CN105208649A - 一种无线传感器网络移动节点的三维定位方法 - Google Patents

Abstract

本发明涉及一种无线传感器网络移动节点的三维定位方法。定位技术是无线传感器网络最重要的技术之一。对无线感器网络在三维空间的移动节点，提出了一种基于蒙特卡洛的三维无线传感器网络非测距分布式定位算法。算法利用外接正方体来表示节点的通信范围和移动范围，根据未知节点每时隙最大移动范围和锚节点通信范围形成采样区域，依据锚箱的体积确定采样数量，随机采集的样点取均值作为未知节点的估计位置。主要包括以下具体步骤：1)形成锚箱；2)确定采样数量N；3)初始化；4)预测；5)筛选并估计节点位置。该算法在锚节点比例较少的情况下，能获得比较理想的定位精度，优于传统的质心算法，有效实现了移动节点在三维空间的定位，且无须额外硬件支持和昂贵的测距设备，适合于大规模的无线传感器网络的节点定位。

Description

一种无线传感器网络移动节点的三维定位方法

技术领域

本发明涉及一种无线传感器网络移动节点的三维定位方法

背景技术

随着无线通信、数据处理和传感技术的进步，使得传感器节点在能量有限、体积小的空间内实现计算和无线通信等功能。无线传感器网络已经在很多领域得广泛研究和应用，如气象环境监测、化学或生物试剂检测器、机器监控、医疗、智能楼宇、防灾、货物跟踪、交通监控和军事侦察等。在无线传感器网络许多应用中，如果只收集到传感器节点的物理数据而不知该节点的地理位置是没有意义的，因此WSNs节点定位算法具有重要的研究意义。近年来，在上述几种机制的基础上，学者们也设计出了许多定位方法，但大都只适用于二维无线传感器网络。然而，在实际应用中，传感器节点并不总分布在同一平面上。在复杂的环境中，如山区、战场等，二维定位信息已不能满足节点定位的要求，三维定位信息更能真实地反映节点的位置。三维无线传感器网络的节点定位正逐渐成为热点。与二维无线传感器网络的节点定位相比，三维传感器网络节点定位算法面临如下挑战：(1)三维传感器网络的网络拓扑结构更为复杂且更不规则。不规则的网络拓扑结构和不均匀的锚节点分布使得网络中的位置节点无法接收到足够的定位信息，严重影响了定位的精度，这成为了三维无线传感器网络节点定位面对的最主要挑战；(2)三维无线传感器网络中的节点往往具有无法忽略的移动性，移动的传感器节点引起的网络拓扑结构的动态变化同样给定位带来了难度；(3)与二维传感器网络的节点定位相比，三维传感器网络的节点定位的计算复杂度呈几何级增长，使得二维定位算法很难应用到三维无线传感器网络中，且要求传感器节点具有更强的计算能力和更多的存储空间，对传感器节点的硬件提出了更高的要求。

发明内容

有鉴于此，本发明要解决的技术问题是：在三维环境下，提出一种较为普适以及精度较高的无线传感器网络移动节点的非测距分布式定位算法。

为了解决上述技术问题，本发明提供一种无线传感器网络移动节点的三维定位方法，包括以下具体步骤：

1)形成锚箱；

2)确定采样数量N；

3)初始化；

4)预测；

5)筛选并估计节点位置；

上述技术方案具有如下优点：本发明基于蒙特卡洛算法提出一种较为普适以及精度较高的无线传感器网络移动节点的非测距分布式三维定位算法，该算法用外接正方体思想来表示节点的通信与移动范围，依据邻居锚节点通信范围进一步缩小采样区域，并根据锚箱的体积来确定每次的样点数量，提高采样效率和定位精度，降低了计算复杂度，在较小的通信半径和锚节点比例下取得了比较理想的定位精度，满足了无线传感器节点的定位需求，能有效地实现三维环境中的移动传感器结点定位，可在无线传感器网络中大规模的实际应用。

附图说明

图1是本发明的方法流程图；

图2是本发明方法中三维空间下锚箱的形成图；

图3是本发明方法中采样箱的形成二维剖面图；

图4是本发明与现有技术对比效果图。

具体实施方式

下面结合附图和实例，对本发明的具体实施方式作进一步详细描述。以下实例用于说明本发明，但不用来限制本发明的范围。

本发明针对无线感器网络在三维空间的移动节点，提出了一种基于蒙特卡洛的三维无线传感器网络非测距分布式定位算法，在锚节点比例较少的情况下，该算法能获得比较理想的定位精度，优于传统的质心算法，有效实现了移动节点在三维空间的定位，且无须额外硬件支持和昂贵的测距设备，适合于大规模的无线传感器网络的节点定位。

