CN101808398A - 一种无线传感器网络的二次加权混合定位方法 - Google Patents

Abstract

本发明涉及无线传感器网络的节点自身定位方法，属于通信技术领域，具体说是一种无线传感器网络的二次加权质心混合定位方法。本发明针对无线传感器网络的特点以及DV-Distance和质心定位算法的优缺点，利用DV-Distance获得的累加跳距和信息及估测的未知节点坐标，二次计算加权因子和权重质心，实现两次对未知节点估计坐标进行约束，从而提高网络节点的定位精度。本发明综合权重DV-Distance和质心定位算法，进行了二次加权质心混合定位，可有效的提高节点的定位精度，适用于具有自组织特征的传感器网络节点的自身定位。

Description

一种无线传感器网络的二次加权混合定位方法

技术领域

本发明涉及无线传感器网络的节点自身定位方法，具体说是一种无线传感器网络的二次加权质心混合定位方法，适用于具有自组织特征的传感器网络系统，属于通信技术领域。

背景技术

无线传感器网络被《MIT技术评论》列于十种改变未来世界新兴技术之首，美国《商业周刊》预测WSN将会在不远的将来掀起新的产业浪潮，我国未来20年预见技术的调查报告，信息领域技术课题中有7项与WSN直接相关，2006年发布的《国家中长期科学与技术发展规划纲要》为信息技术确定了三个前沿方向，其中两个与WSN的研究直接相关，即智能感知技术和自组织网络技术，具有广阔的市场应用前景。

在无线传感器网络中，采集的感知信息只有知道坐标位置才有实际应用价值，因此节点定位问题成为一个关键技术之一。根据定位机制，无线传感器网络自身定位算法分为两类：基于测距定位算法和无需测距定位算法，前者需要通过一些测距技术测量节点间点到点的距离信息；后者无需距离信息，仅用节点间的估计距离计算节点的自身位置。基于测距的定位算法定位机制对网络的硬件设施提出了较高的要求，这类算法在获得相对精确定位结果的时候，都要产生大量计算和通信开销。常用测距方法有RSSI，TOA，TDOA和AOA。RSSI虽然符合低功率、低成本的要求，但有可能产生±50％的测距误差；TOA需要节点间精确的时间同步，无法用于松散偶合型定位；TDOA技术受限于超声波传播距离有限和NLOS问题对超声波信号传播的影响；AOA也受外界环境影响，而且需要额外硬件，在硬件尺寸和功耗上可能无法用于传感器节点；无需测距的定位算法有质心算法，凸规划算法，DV-hop等典型算法，由于低成本、相对定位精度高，取得了广泛应用。质心算法要求信标节点密度要高，并且成规则的网格状分布，否则定位误差较大。

需要测距的DV-Distance算法计算待定位节点到信标节点的距离是以分段距离之和代替直线距离，适合于适用于各向同性网络，定位成本小，但在网络不够密集的情况下，误差非常大；需要测距的质心算法要求信标节点网络均匀，信标节点的密度相对较大网络中，信标节点不规则将影响节点的定位精度；不规则奇异点的存在将降低未知节点定位精度。在计算未知节点的坐标的过程中，DV-Distance算法利用了累积跳距信息，而质心算法没有利用跳距信息。

发明内容

本发明针对以上两种算法的优点及不足，进行了两者的综合权重，提出了一种无线传感器网络的二次加权质心混合定位方法，以减小定位误差，提高定位精度。DV-Distance和质心定位方法都是为了估测未知节点的真实坐标位置，依据概率原理，两种方法得到的未知节点估计坐标距离越近，越集中，表明它们和未知节点的真实坐标接近度高。因此，可以用DV-Distance方法，找到各个信标节点到未知节点的累积跳距，然后选择距未知节点最近的N个信标节点，依次选取C_N ^N-1个节点，利用到未知节点到其的折线距离，分别进行第一次加权质心处理，得到C_N ^N-1个未知节点的质心坐标，构成质心区域Q；然后求出DV-Distance估测的未知节点P₀到质心区域Q里的N个质心坐标的距离，对质心坐标进行第二次加权质心处理。

本发明解决其方法技术问题所采用的技术方案如下：该无线传感器网络的二次加权质心混合定位方法，包含以下步骤：

步骤一：无线传感器网络中所有节点执行DV-Distance定位算法，获得未知节点的估测坐标P0、以及距离未知节点最近的N个信标节点的折线距离和N个信标节点位置坐标；

