2018 年 8 月 1 日 现代电子技术 Aug.

2018
第 41 卷第 15 期 Modern Electronics Technique Vol. 41 No. 15
10
DOI：10.16652/j.issn.1004⁃373x.2018.15.003

最小二乘拟合的蒙特卡罗移动定位算法研究
谭 志，梁丽文，夏 磊
（北京建筑大学 电气与信息工程学院，北京 100044）

摘 要：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。
关键词：蒙特卡罗定位算法；MBC 算法；最小二乘法拟合；移动节点定位；运动轨迹；权值概念
中图分类号：TN911.1⁃34；TP212.9 文献标识码：A 文章编号：1004⁃373X（2018）15⁃0010⁃06

Research on least squares fitting Monte Carlo localization algorithm for mobile nodes
TAN Zhi，LIANG Liwen，XIA Lei
（College of Electrical and Information Engineering，Beijing University of Civil Engineering and Architecture，Beijing 100044，China）

Abstract：The traditional Monte Carlo localization algorithm has the defects of low positioning precision and inaccurate
positioning due to the low efficiency of node sampling. Therefore，an improved least squares fitting Monte Carlo localization
（LSFMCL） algorithm is proposed. The algorithm is adopted to optimize the sampling space by taking advantage of MBC
algorithm，fit the node motion trajectory with least square method to predict the location of nodes，and then obtain the optimal
sampling area. The weight concept is proposed to calculate the location of the unknown node by using the weight information of
the predicted node. The simulation results show that，in comparison with traditional algorithm，the optimized algorithm can
improve the sampling rate of the node and positioning accuracy，and has wider application prospect for the localization of the
mobile nodes.
Keywords：Monte Carlo location algorithm; MBC algorithm; least square fitting; mobile node localization; motion trajectory;
weight concept

包 括 TOA（Time of Advent）定位算法[2]、TDOA（Time Dif⁃

0 引 言
ference Of Arrival）定 位 算 法[3]、RSSI（Received Signal
无 线 传 感 器 网 络 技 术（Wireless Sensor Networks， Strength Indication）定 位 算 法 [4]、AOA（Angle of Arrival）
WSN）作为 21 世纪发展的热点，具有很多别的技术所没 定位算法 [5] 等，而典型的无需测距的定位算法包括质心
有的优点，如监测范围广、运行成本低、网络自组织性好 算法 [6]、DV⁃Hop 算法 [7]、Amorphous 算法 [8⁃9]、APIT 算法 [10]
等。目前，传感器网络广泛地应用在智能家居、建筑防 等。根据 WSN 中传感器节点是否能够移动，节点的定
火、环境监测、军事侦察等领域 [1]。 位 算 法 分 为 静 态 定 位（Static Localization）和 动 态 定 位
WSN 技术的节点定位主要是指已知自身位置的节 （Dynamic Localization）两 种 类 别 。 目 前 对 于 传 统 静 态
点通过某种测量方法来定位未知节点位置的方法。因 WSN 的定位技术方面已有不少典型的算法，如质心定
此作为 WSN 热门技术之一的节点定位算法有不同的分 位算法 [11]、凸规划定位算法 [12]、SPA 相对定位算法 [13] 等都
类标准。根据是否需要测距分为基于测距的定位算法 是静态定位算法。但是由于实际应用中，大多数的节点
和无需测距的定位算法。典型的基于测距的定位算法 都是运动的，传统的静态节点定位不能捕捉到节点的运

收稿日期：2017⁃10⁃17 修回日期：2017⁃11⁃23
基金项目：北京市教育委员会科技发展计划面上项目（KM201110016015）；北京市属高等学校人才强教计划项目（PHR201008374）
Project Supported by Science and Technology Development Program of Beijing Education Committee （KM201110016015），Education Strengthening
Program with Talents of Beijing Municipal Higher Education（PHR201008374）
第 15 期 谭 志，等：最小二乘拟合的蒙特卡罗移动定位算法研究 11