本发明提供了一种无线传感器网络移动节点的三维定位方法，本发明中采用两个假定，时间t是离散的，可分为不同时隙；节点最大的移动速率不超过v_max。所有节点在三维空间内随机移动。对于每一个未知节点在三维空间中定位过程主要分为五个步骤：

1)形成锚箱。在通常情况下，用半径为r的球来表示锚节点的通信范围，其中r表示节点的无线电射程。为了便于计算，用锚节点通信范围球的外接正方体来替代锚节点的通信范围，这样，侦听到的一阶和二阶锚节点通信范围的交集会构成一个箱子，被称为“锚箱”。假设未知节点P有n个一跳和两跳邻居锚节点，锚节点j的坐标为(x_j，y_j，z_j)，这些锚节点在t时隙所形成的锚箱区域为：{x，y，z|x_t，min≤x≤x_t，max，y_t，min≤y≤y_t，max，z_t，min≤z≤z_t，max}可表示如下：

$x_{t,\min }=\underset{k=1}{\overset{n}{\max }}(x_k-h\·r),x_{t,\max }=\underset{k=1}{\overset{n}{\min }}(x_k+h\·r)$

$y_{t,\min }=\underset{k=1}{\overset{n}{\max }}(y_k-h\·r),y_{t,\max }=\underset{k=1}{\overset{n}{\min }}(y_k+h\·r)---\left(1\right)$

$z_{t,\min }=\underset{k=1}{\overset{n}{\max }}(z_k-h\·r),z_{t,\max }=\underset{k=1}{\overset{n}{\min }}(z_k+h\·r)$

其中r为一跳锚节点的发射半径，h为节点所收听到的锚节点的阶数，以节点侦听到的所有锚节点为中心，2r×h为边长的正方体的交集，若为一跳，h＝1，为二跳，h＝2，这个箱子就是节点所在区域。如图2所示，三维空间下锚箱的形成图，A1、A2、A3为未知节点P的一跳邻居锚节点，分别以锚节点A1、A2、A3所在位置为球心，以锚节点通信距离为半径构成的球体是锚节点的通信范围，分别取其外接正方体，三个正方体的交集就是三维环境下的锚箱，阴影区域也就是未知节点P可能的区域。

2)确定采样数量N。蒙特卡洛定位算法中把每个未知节点每个时刻的采样数量N设定为一个固定值，这种方法存在一个缺点，锚节点密度偏大时，未知节点接收到的定位信息很多，使得锚箱体积变小，采样集中在很小的区域内，采集到的样本点有效性就越高，仅需获少量样本点即可达到一定的定位精度，重复的采样并不会增加定位的精度，反而会浪费节点更多的存储空间和计算资源。样点数量根据锚箱的大小来确定如式(2)：

N＝Maxnum×(V_Area/V_Threshold)(2)

V_Area＝(x_t，max-x_t，min)(y_t，max-y_t，min)(z_t，max-z_t，min)(3)

其中，N表示采样数量，Maxnum为最大采样数量，V_Area为锚箱体积的实际大小，如式(3)所示，V_Threshold为阀值，即取最大采样数量时的锚箱体积大小，当V_Area≥V_Threshold时，N等于Maxnum。当未知节点只侦听到一个一跳锚节点时锚箱的体积最大，因此公式(3)中的阀值V_Threshold用锚节点的通信范围表示。

3)初始化。从锚箱中随机抽取N个样点作为样点集取代了从整个节点部署区域中采样，提高了采样效率，使该算法能快速收敛，采样集合里的每个采样点是未知节点P真实位置的一个估计。

4)预测。在时隙t，未知节点利用前一时刻t-1的采样集合L_t-1产生新的采样集合L_t。如果前一时刻的样本集L_t-1已经采样得到，或者当前时刻位置节点没有邻居锚节点，则当前时刻的样本应该从“采样箱”采集，其范围是{x，y，z|x_t，Smin≤x≤x_t，Smax，y_t，Smin≤y≤y_t，Smax，z_t，Smin≤z≤z_t，Smax}，它的坐标位置为：

$x_{t,S\min }=\max (x_{t,\min },x_{t-1}^i-v_{\max }),x_{t,S\max }=\min (x_{t,\max },x_{t-1}^i+v_{\max })$

$y_{t,S\min }=\max (y_{t,\min },y_{t-1}^i-v_{\max }),y_{t,S\max }=\min (y_{t,\max },y_{t-1}^i+v_{\max })---\left(4\right)$

$z_{t,S\min }=\max (z_{t,\min },z_{t-1}^i-v_{\max }),z_{t,S\max }=\min (z_{t,\max },z_{t-1}^i+v_{\max })$

在t时隙时，上述采样箱实际由锚箱与未知节点从t-1时刻到t时刻所移动的最大范围的交集组成，如图3所示，为了便于分析采用其剖面图，阴影区域为采样箱。

公式(4)中的为未知节点在t-1时刻的一个样点。其中未知节点从t-1时刻到t时刻所移动的最大范围由下列原则构成，利用前一时刻未知节点的样点，以该样点为中心，构造边长为2×v_max(v_max为节点的最大速率)的正方体，这个正方体限定了t-1时刻未知节点在一个时隙内所能移动的最大区域。新的采样集合L_t从采样箱中随机选出。如果t时刻没有邻居锚节点，则采样箱就变成了以为球心v_max为半径的球的外界正方体。

5)筛选。当前时刻t样点集的每个样点的权值利用计算，o_t表示当前时刻来自未知节点的观测数据，权值等于零的样点将被排除。根据未知节点接收到的一跳和二跳邻居锚节点的信息来筛选样点。如果S代表一跳锚节点集合，T代表二跳锚节点集合，则筛选条件为：

$\mathrm{filter}\left(l\right)=(\&ForAll;s\&Element;S,d(l,s)\&le;r)\&cap;(\&ForAll;s\&Element;T,r<d(l,s)\&le;2r)---\left(5\right)$

经过筛选后如果样点少于N，仅从锚箱中重新采样，补充样点直至样点数达到N。最后节点的位置等于L_t所有采样点的平均。

图4显示出了本方案和传统质心算法的性能比较，例如当锚节点比例为10％，节点通信半径r＝40m时，节点移动速度对定位误差的影响如图b所示，从图中可知随着节点最大移动速度的增加，本方案定位误差相对略有增加。因为随着最大速度的增大，采样箱会随着增大，从而误差也增大。最大速度在10m/s时，定位误差可以低至0.16r。综合三幅图比较，相同条件下当锚节点比例、节点移动速度和通信半径分别作为横坐标系数变化时定位误差比质心算法的都要低。

由以上实施例可得，本发明的方案基于蒙特卡洛算法提出一种三维无线传感器网络移动节点的定位算法。为便于计算、提高采样效率和定位精度，用外接正方体思想来表示节点的通信与移动范围，依据邻居锚节点通信范围进一步缩小采样区域，并根据锚箱的体积来确定每次的样点数量。可以看出，节点通信半径为40m，移动速度为10m/s，锚节点比例10％时，定位误差能低至0.17r，在较小的通信半径和锚节点比例下取得了比较理想的定位精度，满足了无线传感器节点的定位需求。该算法优于传统的质心算法，且是一种非测距的分布式算法，能有效地实现三维环境中的移动传感器结点定位，可在无线传感器网络中大规模的实际应用。

Claims (7)

1.一种无线传感器网络移动节点的三维定位方法，其特征在于，对无线感器网络在三维空间的移动节点，是一种基于蒙特卡洛的三维无线传感器网络非测距分布式定位算法。算法利用外接正方体来表示节点的通信范围和移动范围，根据未知节点每时隙最大移动范围和锚节点通信范围形成采样区域，依据锚箱的体积确定采样数量，随机采集的样点取均值作为未知节点的估计位置，其主要包括以下具体步骤：1)形成锚箱；2)确定采样数量N；3)初始化；4)预测；5)筛选并估计节点位置。

2.根据权利要求1所述的三维定位方法，其特征在于，采用两个假定，时间是离散的，可分为不同时隙；节点最大的移动速率不超过v_max。所有节点在三维空间内随机移动。。

3.根据权利要求1所述的三维定位方法，其特征在于，所述步骤1)中为了便于计算，用锚节点通信范围球的外接正方体来替代锚节点的通信范围，这样，侦听到的一阶和二阶锚节点通信范围的交集会构成一个箱子，叫锚箱。

4.根据权利要求1所述的三维定位方法，其特征在于，根据步骤1)形成的锚箱的体积动态确定当前采样数量N。

5.根据权利要求1所述的三维定位方法，其特征在于，从锚箱中随机抽取N个样点作为样点集取代了从整个节点部署区域中采样，提高了采样效率，使该算法能快速收敛，采样集合里的每个采样点是未知节点真实位置的一个估计。

6.根据权利要求1所述的三维定位方法，其特征在于，所述步骤4)中在时隙t，未知节点利用前一时刻t-1的采样集合L_t-1产生新的采样集合L_t。如果前一时刻的样本集L_t-1已经采样得到，或者当前时刻位置节点没有邻居锚节点，则当前时刻的样本应该从“采样箱”采集，样箱由锚箱与未知节点从t-1时刻到t时刻所移动的最大范围的交集组成。

7.根据权利要求1所述的的三维定位方法，其特征在于，所述步骤5)中利用一跳二跳锚节点筛选样本。经过筛选后如果样点少于N，仅从锚箱中重新采样，补充样点直至样点数达到N。最后节点的位置等于L_t所有采样点的平均。