）算法，算法通過建立錨箱（AnchorBox）減少候選樣本的抽取區(qū)域以提高采樣效率。雖然在定位效率和精度上有所提高，可是當(dāng)觀測(cè)數(shù)據(jù)分布在錨箱的比重很小時(shí)，采樣成功率仍舊很低。在文獻(xiàn)[9]中，RudafshaniM和Datta S通過利用鄰居節(jié)點(diǎn)位置信息來提高定位精度，提出了MSL和MSL*算法，但是它們利用鄰居節(jié)點(diǎn)的方式比較復(fù)雜，都存在采樣效率低的問題。文獻(xiàn)[10]將測(cè)距信息引入到MCL算法中，提出了一種基于測(cè)距的MCL算法。雖然定位精度得到提升，但是節(jié)點(diǎn)卻需要配置額外的測(cè)距硬件，增加了網(wǎng)絡(luò)成本和能量消耗。文獻(xiàn)[11]考慮到移動(dòng)WSNs中由于節(jié)點(diǎn)的移動(dòng)造成網(wǎng)絡(luò)拓?fù)涞淖兓?，造成有些單個(gè)節(jié)點(diǎn)被完全孤立面臨沒有可用錨節(jié)點(diǎn)的情況，Hartung S等人提出通過使用磁力儀、加速計(jì)、陀螺儀來更新節(jié)點(diǎn)的位置估計(jì)。提出的算方法成功地解決錨節(jié)點(diǎn)信息缺失時(shí)的定位問題，大幅度降低了定位誤差。但卻需要增加很多額外的裝置，增加了網(wǎng)絡(luò)成本。

MCL算法需要獲得足夠的有效樣本來準(zhǔn)確描述節(jié)點(diǎn)的位置分布，但是尋找這些樣本點(diǎn)的計(jì)算量是很大的，因此導(dǎo)致算法需要較長(zhǎng)的計(jì)算時(shí)間以及較高的能源消耗。針對(duì)這一問題本文提出了IMCL（Improved MCL）算法，通過免疫計(jì)算加快預(yù)測(cè)階段的抽樣，減少定位時(shí)間，降低能耗；利用節(jié)點(diǎn)前幾個(gè)時(shí)刻的歷史位置信息，使用插值法預(yù)測(cè)節(jié)點(diǎn)的運(yùn)動(dòng)速度和方向，縮小候選樣本的抽取區(qū)，提高采樣效率。

1 MCL算法

在MCL算法中，時(shí)間被分成為若干等長(zhǎng)的離散時(shí)間段，需跟蹤節(jié)點(diǎn)在每一個(gè)時(shí)間段都要對(duì)自身進(jìn)行重定位。

在定位初始化階段，從布置區(qū)域中隨機(jī)的抽取N個(gè)樣本點(diǎn)形成初始的位置樣本L0={l10，l20，…，lN0}。然后重復(fù)預(yù)測(cè)階段和濾波階段對(duì)節(jié)點(diǎn)進(jìn)行定位。以t時(shí)刻的定位過程為例進(jìn)行說明。

全民皆兵的陣仗，令“頑固”的古城物業(yè)人員驚呆了，一見華為的人都掉頭跑。畢竟，從沒見過這么能死纏爛打軟磨硬泡的，還團(tuán)伙作戰(zhàn)圍追堵截，簡(jiǎn)直太可怕了。

1.1 預(yù)測(cè)階段

在MCL中，節(jié)點(diǎn)的移動(dòng)被建模為馬爾科夫過程，節(jié)點(diǎn)在時(shí)刻t的位置lt僅由它在t-1時(shí)刻的位置lt-1決定。需跟蹤節(jié)點(diǎn)只知道自己的最大運(yùn)動(dòng)速度vmax，并不知道自身的移動(dòng)速度和方向。所以，lt必然包含在以lt-1為圓心、以vmax為半徑的圓形區(qū)域內(nèi)，且假設(shè)節(jié)點(diǎn)的速度在區(qū)間[0，vmax]上服從均勻分布。算法在該圓內(nèi)反復(fù)抽樣，便可以通過t-1時(shí)刻的位置樣本集合Lt-1獲得t時(shí)刻的位置樣本集合Lt。因此，轉(zhuǎn)移分布函數(shù)為：

其中，d（lt|lt-1）表示lt與lt-1之間的歐氏距離。從這個(gè)分布函數(shù)可以看出，vmax的值越大，采樣區(qū)域越大，那么每一步的不確定性也就越多。

經(jīng)過一段時(shí)間的實(shí)踐探索，金山區(qū)走出了一條以制度建設(shè)為基礎(chǔ)、以民主參與為重心、以法治方式為內(nèi)核的，特點(diǎn)鮮明、群眾認(rèn)可、成效顯著的精細(xì)化基層治理新路子。但同時(shí)，也還存在著一些需要進(jìn)一步完善的問題。比如，基層法律服務(wù)的多部門工作銜接還不夠流暢，律師參與基層治理的機(jī)制還可以進(jìn)一步完善，村規(guī)民約的修訂尚不夠精細(xì)等。

1.2 濾波階段

生物學(xué)中，遺傳算法中的交叉遺傳算子也稱為基因重組，其通過某種方式互換兩條染色體上某些位上的基因，從而形成新的染色體。本文主要用到兩種交叉免疫操作，分別是線性交叉免疫和矩形交叉免疫。濾波階段完成以后，首先從滿足濾波條件的樣本集中隨機(jī)的選取兩個(gè)樣本（xi，yi）和（xj，yj），（xp，yp）表示通過交叉操作產(chǎn)生的新的樣本坐標(biāo)。線性交叉免疫如公式（4）所示，矩形交叉免疫如公式（5）所示。在式（4）中，為了獲得較好的效果，α一般從[0.1，0.9]之間隨機(jī)選取。在式（5）中，α和β是在0到1之間的隨機(jī)數(shù)。

(3)獨(dú)特的地域區(qū)位有助于打造特色專創(chuàng)師資團(tuán)隊(duì)。廣西是少數(shù)民族集聚的省份之一，有著豐富的民族特色資源可供開發(fā)。2003年，中國(guó)-東盟建立戰(zhàn)略伙伴關(guān)系，南寧成為中國(guó)-東盟博覽會(huì)永久舉辦地，歷經(jīng)15年的發(fā)展，“共建21世紀(jì)海上絲綢之路，構(gòu)建中國(guó)-東盟創(chuàng)新共同體”成為新的活動(dòng)主題，東博會(huì)已形成進(jìn)出口相結(jié)合、投引資相結(jié)合、商品與服務(wù)貿(mào)易相結(jié)合、展會(huì)結(jié)合、經(jīng)貿(mào)盛會(huì)與外交舞臺(tái)共舞以及經(jīng)貿(mào)活動(dòng)與文化交流相結(jié)合的特色。東博會(huì)的發(fā)展提供了更多的國(guó)際市場(chǎng)營(yíng)銷、國(guó)際物流、國(guó)際貿(mào)易等市場(chǎng)機(jī)會(huì)，為就業(yè)創(chuàng)業(yè)提供了更豐富的崗位，也為特色的專創(chuàng)師資團(tuán)隊(duì)打造指明了方向。

近年來，我國(guó)鐵路建設(shè)處于高速發(fā)展時(shí)期，新站處于建設(shè)過程的同時(shí)既有客站也在改造過程中。根據(jù)交通運(yùn)輸部的統(tǒng)計(jì)數(shù)據(jù)，2016年中國(guó)鐵路總里程達(dá)到12.4萬公里，預(yù)計(jì)2020年達(dá)到20萬公里。據(jù)統(tǒng)計(jì)，公共建筑的全年電耗是居住建筑的10～15倍，而交通樞紐類建筑用能強(qiáng)度在公共建筑中位列第二，僅次于商業(yè)建筑。鐵路客運(yùn)站作為交通樞紐的重要組成部分,具有建筑面積大、窗墻比高、人員流動(dòng)性大、照明系統(tǒng)復(fù)雜等特點(diǎn)。上述特點(diǎn)都會(huì)在一定程度上增加候車室內(nèi)的空調(diào)供暖負(fù)荷,由此進(jìn)一步增加了對(duì)電能、天然氣、水等能源的消耗。因此，研究客運(yùn)站中央空調(diào)系統(tǒng)的節(jié)能技術(shù)對(duì)鐵路系統(tǒng)節(jié)能降耗具有重要意義。

