CN101403793A

CN101403793A - 一种无线传感器网络分布式节点定位方法

Info

Publication number: CN101403793A
Application number: CNA2008102256515A
Authority: CN
Inventors: 刘桂雄; 张晓平; 周松斌
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2008-11-03
Filing date: 2008-11-03
Publication date: 2009-04-08

Abstract

本发明公开了一种无线传感器网络分布式节点定位方法，该方法主要包括：根据未知节点到锚节点最小跳数值确定锚节点到任意位置点真实距离值在特征向量中的个数；根据锚节点到任意位置点真实距离值及其个数构造特征向量；对网络区域进行网格化，选取网格中心为位置点，根据位置点特征向量和坐标形成训练样本集：通过径向基核函数和最小二乘支持向量回归机学习训练样本集得到用于估计X坐标和Y坐标的支持向量回归机；将未知节点到锚节点跳段距离和构成的特征向量分别输入两个回归机得到未知节点坐标估计值。通过本发明可以显著减小未知节点到锚节点跳段距离和测距误差对未知节点定位结果的影响，提高无线传感器网络节点定位的准确度。

Description

一种无线传感器网络分布式节点定位方法

技术领域

本发明涉及一种无线传感器网络分布式节点定位方法，具体涉及一种无线传感器网络分布式节点位置估计方法。

背景技术

无线传感器网络是新一代传感器网络，具有非常广阔的应用前景。节点定位是无线传感器网络应用的重要基础，它要求节点定位方法具有良好的容噪性和准确度。传统的节点定位技术包括基于测距和不基于测距的定位技术，基于测距的定位技术测量未知节点到邻居节点的距离或信号到达角度，距离(角度)测量通常包含较大误差，通过最小二乘法、极大似然估计法计算得到的未知节点定位结果受测距误差影响较大；不基于测距的定位方法无需测量未知节点到邻居节点距离或者信号到达角度，只根据网络连通性等信息即可实现定位，但节点定位准确度通常较低。

国内专利号为CN200510130687.1的一种无线传感器网络无锚点定位的分布式实现方法，通过各个网络节点相互测量距离数值来获得各自感知范围内的邻居信息，多次交换彼此的估计坐标。国内专利号为CN200710018566.7的一种无线传感器网络中的节点自身定位方法，所有普通节点获得所有锚节点的最小均方误差校正值并挑选出一个最小均方误差校正值，与信息交互所获得的各锚节点自身信息进行三边定位，并进行概率挑选，将概率最大的三边定位坐标作为普通节点自身位置。国内专利号为CN200710076505.6的一种对无线传感器网络进行三维快速定位的系统和方法，移动锚点通过GPS进行定位并广播定位信息，无线传感器节点用于接收定位信息，比较各定位信息的接收信号强度值，选择具有最大强度值的定位信息，存储其中的位置坐标；并存储其余任一定位信息中的位置坐标；并判断是否获得足够的用于计算其自身位置的位置坐标，计算得到其自身位置。国内专利号200710062845.3的无线传感器网络的加权距离矢量定位方法，该方法是在现有DV-hop定位方法基础上，综合考虑多个锚节点估计的平均每跳距离，对接收的各个锚节点的平均每跳距离进行加权处理，距离越近的锚节点的加权值越大，利用计算的最终平均每跳距离计算未知节点与锚节点之间的距离。国内专利号为CN200710062844.9的一种无线传感器网络三角滤波凸规划定位方法，锚节点广播发送包含自身位置的信息；未知节点接收锚节点发送的信息；未知节点接收到两个以上锚节点的信息时，计算以接收到的每个锚节点为圆心，通信半径为半径的圆的相交区域；根据未知节点是否在接收到的锚节点组成的三角形内和所述的圆的相交区域对未知节点进行位置定位。国内专利号为CN200710019977.8的基于移动代理的无线传感器网络节点自身位置确定方法利用智能组网代理的移动性和洪泛策略将一个大规模无线传感器网络划分为若干个子网络，在各个子网中按照分治策略，利用移动代理携带数据的特性，根据标准位置节点的位置信息，通过测距代理和定位代理计算出每个未知位置节点的自身位置。