动，会造成很大的定位误差。因此，如何定位移动节点 式中：r 是通信半径；s 为锚节点集合。假如得到的位置

成为 WSN 技术的一个热点。 样 本 符 合 滤 波 条 件 ，那 么 状 态 转 移 概 率 分 布 p ( l t | l t - 1 )
MCL（Monte Carlo Localization） 定 位 算 法 是 最 早 [14]
函数的值为 1，反之为 0。
提出定位移动节点的一种算法，也是最典型的一种移动
节点定位方法。但是这种算法对采样数据要求太高，进 2 MCB 定位算法
而提出 MBC 算法 [15]。MBC 算法对粒子采样空间进行了 MCB 算 法 是 在 MCL 算 法 基 础 上 提 出 的 。 相 对 于
有效优化，但是锚节点较少时，误差仍然较大。 MCL，MCB 算法采用蒙特卡罗盒子采样，有效改进了样
利用最小二乘拟合的蒙特卡罗移动定位算法不仅通
本区域。锚盒子采样区间为：
过 MCB 算法来获取历史节点，
减少算法初始误差；
同时还
能预测移动节点的运动轨迹，
降低采样次数，
提高采样率。 { x min = max ( x i - d i )
y min = max ( y i - d i )
  
（3）
1 蒙特卡罗定位算法
{ x max = max ( x i + d i )
y max = max ( y i + d i )
  
1.1 蒙特卡罗定位算法
为了提高采样区域的利用率，历史节点的获取通过
蒙特卡罗定位算法是用来表示感知与运动的概率
由 DV⁃Hop 辅助的 MCB 算法来实现。作为一种非测距
模 型 的 粒 子 滤 波 过 程 ，能 在 复 杂 网 络 定 位 中 较 精 准 定
位。定位阶段包括预测和滤波。预测阶段是根据节点 定位算法，DV⁃Hop 算法主要根据网络连通度进行节点

的速度信息和在前一定位时刻的粒子集信息来确定采 间 的 计 算 。 为了提高蒙特卡罗定位算法精度 ，采用了

样区域，并随机釆样得到粒子位置信息 [16]。滤波阶段通 DV⁃Hop 测距方法。

过锚节点信息对预测阶段得到的粒子进行筛选，舍弃不 2.1 DV⁃Hop 定位算法测距
满足条件的粒子，并且记录能够符合滤波条件的粒子， DV⁃Hop 测距步骤如下：
然后利用它们的均值来估计节点的位置。如果滤波后 首先已知位置的锚节点向四周发射信号，使得锚节
的粒子数不能满足定位所需粒子的数目，就需要执行重 点的位置可以被周围节点获取。周围节点如果通过 1
采样与滤波过程，直到得到足够的粒子数或者釆样次数 跳能获取锚节点信息，记跳数为 1，并向周围转发信息，
[17]
到达最大为止 。 如果节点通过多次转发邻节点信息后，跳数记最小值。
1.2 蒙特卡罗定位算法内容 根据锚节点与锚节点的距离和跳数计算出跳距，然
MCL 算 法 定 位 阶 段 包 括 预 测 和 滤 波 ，节 点 移 动 方 后根据未知节点和锚节点的距离及跳距计算出它们的
式 按 照 随 机 行 走 模 型（Random Walk Model，RWM）进 距离 [19]。跳距公式为：
行，RWM 模型是移动 WSN 最常见的运动模型之一。在
RWM 模型中，节点速度和位置都是未知的，仅有节点最 HopSize i =
∑ ( x i - x j )2 + ( y i - y j )2
（4）
大运动速率 v max 已知，并且方向不确定。假设上一时刻 ∑h ij

的节点粒子集为 l t - 1 ，则目前时刻的节点可能位置存在 已知 n 个锚节点位置 x i = ( x i , y i ) ( i = 1, 2, ⋯, n )，未知

于 以 l t - 1 为 圆 心 ，以 v max 为 半 径 的 圆 内 。 其 中 目 前 时 刻 节 点 x = ( x, y ) 与 参 考 节 点 之 间 距 离 为 r i ( i = 1, 2, ⋯, n )，
的粒子集为 l t 。用 d ( l 1 , l 2 ) 表示两个点 l 1 ，l 2 之间的欧几 得到：
里德距离，且节点速率在 [ 0, v max ] 之间满足均匀分布，则 é ( x 1 - x )2 + ( y 1 - y )2 ù é r 12 ù
状态转移概率密度函数 p ( l t | l t - 1 ) 为： ê 2 ú ê 2ú
ê ( x 2 - x ) + ( y 2 - y ) ú = êê r 2 úú
2