根據(jù)式（2），滿足條件的有效位置樣本點(diǎn)lt被保留，不滿足條件的位置樣本點(diǎn)被過濾掉，圖1（a）為節(jié)點(diǎn)的采樣區(qū)域圖，（b）為過濾圖。

3.1 實(shí)驗(yàn)參數(shù)與評(píng)價(jià)指標(biāo)

圖1 節(jié)點(diǎn)采樣區(qū)域和過濾圖

在濾波階段完成以后，如果得到的有效位置樣本點(diǎn)的數(shù)目小于N，那么將重復(fù)以上的兩個(gè)過程，直至獲得滿足條件的N個(gè)有效位置樣本點(diǎn)。如果過濾階段完成以后，得到了包含N個(gè)有效樣本點(diǎn)的位置樣本集Lt= {l1t，l2t，…，lNt}，那么取這些樣本點(diǎn)位置坐標(biāo)的平均值作為節(jié)點(diǎn)的估計(jì)位置，如公式（3）所示：

2 IMCL算法

本節(jié)首先介紹IMCL算法的預(yù)測(cè)階段和樣本免疫生成階段，最后對(duì)IMCL算法的整個(gè)流程進(jìn)行描述。

如圖12中所示，紅色五角星代表節(jié)點(diǎn)當(dāng)前的實(shí)際位置，圓點(diǎn)A和B表示兩個(gè)初始樣本點(diǎn)。點(diǎn)E和F為通過線性交叉免疫計(jì)算得到新的樣本，點(diǎn)G和H為通過矩形交叉免疫計(jì)算得到的新的樣本。與線性交叉相比，矩形交叉可以得到更多的可能位置，增加了樣本的多樣性，能夠防止算法退化的現(xiàn)象。當(dāng)采用矩形交叉免疫時(shí)，新生成的樣本可能不滿足濾波條件，所以需要進(jìn)行二次濾波處理。遺傳算法的使用使得MCL算法能夠通過較少的計(jì)算和能耗產(chǎn)生更多的樣本。

在預(yù)測(cè)階段使用牛頓二次插值法估算出節(jié)點(diǎn)當(dāng)前時(shí)刻的運(yùn)動(dòng)速度和方向進(jìn)。假設(shè)歷史記錄隊(duì)列中的前3個(gè)時(shí)刻的位置坐標(biāo)分別（xt-3，yt-3），（xt-2，yt-2），（xt-1，yt-1）對(duì)x，y方向的數(shù)據(jù)使用牛頓插值可得：

Wind數(shù)據(jù)顯示，截至12月4日，滬深兩市仍有25只股票處于停牌狀態(tài)，其中有10只個(gè)股連續(xù)停牌天數(shù)已超過100個(gè)交易日。部分公司停牌時(shí)間甚至長(zhǎng)達(dá)數(shù)年，＊ST新億（600145.SH）以重組名義停牌已近3年，深深房A（000029.SZ）也停牌逾2年。

由此可估算出當(dāng)前時(shí)刻的速度及方向?yàn)椋?/p>

路面養(yǎng)護(hù)施工單位申請(qǐng)開工，并于2015年4月7日向社會(huì)發(fā)布施工公告。2015年4月19日，施工單位組織人員、材料、機(jī)械進(jìn)場(chǎng)，具備開工條件，經(jīng)審核于4月20日正式開工。

④每次對(duì)未知節(jié)點(diǎn)進(jìn)行定位所需的樣本數(shù)為5000。

圖2 節(jié)點(diǎn)采用圖

2.2 樣本免疫生成階段

在濾波階段，算法依據(jù)當(dāng)前時(shí)刻接收到的一跳和二跳錨節(jié)點(diǎn)的位置信息過濾掉無效的樣本。假設(shè)未知節(jié)點(diǎn)監(jiān)測(cè)到的一跳錨節(jié)點(diǎn)的集合為S1，二跳錨節(jié)點(diǎn)的集合為S1，每個(gè)節(jié)點(diǎn)的通信半徑均為r。過濾條件如式（2）所示：

2.1 預(yù)測(cè)階段

圖3 遺傳樣本示例圖

2.3 IMCL算法描述

IMCL算法描述如下：

①初始時(shí)，節(jié)點(diǎn)先按照傳統(tǒng)MCL算法獲得自身前3個(gè)時(shí)刻的位置坐標(biāo)，把它們存放在一個(gè)歷史記錄隊(duì)列中。

②根據(jù)歷史記錄隊(duì)列中最新的3個(gè)時(shí)刻的位置坐標(biāo)，利用二次牛頓插值得到當(dāng)前時(shí)刻的運(yùn)動(dòng)速度vt-1公式（6）和運(yùn)動(dòng)方向（角θ）公式（7）。

③在以前一時(shí)刻的節(jié)點(diǎn)估計(jì)位置為圓心，以min（vt-1，vmax）為半徑，沿順時(shí)針及逆時(shí)針各展開角的扇形區(qū)域內(nèi)隨機(jī)地選取N個(gè)位置樣本點(diǎn)；

④依據(jù)當(dāng)前時(shí)刻接收到的2跳范圍內(nèi)的錨節(jié)點(diǎn)進(jìn)行濾波，判斷位置樣本集中的每個(gè)位置樣本點(diǎn)是否滿足濾波條件（2），如果不滿足那么就將該樣本丟棄；

⑤從濾波后的樣本集合中隨機(jī)的選取兩個(gè)樣本粒子進(jìn)行線性交叉免疫和矩形交叉免疫。

⑥實(shí)驗(yàn)中不考慮障礙物的遮掩。

⑦要是經(jīng)過濾波操作后滿足條件的位置樣本數(shù)不足N，那么將扇形的角θ擴(kuò)大1倍，重復(fù)執(zhí)行預(yù)測(cè)、濾波、免疫、二次濾波的過程，直到獲得N個(gè)有效的樣本。

⑧計(jì)算未知節(jié)點(diǎn)在t時(shí)刻的位置如公式（3）。

希望各出版社夠增加英語原版書籍和音像材料的引進(jìn)和出版，加大市場(chǎng)流通。尤其入門級(jí)英語原版童書繪本的市場(chǎng)細(xì)分需要加強(qiáng)和完善，以便給廣大英語入門學(xué)習(xí)者提供充分地道的語言環(huán)境，為英語語言的靈活運(yùn)用提供豐富的借鑒范本，為語言技能習(xí)得打好堅(jiān)實(shí)的基礎(chǔ)。

⑨將步驟⑧計(jì)算產(chǎn)生的新的定位值加入到歷史記錄隊(duì)列的尾部，若隊(duì)列的長(zhǎng)度大于3，那么刪除隊(duì)首元素，保持隊(duì)列中存放的始終是3個(gè)最新的位置記錄。轉(zhuǎn)步驟③對(duì)未知節(jié)點(diǎn)下一時(shí)刻的速度方向進(jìn)行估計(jì)。

3 仿真實(shí)驗(yàn)及分析

尿蛋白是糖尿病腎病的主要指標(biāo)之一，ACEI類藥物可使糖尿病腎病患者尿蛋白顯著減少，降低血壓，擴(kuò)張腎血管，提高糖尿病腎病的療效[8]。ACEI可以抑制血管緊張素Ⅰ轉(zhuǎn)化為血管緊張素Ⅱ，降低循環(huán)系統(tǒng)血壓，改善腎臟血流動(dòng)力學(xué)效果[9]。ACEI可以減緩2型糖尿病患者的腎病進(jìn)程，起到保護(hù)腎功能、避免惡化的作用[10]。ACEI不僅可以減少尿蛋白排泄，同時(shí)可以保護(hù)腎避免因蛋白質(zhì)的重吸收引起的腎小管超負(fù)荷導(dǎo)致的促炎癥反應(yīng)。臨床上可以將其與其它藥物聯(lián)用，提高治療效果[11-12]。