步骤二：未知节点利用步骤一得到N个信标节点的折线距离和N个信标节点位置坐标，依次循环选取N-1个信标节点，构成N个N-1边形，分别求解各多边形中每个信标节点对应的质心加权因子；

步骤三：根据步骤一和步骤二得到得N个信标节点的位置坐标及其对应的质心加权因子，未知节点执行第一次加权质心处理，获得信标节点的N个质心坐标，N个质心坐标构成质心区域；

步骤四：未知节点根据步骤一获得未知节点的估测坐标P0、步骤三获得的N个质心坐标构成的质心区域，计算估测坐标P0到质心区域中各个质心的距离，并求解质心坐标的加权因子，执行第二次加权质心处理，得到质心区域的质心坐标，即精确的未知节点坐标。

步骤二中所述的求解每个信标节点对应的质心加权因子的公式为：

${\mathrm{Kc}}_i=\frac{1/{\mathrm{Ra}}_i}{\underset{j=0}{\overset{N_a-1}{\mathrm{\Σ}}}1/{\mathrm{Ra}}_j}i,j\∈(1..N_a-1)$

其中，Ra_i，Ra_j是未知节点到信标节点的折线距离，Na是选取的信标节点个数，Kc_i第i个信标节点的加权因子；

步骤三中所述的第一次加权质心处理的计算公式为：

$\left\{\begin{array}{c}{X}_{\mathrm{Cj}}=\underset{j=0}{\overset{\mathrm{Na}-1}{\mathrm{\Σ}}}{\mathrm{Ka}}_j\×x_{a_j}\\ Y_{\mathrm{Cj}}=\underset{j=0}{\overset{\mathrm{Na}-1}{\mathrm{\Σ}}}{\mathrm{Ka}}_j\×y_{a_j}\end{array}\right.$

其中

是第j个信标节点的位置坐标，(X_Cj，Y_Cj)是第j个质心坐标，Ka_i是第j个信标节点的质心加权因子，Na为信标节点的个数。

步骤四中所述的计算估测坐标P0到质心区域中各个质心的距离的公式为：

$R_j=\sqrt{{(X_{\mathrm{Cj}}-X_{P0})}^2+{(Y_{\mathrm{Cj}}-Y_{P0})}^2},i\∈(1...N)$

其中：R_j未知节点估测坐标P0到质心区域中的第j个质心的距离，(X_Cj，Y_Cj)是第j个质心坐标，(X_P0，Y_P0)是估测坐标P0；N为质心个数0

步骤四中所述的求解质心坐标的加权因子的公式为：

${\mathrm{Kb}}_i=\frac{1/{\mathrm{Rb}}_i}{\underset{j=0}{\overset{N_b-1}{\mathrm{\Σ}}}1/{\mathrm{Rb}}_j}i,j\∈(1..N_b-1)$

其中，Rb_i是估测坐标P₀到质心C_i的距离，N_b是质心个数，Kb_i第i个质心坐标的加权因子。

步骤四中所述的第二次加权质心处理的计算公式为：

$\left\{\begin{array}{c}x=\underset{i=0}{\overset{\mathrm{Nb}-1}{\mathrm{\Σ}}}{\mathrm{Kb}}_i\×x_i\\ y=\underset{i=0}{\overset{\mathrm{Nb}-1}{\mathrm{\Σ}}}{\mathrm{Kb}}_i\×y_i\end{array}\right.$

其中(x_i，y_i)第i个质心坐标，(x，y)是加权处理后的质心坐标，Kb_i是加权因子，N_b为质心个数。

本发明考虑了DV-Distance和质心定位方法两种算法的优点及不足，进行了两者的综合权重，利DV-distance的折线距离信息与加权质心算法进行混合折中，提出了一种无线传感器网络的二次加权质心混合定位方法，减小定位误差，提高了定位精度。

