CN105228099A - 一种基于环形扩散事件及移动锚节点的定位算法 - Google Patents

Abstract

本发明涉及一种基于环形扩散事件及移动锚节点的定位算法。本发明包括：在一个无线传感器网络中，无线传感器网络区域为圆形区域且大小已知,设为S，则半径为计算单轮事件数RankEvents和最小锚距离MinAnchorDst；进行一个轮次的定位，总共产生RankEvents个事件，每个事件以环形向外扩散，对于同一事件，根据感知到事件的先后顺序排列所有节点得到一个节点序列，节点序列中同时包含锚节点和未知节点。LADEMA算法相对于原始LADE算法引入了移动锚节点的思想，付出了一定的外部代价，换取了更高的定位效率和定位精度，总体而言性能更优。

Description

一种基于环形扩散事件及移动锚节点的定位算法

技术领域

本发明涉及一种基于环形扩散事件及移动锚节点的定位算法。

背景技术

无线传感器网络(WirelessSensorNetwork,简称WSN)主要是用来感知监测网络部署区域的各种环境特性，所以在很多情况下，传感器节点采集的信息都要与节点自身的位置信息相关联，尤其是在广阔的区域内，节点采集的数据如果不能确定其采集位置可能就毫无意义。所以在WSN中，传感器节点的定位技术是非常重要的。对于定位算法，总是希望能以最小的能耗来得到尽量精确的定位结果，一个优秀的定位算法可以提高整个网络的工作效率，还可以延长整个网络的生命周期。

根据定位算法特点的不同，可以有多种分类方法，以下列出了几种主要的分类方法：根据定位过程中是否需要测量节点间的欧式距离，可将定位算法分为：基于距离的(range-based)定位算法和距离无关的(range-free)定位算法；根据节点定位的先后次序不同，可将定位算法分为：递增式的(incremental)定位算法和并发式的(concurrent)定位算法；根据节点定位过程中是否需要借助于锚节点，可将定位算法分为：基于锚节点的(anchor-based)定位算法和无锚节点的(anchor-free)定位算法。

质心(Centroid)算法是最为典型的距离无关的定位算法，它的大致思想如下：

多边形的几何中心成为质心，多边形顶点坐标的平均值就是质心节点的坐标。质心定位算法首先确定包含未知节点的区域，计算这个区域的质心，并将其作为未知节点的位置。

在质心算法中，信标节点周期性地向邻居节点广播信标分组，信标分组中包含信标节点的标识号和位置信息。当未知节点收到来自不同信标节点的信标分组数量超过某一个门限值或接收一定时间后，就确定自身位置为这些信节点所组成的多边形的质心。

质心算法完全基于网络连通性，无需信标节点和未知节点之间的协调，因此比较简单，容易实现。用质心作为实际位置本身就是一种估计，这种估计的精确度与信标节点的密度以及分布有很大关系，密度越大，分布越均匀，定位精度越高。

发明内容

本发明提出了一种定位精度和定位效率更高的基于环形扩散事件及移动锚节点的定位算法。

本发明的目的是这样实现的：

(1)在一个无线传感器网络中，无线传感器网络区域为圆形区域且大小已知,设为S，则半径为 $R=\sqrt{(S/\mathrm{\π})};$

(2)计算单轮事件数RankEvents和最小锚距离MinAnchorDst；

(3)进行一个轮次的定位，总共产生RankEvents个事件，每个事件以环形向外扩散，对于同一事件，根据感知到事件的先后顺序排列所有节点得到一个节点序列，节点序列中同时包含锚节点和未知节点；

(4)估计事件源位置，从节点序列中提取锚节点序列，取锚节点序列中所有的两两锚节点组合构成估计单元；对于每个估计单元中的两个锚节点连一条线段，并作其中垂线，于是中垂线就将整个区域划分成两部分，那么这个估计单元中，在节点序列中位置更靠前的那个锚节点所在的部分即为事件源所在区域；同理对所有估计单元都可以得到一块区域作为事件源所在的区域，所有这些区域取交集即为估计的事件源位置区域；

(5)将整个区域划分成网格；对于网格的某一点P，与其所在节点片段相邻的某一个锚节点连成线段，作该线段的中垂线，该中垂线将整个区域划分两块，若P所处的区域与估计得到事件源位置区域有重叠部分，那么该点就可能是该锚节点前端那个节点片段内未知节点的位置；相反，如果无重叠区域，那么该点就可能是锚节点后端那个节点片段内未知节点的位置；于是每个网格中的未知节点与每个锚节点都进行以上的运算后，每个节点片段都得到一块区域作为其未知节点的位置所在的区域；

(6)一个轮次定位结束后，如果定位轮数没有达到指定值，每个锚节点按随机方向，随机速度移动随机距离；检测移动后的锚节点分布，如果过于集中，再次随机移动锚节点直到锚节点分布不过于集中；

(7)调整结束后，进入新一轮次的定位，重复步骤(2)(3)(4)(5)(6；直到定位轮数达到指定值；

(8)每一个轮次过后，每个未知节点都得到一个位置区域，不同轮次的结果取交集继续缩小目标区域最后对目标区域使用质心法得到每一个未知节点的位置坐标，定位结束。

所述步骤(2)中两个事件定位后的目标区域取交集最小时，两个事件的事件源之间的距离称为最理想事件源间距；在目标区域内取一组事件，若其中任意两个事件的事件源间距都大于最理想事件源间距，就称这组事件为高效事件组；单轮事件数的计算公式：

其中r取较理想的事件源间距范围内的最小值；锚节点分布中锚节点间的最小距离称为最小锚距离，记为MinAnchorDst；计算公式为：其中 $MaxEdge=\sqrt{S}.$

所述步骤(5)中区域的划分是将整个区域划分成若干个小区域，过锚节点序列中连续的两个锚节点画一条直线，再过其他锚节点作该直线的平行线，取所有连续的锚节点对重复上述过程即可完成区域划分。

所述步骤(6)中检测移动后的锚节点分布是否过于集中，方法是锚节点间相互通信交换位置信息，并计算彼此之间的距离，如果存在某一锚节点，与一半以上的其他锚节点的距离小于最小锚距离，那么该锚节点再次随机移动并再次检测是否过于集中，直到所有节点都不再与一半以上的锚节点距离小于最小锚距离为止。

本发明具有的有益效果：

1、LADEMA算法相对于原始LADE算法引入了移动锚节点的思想，付出了一定的外部代价，换取了更高的定位效率和定位精度，总体而言性能更优。

2、在实际中，环形扩散事件更普遍，也更易控制。为了减小控制代价，锚节点的移动是随机的，为了避免移动后锚节点分布过于集中，需要对锚节点进行调整。从而能够保证有较高的定位精度。

附图说明

图1为本发明基于环形扩散事件及移动锚节点的定位算法的流程图。

图2(a)为本发明基于环形扩散事件及移动锚节点的定位算法环形扩散事件确定事件源区域范围。

图2(b)为本发明基于环形扩散事件及移动锚节点的定位算法环形扩散事件确定未知节点区域。

图3为本发明基于环形扩散事件及移动锚节点的定位算法定位精度与锚节点数量关系。

图4为本发明基于环形扩散事件及移动锚节点的定位算法定位精度与事件数量的关系。

图5为本发明基于环形扩散事件及移动锚节点的定位算法定位精度与事件数量的关系。

图6为本发明基于环形扩散事件及移动锚节点的定位算法定位精度与网络区域大小的关系。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明提供了一种基于环形扩散事件及移动锚节点的定位算法(LADEMA)。首先，在某一点产生事件后，事件以环形向外扩散，根据感应到事件的先后顺序得到一个节点序列并从节点序列中提取出锚节点序列；其次，利用锚节点序列中各锚节点的先后关系确定事件源的范围；再次，将整个区域划分成网格，借助于网格估计被锚节点分成的节点片段中未知节点的位置区域范围，随着事件的增加，每个未知节点可以得到若干个位置区域，取其交集；最后，利用其他方法(用的是质心法)求得未知节点的位置。

实现本发明目的技术方案：

一种基于环形扩散事件及移动锚节点的定位算法，其特征在于：

步骤1：将A，B，C定义为无线传感器网络区域内的锚节点，1,2,3,4,5,6,7,8为待定位的未知节点。S为无线传感器网络圆形区域的面积，则半径为

步骤2：根据单轮事件数RankEvents和最小锚距离MinAnchorDst的公式分别计算出单轮事件数和最小锚距离；

步骤3：产生RankEvents个事件，每个事件以环形向外扩散，假设对于某一个事件，节点序列为Squence{3,A,1,6,4,8,C,2,B,7,5}，提取出的锚节点序列AnchorSquence{A,C,B}；

步骤4：任取两个锚节点构成一个估计单元，假设先取A、C构成估计单元EstimationUnit{A,C}，过A，C两个锚节点连一条线段，再作这条线段的中垂线，由于A的次序高于C，于是可以断定A到事件源的距离要比C到事件源距离近，从几何的角度来看线段AC的中垂线将整个区域划分成两部分，显然事件源与离其近的锚节点处于同一侧，亦即事件源与锚节点A位于中垂线的同一侧，可将这一侧区域定为事件源所处的位置区域。同理，再取其他锚节点对构成估计单元，同样可以为事件源估计一块位置区域，多个区域相交缩小整个区域；

步骤5：将整个区域划分成网格，位置区域的估计以节点片段为单位，考虑Segment{3}，它的次序高于锚节点A，所以未知节点3到事件源的距离要比锚节点A到事件源的距离更近。考虑网格中的点P₁，如果它要成为Segment{3}中节点的位置，那么它到事件源的距离也要比锚节点A到事件源的距离更近。从几何的角度来说，作点P₁与锚节点的A的连线的中垂线，如果P₁与事件源位于中垂线的同一侧，P₁所在的一侧区域与第二步中估计的事件源位置区域有重叠的部分，那么就认为P₁有可能是Segment{3}中节点的位置，否则不可能是未知节点的位置。同理，双端片段可以通过与前后两个锚节点的序列关系来确定位置区域；

步骤6：一轮定位结束后，判断定位轮数是否达到指定值，如果没有，随机移动锚节点，开始新一轮定位，否则对目标区域使用质心法得到每一个未知节点的位置坐标，定位结束。

步骤2中，单轮事件数的计算公式：其中r取较理想的事件源间距范围内的最小值。锚节点分布中锚节点间的最小距离称为最小锚距离，记为MinAnchorDst。计算公式为： $MinAnchorDst=\frac{MaxEdge}{AnchorNum},$ 其中 $MaxEdge=\sqrt{S}.$

假设某一个事件产生后根据感知到事件的先后顺序得到锚节点序列AnchorSquence{A,C,B}，任取两个锚节点构成一个估计单元，假设先取A、C构成估计单元EstimationUnit{A,C}，图2(a)中过锚节点A和锚节点C连一条线段，再作这条线段的中垂线，由于锚节点A的次序高于锚节点C，于是可以断定锚节点A到事件源的距离要比锚节点C到事件源距离近，从几何的角度来看线段AC的中垂线将整个区域划分成两部分，显然事件源与离其近的锚节点处于同一侧，亦即事件源与锚节点A位于中垂线的同一侧，可将这一侧区域定为事件源所处的位置区域。同理，再取其他锚节点对构成估计单元，同样可以为事件源估计一块位置区域，多个区域相交就可以缩小整个区域，图2(a)中的阴影部分即为通过锚节点A、B、C估计出来的事件源位置区域；

位置区域的估计以节点片段为单位，考虑节点片段Segment{3}，它的次序高于锚节点A，所以未知节点3到事件源的距离要比锚节点A到事件源的距离更近。考虑图2(b)中的网格点P₁和P₂，先看P₁点，如果它要成为Segment{3}中节点的位置，那么它到事件源的距离也要比锚节点A到事件源的距离更近。从几何的角度来说，作点P₁与锚节点A的连线的中垂线，那么P₁与事件源要位于中垂线的同一侧，于是如果P₁所在的一侧区域与第二步中估计的事件源位置区域有重叠的部分，那么就认为P₁有可能是Segment{3}中节点的位置，图中的P₁正好满足这个要求，相反P₂就不满足。同理，双端片段可以通过与前后两个锚节点的序列关系确定位置区域。多个事件产生时每个事件估计出位置节点可能在的区域，多个区域取交集，再用质心算法求出最后的位置坐标，定位结束。

下面结合仿真实例，进一步说明本发明的有益效果。

本仿真实验使用matlab对LADE算法和LADEMA算法分别进行了仿真实验，并在相同条件下就各自的平均误差和最大误差进行了对比。

图3是固定100个未知节点，以不同数量的锚节点进行定位实验，从图中可以看出，锚节点的数量与定位的误差成反比，并且LADEMA算法的定位误差始终比LADE算法的误差低，这说明在锚节点数量相同的情况下，LADEMA算法的定位精度要优于LADE算法。

为了检验LADEMA算法在事件增加时的性能，在固定100个未知节点的情况下针对不同数量的事件进行仿真实验，实验结果如图4、图5所示：从图中可以看出，因为锚节点移动与调整过程的存在，尽管后续的事件可能与之前的事件距离较近，但由于锚节点分布的差异，使得后续这些事件仍然对定位有足够的作用。所以随着事件的增加(即移动轮次的增加)，LADEMA算法的定位精度可以持续的增加，且精度总是优于LADE算法。当然，随着事件的不断增加，后续的事件最终还是会成为冗余事件，只不过相比LADE算法，这个位置大大延后了。

