CN104394573B - 一种无线传感器网络协作定位方法 - Google Patents
一种无线传感器网络协作定位方法 Download PDFInfo
- Publication number
- CN104394573B CN104394573B CN201410692577.3A CN201410692577A CN104394573B CN 104394573 B CN104394573 B CN 104394573B CN 201410692577 A CN201410692577 A CN 201410692577A CN 104394573 B CN104394573 B CN 104394573B
- Authority
- CN
- China
- Prior art keywords
- node
- network
- spanning tree
- nodes
- wireless sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种无线传感器网络协作定位方法。无线传感器网络中,非参数置信传播算法是一个著名的基于概率的定位算法。从理论上讲,非参数置信传播算法可以在无环的网络中得到渐近最优的结果,但是,在有环的网络中非参数置信传播算法的精确度难以保证,并且其计算复杂度很高。本发明利用生成树无环的特性,以及最小生成树可以获得更多的有效粒子的特点,通过约束信息的传播,使定位的通信路径形成一棵最小生成树,然后将非参数置信传播算法应用于生成的最小生成树上。本发明方法在连接度较高的网络中具有更高的精度,并且复杂度比原始的非参数置信传播算法更低。
Description
技术领域
本发明涉及一种用于无线传感器网络中的传感器协作定位的方法,确切地说,是一种基于非参数置信传播和最小生成树的无线传感器网络协作定位方法,属于无线网络中的定位技术领域。
背景技术
在无线传感器网络中,由于位置信息有大量的应用(比如:应急服务、搜救工作、交通管理以及跟踪),定位技术变得十分重要。在无线传感器网络的定位中,已知位置的节点称作信标节点,未知位置的节点称作待定位节点,待定位节点需要从信标节点获得信息以便定位。在非协作定位中,待定位节点只能通过测量它们与信标节点之间的距离来估计它们的位置;然而在协作定位中,待定位节点之间的距离测量也被利用了起来,这大大改善了定位的精度。
非参数置信传播算法(Nonparametric Belief Propagation,简称NBP)是一个著名的基于概率的协作定位算法。然而NBP面临两个重要问题,一方面在有环(loop)的网络中NBP算法的精确度是难以保证的;另一方面,直接应用NBP算法计算复杂度很高。定位精度无法保证很可能导致定位失去意义,而计算复杂度高将延长定位的响应时间并缩短传感器的使用寿命。现有的对NBP改进的算法中,非参数广义置信传播算法、盒约束的非参数置信传播算法(Nonparametric Boxed Belief Propagation)和重加权树的NBP等算法虽然提高了精度但是复杂度却很高,难于工程实现;基于宽度优先搜索生成树的非参数置信传播方法(Breadth First Search based Nonparametric Belief Propagation,简称NBP-BFS)虽然降低了复杂度,但是其定位精度却不够。
利用生成树无环和最小生成树(Minimum Spanning Tree,简称MST)可以获得更多的有效粒子的特点,通过约束信息的传播,把用于定位的通信路径构造成一棵MST,然后将NBP算法应用于生成的MST上。本发明方法在连接度较高的网络中相比于原始NBP具有更高的定位精度,并且复杂度比原始的NBP算法更低。
针对原始NBP用于定位时面临环的影响和复杂度较高的问题,本发明提出了一种减轻环的影响以及降低复杂度的无线传感器网络协作定位方法。
发明内容
有鉴于此,本发明的目的是提供一种在无线传感器网络中利用最小生成树的方法形成无环的用于定位的网络,然后再利用NBP算法进行低复杂度协作定位的方法。本发明方法利用了生成树无环的特性,以及最小生成树可以获得更多的有效粒子的特点,通过约束信息的传播使定位的通信路径形成一棵MST,然后将NBP算法应用于生成的MST上。本发明方法在连接度较高的网络中具有更高的精度,并且复杂度比原始的NBP算法更低。因此,所提方法杜绝了环对NBP算法的影响;同时由于用于定位的通信链路数减小为节点数目减一,其复杂度也极大降低。
为了达到上述目的,本发明提供了一种基于最小生成树的NBP协作定位方法(Minimum Spanning Tree based Nonparametric Belief Propagation,简称NBP-MST),用于下述场景:包括若干信标节点和多个待定位节点的无线传感器网络,在彼此通信范围内的两个节点可以测得彼此的距离。所述方法包括下列两个操作步骤:
(1)用于定位的通信网络形成阶段:把测得的待定位节点之间的距离作为权重,进而将待定位节点形成的网络重新构造成一棵MST,然后将信标节点以及信标节点与待定位节点之间的一跳(one-hop)边和两跳(two-hop)边连接添加到MST,从而得到新的网络;所提用于定位的通信网络形成方法的具体步骤如下:
(11)每一个节点都广播自己的ID到其邻居节点,则每一个节点都会得到一个表征其与邻居节点连接情况的连接表。
(12)每一个节点将附加了距离信息的连接表通过多跳通信的方式进行广播,直到一个节点收到所有节点广播的连接表。将收到所有节点广播的连接表的节点看作根节点,记作vr。
(13)在根节点处,把测得的待定位节点之间的距离作为权重,在原来待定位节点形成的网络Gt=(Vt,Et)基础上生成一棵MST。MST(Gt'=(Vt',Et'))的获得从Vt'={vr},开始,不断添加Vt\Vt'中与当前Vt'中的节点最近的节点到Vt',并添加相应的边到Et',直到满足Vt'=Vt。
(14)根节点通过多跳通信的方法,将得到的MST的连接信息告知其它节点。
(15)将信标节点以及信标节点与待定位节点之间的一跳边和两跳边添加到MST,得到新的网络。
环的数目越多对后面利用NBP进行位置估计的精度的影响就越大,利用生成树的方法可以将环消除;而两个传感器距离越近,它们之间距离的估计就相对更加精确,所以采用最小生成树的方法可以更好地保证定位的准确度。同时,由待定位节点形成的最小生成树和由待定位节点形成的原始网络相比,前者具有更少的连接度,而NBP算法的复杂度很大程度上取决于连接度的大小,并与连接度呈正相关。故利用最小生成树的方法简化由待定位节点形成的原始网络可以从根本上降低定位的计算复杂度。
(2)位置估计阶段:在(1)所产生的网络基础上利用NBP估计传感器位置。具体步骤如下:
(21)在新的网络上运行NBP迭代算法,对于单个节点,当前后两次迭代得到的位置分布的相对熵小于预定值时,则该节点位置已定,并在后面的迭代中将其看作信标节点。
NBP算法包括两个过程,即消息更新(message updating)过程和置信度更新(belief updating)过程。消息更新(message updating)过程可以表示为:其中表示第i次迭代时节点m传递给节点m'的消息,ψmm'(xm,xm')=pn(dmm'-‖xm-xm'‖),pn为测距得到的测距误差分布,表示第i次迭代时节点m的置信度;置信度更新(belief updating)过程可以表示为其中ψm(xm)表示节点m位置的先验分布,Γm表示参与节点m定位的邻居节点的集合。非置信传播算法将消息利用带权重的粒子的形式来表示:(其中是从置信度产生的带权重的粒子),每个粒子的权重为
对于节点m,当前后两次迭代得到的位置分布的相对熵小于预定值时,则该节点位置已定,并在后面的迭代中将其看作信标节点。
(22)直到所有的待定位置的节点都被看作信标节点或者迭代次数已经达到预设的最大次数,定位估计阶段结束。
本发明基于最小生成树的NBP协作定位方法是一种用于无线传感器网络中对传感器的位置进行估计的方法。其优点是:在连接度较高的网络中具有更高的精度,并且复杂度比原始的NBP算法更低。本发明方法的创新关键是:利用生成树无环和MST可以获得更多的有效粒子的特点,通过约束信息的传播,将用于定位的通信路径构造成一棵MST,然后将NBP算法应用于生成的MST上。本发明方法在连接度较高的网络中相比于原始NBP具有更高的定位精度,并且复杂度比原始的NBP算法更低。本发明是一种低复杂度的位置估计方法,能为连接度较高的无线传感器网络中的传感器确定精确的位置信息。
附图说明
图1是本发明应用场景:无线传感器网络示意图。
图2是本发明基于最小生成树的NBP协作定位方法的流程图。
图3是与图1对应的经由最小生成树方法处理后得到的新的用于定位的网络示意图。
图4是说明距离作为权重的有效性的示意图。
图5是本发明实施例中,在不同通信半径下,位置估计的根均方误差(Root-Mean-Square Error,简称RMSE)的仿真图。
图6是本发明实施例中,在不同通信半径下,不同算法所需的归一化的CPU运行时间的仿真图。
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,下面结合附图对本发明作进一步的详细描述。
参见图1,先介绍本发明方法的应用场景:包括若干信标节点(方块)和多个待定位节点(圆点)的无线传感器网络,在彼此通信范围内的两个节点可以测得彼此的距离。实线表示两个待定位节点可以互相通信,粗虚线表示信标节点与待定位节点可以互相通信,细虚线表示信标节点与待定位节点存在两跳(two-hop)通信。
参见图2,介绍本发明方法的下列两个操作步骤:
(1)用于定位的通信网络形成阶段:把测得的待定位节点之间的距离作为权重,进而将待定位节点形成的网络重新构造成一棵MST,然后将信标节点以及信标节点与待定位节点之间的一跳(one-hop)边和两跳(two-hop)边连接添加到MST得到新的网络。该步骤的操作内容为:
(11)每一个节点都广播自己的ID到其邻居节点,则每一个节点都会得到一个表征其与邻居节点连接情况的连接表。
(12)每一个节点将附加了距离信息的连接表通过多跳通信的方式进行广播,直到一个节点收到所有节点广播的连接表。将收到所有节点广播的连接表的节点看作根节点。
(13)在根节点处,把测得的待定位节点之间的距离作为权重,在原来待定位节点形成的网络Gt=(Vt,Et)基础上生成一棵MST。MST(Gt'=(Vt',Et'))的获得从Vt'={vr},开始,不断添加Vt\Vt'中与当前Vt'中的节点最近的节点到Vt',并添加相应的边到Et',直到满足Vt'=Vt。
(14)根节点通过多跳通信的方法,将得到的MST的连接信息告知其它节点。
(15)将信标节点以及信标节点与待定位节点之间的一跳边和两跳边添加到MST得到新的网络。
(2)位置估计阶段:在(1)所产生的网络基础上利用NBP估计传感器位置。该步骤的操作内容为:
(21)在新的网络上运行NBP算法,对于单个节点,当前后两次迭代得到的位置分布的相对熵小于预定值时,则该节点位置已定,并在后面的迭代中将其看作信标节点。
(22)直到所有的待定位置的节点都被看作信标节点或者迭代次数已经达到最大次数,则定位估计阶段结束。
为了展示本发明方法复杂度低的特性,在此简单分析一个特例的计算复杂度。图1中待定位节点组成的原始网络有13条边,平均到每个节点的连接度(不考虑与信标节点的连接)约为3.71;而经过最小生成树方法的简化后,由待定位节点组成的最小生成树有6条边(参见图3),平均到每个节点的连接度(不考虑与信标节点的连接)约为1.71,只有原始网络的46%(随着通信半径的增大,这一比例将更低)。而NBP算法的复杂度很大程度上取决于连接度的大小,并与连接度呈正相关。故利用最小生成树的方法简化原始网络可以很大程度上降低定位的计算复杂度。
为了显示最小生成树具有的有效粒子数目较其它生成树多的特点,此处给出一个例子做简要分析。图4给出了一个简单的定位模型图,要说明最小生成树具有的有效粒子数目较其它生成树多,只需要说明距离短的边带来的有效粒子数目比距离长的边带来的有效粒子数目多即可。图4中“边界圆”表示节点可能位置的边界,落入“边界圆”内的粒子被视为有效粒子。图4所示例子中,每个节点传递的粒子总数为500,测距的标准差为0.3,节点3和节点5之间的实际距离为5米,节点4和节点5之间的实际距离为3.9米。经过蒙特卡洛实验后发现,从节点3传递到节点5的平均有效粒子个数为27,而从节点4传递到节点5的平均有效粒子个数为35(提高了34%),由此可知,最小生成树方法具有的有效粒子数目较其它生成树多,从而较其它生成树方法具有更好的定位性能。
为了展示本发明方法的实用性能,申请人进行了多次仿真实施试验。试验系统中的网络配置模型为图1所示的应用场景。仿真试验的结果如图5和图6所示,分别从定位的根均方误差和归一化的定位所需的CPU运行时间两个方面进行了仿真。为了直观地体现本发明方法的优越性,将本方法的仿真结果与现有的定位方法进行了对比。
由图5可以看出,本发明方法在通信半径大于一定值(与具体的网络拓扑有关)时明显地降低了定位的根均方误差,也就是说所提出的方法在通信半径较大(网络连接度较高,原始网络环路较多)时能够提高定位精度。图6表明,本发明方法的计算复杂度远远低于原始NBP方法,且本发明方法复杂度与通信半径没有明显的相关关系(原始NBP复杂度随通信半径而近似线性增加)。因此,本发明方法在连接度较高的网络中具有更高的精度,并且与NBP算法相比复杂度大大降低。
以上所述仅为本发明的较佳实例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (1)
1.一种无线传感器网络协作定位方法,用于下述场景:包括若干信标节点和多个待定位节点的无线传感器网络,在彼此通信范围内的两个节点可以测得彼此的距离, 所述方法包括下列两个操作步骤:
(1)用于定位的通信网络形成阶段:
(11)每一个节点都广播自己的ID到其邻居节点,则每一个节点都会得到一个表征其与邻居节点连接情况的连接表;
(12)每一个节点将附加了距离信息的连接表通过多跳通信的方式进行广播,直到一个节点收到所有节点广播的连接表,将收到所有节点广播的连接表的节点看作根节点;
(13)在根节点处,把测得的待定位节点之间的距离作为权重,在原来待定位节点形成的网络基础上生成一棵最小生成树;
(14)根节点通过多跳通信的方式,将得到的最小生成树的连接信息告知其它节点;
(15)将信标节点以及信标节点与待定位节点之间的一跳边和两跳边添加到最小生成树,从而得到新的网络;
(2)位置估计阶段:
(21)在新的网络上运行非参数置信传播迭代算法,对于单个节点而言在前后两次迭代得到的位置分布的相对熵小于预定值时,则该节点位置已定,并在后面的迭代中将其看作信标节点;
(22)直到所有的待定位节点都被看作信标节点或者迭代次数已经达到预设的最大次数,定位估计阶段结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410692577.3A CN104394573B (zh) | 2014-11-26 | 2014-11-26 | 一种无线传感器网络协作定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410692577.3A CN104394573B (zh) | 2014-11-26 | 2014-11-26 | 一种无线传感器网络协作定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104394573A CN104394573A (zh) | 2015-03-04 |
CN104394573B true CN104394573B (zh) | 2018-03-09 |
Family
ID=52612391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410692577.3A Active CN104394573B (zh) | 2014-11-26 | 2014-11-26 | 一种无线传感器网络协作定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104394573B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108810823A (zh) * | 2018-07-12 | 2018-11-13 | 南京航空航天大学 | 针对无线传感网络协作定位的协同修正信息筛选方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106162869B (zh) * | 2016-07-07 | 2020-03-06 | 上海交通大学 | 移动自组织网络中高效协作定位方法 |
CN108347694B (zh) * | 2018-02-10 | 2020-03-17 | 北京理工大学 | 一种基于边界条件的节点定位方法及系统 |
CN109901108A (zh) * | 2019-03-19 | 2019-06-18 | 南京航空航天大学 | 一种基于后验线性化置信传播的编队无人机协同定位方法 |
CN110267198B (zh) * | 2019-06-26 | 2021-03-30 | 河南大学 | 一种基于双层因子图置信度传递的分布式协作定位方法 |
CN114501310B (zh) * | 2022-01-17 | 2023-04-25 | 中国科学院国家授时中心 | 一种同时定位和跟踪的协同定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102056192A (zh) * | 2010-11-09 | 2011-05-11 | 广东石油化工学院 | 基于核密度估计与非参数置信传播的wsn网内数据融合方法 |
CN103152823A (zh) * | 2013-02-26 | 2013-06-12 | 清华大学 | 一种无线室内定位方法 |
-
2014
- 2014-11-26 CN CN201410692577.3A patent/CN104394573B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102056192A (zh) * | 2010-11-09 | 2011-05-11 | 广东石油化工学院 | 基于核密度估计与非参数置信传播的wsn网内数据融合方法 |
