导读:本文包含了蒙特卡罗定位算法论文开题报告文献综述及选题提纲参考文献，主要关键词:移动机器人,重定位,蒙特卡罗算法,能量图
蒙特卡罗定位算法论文文献综述
骆增辉,张伯泉,曾碧[1]（2019）在《基于多分辨率能量图的自适应蒙特卡罗定位算法研究》一文中研究指出针对机器人被劫持以及快速恢复定位问题,本文提出了一种基于相似能量区采样的自适应蒙特卡罗定位方法。该算法首先通过离线构建出多分辨率二维能量图;然后在该图上利用回溯搜索算法,寻找与当前环境相似的能量区(SER);再根据粒子集平均似然的变化,判断机器人是否被劫持,若机器人被劫持,便在SER中进行采样,得到全局粒子集以发现机器人的新位姿;同时,该算法还可以维护一个局部粒子集,用于跟踪定位。实验结果表明,该算法不仅能够有效进行SER搜索,及时发现机器人被劫持,还能快速恢复定位。(本文来源于《机器人技术与应用》期刊2019年04期）
曾福庚,郭新辰[2]（2019）在《基于马氏链蒙特卡罗的WSN节点定位算法》一文中研究指出未知节点的定位是无线传感器网络(WSN)研究中的重要内容,其中动态节点定位算法设计是当前的热点问题.针对传统动态节点定位算法采样成功率低或采样样本少等问题,本文基于蒙特卡洛(MCL)算法及蒙特卡洛盒子(MCB)算法,提出了一种基于马氏链蒙特卡洛方法的节点定位(MCMCB)算法,算法在粒子滤波过程用马氏链蒙特卡洛方法计算粒子的权重,加大了对样本的筛选,从而提高了定位精度并减少了采样次数.仿真结果表明,MCMCB算法的平均定位精度同MCL算法、MCB算法相比分别提高了57. 4%和59. 3%,而采样次数比MCL算法减少了16. 2%.(本文来源于《海南热带海洋学院学报》期刊2019年02期）
王迎云,鹿建银,谷敏玲[3]（2018）在《基于测距的蒙特卡罗定位算法研究》一文中研究指出无线传感器网络已经对人们的生活产生了极大的影响,本文主要分析了无线传感器网络的定位关键技术,比较了传统蒙特卡罗定位算法及基于测距的RSSI蒙特卡罗定位算法,并通过实验验证了RSSIMCL比MCL的定位准确性高。(本文来源于《科技视界》期刊2018年30期）
谭志,梁丽文,夏磊[4]（2018）在《最小二乘拟合的蒙特卡罗移动定位算法研究》一文中研究指出针对传统蒙特卡罗定位算法由于节点采样效率低导致的定位精度低、定位不准确的缺陷,提出一种改进的最小二乘拟合蒙特卡罗(LSFMCL)定位算法。该算法利用MBC算法优化采样空间,并利用最小二乘拟合节点运动轨迹,对节点位置进行预测,进一步得到最优采样区域,最后提出权值概念并利用预测节点的权值信息计算未知节点的位置。仿真结果表明,与传统算法相比,优化后的算法提升了节点的采样率,提高了定位精度,对于移动节点的定位具有更加广泛的应用前景。(本文来源于《现代电子技术》期刊2018年15期）
周春月,张洪婷[5]（2016）在《基于测距权重的蒙特卡罗定位改进算法》一文中研究指出针对传统蒙特卡罗定位算法采样效率低,对锚节点密度要求高的特点,本文基于蒙特卡罗定位算法MCL提出一种改进的移动传感器网络的节点定位算法IMCB.该算法利用历史锚节点信息和RSSI测距,以及运动模型的改进对待定位节点的位置采样范围进行了进一步限制,对有效采样点的权重进行了区分.仿真结果表明:该算法的定位精度相比MCB算法提高了16.6%.(本文来源于《北京交通大学学报》期刊2016年05期）
张具琴,蔡艳艳,司小平,郭学军[6]（2016）在《基于自适应蒙特卡罗的动态无线传感器网络节点定位算法》一文中研究指出静态无线网络传感器在设计过程中并未考虑到节点的移动性问题,导致目前的节点定位算法不能满足动态无线传感器网络定位的需求。针对传统动态传感器网络节点定位策略定位精度低、算法复杂、响应时间长等缺点,在MCL的基础上引入了航位推算法,提出了一种改进的自适应蒙特卡罗,将Voronoi图和权值融合在MCL算法的粒子过滤阶段中以提高算法的定位精度。仿真分析说明,在相同条件下,与MCL算法相比,改进后的MCL算法平均定位精度提高约50%,即使采样粒子数目较少时也能保证较高的定位精度。(本文来源于《应用激光》期刊2016年04期）
刘昭[7]（2016）在《基于蒙特卡罗定位算法的移动传感器网络定位研究》一文中研究指出无线传感器网络是由部署在监测区域内的许许多多传感器节点构成的,其传感器节点以相互协作的方式对监测区域内相关有意义的信息进行感知、采集、传输、处理。无线传感器网络涉及到诸多技术领域,其中定位技术是最基础也是很多关键技术的前提,因为很多无线传感器网络的应用中,只有将得到的数据信息关联到对应的位置信息才有意义。而无线传感器网络中的移动传感器网络以其灵活性、更强的适应性和自组织性在应用上更为广泛,但其定位技术却因为节点可以移动而带来很多难点,因此如何高精度、高效率、低能耗的对移动传感器网络进行定位是本论文研究的重要内容。首先,本文讨论了移动传感器网络的定位技术,并对移动传感器网络典型的定位算法进行了分类介绍总结;然后阐述了经典的移动传感器网络定位算法——序列蒙特卡罗方法的基本原理及具体的应用方法并分析了此方法存在的优势、劣势。然后,针对序列蒙特卡罗算法存在的问题,本文提出了基于RSSI优化锚盒子的自适应采样蒙特卡罗定位算法(RCAMCB),基于RSSI的测距技术和质心理论,把未知节点限定在一个更精确的锚盒子中并且通过引入Kullback-Leibler距离、采样盒子面积来进行自适应取得适合的采样个数,以提高算法效率,并根据锚节点影响力优化了权值分配,计算出节点的位置。最后,通过大量MATLAB仿真实验,验证分析了本方法的定位效果。通过对仿真结果的分析,充分验证了本文提出的算法可以提高定位效率、降低能耗且能保证高质量的定位精度。(本文来源于《北京理工大学》期刊2016-06-01）
闫驰[8]（2016）在《基于交叉变异的WSN节点蒙特卡罗定位算法研究》一文中研究指出自无线传感器网络(Wireless Sensor Networks,WSN)于上个世纪90年代诞生以来,围绕其在各个领域中的应用研究就从未间断过。WSN节点定位能够提供节点的位置信息,是节点分簇、路由以及能量优化等的基础支撑技术。现阶段,针对节点定位的研究大多集中于静止的网络环境中,而对移动节点的定位研究还很少。随着WSN在移动场景中(如军事侦察、智能交通等)应用的不断增多,对移动环境下的WSN节点定位算法研究迫在眉睫。蒙特卡罗定位(MCL)最初应用于机器人定位,之后用于WSN移动节点定位,并取得了较好的定位效果。然而,MCL算法是一种粒子滤波,其最大缺陷就是粒子退化现象。虽然重采样技术的引入在一定程度上改善了粒子退化现象,但随之而来又出现了新的问题,即粒子多样性的丧失。由于样本集的多样性变差,很难近似表征节点位置的后验概率密度,使未知节点位置的估计精度难以提升。针对上述问题,本文提出一种基于遗传交叉、变异的多跳蒙特卡罗定位(GMMCL)算法,即利用遗传交叉、变异独特的寻优能力,使先验粒子向高似然区域移动。从而缓解了粒子退化,改善了样本的多样性,提高了节点位置估计精度。论文结构安排如下:第1章介绍了WSN研究背景、结构、特点、关键技术及研究移动WSN节点定位的意义。第2章主要介绍了WSN中移动节点定位的常见典型算法,重点对基于统计方法的定位算法(如MCL、MCB等)进行描述,并对典型算法的性能进行了比较。最后,简单介绍了一些其他适用于移动节点定位的算法。第3章首先对定位算法的理论基础贝叶斯估计和粒子滤波做了相对深入的描述,接着对遗传算法进行了介绍,阐述其在问题解寻优方面的独特优势,最后提出一种基于交叉变异的MMCL算法(GMMCL),并从理论上验证其可行性。第4章对提出的算法进行仿真验证。针对结果与已有算法从不同方面进行比较。结论对全文进行总结,提出不足之处,并对其发展方向进行展望。算法仿真方面,分析了未知节点定位误差随锚节点个数、节点最大移动速度、样本个数以及节点密度的变化情况,并与MCL、MCB及MMCL算法进行了对比分析。仿真结果分析表明,本文提出的GMMCL算法与其他叁种算法相比,定位精度得到了一定程度的提高。(本文来源于《兰州交通大学》期刊2016-04-01）
王跃,巴斌,崔维嘉,逯志宇[9]（2016）在《马尔可夫蒙特卡罗的室内定位算法》一文中研究指出针对无线局域网室内定位中接收功率受干扰影响导致位置估计精度偏低的问题,构建基于传播损耗模型的似然函数模型,采用马尔可夫蒙特卡罗抽样方法进行位置估计.该方法将干扰因素构建到模型中,运用随机抽样的方法解决估计问题,具有收敛速度快、估计精度高的优势.理论推导了该模型下坐标估计的克拉美罗界,并在仿真实验中,给出克拉美罗界在定位空间的分布.仿真实验表明,马尔可夫蒙特卡罗抽样方法可精确估计出目标位置,在相同仿真条件下,与共轭梯度法相比,马尔可夫蒙特卡罗抽样方法估计精度高、复杂度低.(本文来源于《西安电子科技大学学报》期刊2016年02期）
张兴家[10]（2015）在《基于视觉的移动机器人蒙特卡罗定位算法研究》一文中研究指出移动机器人的自主定位是实现移动机器人真正智能化的前提和基础。移动机器人通过获取的环境信息确定位置,而环境信息由其自身携带的传感器获得,所以机器人的自定位与传感器的类型密切相关。视觉传感器凭借其独特优势,使移动机器人的视觉定位受到越来越多的关注。但由于视觉信息处理的复杂性和不稳定性,移动机器人的视觉定位还存在许多亟待解决的难点和缺陷。为了有效利用视觉信息实现机器人准确定位,本文围绕单目视觉移动机器人在未知环境中概率定位展开研究。主要研究内容如下:首先,概述课题研究背景及意义,详细分析移动机器人视觉定位算法研究现状及存在的问题,并建立移动机器人视觉定位系统相关模型,为后续的移动机器人视觉定位问题提供平台基础。其次,论述在机器人和计算机视觉领域最常用的图像局部特征提取算法SIFT算法,针对SIFT算法产生特征点数量大等缺陷进行改进。并对改进的SIFT算法进行MATLAB仿真实验,验证其性能,改进的SIFT算法提高了特征提取速度及匹配精度。再次,针对移动机器人定位过程中视觉图像处理速度慢以及特征点提取与匹配实时性和准确性差的问题,提出基于颜色矩的改进SIFT分级图像匹配算法;并结合蒙特卡罗算法实现移动机器人精确定位。通过结合全局特征和局部特征的分级图像特征匹配算法,提高图像特征提取与匹配的精度与速度;最后通过仿真实验对分级图像匹配算法性能进行验证分析,并验证了与蒙特卡罗算法结合的移动机器人定位算法有效性。最后,针对移动机器人蒙特卡罗定位中粒子滤波存在的粒子退化和粒子多样性匮乏问题,提出基于平方根Cubature粒子滤波的蒙特卡罗定位算法;通过改进重要性采样和重采样,解决MCL中粒子退化及多样性匮乏问题;最后通过仿真实验验证改进的MCL算法的性能。(本文来源于《燕山大学》期刊2015-05-01）
蒙特卡罗定位算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
未知节点的定位是无线传感器网络(WSN)研究中的重要内容,其中动态节点定位算法设计是当前的热点问题.针对传统动态节点定位算法采样成功率低或采样样本少等问题,本文基于蒙特卡洛(MCL)算法及蒙特卡洛盒子(MCB)算法,提出了一种基于马氏链蒙特卡洛方法的节点定位(MCMCB)算法,算法在粒子滤波过程用马氏链蒙特卡洛方法计算粒子的权重,加大了对样本的筛选,从而提高了定位精度并减少了采样次数.仿真结果表明,MCMCB算法的平均定位精度同MCL算法、MCB算法相比分别提高了57. 4%和59. 3%,而采样次数比MCL算法减少了16. 2%.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
蒙特卡罗定位算法论文参考文献
[1].骆增辉,张伯泉,曾碧.基于多分辨率能量图的自适应蒙特卡罗定位算法研究[J].机器人技术与应用.2019
[2].曾福庚,郭新辰.基于马氏链蒙特卡罗的WSN节点定位算法[J].海南热带海洋学院学报.2019
[3].王迎云,鹿建银,谷敏玲.基于测距的蒙特卡罗定位算法研究[J].科技视界.2018
[4].谭志,梁丽文,夏磊.最小二乘拟合的蒙特卡罗移动定位算法研究[J].现代电子技术.2018
[5].周春月,张洪婷.基于测距权重的蒙特卡罗定位改进算法[J].北京交通大学学报.2016
[6].张具琴,蔡艳艳,司小平,郭学军.基于自适应蒙特卡罗的动态无线传感器网络节点定位算法[J].应用激光.2016
[7].刘昭.基于蒙特卡罗定位算法的移动传感器网络定位研究[D].北京理工大学.2016
[8].闫驰.基于交叉变异的WSN节点蒙特卡罗定位算法研究[D].兰州交通大学.2016
[9].王跃,巴斌,崔维嘉,逯志宇.马尔可夫蒙特卡罗的室内定位算法[J].西安电子科技大学学报.2016
[10].张兴家.基于视觉的移动机器人蒙特卡罗定位算法研究[D].燕山大学.2015