附图说明

图1是本发明的流程图；

图2是奇异点对质心算法进度影响图；

图3是本发明的实施例图；

图4是实施例中未知节点数量变化时平均定位误差比较图；

图5是实施例中信标节点数量变化时平均定位误差比较图；

图6是实施例中修改通信半径时平均定位误差比较图。

具体实施方式

下面结合附图对本发明进一步说明。

该无线传感器网络的二次加权混合定位方法，包含以下步骤(图1是本发明的流程图)：

步骤一：无线传感器网络中所有节点执行DV-Distance定位算法，获得未知节点的估测坐标P0、以及距离未知节点最近的N个信标节点的折线距离和N个信标节点位置坐标；传统的定位算法中，需要测距的DV-Distance算法计算待定位节点到信标节点的距离是以分段距离之和代替直线距离，适合于适用于各向同性网络，定位成本小，但在网络不够密集的情况下，误差非常大；需要测距的质心算法要求信标节点网络均匀，信标节点的密度相对较大网络中，信标节点不规则将影响节点的定位精度；不规则奇异点的存在将严重使质心偏向奇异点的方向，降低未知节点定位精度。在计算未知节点的坐标的过程中，DV-Distance算法利用了累积跳距信息，而质心算法没有利用跳距信息，图2是本发明为说明奇异点对质心算法精度影图。本发明利用用DV-Distance方法，找到各个信标节点到未知节点的累积跳距作为未知节点到信标节点的距离。以图3作为本发明的实施例，假设A、B、C、D、E、F、G是距离未知节点选取距自己最近的7(及设定阀值为7)个信标节点bi＝{b1，b2，b3，b4，b5，b6，b7}。

步骤二：未知节点利用步骤一得到N个信标节点的折线距离和N个信标节点位置坐标，依次循环选取N-1个信标节点，构成N个N-1边形，分别求解各多边形中每个信标节点对应的质心加权因子，本实施例中选取C₇ ^7-1个信标节点，则有C₇ ¹种组合：C1＝{b1，b2，b3，b4，b5，b6}、C2＝{b2，b3，b4，b5，b6，b7}、C3＝{b3，b4，b5，b6，b7，b1，}、C4＝{b4，b5，b6，b7，b1，b2}、C5＝{b5，b6，b7，b1，b2，b3}、C6＝{b6，b7，b1，b2，b3，b4}、C7＝{b7，b1，b2，b3，b4，b5}未知节点得到的到这7个信标节点的跳数距离分别是：R_p0-i＝{R_0-1，R_0-2，R_0-3，R_0-4，R_0-5，R_0-6，R0-7}

求解每个信标节点对应的质心加权因子的公式为：

${\mathrm{Kc}}_i=\frac{1/{\mathrm{Ra}}_i}{\underset{j=0}{\overset{N_a-1}{\mathrm{\Σ}}}1/{\mathrm{Ra}}_j}i,j\∈(1..N_a-1)$

其中，Ra_i，Ra_j是未知节点到信标节点的折线距离，Na是选取的信标节点个数，Kc_i第i个信标节点的加权因子；利用累加跳距信息利用公式，依次求C₇ ¹种组合加权因子：

C1组合加权因子Kc₁

C2组合加权因子Kc₂

…

C7组合加权因子Kc₇

步骤三：根据步骤一和步骤二得到得N个信标节点的位置坐标及其对应的质心加权因子，未知节点执行第一次加权质心处理，第一次加权质心处理的计算公式为：

$\left\{\begin{array}{c}{X}_{\mathrm{Cj}}=\underset{j=0}{\overset{\mathrm{Na}-1}{\mathrm{\Σ}}}{\mathrm{Ka}}_j\×x_{a_j}\\ Y_{\mathrm{Cj}}=\underset{j=0}{\overset{\mathrm{Na}-1}{\mathrm{\Σ}}}{\mathrm{Ka}}_j\×y_{a_j}\end{array}\right.$

其中

是第j个信标节点的位置坐标，(X_Cj，Y_Cj)是第j个质心坐标，Ka_i是第j个信标节点的质心加权因子，Na为信标节点的个数，获得信标节点的N个质心坐标，N个质心坐标构成质心区域，求出7个加权质心坐标：

第一种组合C1求出的质心

$\left\{\begin{array}{c}{x}_{c1}=x_1*K_{c1-1}+x_2*K_{c1-2}+x_3*K_{c1-3}+x_4*K_{c1-4}+x_5*K_{c1-5}+x_6*K_{c1-6}\\ y_{c1}=y_1*K_{c1-1}+y_2{*K_{c1-2}+y}_3*K_{c1-3}+y_4*K_{c1-4}+y_5{*K_{c1-5}+y}_6*K_{c1-6}\end{array}\right.$

第二种组合C2求出的质心

$\left\{\begin{array}{c}{x}_{c2}=x_2*K_{c2-2}+x_3*K_{c2-3}+x_4*K_{c2-4}+x_5*K_{c2-5}+x_6*K_{c2-6}+x_7*K_{c2-7}\\ y_{c2}=y_2*K_{c2-2}+y_3{*K_{c2-3}+y}_4*K_{c2-4}+y_5*K_{c2-5}+y_6{*K_{c2-6}+y}_7*K_{c2-7}\end{array}\right.$

第三种组合C3求出的质心

$\left\{\begin{array}{c}{x}_{c3}=x_3*K_{c3-3}+x_4*K_{c3-4}+x_5*K_{c3-5}+x_6*K_{c3-6}+x_7*K_{c3-7}+x_1*K_{c3-1}\\ y_{c3}=y_3*K_{c3-3}+y_4{*K_{c3-4}+y}_5*K_{c3-5}+y_6*K_{c3-6}+y_7{*K_{c3-7}+x}_1*K_{c3-1}\end{array}\right.$

…

第七种组合C7求出的质心

$\left\{\begin{array}{c}{x}_{c7}=x_7*K_{c7-7}+x_1*K_{c1-1}+x_2*K_{c7-2}+x_3*K_{c7-3}+x_4*K_{c7-4}+x_5*K_{c7-5}\\ y_{c7}=y_7*K_{c7-7}+y_1{*K_{c1-1}+y}_2*K_{c7-2}+y_3*K_{c7-3}+y_4{*K_{c7-4}+y}_5*K_{c7-5}\end{array}\right.$

构成质心区域Q。

步骤四：未知节点根据步骤一获得未知节点的估测坐标P0、步骤三获得的N个质心坐标构成的质心区域，计算估测坐标P0到质心区域中各个质心的距离，公式为：

$R_j=\sqrt{{(X_{\mathrm{Cj}}-X_{P0})}^2+{(Y_{\mathrm{Cj}}-Y_{P0})}^2},i\∈(1...N)$

其中：R_j未知节点估测坐标P0到质心区域中的第j个质心的距离，(X_Cj，Y_Cj)是第j个质心坐标，(X_P0，Y_P0)是估测坐标P0；N为质心个数。

并求解质心坐标的加权因子，执行第二次加权质心处理，得到质心区域的质心坐标，即精确的未知节点坐标。求解质心坐标的加权因子的公式为：

${\mathrm{Kb}}_i=\frac{1/{\mathrm{Rb}}_i}{\underset{j=0}{\overset{N_b-1}{\mathrm{\Σ}}}1/{\mathrm{Rb}}_j}i,j\∈(1..N_b-1)$

其中，Rb_i是估测坐标P₀到质心C_i的距离，N_b是质心个数，Kb_i第i个质心坐标的加权因子。

第二次加权质心处理的计算公式为：

$\left\{\begin{array}{c}x=\underset{i=0}{\overset{\mathrm{Nb}-1}{\mathrm{\Σ}}}{\mathrm{Kb}}_i\×x_i\\ y=\underset{i=0}{\overset{\mathrm{Nb}-1}{\mathrm{\Σ}}}{\mathrm{Kb}}_i\×y_i\end{array}\right.$

其中(x_i，y_i)第i个质心坐标，(x，y)是加权处理后的质心坐标，Kb_i是加权因子，N_b为质心个数。

为了评估本发明的可用性和有效性，对该算法进行了仿真。实验条件是100*100平方米的正方形区域内随机均匀分布一定数量的信标节点和未知节点，节点采用无线电理想传播模型。

图4中设未知节点个数为200，依次增加信标节点的数量，节点通信半径为R＝20m，其中横轴代表信标节点的数量，纵轴代表平均定位误差。从上图可以看出：随着信标节点的数量增加，三种定位算法的定位精度都有所提高；混合定位算法定位精度依赖于其它两种定位算法。信标节点数量小于30时，混合定位算法在定位精度上低于DV-distance，对DV-distance的依赖性较强，定位精度曲线与DV-distance定位精度曲线相似；但随着未知节点的比例增大，混合定位算法的定位精度高于质心算法和DV-distance算法的定位精度，对质心算法的依赖性较强，定位精度曲线与质心算法的定位精度曲线相似。这可能是因为该算法的定位的权值计算依赖于其它两种算法。当信标节点的数量较少时，质心算法的定位性能很差，混合算法主要被DV-distance约束；信标数量较多时，质心算法定位精度高，对混合算法的约束力增强。

图5为信标节点数量固定为35，增加未知节点的数量，节点通信半径为R＝20m，进行试验仿真的结果图。其中横轴代表未知节点的数量，纵轴代表平均定位误差。从图中可以看出，未知节点数量在60～120时，随着未知节点数量的增加，各定位算法的平均定位精度都提高，混合定位算法的定位精度明显高于其它两种定位算法。

