CN108173921A - 一种网络节点的定位方法及系统 - Google Patents
一种网络节点的定位方法及系统 Download PDFInfo
- Publication number
- CN108173921A CN108173921A CN201711408293.7A CN201711408293A CN108173921A CN 108173921 A CN108173921 A CN 108173921A CN 201711408293 A CN201711408293 A CN 201711408293A CN 108173921 A CN108173921 A CN 108173921A
- Authority
- CN
- China
- Prior art keywords
- node
- grid
- grid number
- unknown
- unknown node
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种网络节点的定位方法及系统,该方法包括:根据锚节点的网格编号和所有节点的跳数向量生成样本集,根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号,根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号,判断所述第一网格编号和所述第二网格编号是否相同,若判断出所述第一网格编号和第二网格编号相同,根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值。该方法能够对物联网节点进行定位,有效降低了节点定位的计算复杂度及能耗,同时节约了成本。
Description
技术领域
本发明涉及物联网领域,特别涉及一种网络节点的定位方法及系统。
背景技术
随着物联网技术的发展,需要对传感器节点进行定位的场合及需求日益增多。如当监测森林火灾时,准确定位森林温度是预防火灾的前提,如果无法获取温度传感器节点的具体位置信息,也就无法执行后续的火灾预防。
在室外环境中,传感器节点采取随意投放的方式来采集信息,其位置信息具有很大的不确定性。在室内环境中,可以通过安装GPS装置的方式获取传感器节点的位置信息。但GPS装置的费用较高,且受环境的影响较大。
当前的节点定位方法还包括三角区域覆盖式方法和质心算法,三角区域覆盖式方法中锚节点的组合方法较复杂,进而造成较高的计算复杂度,质心算法的锚节点密度较大进而造成较高的能耗。
发明内容
本发明提供一种网络节点的定位方法及系统,能够对物联网节点进行定位,有效降低了节点定位的计算复杂度及能耗,同时节约了成本。
为实现上述目的,本发明提供了一种网络节点的定位方法,包括:
根据锚节点的网格编号和所有节点的跳数向量生成样本集;
根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号;
根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号;
判断所述第一网格编号和所述第二网格编号是否相同;
若判断出所述第一网格编号和第二网格编号相同,根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值。
可选地,在所述根据所述锚节点的网格编号和所有节点的跳数向量生成样本集之前还包括:
生成初始化网络,所述初始化网络包括多个节点,所述节点包括锚节点和未知节点;
获取锚节点的网格编号和所有节点的跳数向量。
可选地,所述根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值包括:
根据所述第一网格编号和第二网格编号生成与所述未知节点对应的网格编号;
根据与所述未知节点对应的网格编号生成与所述未知节点对应的坐标值,所述坐标值为所述网格编号的中心。
可选地,在所述生成初始化网络之后还包括:
统计所述初始化网络中未知节点的数量并生成未知节点的总数量。
可选地,在所述根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值之后还包括:
根据所述未知节点生成新的锚节点;
将所述未知节点的总数量减一;
判断所述未知节点的总数量是否为零,若否,继续执行所述根据锚节点的网格编号和所有节点的跳数向量生成样本集的步骤。
为实现上述目的,本发明提供了一种网络节点的定位系统,包括:
生成模块,用于根据锚节点的网格编号和所有节点的跳数向量生成样本集,根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号,根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号,若判断模块判断出所述第一网格编号和第二网格编号相同,根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值;
判断模块,用于判断所述第一网格编号和所述第二网格编号是否相同。
可选地,还包括获取模块;
所述生成模块还用于生成初始化网络,所述初始化网络包括多个节点,所述节点包括锚节点和未知节点;
所述获取模块,用于获取锚节点的网格编号和所有节点的跳数向量。
可选地,所述生成模块还用于根据所述第一网格编号和第二网格编号生成与所述未知节点对应的网格编号,根据与所述未知节点对应的网格编号生成与所述未知节点对应的坐标值,所述坐标值为所述网格编号的中心。
可选地,所述生成模块还用于统计所述初始化网络中未知节点的数量并生成未知节点的总数量。
可选地,还包括减一模块;
所述生成模块还用于根据所述未知节点生成新的锚节点;
所述减一模块,用于将所述未知节点的总数量减一;
所述判断模块还用于判断所述未知节点的总数量是否为零。
本发明具有以下有益效果:
本发明提供的网络节点的定位方法,根据锚节点的网格编号和所有节点的跳数向量生成样本集,根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号,根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号,判断所述第一网格编号和所述第二网格编号是否相同,若判断出所述第一网格编号和第二网格编号相同,根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值。该方法能够对物联网节点进行定位,有效降低了节点定位的计算复杂度及能耗,同时节约了成本。
附图说明
图1是本发明实施例一提供的一种网络节点的定位方法的流程示意图;
图2是本发明实施例二提供的一种网络节点的定位方法的流程示意图;
图3是本发明实施例三提供的一种网络节点的定位系统的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图1为本实施例一提供的一种网络节点的定位方法的流程示意图,如图1所示,该方法包括:
步骤101、根据锚节点的网格编号和所有节点的跳数向量生成样本集。
步骤102、根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号。
步骤103、根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号。
步骤104、判断所述第一网格编号和所述第二网格编号是否相同,若判断出所述第一网格编号和第二网格编号相同,执行步骤105;若判断出所述第一网格编号和第二网格编号不同,执行步骤102。
步骤105、根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值。
本实施例提供的网络节点的定位方法,根据锚节点的网格编号和所有节点的跳数向量生成样本集,根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号,根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号,判断所述第一网格编号和所述第二网格编号是否相同,若判断出所述第一网格编号和第二网格编号相同,根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值。该方法能够对物联网节点进行定位,有效降低了节点定位的计算复杂度及能耗,同时节约了成本。
实施例二
图2为本实施例二提供的一种网络节点的定位方法的流程示意图,如图2所示,该方法包括:
步骤201、生成初始化网络,所述初始化网络包括多个节点,所述节点包括锚节点和未知节点。
优选地,本实施例中的各步骤由网络节点的定位系统执行。进一步优选地,本实施例中的网络指物联网。
物联网包括多个节点,根据节点是否已知自身的位置,将节点分为锚节点和未知节点。在网络初始化阶段,将物联网划分为多个网格,多个节点分布于多个网格中,每个网格具有对应的网格编号,通过网格编号能够确定节点的位置。本实施例中初始化网络包括n个节点{s1,s2,...,sn},其中包括k个锚节点{s1,s2,...,sk},n-k个未知节点{sk+1,sK+2,...,sn}。
本实施例仅通过少数锚节点即可对大量的未知节点进行定位。
步骤202、统计所述初始化网络中未知节点的数量并生成未知节点的总数量。
本实施例中未知节点的总数量为变化的数值。
步骤203、获取锚节点的网格编号和所有节点的跳数向量。
由于锚节点的位置已知,可以直接获取锚节点的网格编号。
所有节点的跳数向量包括该网络中所有节点到所有锚节点的跳数向量。具体地,跳数向量hi=[h(si,s1),h(si,s2),...,h(si,sk)],其中hi表示第i个节点到所有锚节点的的跳数向量,h(si,sk)表示第i个节点到第k个锚节点的最短路径跳数。
步骤204、根据锚节点的网格编号和所有节点的跳数向量生成样本集。
样本集包括锚节点的网格编号和网络中所有节点的跳数向量。
步骤205、根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号。
进一步地,首先选择网络中的任一未知节点,根据样本集和多分类支持向量机模型生成与该选定的未知节点对应的第一网格编号。使用样本集对多分类支持向量机模型进行训练,生成与该选定的未知节点对应的第一网格编号。
具体地,多分类支持向量机模型为其中γ(i)为第i个未知节点对应的第一网格编号,x(i)为样本集的输入向量,y(i)为类别标记,取值为{1,-1},w为权值,b为偏移量常数。
步骤206、根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号。
具体地,根据k近邻模型在样本集中寻找与所述未知节点对应的多个邻居节点,根据多个邻居节点得出对所述未知节点的第二网格编号。
步骤205和步骤206的执行顺序可根据需要进行变更,例如,步骤206可在步骤205之前执行或者步骤205和步骤206可同时执行。
步骤207、判断所述第一网格编号和所述第二网格编号是否相同,若判断出所述第一网格编号和所述第二网格编号相同,执行步骤208,若判断出所述第一网格编号和所述第二网格编号不同,执行步骤205。
步骤208、根据所述第一网格编号和第二网格编号生成与所述未知节点对应的网格编号。
具体地,若判断出第一网格编号与第二网格编号相同,采用第一网格编号或第二网格编号作为与未知节点对应的网格编号。
步骤209、根据与所述未知节点对应的网格编号生成与所述未知节点对应的坐标值,所述坐标值为所述网格编号的中心。
具体地,将网格编号的中心点的坐标值作为未知节点的坐标值估计值,本实施例中,该坐标值估计值即为未知节点的坐标值。
步骤210、根据所述未知节点生成新的锚节点。
本实施例中,锚节点为多个动态变化的节点,当未知节点完成定位后,该未知节点即可作为新的锚节点,锚节点数量增加以供对后续未知节点的定位。
步骤211、将所述未知节点的总数量减一。
当未知节点具有对应的坐标值后,将未知节点的总数量减一。
步骤212、判断所述未知节点的总数量是否为零,若是,流程结束;若否,执行步骤201。
本实施例中,对未知节点的总数量进行统计并判断,当判断出未知节点的总数量为零时,表示当前网络中的所有节点均完成了定位。
本实施例提供的网络节点的定位方法,根据锚节点的网格编号和所有节点的跳数向量生成样本集,根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号,根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号,判断所述第一网格编号和所述第二网格编号是否相同,若判断出所述第一网格编号和第二网格编号相同,根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值。该方法能够对物联网节点进行定位,有效降低了节点定位的计算复杂度及能耗,同时节约了成本。
实施例三
图3为本实施例三所述的一种网络节点的定位系统的结构示意图,如图3所示,该系统包括:生成模块11和判断模块12。
生成模块11用于根据锚节点的网格编号和所有节点的跳数向量生成样本集,根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号,根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号,若判断模块12判断出所述第一网格编号和第二网格编号相同,根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值。