（5）
ì 1 , ê ⋮ ú êê ⋮ úú
ï d ( l t | l t - 1 ) < v max ê 2ú
ê 2ú
p ( l t | l t - 1 ) = í πv 2max    （1） ë   ( xn - x ) + ( yn - y ) û ë rn û
2

î 0, d ( l t | l t - 1 ) ≥ v max
ï
变换得到：
预测阶段得到的集合 R 中的粒子，是从以 l t - 1 为圆
Ax = b （6）
心，以 v max 为半径的圆形区域中随机选择出来的。这时
则 A 与 b 分别为：
的预测结果非常不精确，需要进行滤波。
é 2 ( xn - x1 ) 2 ( yn - y1 ) ù
在滤波阶段，可以依据新的观测信息，滤除掉满足网 ê ú
ê 2 ( xn - x2 ) 2 ( yn - y2 ) ú
A=ê ú （7）
络连通度条件的样本。文献[18]给出了粒子滤波条件： êê ⋮ ⋮ úú
ê ú
filter ( l ) = ∀s ∈ S, d ( l, s ) ≤ r ∧ ∀s ∈ T, r < d ( l, s ) ≤ 2r   （2） ë 2 ( x n - xn - 1 ) 2 ( yn - yn - 1 ) û
12 现代电子技术 2018 年第 41 卷

é r 12 - r n2 - x 21 - y 12 + x 2n + y n2 ù ì df ( t ) |
ê ú ï v x = dt |
|t = t
r 22 - r n2 - x 22 - y 22 + x 2n + y n2 ú ï
b= ê
n-1
（8） í （14）
ê ⋮ ú ï v y = dg ( t ) |
|
ê 2 2ú ï dt |t = t
ë rn - 1 - rn - xn - 1 - yn - 1 + xn + yn û
2 2 2 2
î n-1

对于计算 ( x, y ) 的位置，最小二乘算法能够解决这 由式（14）得到节点在 t 时刻的运动速度及方向：

类问题，使用式（9）进行计算： ìv = v 2x + v 2y
ï
í （15）
x = ( AT A )-1 AT b （9） ï α = arctan
vy
î vx
2.2 MCB 定位算法
根据节点的运动趋势，在选择预测的节点位置时首
通过式（9）计算出 ( x, y )，并进行 d i 的计算：
先以式（15）得到的节点运动速度 v 为半径，以前一时刻
di = ( x i - x j )2 + ( y i - y j )2 （10） 的节点位置为圆心，以前一时刻的速度方向顺时针和逆
最后，通过传统 MCB 采样滤波得到节点估值位置。 时 针 各 展 开 α + β ，满 足 α + β < π ，得 到 一 个 扇 形 。 然
后，随机抽取位于扇形 N 个点作为预测点，其中越靠近
3 最小二乘法拟合的蒙特卡罗定位算法 预测的速度矢量，预测精度越高，称为较优预测点。
3.1 最小二乘拟合的基本原理 图 1 为满足上述条件的预测点示意图。
最 小 二 乘 法 又 被 称 作 最 小 平 方 法（ Least Square
Method），是一种数学优化技术。最小二乘法能够容易
地得到未知数据的值，并能使数据实际值与计算值的差
的平方和达到最小。此外最小二乘法用于曲线拟合可
以使各种应用更贴合实际 [20]。
) i=0，1，2,…，m），要求
对于给定的一组数据 ( x i , y i（
在函数空间 Φ = span { φ 0 , φ 1 , φ 2 , ⋯, φ n } 能够找到一个函
数 y = S * ( x )，使误差平方和最小：

 σ  2 = ∑σ 2 = ∑[ S ∗ ( x i ) - y i ] = ∑[ S ( x i ) - y i ] （11）
m m m
2 2 2

i=0 i=0 i=0

图 1 节点位置预测示意图
式中:
Fig. 1 Schematic of node position prediction
S ( x ) = a 0 φ 0 ( x ) + a 1 φ 1 ( x ) + ⋯ + a n φ n ( x ) （12）
3.3 节点位置计算
3.2 运动趋势的预测
由图 1 可知，在 α 角度附近的预测点的权值要比其
假设节点平滑的、连续的运动，通过节点历史位置
他地方的预测点的权值高。预测节点的扇形横向权值
信 息 ，利 用 最 小 二 乘 拟 合 的 方 法 预 测 节 点 运 动 趋 势 。 w i1 的计算如下：
LSFMCL（Least Squares Fitting Monte Carlo）定位算法中 β
w i1 = 1 - （16）
每个节点都保留着原来前三个时刻位置信息，通过已有 α+β
历史位置信息预测移动节点的运动趋势。当新的位置 如果经过滤波后能够得到符合要求的预测点小于
信息产生后，将前三个时刻最早的位置信息替换掉，以 N ，且扇形的夹角不宜再变大，则此时向扇形速度方向
此来不断更新节点最新的三个历史位置。假设节点前 扩展，称为扇形纵向权值。假设拓展宽度为 γ ，如图 2 所
三个时刻 t 1 , t 2 , t（其中
3 t 1 < t 2 < t 3）的位置分别为 ( x 1 , y 1 )， 示，同时由于 α 较小，所以速度方向拓展部分可以看作
( x 2 , y 2 )，( x 3 , y 3 )，最小二乘曲线拟合可以得出节点在 t 时 是矩形，面积为 S：
刻 x 轴和 y 轴方向的估算位置 ( x t , y t )： 2απv
S=γ （17）
180°
{ xt = f ( t )
yt = g ( t )
（13） 预测节点的纵向权值 w i2 的计算如下：
v
w i2 = 1 - （18）
假设函数偏导数存在，即节点运动是平滑的并且连 2γ + v
续的，对式（13）求偏导数，得到节点在 t 时刻 x 轴 y 轴方 当得到所有的权值以后，对权值进行归一化处理，
向的预测运动速度： 使得所有权值相加其和为 1。
第 15 期 谭 志，等：最小二乘拟合的蒙特卡罗移动定位算法研究 13

下，LSFMCL 定位算法优于 MCB 算法，传统的 MCL 算法

∑w ,
N

wi = wj j i = 1, 2, …, N   （19）
j=1 最差。网络连通度超过一定值时，定位误差趋于稳定。
计算未知节点在 t 时刻的位置为：

ïï x t = ∑w i x i
ì N

i=1
í    （20）
∑
n
ïï y t = w y
i i
î i=1

图 3 速度与误差关系图
图 2 扇形纵向扩展示意图 Fig. 3 Relations between velocity and error
Fig. 2 Fan⁃shaped longitudinal extension

4 仿真及结果分析

无线传感器网络连通度可以体现网络鲁棒性的好
坏，是评估网络结构的重要指标 [21]。假设未知节点估计
位置为（x i ，y i），
（X i ，Y i）表示待测节点实际位置，未知节
点总数为 un，定位误差用 error i 表示。
误差 error i 计算公式为：
error i = ( X i - x i )2 + ( Y i - y i )2 （21）
平均定位误差 e 计算公式为：

e=
∑error
（22）
un 图 4 网络连通度与误差关系图
假设节点分布在 200 m×200 m 的区域内，在此区域 Fig. 4 Relations between network connectivity and error
中 均 匀 分 布 锚 节 点 ，节 点 移 动 方 式 按 照 RWM 模 型 进
锚 节 点 与 定 位 误 差 的 关 系 如 图 5 所 示 ，锚 节 点 越
行 ，所 有 节 点 的 通 信 半 径 为 r = 25 m，移 动 节 点 最 大 速
多，定位误差越小，定位精度越高，并且当锚节点数达到
度 v max ≤ 2 m/s ，运 动 方 向 未 知 ，采 样 的 节 点 数 为
一定的值后，定位误差趋于稳定。
N = 200 。考虑到通信半径对定位误差的影响，分别取
通信半径为 r = 25 m 和 r = 20 m，在不同的通信半径下，
所有待测节点的误差图如图 3 所示。节点移动速度影
响定位误差，一般移动速度越大，定位误差越大。
如 图 3 所 示 ，当 速 度 不 同 时 ，LSFMCL 定 位 算 法 与
MCB 算法和传统算法定位误差的比较，LSFMCL 定位算
法 明 显 优 于 其 他 算 法 ，此 外 当 移 动 节 点 运 动 速 度 小 于
一定值时误差随速度增大有减小趋势但变化不大，当移
动节点速度超过一定值时，定位误差逐渐增大。同时，
对 比 不 同 的 通 信 半 径 的 影 响 ，r=20 m 的 误 差 显 然 小 于
图 5 锚节点数与误差关系图
r=25 m 时的平均定位误差。
Fig. 5 Relations between anchor nodes and error
图 4 表现了随着网络连通度的提高，无线传感器网
络定位误差减小。仿真结果表明，在同样的网络连通度 如 图 6 所 示 ，锚 节 点 数 对 样 本 采 样 次 数 的 影 响 很
14 现代电子技术 2018 年第 41 卷

小 ，因 为 LSFMCL 定 位 算 法 对 节 点 运 动 进 行 了 有 效 预 calization algorithm in wireless sensor networks [J]. Journal of

测，有效地捕捉到节点运动方式，使得采样次数大幅度 Beijing University of Posts and Telecommunications，2013，36

减少，提高了运行效率，节省了运行时间。 （3）：88⁃91.
[5] 诸燕平，黄大庆，李勃 . 基于 AOA 的无线传感器网络节点定位
算法[J]. 传感器与微系统，2010，29（1）：98⁃101.
ZHU Yanping，HUANG Daqing，LI Bo. AOA based wireless
sensor network node localization algorithm [J]. Sensor and mi⁃
cro system，2010，29（1）：98⁃101.
[6] 刘皇保，王涛，彭刚 . 一种改进的质心定位算法[J]. 微型机与应
用，2013，32（11）：73⁃75.
LIU Huangbao，WANG Tao，PENG Gang. An improved cen⁃
troid localization algorithm [J]. Microcomputers and applica⁃
tions，2013，32（11）：73⁃75.
[7] 卫开夏，田金鹏，王克谦 . 无线传感器网络 DV⁃Hop 定位改进
图 6 算法采样次数关系图 算法[J]. 传感技术学报，2010，23（12）：1820⁃1824.
Fig. 6 Correlation graph of sampling times WEI Kaixia，TIAN Jinpeng，WANG Keqian. Improved DV⁃Hop
localization algorithm for wireless sensor networks [J]. Chinese
5 结 语
journal of sensors and actuators，2010，23（12）：1820⁃1824.
改进后的算法从传统定位算法误差产生的原因出 [8] NAGPAL R，SHROBE H，BACHRACH J. Organizing a global
发，利用最小二乘拟合的算法预测节点运动趋势，确定 coordinate system from local information on an Ad Hoc sensor

采样区间，在一定范围内提高了预测节点的有效率；并 network [J]. Information processing in sensor networks，2003，

提出权值概念，根据预测节点距离运动方向 α 的远近确
定 权 值 ，进 而 计 算 出 未 知 节 点 的 位 置 。 从 实 验 结 果 得
出，传统的 MCL 算法误差太大，MCB 定位误差相比传统
MCL，定位精度和采样率虽然有很大提高，但是采样次
数仍然很高，利用最小二乘拟合的算法预测节点运动趋
势的 LSFMCL 定位算法定位精度最高，鲁棒性最好，可
以被广泛应用。
参 考 文 献
[1] DU Xiaoyu，SUN Lijuan，XIAO Fu，et al. Localization algo⁃
rithm based on minimum condition number for wireless sensor
networks [J]. Journal of electronics（China），2013，30（1）：25⁃
33.
[2] 姜志鹏，陈正宇，刘影，等 .TOA 定位算法非线性优化问题研究
[J]. 传感技术学报，2015，28（11）：1716⁃1719.
JIANG Zhipeng，CHEN Zhengyu，LIU Ying，et al. TOA posi⁃
tioning algorithm nonlinear optimization problem research [J].
Chinese journal of sensors and actuators，2015，28（11）：1716⁃
1719.
[3] 张健，李鸥 . 改进的无线传感器网络 TDOA 定位算法[J]. 计算
机工程与应用，2010，46（16）：171⁃120.
ZHANG Jian，LI Ou. Improved wireless sensor network TDOA
positioning algorithm [J]. Computer engineering and applica⁃
tions，2010，46（16）：171⁃120.
[4] 谭志，张卉 . 无线传感器网络 RSSI 定位算法的研究与改进[J].
北京邮电大学学报，2013，36（3）：88⁃91.
TAN Zhi，ZHANG Hui. Research and improvement of RSSI lo⁃
2634：333⁃348.
[9] 安文秀，赵菊敏，李灯熬 . 基于 Amorphous 的无线传感器网络
定位算法研究[J]. 传感器与微系统，2013，32（2）：33⁃35.
AN Wenxiu，ZHAO Jumin，LI Dengao. Research on location
algorithm of wireless sensor network based on Amorphous [J].
Sensor and microsystem，2013，32（2）：33⁃35.
[10] 冯秀芳， 祈会波 . 无线传感器网络中基于移动锚节点的
崔秀锋，
APIT 的改进定位算法[J].传感技术学报，
2011，
24（2）：
269⁃274.
FENG Xiufang，CUI Xiufeng，QI Huibo. An improved loca ⁃
lization algorithm for APIT based on mobile anchor nodes in
wireless sensor networks，Journal of [J]. Chinese journal of
sensors and actuators，2011，24（2）：269⁃274.
[11] 李文辰，张雷 . 无线传感器网络加权质心定位算法研究[J]. 计
算机仿真，2013，30（2）：191⁃194.
LI Wenchen，ZHANG Lei. Weighted centroid localization al⁃
gorithm in wireless sensor networks [J]. Computer simulation，
2013，30（2）：191⁃194.
[12] 任克强，庄放望 . 移动锚节点凸规划定位算法研究及改进[J].
传感技术学报，2014，27（10）：1406⁃1411.
REN Keqiang，ZHUANG Fangwang. Research on mobile an⁃
chor node convex programming and location algorithm and im⁃
provement [J]. Chinese journal of sensors and actuators，
2014，27（10）：1406⁃1411.
[13] 苏进，万江文，于宁 . 无线传感器网络相对定位算法研究[J].
传感技术学报，2007，20（12）：2695⁃2700.
SU Jin， WAN Jiangwen， YU Ning. Relative location algo⁃
rithm for wireless sensor networks [J]. Chinese journal of sen⁃
sors and actuators，2007，20（12）：2695⁃2700.
第 15 期 谭 志，等：最小二乘拟合的蒙特卡罗移动定位算法研究
[14] 梅举，陈涤，辛玲 . 基于蒙特卡洛方法的移动传感网节点定位
优化算法[J]. 传感技术学报，2013，26（5）：689⁃694.
MEI Ju，CHEN Di，XIN Ling. Based on Monte Carlo method
for mobile sensor network node localization optimization algo⁃
rithm [J]. Chinese journal of sensors and actuators，2013，26
（5）：689⁃694.
[15] 张锐恒，庄毅，赵振宇，等 . 基于 MCB 的传感网移动目标定位
算法[J]. 计算机科学，2012，39（8）：34⁃37.
ZHANG Ruiheng，ZHUANG Yi，ZHAO Zhenyu，et al. MBC
based sensor network moving target localization algorithm [J].
Computer science，2012，39（8）：34⁃37.
[16] 陈冰洁，黄小平，王岩 . 基于 MDS 技术与 MCL 方法的无线传
感器网络移动节点定位算法[J]. 微型机与应用，2011，30（6）：
88⁃91.
CHEN Bingjie， HUANG Xiaoping， WANG Yan. Wireless
sensor network mobile node localization algorithm based on
MDS technology and MCL method [J]. Micromachine and ap⁃
plication，2011，30（6）：88⁃91.
[17] 朱海平，于红丞，钟小勇，等 . 动态无线传感器网络的改进蒙
特卡罗定位算法[J]. 传感技术学报，2012，25（9）：1284⁃1288.
ZHU Haiping，YU Hongcheng，ZHONG Xiaoyong，et al. Im⁃
proved Monte Carlo localization algorithm for dynamic wire⁃
less sensor networks [J]. Chinese journal of sensors and actua⁃
作者简介：谭 志（1970—），男，山东郓城人，博士后，副教授，研究生导师。主要研究领域为认知无线电网络和宽带通信网等。
梁丽文（1992—），女，山西吕梁人，硕士研究生。主要研究领域为无线传感器的移动节点定位技术。
夏 磊（1989—），男，河南商丘人，硕士研究生。主要研究领域为无线传感器的定位技术。
􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎􀤎
（上接第 9 页）
[6] 杨鑫，徐刚，荀思超，等 . 基于 McWiLL 无线宽带技术的县域电
力通信网建设方案[J]. 电气技术，2016，17（5）：81⁃84.
YANG Xin， XU Gang， XUN Sichao， et al. County electric
power communication network construction program based on
McWiLL wireless broadband technology [J]. Electrical technolo⁃
gy，2016，17（5）：81⁃84.
[7] KAVEH R，MAHER U，AMIR K. G3 ⁃ PLC specification for
power line communication： overview， system simulation and
field trial results [C]// 2010 IEEE International Symposium on
Power Line Communication and Its Applications. Rio de Janeiro：
IEEE，2010：313⁃318.
[8] SOUISSI S，DHIA A B，TLILI F，et al. OFDM modem design
and implementation for narrowband power line communication
[C]// 2010 International Conference on Design & Technology of
Integrated Systems in Nanoscale Era. Hammamet， Tunisia：
IEEE，2010：1⁃4.
[9] 李春阳，黑勇，乔树山 .OFDM 电力线载波通信系统的定时同
作者简介：赵 黎（1981—），女，陕西西安人，博士，副教授。主要从事智能电网、电力线载波通信方向的研究。
15
tors，2012，25（9）：1284⁃1288.
[18] 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，2016，40（5）：63⁃69.
ZHOU Chunyue， ZHANG Hongting. Improved algorithm of
Monte Carlo positioning based on distance weighting [J]. Jour⁃
nal of Beijing Jiaotong University，2016，40（5）：63⁃69.
[19] 马晓贤，彭力 . 一种改进的无线传感器网络 DV⁃Hop 定位算法
[J]. 计算机工程与应用，2015，51（21）：97⁃101.
MA Xiaoxian，PENG Li. An improved DV⁃Hop localization al⁃
gorithm for wireless sensor networks [J]. Computer engineering
and applications，2015，51（21）：97⁃101.
[20] 袁鑫，吴晓平，王国英 . 线性最小二乘法的 RSSI 定位精确计
算方法[J]. 传感技术学报，2014，27（10）：1412⁃1417.
YUAN Xin，WU Xiaoping，WANG Guoying. Accurate calcu⁃
lation method of RSSI location for linear least squares method
[J]. Chinese journal of sensors and actuators，2014，27（10）：
1412⁃1417.
[21] 张慧敏，柴毅，许磊 . 无线传感器网络加权质心相对定位算法
[J]. 计算机工程与应用，2010，46（28）：22⁃24.
ZHANG Huimin，CHAI Yi，XU Lei. Weighted centroid rela⁃
tive location algorithm in wireless sensor networks [J]. Computer
engineering and applications，2010，46（28）：22⁃24.
步和模式识别[J]. 电力系统自动化，2012，36（8）：58⁃60.
LI Chunyang，HEI Yong，QIAO Shushan. Timing synchroniza⁃
tion and mode identification for OFDM based power line carrier
communication system [J]. Automation of electric power systems，
2012，36（8）：58⁃60.
[10] ERDF. PLC G3 physical Layer specification [S]. France：ERDF，
2009.
[11] 赵黎，柯熙政 . 基于时频编码的 FSO⁃OFDM 系统模型[J]. 中国
激光，2009，36（10）：2757⁃2762.
ZHAO Li，KE Xizheng. A FSO ⁃OFDM model based on time⁃
frequency coding [J]. Chinese journal of lasers， 2009， 36
（10）：2757⁃2762.
[12] SIBANDA M P，RENSBURG P A J V，FERREIRA H C. Passive，
transformer less coupling circuitry for narrow band power line
communications [C]// 2009 IEEE International Symposium on
Power Line Communication and Its Applications. Dresden：
IEEE，2009：125⁃130.