基于蜂窝网络的无线定位系统采用到达时间定位技术通过测量从目标发出的信号以直线到达基站的时间，根据电磁波在空中的传播速度可以得到移动台与基站之间的距离。移动台即位于以基站为圆心，移动台到基站的电波传播距离为半径的圆上。通过多个基站进行上述测量计算，移动台的二维位置坐标可出三个圆的交点确定。当三个圆无法交于一点时，目标的二维位置坐标难以确定。

综上所述节点间测距误差容易导致节点定位误差，难以有效抑制测距误差对节点定位准确度的影响。

发明内容

为解决上述中存在的问题与缺陷，本发明提供了一种无线传感器网络分布式节点定位方法。

本发明是通过以下技术方案实现的：

本发明所涉及的一种无线传感器网络分布式节点定位方法，包括：

根据未知节点到锚节点最小跳数值确定锚节点到任意位置点真实距离值在特征向量中的个数；

根据锚节点到任意位置点真实距离值及其个数构造特征向量；

对网络区域进行网格化，选取网格中心为位置点，根据位置点特征向量和坐标形成训练样本集；

通过径向基核函数和最小二乘支持向量回归机学习训练样本集得到用于估计X坐标和Y坐标的支持向量回归机；

将未知节点到锚节点跳段距离和构成的特征向量分别输入两个回归机得到未知节点坐标估计值。

本发明提供的技术方案的有益效果是：

通过采用径向基核函数的最小二乘支持向量机拟合网络区域内位置点到各锚节点真实距离构成的特征向量与位置点坐标的非线性关系，根据未知节点到锚节点最小跳数值确定锚节点到位置点真实距离值在特征向量中的个数，从而增强测距误差较小距离值在节点位置估计中的作用，减小测距误差较大距离值对节点位置估计的影响，有效提高未知节点定位的准确度。

附图说明

图1是节点自定位方法流程图；

图2是节点自定位方法具体实现流程图；

图3是计算位置点特征向量示意图；

图4是未知节点到锚节点估计距离示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述：

本实施例提供了一种无线传感器网络分布式节点定位方法，该方法利用最小二乘支持向量回归机估计未知节点位置，并根据未知节点与各锚节点位置关系确定特征向量构造方法。

参见图1，该方法主要包括以下步骤：

步骤101根据未知节点到锚节点最小跳数值确定锚节点到任意位置点真实距离值在特征向量中的个数。

步骤102根据锚节点到任意位置点真实距离值及其个数构造特征向量。

步骤103对网络区域进行网格化，选取网格中心为位置点，根据位置点特征向量和坐标形成训练样本集。

步骤104通过径向基核函数和最小二乘支持向量回归机学习训练样本集得到用于估计X坐标和Y坐标的支持向量回归机。

步骤105将未知节点到锚节点跳段距离和构成的特征向量分别输入两个回归机得到未知节点坐标估计值。

本实施例首先估计未知节点到锚节点距离值，通过选取网络区域的位置点收集训练样本，并使用最小二乘支持向量回归机对训练样本进行学习得到估计节点位置的决策函数。

参见图2，具体实现方法包括：

步骤201：锚节点向网络泛洪传播包含自身坐标和初始跳数值为0的数据包，邻居节点收到数据包后将跳数值加1后继续向外广播，若未知节点收到同一锚节点发出的多个数据包，则保留跳数值最小的数据包。

步骤202：通过所述锚节点数据包泛洪传播，锚节点和未知节点获取自身到各锚节点最小跳数值和各锚节点坐标。

步骤203：锚节点根据自身坐标和其它锚节点坐标计算自身到其它锚节点的距离，通过距离值和除以自身到其它锚节点最小跳数和得到平均每跳距离，并向网络广播。

步骤204：未知节点接收锚节点到其它锚节点平均每跳距离广播值，若某个锚节点到未知节点最小跳数值为最小，则未知节点将该锚节点与其它锚节点平均每跳距离作为未知节点到其它锚节点平均每跳距离，通过平均每跳距离乘以最小跳数值估计未知节点到其它锚节点距离值。