为了验证在不同节点通信半径下，混合算法的定位精度，根据图4，图5综合考虑，选择固定信标节点为35，未知节点为200，修改节点的通信半径，进行试验仿真。图6为仿真结果图，本发明提供的混合定位算法定位精度较其它两种算法的定位精度高。

Claims (6)

1.一种无线传感器网络的二次加权混合定位方法，其特征在于包含以下步骤：

步骤一：无线传感器网络中所有节点执行DV-Distance定位算法，获得未知节点的估测坐标P0、以及距离未知节点最近的N个信标节点的折线距离和N个信标节点位置坐标；

步骤二：未知节点利用步骤一得到N个信标节点的折线距离和N个信标节点位置坐标，依次循环选取N-1个信标节点，构成N个N-1边形，分别求解各多边形中每个信标节点对应的质心加权因子；

步骤三：根据步骤一和步骤二得到得N个信标节点的位置坐标及其对应的质心加权因子，未知节点执行第一次加权质心处理，获得信标节点的N个质心坐标，N个质心坐标构成质心区域；

步骤四：未知节点根据步骤一获得未知节点的估测坐标P0、步骤三获得的N个质心坐标构成的质心区域，计算估测坐标P0到质心区域中各个质心的距离，并求解质心坐标的加权因子，执行第二次加权质心处理，得到质心区域的质心坐标，即精确的未知节点坐标。

2.根据权利要求1所述的一种无线传感器网络的二次加权混合定位方法，其特征在于：步骤二中求解每个信标节点对应的质心加权因子的公式为：

${\mathrm{Kc}}_i=\frac{1/{\mathrm{Ra}}_i}{\underset{j=0}{\overset{N_a-1}{\mathrm{\Σ}}}1/{\mathrm{Ra}}_j}i,j\∈(1..N_a-1)$

其中，Ra_i，Ra_j是未知节点到信标节点的折线距离，Na是选取的信标节点个数，Kc_i第i个信标节点的加权因子；

3.根据权利要求1所述的一种无线传感器网络的二次加权混合定位方法，其特征在于：步骤三中第一次加权质心处理的计算公式为：

$\left\{\begin{array}{c}{X}_{\mathrm{Cj}}=\underset{j=0}{\overset{\mathrm{Na}-1}{\mathrm{\Σ}}}{\mathrm{Ka}}_j\×x_{a_j}\\ Y_{\mathrm{Cj}}=\underset{j=0}{\overset{\mathrm{Na}-1}{\mathrm{\Σ}}}{\mathrm{Ka}}_j\×y_{a_j}\end{array}\right.$

其中

是第j个信标节点的位置坐标，(X_Cj，Y_Cj)是第j个质心坐标，Ka_j是第j个信标节点的质心加权因子，Na为信标节点的个数。

4.根据权利要求1所述的一种无线传感器网络的二次加权混合定位方法，其特征在于：步骤四中计算估测坐标P0到质心区域中各个质心的距离的公式为：

$R_j=\sqrt{{(X_{\mathrm{Cj}}-X_{P0})}^2+{(Y_{\mathrm{Cj}}-Y_{P0})}^2},i\∈(1...N)$

其中：R_j未知节点估测坐标P0到质心区域中的第j个质心的距离，(X_Cj，Y_Cj)是第j个质心坐标，(X_P0，Y_P0)是估测坐标P0；N为质心个数。

5.根据权利要求1所述的一种无线传感器网络的二次加权混合定位方法，其特征在于：步骤四中求解质心坐标的加权因子的公式为：

${\mathrm{Kb}}_i=\frac{1/{\mathrm{Rb}}_i}{\underset{j=0}{\overset{N_b-1}{\mathrm{\Σ}}}1/{\mathrm{Rb}}_j}i,j\∈(1..N_b-1)$

其中，Rb_i是估测坐标P₀到质心C_i的距离，N_b是质心个数，Kb_i个质心坐标的加权因子。

6.根据权利要求1所述的一种无线传感器网络的二次加权混合定位方法，其特征在于：步骤四中所述的第二次加权质心处理的计算公式为：

$\left\{\begin{array}{c}x=\underset{i=0}{\overset{\mathrm{Nb}-1}{\mathrm{\Σ}}}{\mathrm{Kb}}_i\×x_i\\ y=\underset{i=0}{\overset{\mathrm{Nb}-1}{\mathrm{\Σ}}}{\mathrm{Kb}}_i\×y_i\end{array}\right.$

其中(x_i，y_i)第i个质心坐标，(x，y)是加权处理后的质心坐标，Kb_i是加权因子，Nb为质心个数。

Images