避免非視距影響的蒙特卡羅移動節(jié)點定位方法

闊永紅,周文文,陳 健

(西安電子科技大學(xué)通信工程學(xué)院,陜西西安 710071)

避免非視距影響的蒙特卡羅移動節(jié)點定位方法

闊永紅,周文文,陳 健

(西安電子科技大學(xué)通信工程學(xué)院,陜西西安 710071)

為避免引入移動傳感器網(wǎng)絡(luò)中受到非視距影響的信息,提出了基于節(jié)點一跳鄰居的廣播信息進行定位的算法,采用信息洪泛的方式來提高節(jié)點的利用效率.在采樣階段,將已定位節(jié)點作為虛擬錨節(jié)點,并優(yōu)化已定位節(jié)點鄰居的采樣箱,提高在低錨節(jié)點密度下的定位精度;在濾波階段,利用連通性理論和未知節(jié)點的位置信息改進濾波條件,提高節(jié)點的采樣效率;利用虛擬錨節(jié)點一跳信息逐層實現(xiàn)網(wǎng)絡(luò)所有節(jié)點的定位.仿真結(jié)果表明,無論有無障礙物,該算法與傳統(tǒng)算法相比,定位精度均得到提高,尤其在低錨節(jié)點密度的網(wǎng)絡(luò)中具有較好的定位效果.

無線傳感器網(wǎng)絡(luò);節(jié)點定位;蒙特卡羅算法;虛擬錨節(jié)點;采樣;過濾

在無線傳感器網(wǎng)絡(luò)的各種應(yīng)用中,監(jiān)測到事件后就需要確定事件的發(fā)生位置,因此節(jié)點自身的準(zhǔn)確定位對無線傳感器網(wǎng)絡(luò)的應(yīng)用有著重要的意義.無線傳感器網(wǎng)絡(luò)自身定位方法有兩種機制,分別是基于測距的機制和無須測距的機制.基于測距的定位機制需要測量未知節(jié)點與錨節(jié)點之間的距離或角度信息,有基于到達角(Angle Of Arrival,AOA)、到達時間(Time Of Arrival,TOA)[1]、接收信號強度(Received Signal Strength Indicator,RSSI)[2]的定位等;而無須測距的定位機制僅根據(jù)網(wǎng)絡(luò)的連通性等信息實現(xiàn)節(jié)點的定位,有質(zhì)心法[3]、距離向量算法(Distance Vector Hop,DV-Hop)[4]、基于采樣的定位方法[5]等.

以上算法適用于靜止傳感器網(wǎng)絡(luò).在移動環(huán)境中,網(wǎng)絡(luò)結(jié)構(gòu)與節(jié)點間拓?fù)浼s束關(guān)系不斷變化,算法的定位精度急劇下降,如何利用節(jié)點移動信息提高定位精度成為一個熱點問題.文獻[6]提出蒙特卡羅定位(Monte Carlo Localization,MCL)算法,為無線傳感器移動節(jié)點的定位開辟了新徑;文獻[7-8]采用蒙特卡羅箱(Monte Carlo Boxed,MCB)算法,通過建立采樣箱提高節(jié)點采樣效率;文獻[9]將距離向量算法與蒙特卡羅定位算法相結(jié)合來提高定位精度;文獻[10-11]應(yīng)用測距信息提高蒙特卡羅定位算法的定位精度.在視距環(huán)境下,蒙特卡羅定位、蒙特卡羅箱等算法利用錨節(jié)點的廣播信息進行定位并達到了較高的精度;但在非視距環(huán)境下,障礙物可能對錨節(jié)點二跳鄰居節(jié)點的定位產(chǎn)生負(fù)面信息,算法將產(chǎn)生較大的定位誤差.

針對上述問題,筆者研究了一種避免非視距影響的移動節(jié)點定位算法——EMCB(Enhanced Monte Carlo Boxed),采用一跳鄰居洪泛信息進行定位,改進采樣與過濾方法,避免了非視距的影響,克服了二跳負(fù)面信息引起的定位誤差.將已定位節(jié)點轉(zhuǎn)化為虛擬錨節(jié)點,增加了一跳定位信息,提高了算法在低錨節(jié)點密度網(wǎng)絡(luò)中的定位精度;利用連通性理論和未知節(jié)點的位置信息強化濾波條件,提高節(jié)點的采樣效率;利用虛擬錨節(jié)點廣播的信息,逐層定位網(wǎng)絡(luò)內(nèi)的所有節(jié)點.

1 蒙特卡羅箱算法描述

蒙特卡羅箱算法中未知節(jié)點利用其一跳、二跳通信范圍內(nèi)的錨節(jié)點廣播的信息進行定位,其過程由采樣階段與過濾階段構(gòu)成,如圖1所示.

圖1 t時刻節(jié)點的定位流程圖

1.1 采樣階段

假設(shè)未知節(jié)點為A,圖2中陰影部分為節(jié)點A可能所在的區(qū)域,Vmax為節(jié)點最大運動速度,P點為節(jié)點A在t-1時刻的位置,R為節(jié)點的通信半徑,s1、s2為節(jié)點A的錨節(jié)點.圖2(d)中陰影區(qū)域為節(jié)點A、s1的一跳通信范圍和s2的二跳通信范圍的交集.由于陰影區(qū)域不規(guī)則,為了方便計算,取各圓外接矩形的重疊區(qū)域作為采樣箱,節(jié)點可在采樣箱中隨機采樣.

圖2 蒙特卡羅箱算法

1.2 過濾階段

由圖2(d)可以看出,由于采樣箱用矩形表示,矩形區(qū)域大于節(jié)點的預(yù)測區(qū)域,因此隨機采樣時可能取到無效的采樣點,需要對采樣點進行過濾.

l表示未知節(jié)點的采樣點,確定有效采樣點集合O的條件為

其中,S1、S2分別表示未知節(jié)點的一、二跳錨節(jié)點集合,R表示節(jié)點的通信半徑,d表示距離.

1.3 蒙特卡羅箱算法存在的問題

在理想情況下,蒙特卡羅箱算法可以達到較高的定位精度,但實際存在的障礙物可能使得二跳通信范圍內(nèi)的錨節(jié)點廣播的信息成為負(fù)面信息,如圖3所示.

圖3中s1為錨節(jié)點,A、B、C、D為可相互通信的未知節(jié)點,且A、B節(jié)點與s1可以直接通信,D可以通過A或B與s1間接通信.由于存在障礙物,C與s1無法直接通信,也需通過A或B與s1間接通信,因此s1錯將C當(dāng)成二跳鄰居,采樣區(qū)域由s1的一跳通信區(qū)域變成了s1的二跳通信區(qū)域,見圖3中的陰影部分,將出現(xiàn)較大的定位誤差.

圖3 負(fù)面信息效果圖

2 EMCB算法

2.1 定位思想

為解決1.3節(jié)所述問題,考慮僅利用一跳鄰居廣播的信息對節(jié)點進行定位.但在低錨節(jié)點密度網(wǎng)絡(luò)中,大部分節(jié)點不是一跳錨節(jié)點的鄰居,采樣箱需擴展到整個通信區(qū)域,導(dǎo)致誤差不可控制.為了增加節(jié)點可利用信息量,EMCB算法將已定位節(jié)點作為虛擬錨節(jié)點,逐層完成節(jié)點的定位.圖4給出了以一個錨節(jié)點為中心的多層定位示意圖.

由錨節(jié)點開始,首先對錨節(jié)點可直接通信的節(jié)點(圖4中第1層節(jié)點)進行定位,然后第1層節(jié)點轉(zhuǎn)化為虛擬錨節(jié)點,對其可直接通信的節(jié)點(圖4中第2層節(jié)點)進行定位,依次向外延伸,各節(jié)點逐層定位.

EMCB算法仍由采樣階段與過濾階段構(gòu)成,如圖5所示.

圖4 逐層定位圖示

2.2 采樣階段

所有節(jié)點采用受控的洪泛方式向其一跳鄰居發(fā)送信息.由于虛擬錨節(jié)點自身定位存在誤差,故在EMCB算法中錨節(jié)點廣播當(dāng)前時刻自身的位置,虛擬錨節(jié)點向鄰居廣播其采樣箱的位置,每個未知節(jié)點分兩個階段確立采樣箱,而后在其采樣箱內(nèi)隨機采樣.

圖5 EMCB算法流程圖

2.2.1 第1層節(jié)點采樣箱的確立

由于錨節(jié)點與虛擬錨節(jié)點廣播的信息不同,故第1層與其余層節(jié)點采樣箱確立過程不同,如圖6所示.

圖6(a)中第1層節(jié)點A利用錨節(jié)點s1、s2的一跳通信范圍確定重疊區(qū)域作為初步采樣箱,類似于蒙特卡羅采樣箱確立過程(見圖2).圖6中的參數(shù)如下:

圖6 第1層節(jié)點確立采樣箱

其中,(xj,yj)為節(jié)點A的一跳錨節(jié)點的坐標(biāo),為節(jié)點A在時刻t-1的采樣值,R為節(jié)點的通信半徑,Vmax為節(jié)點最大運動速度.

節(jié)點A、B彼此優(yōu)化采樣箱,見圖6(b)所示.當(dāng)A、B已經(jīng)確定初步采樣箱時,廣播自身的采樣箱信息.A收到B的廣播信息,并確定A在B的通信范圍內(nèi).由于B的真

實位置是其初步采樣箱內(nèi)的某一點,則A節(jié)點必然在包含B初步采樣箱所有可通信范圍的正方形區(qū)域B1B2B3B4內(nèi).取B1B2B3B4與A的初步采樣箱的交集得到A的最終采樣箱,即圖6(b)中陰影區(qū)域,采樣箱區(qū)域位置(xAmin,xAmax,yAmin,yAmax)為

B的最終采樣箱確立與上述過程相同,這樣就確定了第1層節(jié)點的采樣箱.

2.2.2 其余層節(jié)點的采樣箱的確定

每層節(jié)點定位以后轉(zhuǎn)化為虛擬錨節(jié)點.由于定位存在誤差,如果由其預(yù)測位置坐標(biāo)確定下一層節(jié)點的采樣箱,誤差累計迅速增大,因此,每層節(jié)點向其鄰居廣播其采樣箱信息,它們采樣箱的確立如圖7所示.

圖7 其余層節(jié)點確立采樣箱

由于存在障礙物,C由第1層節(jié)點變?yōu)榈?層節(jié)點,其虛擬錨節(jié)點為第1層節(jié)點A、B,則C的初步采樣箱為圖7(a)中陰影區(qū)域,它的采樣箱為

D為第2層節(jié)點,同樣也利用其第1層虛擬錨節(jié)點確立初步采樣箱節(jié)點C、D彼此優(yōu)化初步采樣箱的過程與第1層節(jié)點的相同,節(jié)點C確立最終采樣箱見圖7(b)陰影部分.其余層節(jié)點確立采樣箱的過程與第2層節(jié)點的相同.在定位過程中,采樣箱可能產(chǎn)生坐標(biāo)沖突或在通信范圍外,這時候重置采樣箱于初步狀態(tài)或整個通信區(qū)域.

2.3 過濾階段

EMCB算法不僅利用式(1)的約束條件進行過濾,還利用節(jié)點連通性限制理論過濾采樣點,利用未知節(jié)點的位置信息預(yù)測節(jié)點當(dāng)前時刻所在的區(qū)域,提高采樣效率.

2.3.1 連通性限制理論過濾采樣點

如圖8所示,假設(shè)陰影區(qū)域C(z)內(nèi)不存在節(jié)點C的鄰居,則節(jié)點C從Ct-1移動到Ct,連通性不發(fā)生改變.

反之,若節(jié)點C移動時連通性不變,移動最大距離z[12]必須確保陰影區(qū)內(nèi)不存在C的鄰居,此時,

圖8 連通性理論限制圖

2.3.2 運動區(qū)域過濾采樣點

在實際應(yīng)用中,節(jié)點在短時間內(nèi)運動方向一般改變不大.筆者利用節(jié)點前兩個時刻的預(yù)測位置連線預(yù)測當(dāng)前時刻的運動方向[13].

如圖9所示,假設(shè)Ct-1、Ct-2為未知節(jié)點C在t-1、t-2時刻的預(yù)測位置.在t時刻,節(jié)點C沿大于沿其他方向移動的概率.但由于Ct-1、Ct-2存在誤差,所以節(jié)點C在t時刻的運動方向加入松弛角度Δφ,即如果的運動方向為θ,則C當(dāng)前時刻的運動方向區(qū)域為[θ±Δφ].

圖9 運動區(qū)域約束示意圖

移動節(jié)點隨時可能改變其運動方向,所以上述預(yù)測約束方法僅在以下條件下使用:當(dāng)采樣平均值SC位于預(yù)測運動區(qū)域內(nèi)時,說明當(dāng)前時刻節(jié)點的運動與前兩個時刻的運動相關(guān)性高,如圖9中SC1,此時運動區(qū)域約束適用,把不在陰影區(qū)域內(nèi)的采樣值C2過濾掉,保留在區(qū)域內(nèi)的采樣值C1.當(dāng)采樣平均值SC不在預(yù)測運動區(qū)域內(nèi)時,如圖9中SC2,此區(qū)域預(yù)測不成立.

隨著松弛角度增大,運動方向約束區(qū)域變大,許多不合理采樣點仍然存在,如Δφ為180°時,此過濾階段無過濾無效點的作用;當(dāng)松弛角度較小時,由于運動方向約束區(qū)域很小,會過濾掉許多有效采樣值點.引入精度提高的定義[13],其中E表示在不同的松弛角度下提高的精度:

圖10給出了Δφ在[15°,180°]之間改變對精度提高的影響.由圖可見,當(dāng)Δφ為45°時,定位精度最高.因此在定位過程中取Δφ=45°.

圖10 松弛角度Δφ對算法的影響

3 性能仿真與分析

仿真環(huán)境為500 m×500 m的矩形區(qū)域,節(jié)點總數(shù)為350,錨節(jié)點密度為8%.所有節(jié)點的射頻通信半徑R均為50 m,且均以[0,Vmax]的速度移動,最大移動速度Vmax=R,所有節(jié)點均按照隨機路點[14]移動模型運動.圖11研究了EMCB算法與蒙特卡羅定位、蒙特卡羅箱算法的收斂性,以及定位誤差與錨節(jié)點密度、節(jié)點運動速度、未知節(jié)點數(shù)目、節(jié)點通信不規(guī)則度(半徑不規(guī)則度D)、非視距影響(非視距影響概率ρ)的關(guān)系.

3.1 算法的收斂性

圖11(a)表明了3種算法隨著時間變化的定位誤差.由仿真結(jié)果可看出,3種算法定位誤差都逐漸下降,經(jīng)過5 s后,定位誤差趨于穩(wěn)定.EMCB算法整體優(yōu)于蒙特卡羅定位、蒙特卡羅箱算法,在最好情況下,定位誤差提高了0.1R.

3.2 錨節(jié)點密度對算法性能的影響

仿真過程中節(jié)點總數(shù)為350,節(jié)點最大移動速度Vmax=R,錨節(jié)點密度從1%變至15%,3種算法性能如圖11(b)所示.隨著錨節(jié)點密度增大,未知節(jié)點接收到更多的錨節(jié)點位置信息,從而減小了采樣箱面積,因此3種算法的定位精度都逐漸提高,且定位精度差距也在減少.但在低錨節(jié)點密度網(wǎng)絡(luò)中(1%),EMCB算法定位誤差約為蒙特卡羅箱算法的40%,定位精度明顯提高.

圖11 定位誤差變化曲線圖

3.3 節(jié)點移動速度對算法性能的影響

仿真過程中節(jié)點總數(shù)為350,錨節(jié)點密度為8%,運動速度從0.2R變至2R.圖11(c)表明,當(dāng)節(jié)點運動速度很慢時,EMCB算法定位精度比蒙特卡羅箱算法提高了約0.3R.隨著節(jié)點運動速度的增大,EMCB算法定位誤差增大,但仍比蒙特卡羅箱、蒙特卡羅定位算法約低0.1R.因此,EMCB算法比蒙特卡羅定位、蒙特卡羅箱算法更適合拓?fù)浣Y(jié)構(gòu)變化稍快的網(wǎng)絡(luò).

3.4 未知節(jié)點密度對算法性能的影響

仿真過程中錨節(jié)點數(shù)目為28,節(jié)點最大移動速度Vmax=R.改變未知節(jié)點數(shù)目,觀察其對算法性能的影響,同時節(jié)點總數(shù)也發(fā)生改變,仿真結(jié)果如圖11(d)所示.當(dāng)未知節(jié)點密度較低時,各算法的定位精度相近.隨著未知節(jié)點數(shù)目增大,EMCB算法比蒙特卡羅定位、蒙特卡羅箱算法的精度約提高0.1R.蒙特卡羅定位、蒙特卡羅箱算法雖然僅應(yīng)用一跳、二跳錨節(jié)點的位置信息,但未知節(jié)點數(shù)目增大時,未知節(jié)點的二跳錨鄰居也可能增多;而EMCB算法將已定位節(jié)點轉(zhuǎn)化為虛擬錨節(jié)點,充分地利用了未知節(jié)點,因此增加未知節(jié)點數(shù)目有利于提高算法的定位精度.

3.5 節(jié)點半徑不規(guī)則度對算法性能的影響

在實際應(yīng)用環(huán)境中,無線傳感器網(wǎng)絡(luò)中節(jié)點的通信半徑會受到很多環(huán)境因素的影響.為了更逼近于實際環(huán)境,筆者引入通信半徑不規(guī)則度D.節(jié)點的通信半徑在[(1-D)×R,R]內(nèi)隨機選擇.若D=0.2,則表示節(jié)點通信半徑在[0.8R,R]內(nèi)隨機選擇.仿真過程中節(jié)點總數(shù)為350,錨節(jié)點密度為8%,最大運動速度Vmax=R,參數(shù)D從0變到0.5,3種算法的性能如圖11(e)所示,它們的平均定位精度都隨著節(jié)點通信半徑不規(guī)則度的增大而降低.D對蒙特卡羅定位、蒙特卡羅箱算法影響較大.當(dāng)D＞0.3時,兩種算法的定位誤差超過R,已經(jīng)不能滿足普通網(wǎng)絡(luò)的定位精度要求;而EMCB算法的平均定位精度下降緩慢(小于0.6R),可以滿足普通網(wǎng)絡(luò)的定位精度要求.

3.6 非視距影響對算法性能的影響

仿真過程中節(jié)點總數(shù)為350,錨節(jié)點密度為8%,最大運動速度Vmax=R.節(jié)點之間的通信是否受到非視距影響為隨機的,筆者設(shè)置參數(shù)ρ表示非視距影響概率(僅考慮對定位影響比較大的非視距影響,如圖3所示).若ρ=5%,則表示5%的一跳錨節(jié)點由于非視距影響,被未知節(jié)點當(dāng)做二跳錨節(jié)點.ρ從0%變到25%,觀察3種算法的性能.

由圖11(f)可以看出,在非視距環(huán)境下,隨著ρ的提高,蒙特卡羅定位、蒙特卡羅箱算法的定位精度急劇下降(達到5R以上,意味著定位出現(xiàn)嚴(yán)重錯誤),而EMCB算法的平均定位精度遠(yuǎn)在蒙特卡羅定位、蒙特卡羅箱算法之上,維持在0.4R左右.隨著ρ的提高,EMCB算法變化不大,這是由于EMCB算法定位中可用信息比較多,ρ值的提高等價于錨節(jié)點密度的下降,雖然定位精度下降,但不會出現(xiàn)蒙特卡羅定位、蒙特卡羅箱算法的定位錯誤情況.

4 總 結(jié)

筆者提出了一種適用于非視距條件下的移動無線傳感器網(wǎng)絡(luò)的移動節(jié)點定位算法.仿真結(jié)果表明:在節(jié)點通信受到非視距的影響情況下,原始算法定位錯誤,而EMCB算法定位仍然較為準(zhǔn)確;在無障礙物環(huán)境下,EMCB算法的定位精度優(yōu)于原始算法的定位精度.另外,EMCB算法還可以應(yīng)用在網(wǎng)絡(luò)錨節(jié)點密度低的場合,定位精度受通信半徑不規(guī)則度影響小.

[1]Xu Enyang,Ding Zhi,Dasgupta S.Source Localization in Wireless Sensor Networks from Signal Time-of-Arrival Measurements[J].IEEE Transactions on Signal Processing,2011,59(6):2887-2897.

[2]Salman N,Ghogho M,Kemp A H.On the Joint Estimation of the RSS-Based Location and Path-Loss Exponent[J]. IEEE Wireless Communications Letters,2012,1(1):34-37.

[3]Wang Jun,Urriza P,Han Yuxing,et al.Weighted Centroid Localization Algorithm:Theoretical Analysis and Distributed Implementation[J].IEEE Transactions on Wireless Communications,2011,10(10):3403-3413.

[4]Agashe A A,Patil R S.An Optimum DV Hop Localization Algorithm for Variety of Topologies in Wireless Sensor Networks[J].International Journal on Computer Science and Engineering,2012,4(6):957-961.

[5] 程偉,史浩山,李冬.無線傳感器網(wǎng)絡(luò)中的進化規(guī)劃重采樣定位算法[J].西安電子科技大學(xué)學(xué)報,2011,38(4):154-159. Cheng Wei,Shi Haoshan,Li Dong.Novel Localization Algorithm Based on Evolutionary Programming Resampling in WSN[J].Journal of Xidian University,2011,38(4):154-159.

[6]Hu Lingxuan,Evans D.Localization for mobile sensor networks[C]//International Conference on Mobile Computing and Networking.Piscataway:IEEE,2004:45-57.

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

[8]Soltaninasab B,Sabaei M,Amiri J.Improving Monte Carlo Localization Algorithm Using Time Series Forecasting Method and Dynamic Sampling in Mobile WSNs[C]//International Conference on Communication Systems Networks and Applications.Piscataway:IEEE,2010:389-396.

[9]Yi J Y,Yang S W,Cha H J.Multi-hop-based Monte Carlo Localization for Mobile Sensor Networks[C]//4th Annual IEEE Communications Society Conference on Sensor,Mesh and Ad Hoc Communications and Networks.Piscataway: IEEE,2007:163-171.

[10]Wang W D,Zhu Q X.RSS-based Monte Carlo Localization for Mobile Sensor Networks[J].IET Communications,2008,2(5):673-681.

[11]Shao Qingliang,Xu Hongyu,Liang Jia,et al.The Research of Monte Carlo Localization Algorithm Based on Received Signal Strength[C]//International Conference on Wireless Communications,Networking and Mobile Computing. Piscataway:IEEE,2011:1-4.

[12]Radhika N,Howard S,Jonathan B.Organizing a Global Coordinate System from Local Information on an Ad Hoc Sensor Network[C]//2nd International Workshop on Information Processing in Sensor Networks.Berlin:Springer-Verlag,2003:333-348.

[13]Sheu Jangping,Hu Weikai,Lin Jenchiao.Distributed Localization Scheme for Mobile Sensor Networks[J].IEEE Transactions on Mobile Computing,2010,9(4):516-526.

[14]Vasanthi V,Romen Kumar M,Ajith Singh N.A Retailed Study of Mobility Models in Wireless Sensor Network[J]. Journal of Theoretical and Applied Information Technology,2011,33(1):7-14.

(編輯:郭 華)

Monte Carlo mobile node localization for NLOSenvironment

KUO Yonghong,ZHOU Wenwen,CHEN Jian
(School of Telecommunication Engineering,Xidian Univ.,Xi’an 710071,China)

Enhanced Monte Carlo Boxed(EMCB),based on the broadcasting messages of one-hop neighbor nodes,is proposed in a mobile wireless sensor network for NLOS environment.The utilization efficiency of nodes is improved in the way of message flooding.The located nodes are used as the virtual anchor nodes in order to improve the location precision in the network with few anchors,optimizing the sample boxes of the neighbor nodes.Besides,both the theoretical limit of connectivity and the previous location information are used to enhance the filtering performance.Taking advantage of the one-hop messages,all the nodes are located layer-by-layer.Finally,the results of simulation show that the location precision is improved compared with the traditional algorithms in any situation.Especially,a good performance is achieved with fewer anchor nodes.

wireless sensor network;node localization;Monte Carlo algorithm;virtual anchor nodes; sampling;filtering

TP393

A

1001-2400(2014)01-0006-07

10.3969/j.issn.1001-2400.2014.01.002

2012-11-01 < class="emphasis_bold">網(wǎng)絡(luò)出版時間:

時間:2013-09-16

國家自然科學(xué)基金資助項目(60972072,61340033);高等學(xué)校學(xué)科創(chuàng)新引智計劃資助項目(B08038)

闊永紅(1967-),女,教授,E-mail:yhkuo@mail.xidian.edu.cn.

http://www.cnki.net/kcms/detail/61.1076.TN.20130916.0926.201401.8_032.html