假设事件的扩散范围可以覆盖所有节点，但当网络区域足够大时，这显然是不可能。那么在区域面积较小的情况下，网络区域的大小是否会影响LADEMA算法的定位精度仍然是值得探讨的。但如果改变面积不改变节点数量意味着节点密度不同，为了排除节点密度对定位精度的影响，需要统一节点密度，仿真实验按区域面积：锚节点数量：未知节点数量约等于100*100：6：100的比例布放节点，实验结果如图6所示。从图中不难发现，相同节点密度下，区域面积大小对LADEMA算法的定位精度没有明显的影响，这说明LADEMA算法在应用于面积大小不同的网络区域时有较好的稳定性。

本发明引入了移动锚节点的思想，锚节点的移动是随机的，大大减小了控制代价。同时为了避免移动后锚节点分布过于集中，锚节点移动后需要对锚节点进行调整，从而保证了该算法有较高的定位精度。

Claims (4)

1.一种基于环形扩散事件及移动锚节点的定位算法，其特征在于：

(1)在一个无线传感器网络中，无线传感器网络区域为圆形区域且大小已知,设为S，则半径为 $R=\sqrt{(S/\mathrm{\π})};$

(2)计算单轮事件数RankEvents和最小锚距离MinAnchorDst；

(3)进行一个轮次的定位，总共产生RankEvents个事件，每个事件以环形向外扩散，对于同一事件，根据感知到事件的先后顺序排列所有节点得到一个节点序列，节点序列中同时包含锚节点和未知节点；

(4)估计事件源位置，从节点序列中提取锚节点序列，取锚节点序列中所有的两两锚节点组合构成估计单元；对于每个估计单元中的两个锚节点连一条线段，并作其中垂线，于是中垂线就将整个区域划分成两部分，那么这个估计单元中，在节点序列中位置更靠前的那个锚节点所在的部分即为事件源所在区域；同理对所有估计单元都可以得到一块区域作为事件源所在的区域，所有这些区域取交集即为估计的事件源位置区域；

(5)将整个区域划分成网格；对于网格的某一点P，与其所在节点片段相邻的某一个锚节点连成线段，作该线段的中垂线，该中垂线将整个区域划分两块，若P所处的区域与估计得到事件源位置区域有重叠部分，那么该点就可能是该锚节点前端那个节点片段内未知节点的位置；相反，如果无重叠区域，那么该点就可能是锚节点后端那个节点片段内未知节点的位置；于是每个网格中的未知节点与每个锚节点都进行以上的运算后，每个节点片段都得到一块区域作为其未知节点的位置所在的区域；

(6)一个轮次定位结束后，如果定位轮数没有达到指定值，每个锚节点按随机方向，随机速度移动随机距离；检测移动后的锚节点分布，如果过于集中，再次随机移动锚节点直到锚节点分布不过于集中；

(7)调整结束后，进入新一轮次的定位，重复步骤(2)(3)(4)(5)(6；直到定位轮数达到指定值；

(8)每一个轮次过后，每个未知节点都得到一个位置区域，不同轮次的结果取交集继续缩小目标区域最后对目标区域使用质心法得到每一个未知节点的位置坐标，定位结束。

2.根据权利要求1所述的一种基于环形扩散事件及移动锚节点的定位算法，其特征在于：所述步骤(2)中两个事件定位后的目标区域取交集最小时，两个事件的事件源之间的距离称为最理想事件源间距；在目标区域内取一组事件，若其中任意两个事件的事件源间距都大于最理想事件源间距，就称这组事件为高效事件组；单轮事件数的计算公式：

其中r取较理想的事件源间距范围内的最小值；锚节点分布中锚节点间的最小距离称为最小锚距离，记为MinAnchorDst；计算公式为：其中 $MaxEdge=\sqrt{S}.$

3.根据权利要求1或2所述的一种基于环形扩散事件及移动锚节点的定位算法，其特征在于：所述步骤(5)中区域的划分是将整个区域划分成若干个小区域，过锚节点序列中连续的两个锚节点画一条直线，再过其他锚节点作该直线的平行线，取所有连续的锚节点对重复上述过程即可完成区域划分。

4.根据权利要求1、2或3所述的一种基于环形扩散事件及移动锚节点的定位算法，其特征在于：所述步骤(6)中检测移动后的锚节点分布是否过于集中，方法是锚节点间相互通信交换位置信息，并计算彼此之间的距离，如果存在某一锚节点，与一半以上的其他锚节点的距离小于最小锚距离，那么该锚节点再次随机移动并再次检测是否过于集中，直到所有节点都不再与一半以上的锚节点距离小于最小锚距离为止。