步骤205：未知节点对网络区域进行网格化，选取网格中心作为位置点，计算位置点到各锚节点真实距离值。

步骤206：利用位置点到锚节点的真实距离值作为特征值构造特征向量，并根据未知节点到锚节点最小跳数值确定特征提取方法，也即，未知节点到锚节点最小跳数值越小，锚节点到位置点真实距离值在特征向量中的个数越多；未知节点到锚节点最小跳数值越大，锚节点到位置点真实距离值在特征向量中的个数则越少。

步骤207：所述网络区域内每个位置点对应一个特征向量，将位置点特征向量作为训练样本输入值，分别将位置点X坐标和Y坐标作为训练样本输出值，可以得到用于估计X坐标和Y坐标的两个训练样本，通过网络区域内所有位置点可以得到用于估计X坐标和Y坐标的两个训练样本集。

步骤208：通过学习机器对得到的两个训练样本集进行学习，得到分别用于估计X坐标和Y坐标的两个决策函数，也即，利用学习机器分别拟合位置点特征向量和位置点X坐标、Y坐标的非线性关系，得到的两个决策函数分别反映了位置点到锚节点真实距离和位置点X坐标、Y坐标的相关性。

步骤209：根据位置点特征向量的特征提取方法，未知节点利用它到锚节点的距离估计值构造特征向量，将未知节点特征向量分别输入两个最小二乘支持向量机得到的用于估计X坐标和Y坐标的两个决策函数。

步骤210：决策函数根据位置点特征向量和位置点X坐标、Y坐标的对应关系，判断输入特征向量对应未知节点的X坐标和Y坐标，得到未知节点坐标的估计值，实现未知节点的自定位。

参见图3，无线传感器网络区域Q＝[0，l_X]×[0，l_Y]m²，锚节点为S′_j(x′_j，y′_j)(j＝1，2，Λ，L)，采用t×t的网格对Q进行网格化，网格中心G_i(x_i，y_i)(i＝1，2，Λ，N)到锚节点S′_j(x′_j，y′_j)的真实距离为d_ij，选取网格中心G_i为位置点，利用G_i到S′_j的真实距离d_ij构造特征向量

V_{i} = [d_{i 1}^{(1)}, d_{i 1}^{(2)}, Λ, d_{i 1}^{(q_{1})}, d_{i 2}^{(1)}, d_{i 2}^{(2)}, Λ, d_{i 2}^{(q_{2})}, Λ, d_{ij}^{(1)}, d_{ij}^{(2)}, Λ, d_{ij}^{(q_{j})}, Λ, d_{iL}^{(1)}, d_{iL}^{(2)}, Λ, d_{iL}^{(q_{L})}],

其中距离值d_ij的个数为q_j，本发明通过锚节点S′_j到未知节点S_k(k＝1，2，Λ，M)的最小跳数值H_kj(见图4)选取q_j，将位置点G_i的特征向量V_i作为训练样本输入值，将G_i的坐标x_i、y_i分别作为训练样本输出，得到训练样本η_Xi＝(V_i，x_i)、η_Yi＝(V_i，y_i)，进而得到训练样本集χ_X＝{η_Xi|η_Xi＝(V_i，x_i)，i＝1，2，Λ，N}、χ_Y＝{η_Yi|η_Yi＝(V_i，y_i)，i＝1，2，Λ，N}，利用学习机器对训练样本集χ_X、χ_Y进行学习来拟合G_i的特征向量V_i与坐标值x_i、y_i的非线性关系，得到决策函数

{\hat{x}}_{k} = f_{X} (V_{k}),

{\hat{y}}_{k} = f_{Y} (V_{k})

(V_k∈R^z，

z = Σ_{j = 1}^{L} q_{j}

)，其中f_X、f_Y分别用于估计未知节点的X坐标

和Y坐标

V_k为未知节点S_k对应的特征向量(见图4)。

参见图4，无线传感器网络通过未知节点S_k到锚节点S′_j的最小跳数H_kj乘以平均每跳距离D_k得到距离估计值其中D_k等于H_kj值最小的锚节点S′_j的平均每跳距离C_j，C_j为S′_j到其它锚节点距离和与最小跳数和的比值。如图4所示，S_k到S′₁的最小跳数H_k1等于2，同时H_k2＝3，H_k3＝3，H_k4＝5，则

{\hat{d}}_{k 1} = 2 C_{1},

{\hat{d}}_{k 2} = 3 C_{1},

{\hat{d}}_{k 3} = 3 C_{1},

{\hat{d}}_{k 4} = 5 C_{1},

由此得到未知节点特征向量

V_{k} = [{\hat{d}}_{k 1}^{(1)}, {\hat{d}}_{k 1}^{(2)}, Λ, {\hat{d}}_{k 1}^{(q_{1})}, {\hat{d}}_{k 2}^{(1)}, {\hat{d}}_{k 2}^{(2)}, Λ, {\hat{d}}_{k 2}^{(q_{2})}, {\hat{d}}_{k 3}^{(1)}, {\hat{d}}_{k 3}^{(2)}, Λ, {\hat{d}}_{k 3}^{(q_{3})}, {\hat{d}}_{k 4}^{(1)}, {\hat{d}}_{k 4}^{(2)}, Λ, {\hat{d}}_{k 4}^{(q_{4})}],

根据H_kj取值可知，q_j满足q₄≤q₂，q₃≤q₁，将V_k分别输入决策函数f_X、f_Y，输出值

为S_k坐标估计值。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims

1、一种无线传感器网络分布式节点定位方法，其特征在于，该方法主要包括：

A根据未知节点到锚节点最小跳数值确定锚节点到任意位置点真实距离值在特征向量中的个数；

B根据锚节点到任意位置点真实距离值及其个数构造特征向量：

C对网络区域进行网格化，选取网格中心为位置点，根据位置点特征向量和坐标形成训练样本集；

D通过径向基核函数和最小二乘支持向量回归机学习训练样本集得到用于估计X坐标和Y坐标的支持向量回归机；

E将未知节点到锚节点跳段距离和构成的特征向量分别输入两个回归机得到未知节点坐标估计值。

2、根据权利要求1所述的无线传感器网络分布式节点定位方法，其特征在于，其中所述A与B具体包括：将各锚节点到任意位置点真实距离值作为特征值构造特征向量，锚节点到位置点真实距离值在特征向量中的个数由对应锚节点到位置点的最小跳数决定。

3、根据权利要求1所述的无线传感器网络分布式节点定位方法，其特征在于，所述方法C具体包括：将每个位置点对应估计X和Y坐标的两个训练样本，所述每个位置点对应估计X和Y坐标的两个训练样本分别以位置点特征向量为输入值，分别以位置点X和Y坐标作为输出值，然后由所有位置点得到估计X和Y坐标的两个训练样本集。

4、根据权利要求1所述的无线传感器网络分布式节点定位方法，其特征在于，所述方法D具体包括：利用径向基核函数将训练样本非线性映射到高维特征空间，并采用最小二乘支持向量回归机在高维特征空间中对训练样本集进行学习，得到分别估计未知节点X和Y坐标的两个最小二乘支持向量机。

5、根据权利要求1所述的无线传感器网络分布式节点定位方法，其特征在于，所述方法E具体包括：通过未知节点到锚节点最小跳数对应的跳段距离和构造未知节点特征向量，其中，所述未知节点到锚节点跳段距离和在特征向量中的个数由未知节点到锚节点的最小跳数决定。

6、根据权利要求5所述的无线传感器网络分布式节点定位方法，其特征在于，将未知节点特征向量分别输入两个最小二乘支持向量机，得到用于估计X坐标和Y坐标的两个决策函数。

7、根据权利要求6所述的无线传感器网络分布式节点定位方法，其特征在于，所述决策函数根据位置点特征向量和位置点X坐标、Y坐标的对应关系，判断输入特征向量对应未知节点的X坐标和Y坐标，得到未知节点X和Y坐标的估计值。

8、根据权利要求1-7所述的无线传感器网络分布式节点定位方法，其特征在于，所述每个未知节点在本地构造训练样本、训练最小二乘支持向量回归机，实现未知节点的分布式定位。

9、根据权利要求8所述的无线传感器网络分布式节点定位方法，其特征在于，所述未知节点到各锚节点的最小跳数值不同，因而不同未知节点训练得到的最小二乘支持向量的回归机也不相同。