判断模块12用于判断所述第一网格编号和所述第二网格编号是否相同。
进一步地,还包括获取模块13。
生成模块11还用于生成初始化网络,所述初始化网络包括多个节点,所述节点包括锚节点和未知节点。
获取模块13用于获取锚节点的网格编号和所有节点的跳数向量。
进一步地,生成模块11还用于根据所述第一网格编号和第二网格编号生成与所述未知节点对应的网格编号,根据与所述未知节点对应的网格编号生成与所述未知节点对应的坐标值,所述坐标值为所述网格编号的中心。
进一步地,生成模块11还用于统计所述初始化网络中未知节点的数量并生成未知节点的总数量。
进一步地,还包括减一模块14。
生成模块11还用于根据所述未知节点生成新的锚节点。减一模块14用于将所述未知节点的总数量减一。判断模块12还用于判断所述未知节点的总数量是否为零。
本实施例提供的网络节点的定位系统,生成模块根据锚节点的网格编号和所有节点的跳数向量生成样本集,根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号,根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号,判断模块判断所述第一网格编号和所述第二网格编号是否相同,若判断模块判断出所述第一网格编号和第二网格编号相同,生成模块根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值。该系统能够对物联网节点进行定位,有效降低了节点定位的计算复杂度及能耗,同时节约了成本。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种网络节点的定位方法,其特征在于,包括:
根据锚节点的网格编号和所有节点的跳数向量生成样本集;
根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号;
根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号;
判断所述第一网格编号和所述第二网格编号是否相同;
若判断出所述第一网格编号和第二网格编号相同,根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值。
2.根据权利要求1所述的网络节点的定位方法,其特征在于,在所述根据所述锚节点的网格编号和所有节点的跳数向量生成样本集之前还包括:
生成初始化网络,所述初始化网络包括多个节点,所述节点包括锚节点和未知节点;
获取锚节点的网格编号和所有节点的跳数向量。
3.根据权利要求1所述的网络节点的定位方法,其特征在于,所述根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值包括:
根据所述第一网格编号和第二网格编号生成与所述未知节点对应的网格编号;
根据与所述未知节点对应的网格编号生成与所述未知节点对应的坐标值,所述坐标值为所述网格编号的中心。
4.根据权利要求2所述的网络节点的定位方法,其特征在于,在所述生成初始化网络之后还包括:
统计所述初始化网络中未知节点的数量并生成未知节点的总数量。
5.根据权利要求1所述的网络节点的定位方法,其特征在于,在所述根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值之后还包括:
根据所述未知节点生成新的锚节点;
将所述未知节点的总数量减一;
判断所述未知节点的总数量是否为零,若否,继续执行所述根据锚节点的网格编号和所有节点的跳数向量生成样本集的步骤。
6.一种网络节点的定位系统,其特征在于,包括:
生成模块,用于根据锚节点的网格编号和所有节点的跳数向量生成样本集,根据所述样本集和多分类支持向量机模型生成与所述未知节点对应的第一网格编号,根据所述样本集和k近邻模型生成与所述未知节点对应的第二网格编号,若判断模块判断出所述第一网格编号和第二网格编号相同,根据所述第一网格编号和第二网格编号生成与所述未知节点对应的坐标值;
判断模块,用于判断所述第一网格编号和所述第二网格编号是否相同。
7.根据权利要求6所述的网络节点的定位系统,其特征在于,还包括获取模块;
所述生成模块还用于生成初始化网络,所述初始化网络包括多个节点,所述节点包括锚节点和未知节点;
所述获取模块,用于获取锚节点的网格编号和所有节点的跳数向量。
8.根据权利要求6所述的网络节点的定位系统,其特征在于,所述生成模块还用于根据所述第一网格编号和第二网格编号生成与所述未知节点对应的网格编号,根据与所述未知节点对应的网格编号生成与所述未知节点对应的坐标值,所述坐标值为所述网格编号的中心。
9.根据权利要求7所述的网络节点的定位系统,其特征在于,所述生成模块还用于统计所述初始化网络中未知节点的数量并生成未知节点的总数量。
10.根据权利要求6所述的网络节点的定位系统,其特征在于,还包括减一模块;
所述生成模块还用于根据所述未知节点生成新的锚节点;
所述减一模块,用于将所述未知节点的总数量减一;
所述判断模块还用于判断所述未知节点的总数量是否为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711408293.7A CN108173921B (zh) | 2017-12-22 | 2017-12-22 | 一种网络节点的定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711408293.7A CN108173921B (zh) | 2017-12-22 | 2017-12-22 | 一种网络节点的定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108173921A true CN108173921A (zh) | 2018-06-15 |
CN108173921B CN108173921B (zh) | 2019-07-26 |
Family
ID=62523710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711408293.7A Active CN108173921B (zh) | 2017-12-22 | 2017-12-22 | 一种网络节点的定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108173921B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070294223A1 (en) * | 2006-06-16 | 2007-12-20 | Technion Research And Development Foundation Ltd. | Text Categorization Using External Knowledge |
WO2011157655A1 (en) * | 2010-06-15 | 2011-12-22 | Biocrates Life Sciences Ag | Use of bile acids for prediction of an onset of sepsis |
CN103916820A (zh) * | 2014-03-31 | 2014-07-09 | 浙江大学 | 基于接入点稳定度的无线室内定位方法 |
CN104469676A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种移动终端的定位方法及系统 |
CN104619014A (zh) * | 2015-01-09 | 2015-05-13 | 中山大学 | 一种基于svm-knn的室内定位方法 |
-
2017
- 2017-12-22 CN CN201711408293.7A patent/CN108173921B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070294223A1 (en) * | 2006-06-16 | 2007-12-20 | Technion Research And Development Foundation Ltd. | Text Categorization Using External Knowledge |
WO2011157655A1 (en) * | 2010-06-15 | 2011-12-22 | Biocrates Life Sciences Ag | Use of bile acids for prediction of an onset of sepsis |
CN103916820A (zh) * | 2014-03-31 | 2014-07-09 | 浙江大学 | 基于接入点稳定度的无线室内定位方法 |
CN104469676A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种移动终端的定位方法及系统 |
CN104619014A (zh) * | 2015-01-09 | 2015-05-13 | 中山大学 | 一种基于svm-knn的室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108173921B (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2654522T3 (es) | Sistema, procedimiento y artículo de fabricación para determinar valores de parámetros asociados con una red eléctrica | |
Hao et al. | Parameters identification of photovoltaic models using a multi-strategy success-history-based adaptive differential evolution | |
CN103401922B (zh) | 无线传感器网络中基于博弈方法的分布式定位装置与方法 | |
CN106407627B (zh) | 一种风速概率分布建模的方法和系统 | |
CN105526939B (zh) | 道路匹配方法和装置 | |
CN103985058B (zh) | 一种基于改进多中心校正内点法的可用输电能力计算方法 | |
CN110113713A (zh) | 基于DE改进的无线传感器网络DV-Hop节点定位方法 | |
CN102682222A (zh) | 一种基于风电波动规律的连续潮流计算方法 | |
CN110493717A (zh) | 一种适用于凹型区域的非测距节点融合定位方法 | |
CN105682026A (zh) | 基于跳数阈值优化平均跳距的改进DV-Hop定位方法 | |
CN104394573B (zh) | 一种无线传感器网络协作定位方法 | |
CN110135565A (zh) | 针对神经网络算法在集成电路上实现性能的评估系统 | |
CN108074015A (zh) | 一种风电功率超短期预测方法及系统 | |
CN104902565A (zh) | 一种分布式的无线传感器网络三维mds定位方法 | |
CN109039720A (zh) | 一种针对二值传感器网络的参数估计方法 | |
CN104080169B (zh) | 一种水下无线传感器网络动态自适应定位方法 | |
CN113659635A (zh) | 用电碳排放的关键机组识别方法及装置 | |
Tan et al. | Research and implementation of APIT positioning algorithm in WSN | |
CN109961129A (zh) | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 | |
CN104850918B (zh) | 一种计及电网拓扑约束的节点负荷预测方法 | |
CN108173921B (zh) | 一种网络节点的定位方法及系统 | |
CN105678844A (zh) | 一种基于地物散乱点逐点增加的轮廓构建算法 | |
Ramachandran et al. | A population based approach to model the lifetime and energy distribution in battery constrained wireless sensor networks | |
CN106131960B (zh) | 基于多维系统的无线传感器网络移动节点定位算法 | |
Chen et al. | A novel three-dimensional localization algorithm based on DV-HOP |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |