CN104780507A - 高精度aoa分簇定位方法 - Google Patents

Abstract

本发明涉及一种高精度AOA分簇定位方法，使用分簇算法对节点群进行分簇，在簇内进行簇首选择，新加入的节点自动选择最近的一个簇加入，每个节点内部都根据信号发射方向进行角度测量，完成上述步骤之后根据AOA测距算法计算两节点之间距离，然后获取相对坐标，由簇首发送到总簇首汇总后计算出事实坐标。本发明使分簇算法的每个节点具有自探测能力，用坐标算法算出相应于簇首的坐标，本发明让分簇只在初始时进行一次，每个簇内无簇首或能量低时，对簇首进行重选举，再将信息发送给总簇，实现了range-based的分簇定位算法，根据实验结果，本发明算法保留了快速部署、能量效率高、高精度的优点，这种算法适用于不松散部署的无线网络。

Description

高精度AOA分簇定位方法

技术领域

本发明涉及无线传感器网络的高精度AOA分簇定位方法。

背景技术

1992年AT&T Laboratories Cambridge开发出室内定位系统Active Badge。迄今为止，各种各样的定位算法层出不穷，每一种定位系统和算法都用来解决不同的问题或支持不同的应用。

根据定位算法的算法是否需要测距来分，定位算法可以分为range-base和range-free俩种；根据算法中对节点位置的计算方式，可以分为集中式定位和分布式定位。其次还可以根据算法的功能来分，比如水下定位，室内定位，室外定位等。

range-based常用的测距技术有RSSI、AOA、TOA、TDOA。RSSI(receivesignal strength indicator)功率低、成本低，但是容易产生较大误差。AOA(angleof arrive)需要额外的硬件，同时可能受信号折射的影响。TOA(Time of arrive)需要节点之间精确的时间同步，不仅会增加硬件的消耗，而且很容易因环境造成错误。TDOA(Time different of arrive)需要额外的硬件来发射与信号不同步的介质，通常为超声波。受外界影响十分大，而且这种方式的传播距离不广，需要密集部署。为了减少这些算法的误差，一般采用多次测量，以及循环求精定位。所以一般来说，range-based的算法都不适用于低功耗、低成本的领域。

Range-free的定位方案有DV-Hop、凸规划、分簇算法等。

DV-Hop定位算法是由美国罗格斯大学的Dragos Niculescu等人提出的，基本原理是通过洪泛的方式向整个网络传播位置信息和跳数信息，其中信息发起的节点位置为0，然后根据跳的数量，乘以平均跳数距离，得出每个节点到信息发起节点的距离。然后通过三边定位或者最小二乘法得出该节点的坐标值。

凸规划定位算法属于集中式定位算法，加州大学伯克利分校Doherty等人将节点间点到点的通信连接视为节点位置的几何约束，把整个网络模型化为一个凸集，从而将节点定位问题转化为凸约束优化问题，然后使用半定规划和线性规划方法得到一个全局优化的解决方案，确定节点位置。

分簇算法，就是先将各个节点划分成簇，并通过轮换机制将各个簇的簇首更换，这样可以使得能量消耗更为均衡，利用率更高，然后通过相对坐标的方式，得出所有节点的坐标。但是这样仍然具有的缺点就是，因为每个簇是在各自的簇内进行定位，一旦产生误差，最后的误差也会越来越大。

发明内容

本发明的目的是提供一种快速、又高精度的定位算法，应用AOA测距算法、分簇算法进行混合设计，发明一种适用于要求多节点，快速部署，高精度，自动管理的无线传感网络。

为实现上述目的本发明的具体方案如下：

一种高精度AOA分簇定位方法，使用分簇算法对节点群进行分簇，然后在簇内进行簇首选择，新加入的节点自动选择最近的一个簇加入，每个节点内部都根据信号发射方向进行角度测量，完成上述步骤之后根据AOA测距算法计算两节点之间距离，然后获取相对坐标，由簇首发送到总簇首汇总后计算出事实坐标。

优选的，所述的高精度AOA分簇定位方法包括以下步骤：

1)发送广播，确定自身与周边所有锚节点的连通；

2)在一个圆形区域内，选取一个节点作为坐标原点，如果存在两颗或以上的条件相同的节点，则自动选取这几个节点的中心点作为坐标原点，当确定了总簇首之后，从簇总节点再次广播；

3)根据簇总节点位置，周边节点自动划分所属的簇，随机从边上选取距离1～3个跳的节点作为簇首；

4)确定所有簇首之后，再次广播，获取所需角度，以AOA算法确定与簇相邻的节点的位置信息，然后以类似广播的方式，将所有节点的位置信息计算出来；

5)由最开始知道的总簇首坐标，每个节点自己测试自己与簇首，总簇首的夹角，并由此得出该坐标的数据，与原来的数据一起取平均值；

优选的，所述步骤3)中分簇算法如下：

31)d(S＝S1)节点N(d)＝{a，b，c，g}，此时簇内有{d}；

32)若a(S＝S0)，则将a划分到N(d)里，簇内有{d，a}；

33)若b(S＝S0)，则将b划分到N(d)里，簇内有{d，a，b}；

34)若c(S＝S1)，则将c划分到N(d)里，簇内有{d，a，b}；

35)若是g未被分簇，若g(S＝S3)，则取消该划分，簇内有{d，a，b}；

36)分别从N(a)与N(d)重复上述一到五的步骤，再划分一次后再次从边上随机选取1～3个节点作为簇首以此类推，其中NNi表示节点i的邻节点数量，S0表示当前节点在等待，S1表示当前节点为簇首，S3表示当前节点为普通节点，N(i)表示节点i的邻节点。

优选的，还包括以下步骤：

6)簇大小不相同时，所以产生差异将会重新选取簇首，选择一个簇内部选择有最小Wi的节点i来担当新簇头：

$\mathrm{Wi}=\mathrm{\α}\underset{j\∈N\left(i\right)}{\mathrm{\Σ}}D(i,j)+\mathrm{Ei}$

其中Wi代表节点的复合权重，Ei是节点i的剩余能量，α是大于0的权重因子。

本发明提供的无线传感器网络的高精度AOA分簇定位方法通过运用AOA测距算法，使分簇算法的每个节点具有自探测能力，通过节点相对夹角，用坐标算法算出相应于簇首的坐标，为了让能量消耗低于原始分簇算法，本发明根据完全图中的能量有效原理，让分簇只在初始时进行一次，在每个簇内无簇首或能量低的时候，对簇首进行重选举，再将信息发送给总簇，通过仿真实验证明，本发明算法实现了range-based的分簇定位算法，根据实验结果，本发明算法保留了快速部署、能量效率高、高精度的优点，这种算法适用于不松散部署的无线网络。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：

图1为AOA测距算法原理图；

图2为分簇定位算法原理图；

图3为本发明实施例算法模拟图；

图4为本发明实施例未知节点与定位误差关系图；

图5为本发明实施例锚节点与定位误差关系图；

图6为本发明实施例节点数量与时间消耗关系图；

图7为本发明实施例节点数量与能量消耗关系图。

具体实施方式

下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

实施例

AOA测距算法：

如图1所示，AOA(angle of arrived)算法就是基于到达角度的测距算法，通过一个种测量方式获取2个已知节点和锚节点之间的角度，利用角度计算出锚节点所处的位置。传统的AOA定位算法最初几个节点的测量依靠信号强度来测量，也就是说AOA是和RSSI结合的，这种算法增加了AOA的误差率。

分簇定位算法：

如图2所示，分簇定位算法并不需要实际测定所有节点的精确位置，通过轮换的方式，在每一群节点之间寻找簇首，该簇首为该节点群网络中心，在节点十分庞大的时候，簇首可能会达到很多，可以在簇首之中再选出一个总簇首来处理信息，这样就可以形成一种树型的网络拓补结构。

分簇定位算法的节点首先通过广播确定自己所处位置的节点信息，通过RSSI算法获取到各个节点之间的距离；然后通过分簇算法对所有节点进行分簇，在分簇中，要基于能量消耗指标，力图将能量消耗减到最小，然后通过轮换机制，在簇内选出一个簇首，簇首之间进行信息传递；通过簇首的信息交换，簇内的每个节点就能获取自己相对的坐标信息；最后通过将某个节点作为坐标的基础，以此对整个网络的节点坐标进行统一，最后整个网络被整合成一个簇，对所有节点都实施了定位。

本发明提供了一种无线传感器网络的高精度AOA分簇定位方法：使用分簇算法对节点群进行分簇。这个步骤只执行一次。然后在簇内进行簇首选择。新加入的节点自动选择最近的一个簇加入。每个节点内部都应有一个角度测量仪，该测量仪功能类似指南针，测角度的时候就是根据信号发射方向以及该仪器之间的角度进行测量。完成上述步骤之后根据AOA测距算法计算两节点之间距离，然后获取相对坐标，由簇首发送到总簇首汇总后计算出事实坐标。

基于AOA的无线网分簇定位算法

网络模型

表1 一些基本的定义

对环境参数的说明：

1、网络节点通过各种方式布置在一个区域内，假设每一个节点通讯距离为30米，D_ij为20米。

2、布置的节点有几个初始节点，这些节点具有较高的能力，能获取该节点到确定后最近的总簇首的距离。

3、所有节点都具有测量角度的能力，每个锚节点都需要至少2个或者以上的已知节点来辅助测量位置，2个已知节点可以测量他们俩者之间的直线与锚节点各自的角度。

4、节点具有一种设置S，会自动根据周围环境来决定节点工作状态。

5、每个节点至少能与所在的簇首保证连通性。簇之间能保证连通性。

6、每个节点至少也只能属于某一个簇的成员。

7、所有簇形成的图必须是连通的，这与簇的通信能量有关，若出现难以连通的情况，允许其中某个节点放大功率作为网关使用。网关节点除了传递信息外不作任何用处。

8、分簇算法体现在处理和消息交换复杂度来说应该是高效的。

9、最邻近簇头之间的跳数最多为3。

算法设计

1)发送广播，确定自身与周边所有锚节点的连通。

2)根据表1所述的情况，在一个圆形区域内，该节点的N_i>2/5*NN，同时S＝S2，并将该节点作为坐标原点。如果存在2颗以上的这种节点，则自动选取这几个节点的中心点作为坐标原点。当确定了总簇首之后，从簇总节点再次广播。确定N(i)，S2的N(S2)允许多个节点组成一个簇，并由作为该簇的簇首并存，这种多簇首存在的总簇可以构成一个比较大的处理单元来处理所有到达的数据。

3)根据簇总节点位置，周边节点自动划分所属的簇，随机从边上选取距离1～3个跳的节点作为簇首。同时进行分簇。分簇算法如下：

①、d(S＝S1)节点N(d)＝{a，b，c，g}，此时簇内有{d}。

②、若a(S＝S0)，则将a划分到N(d)里，簇内有{d，a}。

③、若b(S＝S0)，则将b划分到N(d)里，簇内有{d，a，b}。

④、若c(S＝S1)，则将c划分到N(d)里，簇内有{d，a，b}。

⑤、若是g未被分簇，若g(S＝S3)，则取消该划分，簇内有{d，a，b}。

⑥、分别从N(a)与N(d)重复上述一到五的步骤，再划分一次后再次从边上随机选取1～3个节点作为簇首以此类推。

4)确定所有簇首之后，再次广播，获取所需角度，以AOA算法确定与簇相邻的节点的位置信息。然后以类似广播的方式，将所有节点的位置信息计算出来。计算方法如下：

如图3所示，A和B均为已知锚节点，C为未知节点，需要给所有类似A或者B的节点安装一个内部的方向定位仪，并得出B与C的夹角，A与C的夹角。就可以得出θ1和θ2：

同时也可以测出B与A的夹角为θ3，A到B的夹角为θ4。

由此可以得出角(A，B)＝(θ4-θ1，θ3-θ2)

A、B为已知的簇节点、C为未知锚节点。AB距离已知，则可以算出AC与BC：

AD＝cot(θ4-θ1)*CD

BD＝cot(θ3-θ2)*CD

CD*[cot(θ4-θ1)+cot(θ3-θ2)]＝AB

$\mathrm{AC}=\frac{\sin (\mathrm{\θ}4-\mathrm{\θ}1)}{\mathrm{CD}}$

$\mathrm{BC}=\frac{\sin (\mathrm{\θ}3-\mathrm{\θ}2)}{\mathrm{CD}}$

假设点A坐标为[X_A，Y_A]，B为[X_B，Y_B]，C为[X_C，Y_C]。

则有：

(X_C ²-X_A ²)+(Y_C ²-Y_A ²)＝AC²

(X_C ²-X_B ²)+(Y_C ²-Y_B ²)＝AC²

由于角度无法得到精确数值，会产生误差，所以上述俩式不一定是完全一致。簇A与簇B的选取并不唯一，若最邻近2个簇首与锚节点夹角为0，所得结果必定出现异常，则选取更远的簇首重新计算。

5)由最开始知道的总簇首坐标，每个节点自己测试自己与簇首，总簇首的夹角，并由此得出该坐标的数据，与原来的数据一起取平均值。

6)完成以上步骤就完成了分簇算法，但是最后还有一部分就是簇的能量消耗，因为簇大小不一定相同，所以产生差异将会重新选取簇首，这里设置一个权值W_i:

$\mathrm{Wi}=\mathrm{\α}\underset{j\∈N\left(i\right)}{\mathrm{\Σ}}D(i,j)+\mathrm{Ei}$

其中Wi代表节点的复合权重，Ei是节点i的剩余能量，α是大于0的权重因子。Wi综合两点来考虑:一节点的剩余能量。二是节点和其邻居的距离之和。通常选择一个簇内部选择有最小Wi的节点i来担当新簇头。

实验结果及分析

为了验证该算法的性能，利用Matlab进行仿真实验。在100*100平方米的无线传感网络环境中，分别对算法中未知节点的数目、锚节点所占比例、节点通信半径进行实验。

由图4可知，随着定位未知节点逐渐增多，定位精度随之提高，在大约140个节点之后，定位精度下降趋于平缓。与普通分簇算法，本文的算法精确度更高，但是同样发现，在节点数太少的时候该算法的定位误差与原算法没太大区别。所以本算法必须在节点超过100的时候才能有较好的精度。

由图5可以看出，随着锚节点的数量上升，俩种定位算法的误差都会趋于平缓一致，可以看出原算法在锚节点十分稀有的情况下误差十分大，但是本文的算法在锚节点数量少的时候可以提供较大的精度。虽然一开始的误差相差不太大，但还是证明本文算法具有一定的优秀程度。

通过在程序里设置一个时间begin与end，可以得出俩种算法所消耗的时间为end-begin。图6可以看出，本文的算法比普通算法要消耗更多时间，因为本文兼容了更复杂的AOA测距算法，所以消耗的时间也会快速增长。这一点本文算法并不比原算法更具有优越性。所以本文算法适合一种不需要瞬间定位的情况下，比如环境监测，基站测试等。但是本算法并不适用于车载导航等功能。

通过时间的关系，再通过overclockulator监测电脑功耗，可以得出图7，同样可以看出，本文算法的功耗也高出很多，因为是用瓦为单位所以单位比较小，这种方法可能对实际的应用没什么意义(因为使用电脑，就算开着电脑其功耗本身也比一个无线传感器大很多)，但是通过这种方式仍然可以看出电脑的计算量所消耗的电量。但是他们的曲线相差并不远，所以可以推测，本文算法应用在实际的传感器网络中是完全可行的。

本发明对AOA测距算法与分簇定位算法进行了研究，首先介绍了原始的算法，提出用AOA测距算法对原始算法进行改进。在这种算法中，使传感器状态的等待，可以处于一种低消耗的模式中，而且结合了分簇理论，进一步使得分簇算法更加节能。分簇算法使得簇首进行轮流更换，使得整个传感网络的能量消耗在长时间内区域平衡。延长整个传感网络的寿命。

通过MATLAB仿真模拟实验，发现这种算法功耗与时间消耗比同算法都会高，但对整个网络来说是处于合理范围内的。但是相比原始算法，该算法可以进行更精确的定位。和传统的分簇算法来比，更适用于如今越来越流行的WSN传感网络。

但是这种算法仍然具有无法适应稀少节点的缺点，虽然该算法在一定程度上将原算法在稀少锚节点上的缺点掩盖，但是仍然未达到需要的精度。将来更加要注意尝试的是和其他的定位算法或者测距算法结合，以满足更高的要求。

以上对本发明实施例所提供的技术方案进行了详细介绍，本发明中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种高精度AOA分簇定位方法，其特征在于：

使用分簇算法对节点群进行分簇，然后在簇内进行簇首选择，新加入的节点自动选择最近的一个簇加入，每个节点内部都根据信号发射方向进行角度测量，完成上述步骤之后根据AOA测距算法计算两节点之间距离，然后获取相对坐标，由簇首发送到总簇首汇总后计算出事实坐标。

2.如权利要求1所述的高精度AOA分簇定位方法，其特征在于包括以下步骤：

1)发送广播，确定自身与周边所有锚节点的连通；

2)在一个圆形区域内，选取一个节点作为坐标原点，如果存在两颗或以上的条件相同的节点，则自动选取这几个节点的中心点作为坐标原点，当确定了总簇首之后，从簇总节点再次广播；

3)根据簇总节点位置，周边节点自动划分所属的簇，随机从边上选取距离1～3个跳的节点作为簇首；

4)确定所有簇首之后，再次广播，获取所需角度，以AOA算法确定与簇相邻的节点的位置信息，然后以类似广播的方式，将所有节点的位置信息计算出来；

5)由最开始知道的总簇首坐标，每个节点自己测试自己与簇首，总簇首的夹角，并由此得出该坐标的数据，与原来的数据一起取平均值。

3.如权利要求2所述的高精度AOA分簇定位方法，其特征在于：

所述步骤3)中分簇算法如下：

31)d(S＝S1)节点N(d)＝{a，b，c，g}，此时簇内有{d}；

32)若a(S＝S0)，则将a划分到N(d)里，簇内有{d，a}；

33)若b(S＝S0)，则将b划分到N(d)里，簇内有{d，a，b}；

34)若c(S＝S1)，则将c划分到N(d)里，簇内有{d，a，b}；

35)若是g未被分簇，若g(S＝S3)，则取消该划分，簇内有{d，a，b}；

36)分别从N(a)与N(d)重复上述一到五的步骤，再划分一次后再 次从边上随机选取1～3个节点作为簇首以此类推，其中NNi表示节点i的邻节点数量，S0表示当前节点在等待，S1表示当前节点为簇首，S3表示当前节点为普通节点，N(i)表示节点i的邻节点。

4.如权利要求2所述的高精度AOA分簇定位方法，其特征在于包括以下步骤：

6)簇大小不相同时，所以产生差异将会重新选取簇首，选择一个簇内部选择有最小Wi的节点i来担当新簇头：

其中Wi代表节点的复合权重，Ei是节点i的剩余能量，α是大于0的权重因子。