基于IMCL算法的无线传感器网络节点定位！
MCL定位算法中，Vmax越大，则采样的区域越大，节点的不确定性也随之增大。由于事先不知道节点运动方向，需要在整个圆内采样，这也增加了节点的不确定性。通过构建节点运动模型，选取节点的和采样盒相结合来进行过滤，以此来减小节点可能的范围和预测工作量，来提高节点定位精度和工作效率。
节点在移动过程中使用的移动模型对算位精度有密切关系，不同的移动模型导致不同的节点移动轨迹，在无线传感器网络中常用的移动模型有：Random Walk移动模型、Rand Waypoint移动模型、Random Direction移动模型[8]、Reference Point Mobility model、Voltage of mobile model、高斯-马尔科夫模型。本算法假设是应用在一个二维的平面上，节点的运动平滑而连续，因此可以借助历史的数据，利用插值法对节点的运动进行预测。开始时让每个移动节点根据MCL算法获取自己的前几个时刻信息，并存放在一个历史的记录队列里，然后根据记录来预测移动节点下一时刻的运动趋势。假设节点存储了先前n-1个时间点的信息。t
。针对无线传感器网络移动节点的一些定位算法：如DLS定位算法、DRL定位算法等，由于存在计算量无线传感器网络节点大、硬件要求高和需要较多信标节点数目等特点，难以满足实际的应用。文献[6]借鉴机器人领域中的蒙特卡罗定位方法，并将其应用到无线传感器网络中移动节点的定位。蒙特卡罗定位方法(Monte Carlo Localization，简称MCL)利用节点的移动性来帮助定位，能够提高定位的精度，减小定位的代价，给移动无线传感器网络节点定位问题的解决提供了一个新的思，使越来越多的研究者在此算法的基础上衍生出自己的改进方法。Baggio提出了MCB定位算法
为信标节点的坐标。为了获取较大的采样盒，来获取较为丰富的样本，在定位精度的前提下，尽量选择距离定位节点较近的信标节点来构成采样盒，在同等均匀的分布下，距离定位节点较远的信标节点构成采样区域小于距离节点较近的信标节点构成的采样区域。由于节点运动的连续性，本文利用上一刻的值预测节点的并结合采样盒来进行采样。在预测节点时采用以下的方式，如图2所示。
1.3 节点的选取
的运动方向为：
(8)
(6)
。目前无线传感器网络节点定位研究大部分针对静态无线传感器网络，但在实际应用中传感器节点处于动态的应用却十分广泛，如动物的移动、医院病人的监护等。因此，移动节点定位技术的研究对无线传感器网络技术具有重要的理论意义和应用价值。在移动无线传感器网络的实际应用中如何实现低成本、低功耗和高精度的节点定位，已成为节点研究的重点问题
滤波阶段，节点根据当前接收到的观测值来去掉那些不满足要求的预测。节点使用上一时刻的节点预测结合节点运动模型来进行滤波。信标节点向通信半径内其当前时刻的坐标，待定位的未知节点在通信半径内接收信标节点的并转播。根据在时刻k到k+1观测到的信息，如果Ds为1跳信标节点的集合，I
本文引用地址：引言
编者按：节点定位是无线传感器网络的一个基本和关键的问题。针对无线传感器网络移动节点定位方法计算量大，硬件要求高和信标节点数目需较多等难点。本文研究蒙特卡洛定位方法，并提出一种改进的蒙特卡罗节点定位方法(IMCL)，利用插值法预测运动轨迹结合采样盒来进行采样。仿真结果表明，该方法能够提高采样的效率，提高节点的定位精度。
摘要：节点定位是无线传感器网络的一个基本和关键的问题。针对定位方法计算量大，硬件要求高和信标节点数目需较多等难点。本文研究蒙特卡洛定位方法，并提出一种改进的蒙特卡罗节点定位方法(IMCL)，利用插值法预测运动轨迹结合采样盒来进行采样。仿真结果表明，该方法能够提高采样的效率，提高节点的定位精度。
以上一时刻为坐标原点，以V
被提出，通过样本的采样范围等方法在预测和滤波阶段进行改进，改进了原有MCL定位算法;RSS-Based MCL定位方法[9]研究了将MCL与RSSI测距信息相结合。李敏等提出了一种基于参考节点选择模型的蒙特卡罗定位算法
为半径，沿节点运动方向的顺时针和逆时针各展开θ角的一个扇形(θ值由公式(6)得到);在图2扇形和图1采样盒交集的区域随机选取N个点作为预测值;如果滤波后符合要求的预测点的个数达不到N，可以将扇形的θ角加倍后用相同的方法重新进行选取和滤波，直到找到满足要求的点。所有满足上述情况的节点集合为：
1.1 方法概述
在构建采样区域时，为了计算方便，使用通信圆的外切正方形代替理想圆周通信模型。采样盒可以消除部分通信覆盖范围并不是一个理想圆所带来的影响。采样盒示意图如图1所示。
1 IMCL定位方法实现
1.4 滤波计算
本文研究了一种改进的蒙特卡罗定位算法(IMCL)，该方法利用插值法预测节点的运动轨迹并结合采样盒来进行采样，该方法能够提高节点采样的效率，提高节点定位的精度。
随着网络技术的发展，无线传感器网络的应用越来越广泛，而无线传感器网络的研究和应用依赖于整个系统对节点的准确信息的获取，的精度直接影响着网络的性能和优化的手段。在无线传感器网络的许多应用中节点定位算法扮演着非常重要的角色
(Monte Carlo Localization Boxed)，该算法通过信标节点盒子和样本盒子把采样区域在一个样本盒子中，提高采样成功率，从而改善定位性能;于是Dual-MCL和Mixer-MCL定位算法
，能够在较少信标节点的情况下利用相邻节点参与定位，但定位误差较大。
1.2 节点的运动模型和运动预测
采样盒由(x