（二）臨診癥狀和病理學(xué)診斷 急性病豬出現(xiàn)高熱、嚴(yán)重的呼吸困難、咳嗽、拒食、死亡突然，死亡率高。死后剖檢病變主要局限于胸腔，可見肺臟和胸膜有特征性的纖維素性和壞死性出血性肺炎、纖維素性胸膜炎。

為了檢驗(yàn)IMCL算法的性能，本章使用MATLAB 2016b進(jìn)行了一系列實(shí)驗(yàn)仿真。假設(shè)錨節(jié)點(diǎn)本身的位置為已知的，且不發(fā)生移動(dòng)。需跟蹤節(jié)點(diǎn)在仿真區(qū)域內(nèi)按照Random Waypoint模型做隨機(jī)運(yùn)動(dòng)，并且在每個(gè)時(shí)間段都要對(duì)自身進(jìn)行重定位。無線傳感器網(wǎng)絡(luò)和節(jié)點(diǎn)的參數(shù)設(shè)置為：

①仿真區(qū)域?yàn)?00米×500米的矩形區(qū)域。

②設(shè)定節(jié)點(diǎn)的通信半徑r=150m。

通過多彩豐富的數(shù)學(xué)活動(dòng)不僅可以滲透數(shù)學(xué)文化，還有利于拓寬學(xué)生的見識(shí)，發(fā)揮學(xué)生對(duì)學(xué)習(xí)數(shù)學(xué)的優(yōu)勢(shì)特長(zhǎng)，激發(fā)學(xué)習(xí)興趣。并且有利于學(xué)生獨(dú)立思考能力的培養(yǎng),發(fā)展學(xué)生對(duì)數(shù)學(xué)的優(yōu)秀才能激發(fā)潛力。數(shù)學(xué)教學(xué)活動(dòng)的設(shè)計(jì)要符合學(xué)生的年齡特點(diǎn)，從而吸引學(xué)生的注意力?；顒?dòng)本身的形式與內(nèi)容要豐富多樣，有趣味性。在數(shù)學(xué)文化的滲透過程中，可以幫助學(xué)生將復(fù)雜的問題進(jìn)行簡(jiǎn)單處理，當(dāng)遇到新問題時(shí)可以利用自己掌握的知識(shí)和自身的能力去有效地處理解決,從而提升學(xué)生的素養(yǎng)與能力。開展數(shù)學(xué)活動(dòng)可以包括：游戲競(jìng)賽、動(dòng)手操作、實(shí)踐應(yīng)用、講述故事和智力活動(dòng)等等。

③節(jié)點(diǎn)的最大速度為=50m/s。

節(jié)點(diǎn)根據(jù)t-1時(shí)刻的位置樣本集Lt-1，由公式（3）得出t-1時(shí)刻的節(jié)點(diǎn)估計(jì)位置lt-1，隨后以Lt-1（位置坐標(biāo)為（xt-1，yt-1））為坐標(biāo)原點(diǎn)，以min（vt-1，vmax）為半徑，在估算出的節(jié)點(diǎn)的運(yùn)動(dòng)方向沿順時(shí)針及逆時(shí)針各展開θ角從而得到一個(gè)扇形采樣區(qū)域，在該區(qū)域內(nèi)隨機(jī)地選取N個(gè)候選位置樣本點(diǎn)，如圖2（b）所示。通過對(duì)節(jié)點(diǎn)的運(yùn)動(dòng)速度及運(yùn)動(dòng)方向的預(yù)測(cè)，釆樣區(qū)域與MCL算法相比大為減小，從而提高了采樣成功率。滿足上述情況的樣本集合可以表示為：

⑤初始布點(diǎn)是隨機(jī)的。

⑥進(jìn)行二次濾波處理，同步驟④。

歐米茄星座系列至臻天文臺(tái)小秒針腕表搭載歐米茄8704至臻天文臺(tái)機(jī)心，令這款精巧典雅的腕表擁有精準(zhǔn)走時(shí)。腕表配備白色珍珠母貝表盤，鑲嵌10枚鉆石小時(shí)刻度及4枚鉆石小秒盤刻度，盡顯靈動(dòng)柔和之美。

用定位誤差和計(jì)算開銷來衡量定位算法的性能，其中定位誤差使用估計(jì)位置與實(shí)際位置之間的歐式距離與通信半徑的比值來表示，節(jié)點(diǎn)定位誤差的計(jì)算如下：

其中（x，y）和（x'，y'）分別為各節(jié)點(diǎn)的真實(shí)位置坐標(biāo)和節(jié)點(diǎn)的估計(jì)位置坐標(biāo)。

3.2 仿真分析

第一，制約語言文字工作定位因素研究，有利于處理好各民族語言之間的關(guān)系，處理好共同語與方言之間的關(guān)系，處理好母語同外語的關(guān)系，處理好普通話的國(guó)內(nèi)推廣和國(guó)際傳播之間的關(guān)系。能夠充分認(rèn)識(shí)到語言規(guī)劃越來越走近人們的真實(shí)生活，健康和諧的語言生活是推進(jìn)社會(huì)科學(xué)發(fā)展的重要因素。

MCL和IMCL算法的平均定位時(shí)間如圖4所示。在相同仿真環(huán)境下進(jìn)行了10組實(shí)驗(yàn)，每組數(shù)據(jù)為連續(xù)5次定位計(jì)算所得平均值。從圖中可以看出，IMCL算法具有明顯優(yōu)勢(shì)，比傳統(tǒng)的MCL算法相比定位時(shí)間減少了30%左右，同時(shí)，其算法性能也更加穩(wěn)定。

如圖5所示，在相同仿真環(huán)境下進(jìn)行了10組實(shí)驗(yàn)，每組數(shù)據(jù)同樣為連續(xù)5次定位計(jì)算所得平均值?？梢钥闯?，IMCL算法的定位精度還是稍高于MCL算法，與MCL算法相比定位誤差降低了10%左右。總體看來，IMCL算法雖精度提高不明顯，但在算法性能上獲得了較大改善，這對(duì)于能量即是生命的無線傳感器節(jié)點(diǎn)來說，是至關(guān)重要的。

圖6描述了在不同vmax下兩種算法定位誤差的變化。隨著vmax的提高，MCL算法與IMCL算法的定位誤差都有不斷增大的趨勢(shì)。這是由于vmax的連續(xù)增大，采樣區(qū)域也隨之變大，致使無效樣本增多導(dǎo)致定位誤差也逐漸變大。但I(xiàn)MCL算法的定位誤差還是稍低于MCL算法。

圖7描述了MCL和IMCL算法在不同樣本數(shù)目下節(jié)點(diǎn)定位誤差的變化。從圖中可以看出隨著樣本數(shù)目的增多，兩種定位算法的定位誤差都不斷減小，MCL和IMCL兩種定位算法之間的定位誤差大致相等。

圖4 定位花費(fèi)時(shí)間比較

圖5 定位誤差比較

4 結(jié)語

在MCL算法的基礎(chǔ)之上，結(jié)合遺傳算法和插值法提出了一種IMCL算法。通過引入交叉免疫操作，對(duì)蒙特卡洛算法的采樣結(jié)構(gòu)進(jìn)行了優(yōu)化，減少了采樣次數(shù)，降低了算法的計(jì)算開銷；采用插值法對(duì)節(jié)點(diǎn)的運(yùn)動(dòng)速度及方向進(jìn)行預(yù)測(cè)，縮小了采樣區(qū)域，提高了定位精度。實(shí)驗(yàn)結(jié)果表明，與MCL算法相比提出的IMCL算法定位精度提高了10%左右，定位時(shí)間減少了30%左右。然而，目前的研究尚不完善，障礙物遮掩情況下的定位跟蹤將是我們下一步工作的重點(diǎn)。

圖6 定位精度隨移動(dòng)速度變化

圖7 定位精度隨樣本數(shù)目變化

[1]Qian Zhi-hong,Wang Yi-jun.Internet Of Things-Oriented Wireless Sensor Networks Review[J].Journal Of Electronics&Information Technology,2013,35(1):215-227.

[2]Liu YH,Yang Z,Wang XPEt Al.Location,Localization,and Localizability.Journal of Computer Science and Technology25(2):1-Mar.2010

[3]Yaghoubi F,Abbasfar A A,Maham B.Energy-Efficient RSSI-Based Localization for Wireless Sensor Networks[J].IEEE Communications Letters,2014,18(6):973-976.

[4]Bandiera F,Coluccia A,Ricci G,Et A l.TDOA Localization in Asynchronous WSNs[C].IEEE International Conference on Embedded and Ubiquitous Computing.IEEEComputer Society,2014.

[5]Wang J,Urriza P,Han Y,Et Al.Weighted Centroid Localization Algorithm:Theoretical Analysis and Distributed Implementation[J]. IEEE Transactions onWireless Communications,2011,10(10):3403-3413.

[6]Hadir A,Zine-Dine K,Bakhouya M,Et Al.An Optimized DV-Hop Localization A lgorithm Using Average Hop Weighted Mean in Wsns[C].TheWorkshop on Codes，2014:25-29.

[7]Hu Ling-Xuan and Evans D.Localization for Mobile Sensornetworks[C].Proceedings of Mobicom 2004,Philadelphia,Pennsylvania, USA,September,2004:45-57.

[8]Baggio A and Langendoen K.Monte Carlo Localization Formobile Wireless Sensor Networks[J].Ad Hoc Networks,2008,6(5):718-733.

[9]Rudafshani M,Datta S.Localization in Wireless Sensor Networks[C].International Symposium on Information Processing in Sensor Networks，2007：216-221.

[10]Shao Q,Xu H,Jia L,Et Al.The Research of Monte Carlo Localization Algorithm Based on Received Signal Strength[C].International Conference onWireless Communications,Networking and Mobile Computing.IEEE,2011:1-4.

[11]Hartung S,Bochem A,Zdziarstek A,Et Al.Applied Sensor-Assisted Monte Carlo Localization for Mobile Wireless Sensor Networks [C].International Conference on Embedded Wireless Systems and Networks.Junction Publishing,2016:181-192.

Im proved Monte Carlo Localization for Mobile W ireless Sensor Network

SHIYan1，YANGWen-zhong1，2，GAO Qiu-tian1，LIShuang-shuang2

（1．School of software，Xinjiang University，Urumqi 830008；2．School of Information Science and Technology，Xinjiang University，Urumqi 830046）

Monte Carlo Localization(MCL)has a decisive role for themobile nodes'localization in W ireless Sensor Networks(WSN).However,current MCL-based approaches need to acquire a large number of samples to calculate to achieve good precision.The energy of one node is limited and can't last for a long time.Aiming to solve the problems,proposes an improved algorithm IMCL(Improved MCL),in which applies the genetic algorithm to improve MCL in MSNs for localization.Besides,uses interpolation operation to predict the velocity and angle,which improves the sampling efficiency by reducing the scope from which the candidate samples are selected.Experimental results illustrate that themethodology has a better performance in comparison with Monte Carlo localization algorithm.

石研（1991-），女，河南商丘人，碩士研究生，研究方向?yàn)闊o線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位和網(wǎng)絡(luò)安全

楊文忠（1971-），男，河南南陽市人，博士，副教授，研究方向?yàn)槲锫?lián)網(wǎng)和網(wǎng)絡(luò)安全

高秋田（1991-），女，河南平輿人，碩士研究生，研究方向?yàn)橐苿?dòng)傳感器網(wǎng)絡(luò)

2017-03-23

2017-05-10

國(guó)家自然科學(xué)基金項(xiàng)目（No.U1603115、No.61262087、No.61262089）

1007-1423（2017）14-0003-06

10.3969/j.issn.1007-1423.2017.14.001

李雙雙（1992-），女，山東濟(jì)寧人，碩士研究生，研究方向?yàn)闊o線網(wǎng)絡(luò)算法和分析和信息安全

韓玄（1991-），男，河南商丘人

Wireless Sensor Network;Mobile Node;Localization;Monte Carlo Localization(MCL);Genetic Algorithm(GA)