為了提高農(nóng)作物產(chǎn)量,傳統(tǒng)農(nóng)業(yè)通常進行過度灌溉、施肥、噴灑農(nóng)藥等農(nóng)事活動,打破了土地中各種微量元素平衡,導(dǎo)致嚴重的資源浪費和環(huán)境污染問題。而將傳統(tǒng)農(nóng)業(yè)與現(xiàn)代科技結(jié)合而成的精準農(nóng)業(yè),通過獲得農(nóng)作物周圍各種環(huán)境信息,按照農(nóng)作物不同的生長需求,對農(nóng)作物進行精確監(jiān)控與管理,不僅提高了產(chǎn)量,同時減少了資源浪費和環(huán)境污染。無線傳感器網(wǎng)絡(luò)（Wireless sensor network,WSN）是由部署在監(jiān)測區(qū)域內(nèi)的大量微型傳感器節(jié)點,通過無線通信方式組成的一個多跳自組織網(wǎng)絡(luò),具有成本低,功耗小,實時性,適應(yīng)力強等特點,在精準農(nóng)業(yè)領(lǐng)域具有廣泛的應(yīng)用前景。首先,將傳感器節(jié)點隨機拋撒在監(jiān)測區(qū)域,然后,對所需要的信息進行采集,最后發(fā)送給服務(wù)器并進行處理。傳感器采集的信息必須與其位置坐標結(jié)合才具有使用價值,但對所有傳感器加裝上GPS（Global Position System）來獲取位置坐標是不現(xiàn)實的,大大提高了成本。因此,如何通過網(wǎng)絡(luò)中少量已知位置的節(jié)點實現(xiàn)大量未知位置節(jié)點的定位顯得尤為重要。本文主要研究了無線傳感器網(wǎng)絡(luò)中節(jié)點定位問題,涵蓋了靜態(tài)網(wǎng)絡(luò)和動態(tài)網(wǎng)絡(luò)兩種類型。在介紹定位算法原理的基礎(chǔ)上,分析誤差... 

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 無線傳感器網(wǎng)絡(luò)概述
        1.2.1 無線傳感器網(wǎng)絡(luò)結(jié)構(gòu)
        1.2.2 無線傳感器網(wǎng)絡(luò)優(yōu)點
        1.2.3 無線傳感器網(wǎng)絡(luò)缺點
    1.3 國內(nèi)外應(yīng)用研究現(xiàn)狀
    1.4 本文的工作
        1.4.1 本文的主要內(nèi)容
        1.4.2 本文的章節(jié)安排
2 DV-Hop定位算法的性能比較
    2.1 典型免測距定位算法
        2.1.1 APIT算法
        2.1.2 質(zhì)心算法
        2.1.3 Amorphous算法
        2.1.4 DV-Hop算法
    2.2 常規(guī)的DV-Hop改進優(yōu)化策略
        2.2.1 錨節(jié)點平均跳距優(yōu)化
        2.2.2 計算節(jié)點間距離優(yōu)化
        2.2.3 位置的優(yōu)化求解
    2.3 仿真實驗及分析
        2.3.1 錨節(jié)點平均跳距優(yōu)化方法對比
        2.3.2 距離求解優(yōu)化方法比較
        2.3.3 坐標求解優(yōu)化方法比較
    2.4 本章小結(jié)
3 加強收斂隨機抽樣粒子群優(yōu)化DV-Hop定位算法
    3.1 基本粒子群優(yōu)化算法
        3.1.1 粒子群算法基本步驟
        3.1.2 粒子群算法存在的問題
        3.1.3 常見粒子群優(yōu)化算法
    3.2 加強收斂的隨機抽樣粒子群算法
        3.2.1 分析PSO收斂性
        3.2.2 參數(shù)收斂區(qū)間的動態(tài)取值
        3.2.3 計算中間粒子
        3.2.4 逐維更新種群最優(yōu)值
    3.3 基于優(yōu)化粒子群的DV-Hop算法
    3.4 仿真實驗及分析
        3.4.1 SC-PSO算法有效性驗證
        3.4.2 SDV-Hop算法實驗分析
    3.5 本章小結(jié)
4 基于錨節(jié)點選擇的DV-Hop優(yōu)化算法
    4.1 DV-Hop算法誤差原因分析
        4.1.1 客觀因素
        4.1.2 主觀因素
    4.2 基于錨節(jié)點選擇的DV-Hop算法
        4.2.1 基于中間錨節(jié)點的距離求解
        4.2.2 加權(quán)最小二乘法
    4.3 錨節(jié)點選擇的DV-Hop優(yōu)化算法流程
    4.4 仿真實驗及分析
        4.4.1 改變鄰居錨節(jié)點比例對誤差影響
        4.4.2 MDV-Hop算法定位誤差仿真
    4.5 本章小結(jié)
5 基于三次樣條法的蒙特卡洛定位算法
    5.1 蒙特卡洛定位算法原理
    5.2 MCL算法存在的缺點
    5.3 三次樣條法的節(jié)點位置預(yù)測
        5.3.1 三次樣條法
        5.3.2 節(jié)點位置預(yù)測
    5.4 仿真實驗及分析
        5.4.1 仿真實驗參數(shù)配置
        5.4.2 實驗結(jié)果及分析
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻
致謝
作者簡介



本文編號：3653118