CN103152823A (zh) * | 2013-02-26 | 2013-06-12 | 清华大学 | 一种无线室内定位方法 |
Non-Patent Citations (1)
Title |
---|
Belief Propagation Techniques For Cooperative Localization In Wireless Sensor Networks;Vladimir Savic;《Wiley-IEEE》;20121231;全文 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108810823A (zh) * | 2018-07-12 | 2018-11-13 | 南京航空航天大学 | 针对无线传感网络协作定位的协同修正信息筛选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104394573A (zh) | 2015-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104394573B (zh) | 一种无线传感器网络协作定位方法 | |
Xiao et al. | An RSSI based DV-hop algorithm for wireless sensor networks | |
Suthaharan et al. | Labelled data collection for anomaly detection in wireless sensor networks | |
CN104125538B (zh) | 基于wifi网络的rssi信号强度的二次定位方法及装置 | |
Janssen et al. | Benchmarking RSS-based localization algorithms with LoRaWAN | |
CN104581943B (zh) | 用于分布式无线传感网络的节点定位方法 | |
WO2016165459A1 (zh) | 一种室内定位方法和设备 | |
Vazquez-Rodas et al. | Experimental evaluation of RSSI-based positioning system with low-cost LoRa devices | |
CN101778472B (zh) | 一种无线传感器网络的分布式节点定位方法 | |
CN106162869B (zh) | 移动自组织网络中高效协作定位方法 | |
KR20140031999A (ko) | 센서 네트워크 시스템, 센서 네트워크 제어 방법, 센서 노드, 센서 노드 제어 방법, 및 센서 노드 제어 프로그램 | |
CN101868026A (zh) | 一种轻量级的无线传感器网络多跳定位方法 | |
CN104507159A (zh) | 一种基于WiFi接收信号强度的混合室内定位方法 | |
CN104902567A (zh) | 基于最大似然估计的质心定位方法 | |
CN105682026A (zh) | 基于跳数阈值优化平均跳距的改进DV-Hop定位方法 | |
CN107968987A (zh) | 基于定积分结合环境参数的rssi加权质心定位方法 | |
US20220113368A1 (en) | Estimating user risk based on wireless location determination | |
CN104363649A (zh) | 带有约束条件的ukf的wsn节点定位方法 | |
CN107708202A (zh) | 一种基于DV‑Hop的无线传感器网络节点定位方法 | |
CN102497669A (zh) | 一种无线传感器网络节点定位的方法 | |
CN103630876A (zh) | 基于RSSI的ZigBee节点定位方法 | |
Kulaib et al. | Improved DV-hop localization using node repositioning and clustering | |
CN103260179A (zh) | 基于ZigBee的QPSO自校正定位方法 | |
CN103096468B (zh) | 一种无线传感器网络基于节点密度的节点定位方法 | |
CN103402255A (zh) | 一种基于校正值误差加权的改进DV-Hop定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |