CN108235247A - 一种节点定位方法及其装置 - Google Patents
一种节点定位方法及其装置 Download PDFInfo
- Publication number
- CN108235247A CN108235247A CN201711480015.2A CN201711480015A CN108235247A CN 108235247 A CN108235247 A CN 108235247A CN 201711480015 A CN201711480015 A CN 201711480015A CN 108235247 A CN108235247 A CN 108235247A
- Authority
- CN
- China
- Prior art keywords
- node
- beaconing nodes
- unknown
- unknown node
- distance
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种无线感知网络节点定位方法,包括:在设定的监测区域内布设多个网络节点,所述多个网络节点包括M个信标节点和N个未知节点,其中,M为大于4的正整数、N为正整数;根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,其中,1≤i≤N,1≤j≤M,i,j为整数;使用Lateration算法计算所述第i个未知节点的初始位置;使用优化灰狼算法对所述第i个未知节点的初始位置进行优化。
Description
技术领域
本申请涉及无线感知网络技术领域,并且更具体地,涉及一种节点定位方法及其装置。
背景技术
经典的节点定位方法(Distance Vector-Hop,DV-Hop)应用于无线感知网络节点定位领域,是一种无需专门设备测距的定位方法。DV-Hop方法的基本思想是:网络中节点通过多跳通信连接,根据网络中部分自身位置已知的节点(称为信标节点),将未知节点到信标节点之间的距离用平均每跳距离和两者之间最小跳数的乘积表示,然后通过Lateration算法计算未知节点的坐标。DV-Hop方法的最大优点是无需直接测距,实现思路灵活,易于开展。经典的DV-Hop定位步骤可归纳为以下2步:
第1步:启动距离矢量交换协议,网络中每个节点获得距离所有信标节点的最小跳数及信标的坐标信息。每个信标节点在获得其他信标的坐标和相隔最小跳数之后,采用式计算网络平均每跳距离,然后将其作为一个校正值广播至网络中。
其中,(xi,yi)、(xj,yj)是信标节点i和j的坐标,hij是i和j(i≠j)之间的最小跳数。未知节点从最近的信标节点处接收Hopsize值,并据此估计自身到各信标节点之间的距离di,计算公式如下:di=Hopsize*hi;其中,hi是信标节点i到未知节点的最小跳数值。
第2步:当某一未知节点获得相距n(n≥3)个信标节点的距离与信标坐标后,根据欧氏距离计算公式建立非线性方程组采用Lateration算法将前式线性化,求得未知数的解,实现未知节点定位计算。
根据DV-Hop算法的原理进行分析可知,其主要不足之处在于在实际应用中的方法合理性不能保证。因为一般需要采用DV-Hop类算法实现节点定位的环境,多为战场、灾害发生地或其他危险区域,节点通常采用随机布设的方式,由此引起的网络各向异性会使得通过全网信标节点间距离和除以跳数和计算获得的平均每跳距离估值不能有效代表未知节点与每一个信标之间的平均每跳距离值;另外,根据已有学者对Lateration定位算法属性的研究,其多目标优化所用的适应度函数对距离误差极为敏感,当距离误差较大时,其定位精度是不能保证的。
因此,亟需一种网络节点定位的方法,能够合理精确地实现节点定位。
发明内容
本申请提供一种无线感知网络节点定位的方法,能够合理精确地实现节点定位。。
第一方面,提供一种节点定位方法,包括:在设定的监测区域内布设多个网络节点,所述多个网络节点包括M个信标节点和N个未知节点,其中,M为大于4的正整数、N为正整数;根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,其中,1≤i≤N,1≤j≤M,i,j为整数;使用Lateration算法计算所述第i个未知节点的初始位置;使用优化灰狼算法对所述第i个未知节点的初始位置进行优化。
结合第一方面,在第一方面的第一种可能的实现方式中,所述根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值之前,所述方法还包括:使用距离矢量交换协议算法,确定所述第j个信标节点距离所述多个网络节点中每个节点间的最小跳数与多跳最短路径。
结合第一方面及其上述实现方式,在第一方面的第二种可能的实现方式中,所述根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,包括:确定所述第j个信标节点到所述第i个未知节点的目标最短路径字符串;分别确定所述第j个信标节点到所述M个信标节点中除所述第j个信标节点之外的其余M-1个信标节点的M-1条最短路径字符串;分别计算所述M-1条最短路径字符串与所述目标最短路径字符串的相似度因子,得到M-1个相似度因子;将所述M-1个相似度因子中的最小值对应的最短路径字符串获得的平均每跳距离值作为所述第j个信标节点到所述第i个未知节点的平均每跳距离值;根据所述第j个信标节点到所述第i个未知节点的平均每跳距离值,确定所述第i个未知节点到所述第j个信标节点之间的距离估计值。
结合第一方面及其上述实现方式,在第一方面的第三种可能的实现方式中,所述相似度因子为把两个不相同的字符串变得相同所需要进行的修改、增加或删除操作的最少次数。
结合第一方面及其上述实现方式,在第一方面的第四种可能的实现方式中,所述使用Lateration算法计算所述第i个未知节点的初始位置,包括:确定所述M个信标与所述第i个未知节点间相似度因子最小的4条最短路径对应的4个信标节点;根据所述第i个未知节点与上述4个信标节点之间的欧氏距离建立非线性方程组;将所述非线性方程组转化为线性方程组;利用极大似然估计算法求解上述线性方程组,获得第i个未知节点的初始坐标。
结合第一方面及其上述实现方式,在第一方面的第五种可能的实现方式中,所述使用优化灰狼算法对所述第i个未知节点的初始位置进行优化,包括:将所述第i个未知节点的坐标x、y,所述第i个未知节点与所述4个信标节点的估计距离d1、d2、d3、d4组成灰狼个体的未知数向量;初始化未知数向量为xi=(xi1,xi2,…,xi6),其中,xi1=x,xi2=y,xi3=d1,xi4=d2,xi5=d3,xi6=d4,并根据适应度函数初始化所有狼的适应度值;选择适应度函数值最小的3个狼,将它们记为α、β和δ;
根据下式更新其他狼ω的位置信息:
其中,Xα表示α当前位置,Xβ表示β当前位置,Xδ表示δ当前位置,X(t)表示迭代t次时灰狼的位置向量,
根据下式,分别更新随机参数C、A、a的值,
C=2r1,A=2a·r2-a,
当|A|>1时,灰狼的种群扩大搜索范围;当|A|<1时,灰狼群体缩小搜索范围,r1和r2均是[0,1]之间的随机数,收敛因子a随着迭代次数从2到0线性递减,表达式为:其中,t是当前迭代次数,max是最大迭代次数;
更新随机数参数、搜索范围参数和收敛因子的值,直至满足迭代终止条件,输出α狼的位置信息为最终定位结果;其中,优化灰狼算法个体的适应度函数为 式中,fitnessk为灰狼个体k的适应度值,(xk,yk)为灰狼个体k的平面位置坐标,(xv,yv)为信标节点v的位置坐标,dv为未知节点到信标节点v的估计距离。
第二方面,提供一种节点定位的装置,包括:确定单元,所述确定单元用于在设定的监测区域内布设多个网络节点,所述多个网络节点包括M个信标节点和N个未知节点,其中,M为大于4的正整数、N为正整数;所述确定单元还用于根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,其中,1≤i≤N,1≤j≤M,i,j为整数;处理单元,所述处理单元用于使用Lateration算法计算所述第i个未知节点的初始位置;所述处理单元还用于使用优化灰狼算法对所述第i个未知节点的初始位置进行优化。
结合第二方面,在第二方面的第一种可能的实现方式中,所述确定单元还用于:使用距离矢量交换协议算法,确定所述第j个信标节点距离所述多个网络节点中每个节点间的最小跳数与多跳最短路径。
结合第二方面及其上述实现方式,在第二方面的第二种可能的实现方式中,所述确定单元用于:确定所述第i个未知节点到所述第j个信标节点的目标最短路径字符串;分别确定所述M个信标节点中除所述第j个信标节点之外的其余M-1个信标节点到所述信标节点的M-1条最短路径字符串;分别计算所述M-1条最短路径字符串与所述目标最短路径字符串的相似度因子,得到M-1个相似度因子;将所述M-1个相似度因子中的最小值对应的最短路径字符串获得的平均每跳距离值作为所述第j个信标节点到所述第i个未知节点的平均每跳距离值;根据所述第j个信标节点到所述第i个未知节点的平均每跳距离值,确定所述第j个信标节点到所述第i个未知节点之间的距离估计值。
结合第二方面及其上述实现方式,在第二方面的第三种可能的实现方式中,所述处理单元用于:确定所述M个信标与所述第i个未知节点间相似度因子最小的4条最短路径对应的4个信标节点;根据所述第i个未知节点与上述4个信标节点之间的欧氏距离建立非线性方程组;将所述非线性方程组转化为线性方程组;利用极大似然估计算法求解上述线性方程组,获得第i个未知节点的初始坐标。
第三方面,提供了一种装置,包括接收器、发送器、存储器和处理器,该存储器用于存储计算机程序,该接收器用于受处理器控制接收信号,该发送器用于受处理器控制发送信号,该处理器用于从存储器中调用并运行该计算机程序,使得该设备执行上述各方面所述的方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
因此,本发明提出的基于路径相似度因子的网络节点定位的方法能够较好地改善测距精度与最终的定位精度。
附图说明
图1为本申请一个实施例的方法的示意性流程图。
图2为本申请实施例提供的基于路径相似度因子的最佳路径选择算法说明图。
图3为本申请实施例提供的信标节点比例对测距精度影响的对比图。
图4为本申请实施例提供的节点总数对测距精度影响的对比图。
图5为本申请实施例提供的通信半径对测距精度影响的对比图。
图6为本申请实施例提供的信标节点比例对定位精度影响的对比图。
图7为本申请实施例提供的节点总数对定位精度影响的对比图。
图8为本申请实施例提供的通信半径对定位精度影响的对比图。
图9为本申请实施例提供的迭代次数对定位精度影响的对比图。
图10示出了本申请另一装置的示意性结构图。
图11示出了本申请另一装置的示意性结构图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
本申请实施例提供了一种基于路径相似度因子的DV-Hop改进方法,该实施例提供的网络节点定位方法,包括:
步骤110,在设定的监测区域内布设多个网络节点,所述多个网络节点包括M个信标节点和N个未知节点,其中,M为大于4的正整数、N为正整数。
步骤120,根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,其中,1≤i≤N,1≤j≤M,i,j为整数。
步骤130,使用Lateration算法计算所述第i个未知节点的初始位置。
步骤140,使用优化灰狼算法对所述第i个未知节点的初始位置进行优化。
具体地,在步骤110中,在设定的监测区域内随机布设若干个网络节点,若干个网络节点包括信标节点和未知节点。如,监测区域为100(m)×100(m)的正方形二维平面。传感器节点随机布设于监测区域内,所有的节点同构,所有的节点具有相同的通信半径。为了取得客观准确的实验结果,本例设置了三种实验场景:场景一是区域内随机分布100个节点,节点通信半径设为15m,改变信标节点的比例(5%~30%),模拟网络节点布设拓扑与信标比例变化;场景二是将通信半径设为15m,信标节点比例固定为15%,改变区域内节点总数(100~225),模拟网络节点布设拓扑与节点布设密度变化;场景三是将节点总数设为100,信标节点比例设为15%,改变节点的通信半径(15m~35m),模拟网络节点布设拓扑与节点连通度的变化。
可选地,作为本申请一个实施例,所述方法还包括:使用距离矢量交换协议算法,确定所述第j个信标节点距离所述多个网络节点中每个节点间的最小跳数与多跳最短路径。
具体地,分别在3种仿真实验场景之下首先实现距离矢量交换协议算法,记录各信标节点到全网节点间的最小跳数与多跳最短路径,即利用距离矢量交换协议得到各信标节点距离全网节点间的最小跳数与多跳最短路径。
在步骤120中,可选地,作为本申请一个实施例,根据所述字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,包括:确定所述第j个信标节点到所述第i个未知节点的目标最短路径字符串;分别确定所述第j个信标节点到所述M个信标节点中除所述第j个信标节点之外的其余M-1个信标节点的M-1条最短路径字符串;分别计算所述M-1条最短路径字符串与所述目标最短路径字符串的相似度,得到M-1个相似度因子;将所述M-1个相似度因子中最小值对应的最短路径字符串获得的平均每跳距离值作为所述第j个信标节点到所述第i个未知节点的平均每跳距离值;根据所述第j个信标节点到所述第i个未知节点的平均每跳距离值,确定所述第j个信标节点到所述第i个未知节点之间的距离估计值。
可选地,作为本申请一个实施例,所述相似度因子为把两个不相同的字符串变得相同所需要进行的修改、增加或删除操作的最少次数。
具体地,通过计算和对比路径相似度因子来决定未知节点到信标节点的平均每跳距离,从而确定了未知节点到信标节点的距离估计值,包括步骤:
(1)提取某一信标节点到未知节点的最短路径字符串;
(2)提取该信标节点到其余各信标节点的最短路径字符串;
(3)分别计算信标至未知节点最短路径字符串与信标至信标最短路径字符串的相似度因子;
步骤(3)中的具体实施方式如下:
两个字符串的相似度因子是把两个不相同的字符串变得相同所需要进行的修改、增加、删除操作的最少次数,据此来计算路径间的相似度因子值。
(4)将相似度因子最小的信标至信标间的平均每跳距离值作为未知节点到该信标的平均每跳距离值;
(5)根据平均每跳距离值计算未知节点到该信标节点的距离估计值。
这里以图2为例对步骤120进行具体说明。例如,图2中a1,a2,a3,a4,a5,a6为信标节点,其余为未知节点。估计未知节点u1到信标节点a6的距离时,首先,提取信标节点a6到未知节点u1的最短路径字符串,其结果为:a6-u7-u6-u3-a2-u1;再提取信标节点a6到其余信标节点的最短路径字符串,其结果如下:
第一路径字符串:a6-u7-u6-u3-u2-a1;
第二路径字符串:a6-u7-u6-u3-a2;
第三路径字符串:a6-u7-u6-u3-u4-a3;
第四路径字符串:a6-u7-u6-u3-u4-u5-a4;
第五路径字符串:a6-u7-u6-a5。
根据前文对路径相似度因子的定义可以算出各条路径相似度因子为:与第一路径字符串的相似度因子为2;与第二路径字符串的相似度因子为1;与第三路径字符串的相似度因子为2;与第四路径字符串的相似度因子为3;与第五路径字符串的相似度因子为3。故采用第二路径字符串a6到a2间的平均每跳距离来近似a6到u1间的平均每跳距离,再乘以a6到u1的最小跳数获得距离估计值,以此类推,可获得所有信标节点到所有未知节点的距离估计值。
可选地,作为本申请一个实施例,所述使用Lateration算法计算所述第i个未知节点的初始位置,包括:确定所述M个信标与所述第i个未知节点间相似度因子最小的4条最短路径对应的4个信标节点;根据所述第i个未知节点与上述4个信标节点之间的欧氏距离建立非线性方程组;将所述非线性方程组转化为线性方程组;利用极大似然估计算法求解上述线性方程组,获得第i个未知节点的初始坐标。
具体地,在节点位置计算阶段,针对每一未知节点,首先选出在距离估计阶段获得的路径相似度因子最小的4个信标节点,基于原DV-Hop方法,采用Lateration算法获得未知节点的初始坐标。
具体步骤如下:
(1)选取路径相似度因子最小的4个信标节点;
(2)根据未知节点与所述4个信标节点之间的欧氏距离建立如下的非线性方程组;
其中,(x,y)为未知节点的坐标,(x1,y1)、(x2,y2)、(x3,y3)和(x4,y4)分别为4个信标节点的坐标,d1、d2、d3和d4分别为欧氏距离;
(3)将非线性方程组转化为线性方程组;
将上述的非线性方程组线性化,转换为AX=B的形式,其中:
(4)利用极大似然估计法求解线性方程组,获得未知节点的初始坐标。
通过极大似然估计法求解线性方程组,获得的解即是未知节点的坐标,其坐标的表达式为:
可选地,作为本申请一个实施例,所述使用优化灰狼算法对所述第i个未知节点的初始位置进行优化,包括:将所述第i个未知节点的坐标x、y,所述第i个未知节点与所述4个信标节点间的估计距离d1、d2、d3、d4组成灰狼个体的未知数向量;初始化未知数向量为xi=(xi1,xi2,…,xi6),其中,xi1=x,xi2=y,xi3=d1,xi4=d2,xi5=d3,xi6=d4,并根据适应度函数初始化所有狼的适应度值;选择适应度函数值最小的3个狼,将它们记为α、β和δ;
根据下式更新其他狼ω的位置信息:
其中,Xα表示α当前位置,Xβ表示β当前位置,Xδ表示δ当前位置,X(t)表示迭代t次时灰狼的位置向量,
根据下式,分别更新随机参数C、A、a的值,C=2r1,A=2a·r2-a,
当|A|>1时,灰狼的种群扩大搜索范围;当|A|<1时,灰狼群体缩小搜索范围,r1和r2均是[0,1]之间的随机数,收敛因子a是随着迭代次数从2到0线性递减,
其中,t是当前迭代次数,max是最大迭代次数;
更新随机数参数、搜索范围参数和收敛因子的值,直至满足迭代终止条件,输出α狼的位置信息为最终定位结果;其中,优化灰狼算法个体的适应度函数为 式中,fitnessk为灰狼个体k的适应度值,(xk,yk)为灰狼个体k的平面位置坐标,(xv,yv)为信标节点v的位置坐标,dv为未知节点到信标节点v的估计距离。
换种方式说,本申请实施例将定位问题建模为非线性方程组求最优解的问题。方程组的待求未知数为未知节点的坐标x、y,以及未知节点与4个信标之间的距离值d1、d2、d3、d4,使用灰狼优化算法求得方程组的解作为最终的节点定位值。灰狼优化算法对所述初始位置进行优化的步骤如下:
(1)初始化狼群,将未知节点的坐标值、未知节点与4个信标节点之间的距离组成灰狼个体的未知数向量。本文考虑距离估值存在误差,将其与坐标同时列为灰狼个体的未知数,在6维的目标搜索空间搜索最优解。初始化随机数参数C、搜索范围参数A和收敛因子a的值。
(2)初始化未知数向量,每个灰狼个体未知数向量的分量初始值都设置为在前述步骤中已获得的距离估计值与未知节点初始坐标值,
其中,第k个灰狼个体可表示为一个6维向量,记作xk=(xk1,xk2,…,xk6),每个灰狼个体向量的分量初始值都设置为步骤120和步骤130中获得的距离估计值与未知节点初始位置坐标值。
(3)根据适应度函数初始化所有狼的适应度值。
(4)选择适应度函数值最小的3个狼,将它们记为α、β和δ。
(5)根据下面三个式子更新其他狼(ω)的位置信息。
Xα表示α当前位置,Xβ表示β当前位置,Xδ表示δ当前位置。X(t)表示迭代t次时灰狼的位置向量。
(6)根据下面三个式子分别更新C、A、a的值。
C=2r1,
A=2a·r2-a,
当|A|>1时,灰狼的种群扩大搜索范围,更好的寻找猎物,这对应于全局搜索;当|A|<1时,灰狼群体缩小搜索范围,这对应于局部搜索。r1和r2均是[0,1]之间的随机数。收敛因子a随着迭代次数从2到0线性递减,表达式为:
其中,t是当前迭代次数,max是最大迭代次数。
(7)如果满足迭代终止条件则进入下一步,否则返回(3)。
(8)输出α狼的位置信息。
改进灰狼算法个体的适应度函数为式中,fitnessk为灰狼个体k的适应度值,(xk,yk)为灰狼个体k的平面位置坐标,(xv,yv)为信标节点v的位置坐标,dv为未知节点到信标节点v的估计距离。迭代计算在设定条件下完成后所得解向量中的x,y元素值即为最终求得的未知节点坐标优化值。
因此,本发明提出的基于路径相似度因子的网络节点定位的方法能够较好地改善测距精度与最终的定位精度。
下面分别对步骤120中的距离估计进行对比性实验和步骤140中定位进行对比性实验,以证明本申请在该步骤中的改进具有明显的效果。
在测距步骤120实验中,将本例的算法分别与另外的两种算法进行对比分析,另外的两种算法分别为:1.经典DV-Hop算法,2.陈俊杰等人提出的基于跳距修正的WSN蝙蝠定位算法(下文简称IBDV-Hop)。其中,IBDV-Hop算法在距离估计阶段首先求得所有信标对之间的距离误差均值作为一个修正参数,并将未知节点到信标的跳数倒数归一化取做权值,将所有信标保存的平均跳距加权求和作为未知节点持有的平均跳距,以此修正距离估计值,在定位阶段,最后用改进了适应度函数、搜索速度以及迭代规则的蝙蝠算法对定位结果进行迭代优化。其中,本例的算法与另外的两种算法在信标节点比例对测距精度影响的对比图如图3所示,本例的算法与另外的两种算法在节点总数对测距精度影响的对比图如图4所示,本例的算法与另外的两种算法在通信半径对测距精度影响的对比图如图5所示。
在本发明提出的定位策略中,未知节点与信标节点之间的测距精度越高,最终可获得的定位精度越高,因此测距精度是评价算法性能的重要指标。全网的测距精度用所有未知节点与信标节点之间的估计距离误差的平均值来衡量,并归一化为通信半径的百分比来表示。图3、图4、图5分别对比了在三种实验场景下本发明提出的基于路径相似度因子对比算法获得的测距精度、原经典DV-Hop方法获得的测距精度以及IBDV-Hop算法的测距精度,实验结果表明:随着信标节点的比例变化,本例算法较之原方法可降低约48%测距误差、较之IBDV-Hop可降低约3%测距误差;随着网络节点部署密度的变化,分别可降低约28%和4%的测距误差;随着通信半径大小的变化,分别可降低约60%和8%的测距误差。本文算法整体可获得更稳定的测距精度。
在定位步骤实验中,本发明算法也分别与上述两种算法进行对比分析。其中,本例的算法与另外的两种算法在信标节点比例对定位精度影响的对比图如图6所示,本例的算法与另外的两种算法在节点总数对定位精度影响的对比图如图7所示,本例的算法与另外的两种算法在通信半径对定位精度影响的对比图如图8所示。
本发明提出的定位策略的最终目标是获得高精度的未知节点定位,因此定位精度是评价算法性能的关键指标。对全网未知节点的每一次定位操作,定位精度用所有未知节点经过定位计算获得的位置和真实位置之间的欧氏距离的均值来衡量,并归一化为通信半径的百分比来表示。图6、图7、图8分别对比了在三种实验场景下本发明提出的Lateration加改进的灰狼算法获得的定位精度、原经典DV-Hop方法获得的定位精度和IBDV-Hop算法获得的定位精度,实验结果表明:随着信标节点的比例变化,本例算法较之原方法可降低约43%定位误差、较之IBDV-Hop可降低约5%定位误差;随着网络节点部署密度的变化,分别可降低约35%和6%的定位误差;随着通信半径大小的变化,分别可降低约41%和9%的定位误差。本例算法整体可获得在各种场景之下更稳定的定位精度。
另外,还统计了本例算法与IBDV-Hop算法就优化算法迭代次数对定位精度影响的对比,如图9所示。实验场景是区域内随机分布100个节点,节点通信半径设为15m,信标节点的比例为15%。实验结果表明:随着迭代次数的增加定位误差不断降低,IBDV-Hop算法在迭代次数到160之后定位误差就没有明显的降低,而本例算法在迭代次数到120之后定位误差没有明显降低。本例算法相比IBDV-Hop算法在优化定位阶段的收敛速度更快。
总体而言,本发明提出的基于路径相似度因子的DV-Hop改进方法相对于原经典DV-Hop方法和既有改进算法能够较好地改善测距精度与最终的定位精度,表明该方法的可行性。
图10示出了本申请一个实施例的装置的示意性框图,如图10所示,该装置1000包括:确定单元1100和处理单元1200,其中,所述确定单元1100用于在设定的监测区域内布设多个网络节点,所述多个网络节点包括M个信标节点和N个未知节点,其中,M为大于4的正整数、N为正整数;所述确定单元1100还用于根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,其中,1≤i≤N,1≤j≤M,i,j为整数;所述处理单元1200用于使用Lateration算法计算所述第i个未知节点的初始位置;所述处理单元1200还用于使用优化灰狼算法对所述第i个未知节点的初始位置进行优化。
可选地,作为本申请一个实施例,所述确定单元1100还用于:使用距离矢量交换协议算法,确定所述第j个信标节点距离所述多个网络节点中每个节点间的最小跳数与多跳最短路径。
可选地,作为本申请一个实施例,所述确定单元1100用于:确定所述第j个信标节点到所述第i个未知节点的目标最短路径字符串;分别确定所述第j个信标节点到所述M个信标节点中除所述第j个信标节点之外的其余M-1个信标节点的M-1条最短路径字符串;分别计算所述M-1条最短路径字符串与所述目标最短路径字符串的相似度因子,得到M-1个相似度因子;将所述M-1个相似度因子中值最小的最短路径字符串获得的平均每跳距离值作为所述第j个信标节点到所述第i个未知点的平均每跳的距离值;根据所述第j个信标节点到所述第i个未知点的平均每跳的距离值,确定所述第j个信标节点到所述第i个未知节点之间的距离估计值。
可选地,作为本申请一个实施例,所述处理单元1200用于:确定所述M个信标与所述第i个未知节点间相似度因子最小的4条最短路径对应的4个信标节点;根据所述第i个未知节点与所述4个信标节点之间的欧氏距离建立非线性方程组;将所述非线性方程组转化为线性方程组;利用极大似然估计算法求解上述线性方程组,获得第i个未知节点的初始坐标。
图11示出了本申请另一装置的示意性结构图,该装置1100能够执行本申请实施例提供的网络节点定位的方法。其中,该装置1100包括:处理器1101、接收器1102、发送器1103、以及存储器1104。其中,该处理器1101可以与接收器1102和发送器1103通信连接。该存储器1104可以用于存储该装置1100的程序代码和数据。因此,该存储器1104可以是处理器1101内部的存储单元,也可以是与处理器1101独立的外部存储单元,还可以是包括处理器1101内部的存储单元和与处理器1101独立的外部存储单元的部件。
可选的,装置1100还可以包括总线1105。其中,接收器1102、发送器1103、以及存储器1104可以通过总线1105与处理器1101连接;总线1105可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture,EISA)总线等。所述总线1105可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器1101例如可以是中央处理器(Central Processing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),专用集成电路(Application-Specific Integrated Circuit,ASIC),现场可编程门阵列(Field Programmable GateArray,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。
接收器1102和发送器1103可以是包括上述天线和发射机链和接收机链的电路,二者可以是独立的电路,也可以是同一个电路。
应理解,图10或图11示出的实施例可以实现上述实施例的一个或多个有益效果,为了简洁起见,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者第二设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种无线感知网络节点定位方法,其特征在于,包括:
在设定的监测区域内布设多个网络节点,所述多个网络节点包括M个信标节点和N个未知节点,其中,M为大于4的正整数、N为正整数;
根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,其中,1≤i≤N,1≤j≤M,i,j为整数;
使用Lateration算法计算所述第i个未知节点的初始位置;
使用优化灰狼算法对所述第i个未知节点的初始位置进行优化。
2.根据权利要求1所述的方法,其特征在于,所述根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值之前,所述方法还包括:
使用距离矢量交换协议算法,确定所述第j个信标节点距离所述多个网络节点中每个节点间的最小跳数与多跳最短路径。
3.根据权利要求2所述的方法,其特征在于,所述根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,包括:
确定所述第j个信标节点到所述第i个未知节点的目标最短路径字符串;
分别确定所述第j个信标节点到所述M个信标节点中除所述第j个信标节点之外的其余M-1个信标节点的M-1条最短路径字符串;
分别计算所述M-1条最短路径字符串与所述目标最短路径字符串的相似度因子,得到M-1个相似度因子;
将所述M-1个相似度因子中最小值对应的信标间最短路径字符串获得的平均每跳距离值作为所述第j个信标节点到所述第i个未知点的平均每跳距离值;
根据所述第j个信标节点到所述第i个未知点的平均每跳距离值,确定所述第j个信标节点到所述第i个未知节点之间的距离估计值。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述相似度因子为把两个不相同的字符串变得相同所需要进行的修改、增加或删除操作的最少次数。
5.根据权利要求3所述的方法,其特征在于,所述使用Lateration算法计算所述第i个未知节点的初始位置,包括:
确定M个信标与所述第i个未知节点间相似度因子最小的4条最短路径对应的4个信标节点;
根据所述第i个未知节点与上述4个信标节点之间的欧氏距离建立非线性方程组;
将所述非线性方程组转化为线性方程组;
利用极大似然估计算法求解上述线性方程组,获得第i个未知节点的初始坐标。
6.根据权利要求5所述的方法,其特征在于,所述使用优化灰狼算法对所述第i个未知节点的初始位置进行优化,包括:
将所述第i个未知节点的坐标x、y,所述第i个未知节点与所述4个信标节点的估计距离d1、d2、d3、d4组成灰狼个体的未知数向量;
初始化未知数向量为xi=(xi1,xi2,…,xi6),其中,xi1=x,xi2=y,xi3=d1,xi4=d2,xi5=d3,xi6=d4,并根据适应度函数初始化所有狼的适应度值;
选择适应度函数值最小的3个狼,将它们记为α、β和δ;
根据下式更新其他狼ω的位置信息:
其中,Xα表示α当前位置,Xβ表示β当前位置,Xδ表示δ当前位置,X(t)表示迭代t次时灰狼的位置向量,
根据下式,分别更新随机参数C、A、a的值,
C=2r1,A=2a·r2-a,
当|A|>1时,灰狼的种群扩大搜索范围;当|A|<1时,灰狼群体缩小搜索范围,r1和r2均是[0,1]之间的随机数,收敛因子a随着迭代次数从2到0线性递减,
其中,t是当前迭代次数,max是最大迭代次数;
更新随机数参数、搜索范围参数和收敛因子的值,直至满足迭代终止条件,输出α狼的位置信息为最终定位结果;其中,优化灰狼算法个体的适应度函数为 式中,fitnessk为灰狼个体k的适应度值,(xk,yk)为灰狼个体k的平面位置坐标,(xv,yv)为信标节点v的平面位置坐标,dv为未知节点到信标节点v的估计距离。
7.一种节点定位的装置,其特征在于,包括:
确定单元,所述确定单元用于在设定的监测区域内布设多个网络节点,所述多个网络节点包括M个信标节点和N个未知节点,其中,M为大于4的正整数、N为正整数;
所述确定单元还用于根据字符串路径相似度因子,确定第j个信标节点到第i个未知节点之间平均每跳的距离,并确定所述第j个信标节点到所述第i个未知节点之间的距离估计值,其中,1≤i≤N,1≤j≤M,i,j为整数;
处理单元,所述处理单元用于使用Lateration算法计算所述第i个未知节点的初始位置;
所述处理单元还用于使用优化灰狼算法对所述第i个未知节点的初始位置进行优化。
8.根据权利要求7所述的装置,其特征在于,所述确定单元还用于:
使用距离矢量交换协议算法,确定所述第j个信标节点距离所述多个网络节点中每个节点间的最小跳数与多跳最短路径。
9.根据权利要求8所述的装置,其特征在于,所述确定单元用于:
确定所述第j个信标节点到所述第i个未知节点的目标最短路径字符串;
分别确定所述第j个信标节点到所述M个信标节点中除所述第j个信标节点之外的其余M-1个信标节点的M-1条最短路径字符串;
分别计算所述M-1条最短路径字符串与所述目标最短路径字符串的相似度因子,得到M-1个相似度因子;
将所述M-1个相似度因子中最小值对应的信标间最短路径字符串获得的平均每跳距离值作为所述第j个信标节点到所述第i个未知点的平均每跳距离值;
根据所述第j个信标节点到所述第i个未知节点的平均每跳距离值,确定所述第j个信标节点到所述第i个未知节点之间的距离估计值。
10.根据权利要求9所述的装置,其特征在于,所述处理单元用于:
确定M个信标与所述第i个未知节点间相似度因子最小的4条最短路径对应的4个信标节点;
根据所述第i个未知节点与上述4个信标节点之间的欧氏距离建立非线性方程组;
将所述非线性方程组转化为线性方程组;
利用极大似然估计算法求解上述线性方程组,获得第i个未知节点的初始坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711480015.2A CN108235247B (zh) | 2017-12-29 | 2017-12-29 | 一种节点定位方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711480015.2A CN108235247B (zh) | 2017-12-29 | 2017-12-29 | 一种节点定位方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108235247A true CN108235247A (zh) | 2018-06-29 |
CN108235247B CN108235247B (zh) | 2020-11-27 |
Family
ID=62646070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711480015.2A Active CN108235247B (zh) | 2017-12-29 | 2017-12-29 | 一种节点定位方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108235247B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110062327A (zh) * | 2019-04-25 | 2019-07-26 | 上海海事大学 | 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法 |
CN110167138A (zh) * | 2019-05-23 | 2019-08-23 | 西安电子科技大学 | 基于改进灰狼优化算法的无源时差定位系统优化布站方法 |
CN110336751A (zh) * | 2019-07-26 | 2019-10-15 | 南京邮电大学 | 基于隶属函数的低轨卫星网络路由策略 |
CN112399361A (zh) * | 2020-12-14 | 2021-02-23 | 武汉中软通科技有限公司 | 一种lte终端的无感知定位系统和方法 |
CN112956160A (zh) * | 2018-10-29 | 2021-06-11 | 昕诺飞控股有限公司 | 用于在网络中提供节点序列的系统 |
CN113329490A (zh) * | 2021-06-02 | 2021-08-31 | 哈尔滨工程大学 | 一种基于量子虎鲨机制的无线传感器网络节点定位方法 |
CN114828302A (zh) * | 2022-04-24 | 2022-07-29 | 广州杰赛科技股份有限公司 | 化工材料泄漏源定位方法及装置 |
CN115550837A (zh) * | 2022-09-22 | 2022-12-30 | 合肥工业大学 | 一种基于混沌映射与灰狼算法优化的DV-Hop定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102740456A (zh) * | 2012-06-05 | 2012-10-17 | 南京信息工程大学 | 一种无线传感器网络的节点定位方法 |
CN104965189A (zh) * | 2014-07-22 | 2015-10-07 | 浙江银江研究院有限公司 | 一种基于最大似然估计的室内人员定位方法 |
CN106792540A (zh) * | 2016-12-29 | 2017-05-31 | 上海应用技术大学 | 一种基于路径匹配的改进DV‑Hop定位方法 |
-
2017
- 2017-12-29 CN CN201711480015.2A patent/CN108235247B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102740456A (zh) * | 2012-06-05 | 2012-10-17 | 南京信息工程大学 | 一种无线传感器网络的节点定位方法 |
CN104965189A (zh) * | 2014-07-22 | 2015-10-07 | 浙江银江研究院有限公司 | 一种基于最大似然估计的室内人员定位方法 |
CN106792540A (zh) * | 2016-12-29 | 2017-05-31 | 上海应用技术大学 | 一种基于路径匹配的改进DV‑Hop定位方法 |
Non-Patent Citations (3)
Title |
---|
李宁等: "改进灰狼算法在土壤墒情监测预测系统中的应用", 《计算机应用》 * |
石琴琴: "无线传感器网络中DV-HOP定位方法的一种改进策略", 《电讯技术》 * |
罗佳: "基于收敛因子非线性动态变化的灰狼优化算法", 《中国科技论文》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112956160A (zh) * | 2018-10-29 | 2021-06-11 | 昕诺飞控股有限公司 | 用于在网络中提供节点序列的系统 |
CN112956160B (zh) * | 2018-10-29 | 2022-08-02 | 昕诺飞控股有限公司 | 用于在网络中提供节点序列的系统 |
CN110062327A (zh) * | 2019-04-25 | 2019-07-26 | 上海海事大学 | 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法 |
CN110167138A (zh) * | 2019-05-23 | 2019-08-23 | 西安电子科技大学 | 基于改进灰狼优化算法的无源时差定位系统优化布站方法 |
CN110167138B (zh) * | 2019-05-23 | 2021-01-01 | 西安电子科技大学 | 基于改进灰狼优化算法的无源时差定位系统优化布站方法 |
CN110336751A (zh) * | 2019-07-26 | 2019-10-15 | 南京邮电大学 | 基于隶属函数的低轨卫星网络路由策略 |
CN110336751B (zh) * | 2019-07-26 | 2021-10-15 | 南京邮电大学 | 基于隶属函数的低轨卫星网络路由策略 |
CN112399361A (zh) * | 2020-12-14 | 2021-02-23 | 武汉中软通科技有限公司 | 一种lte终端的无感知定位系统和方法 |
CN113329490A (zh) * | 2021-06-02 | 2021-08-31 | 哈尔滨工程大学 | 一种基于量子虎鲨机制的无线传感器网络节点定位方法 |
CN114828302A (zh) * | 2022-04-24 | 2022-07-29 | 广州杰赛科技股份有限公司 | 化工材料泄漏源定位方法及装置 |
CN115550837A (zh) * | 2022-09-22 | 2022-12-30 | 合肥工业大学 | 一种基于混沌映射与灰狼算法优化的DV-Hop定位方法 |
CN115550837B (zh) * | 2022-09-22 | 2024-04-02 | 合肥工业大学 | 一种基于混沌映射与灰狼算法优化的DV-Hop定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108235247B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108235247A (zh) | 一种节点定位方法及其装置 | |
CN110276442B (zh) | 一种神经网络架构的搜索方法及装置 | |
CN105526939B (zh) | 道路匹配方法和装置 | |
CN110062327A (zh) | 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法 | |
CN107636420A (zh) | 用于行人航位推算的技术 | |
CN105634974B (zh) | 软件定义网络中的路由确定方法和装置 | |
CN105069094B (zh) | 一种基于语义理解的空间关键字索引方法 | |
CN110113713A (zh) | 基于DE改进的无线传感器网络DV-Hop节点定位方法 | |
CN107295597A (zh) | 一种自适应分簇路由方法、装置及电子设备 | |
CN110049433A (zh) | 一种基于edw-dpso算法的定位性能优化方法 | |
CN105787126A (zh) | k-d树生成方法和k-d树生成装置 | |
CN108235251A (zh) | 基于无人机协助下的无线传感器网络节点定位方法和装置 | |
Sluciak et al. | Network size estimation using distributed orthogonalization | |
CN110345935A (zh) | 一种室内地图匹配定位的方法 | |
Costa et al. | Achieving high-accuracy distributed localization in sensor networks | |
CN105898711A (zh) | 一种基于地磁基准线的定位方法及装置 | |
CN109840598B (zh) | 一种深度学习网络模型的建立方法及装置 | |
CN107122805A (zh) | 一种用户聚类方法和装置 | |
CN106028450A (zh) | 室内定位方法及设备 | |
CN110083777A (zh) | 一种社交网络用户分组方法、装置及服务器 | |
CN108289115A (zh) | 一种信息处理方法及系统 | |
CN107104747A (zh) | 无线时变信道中的多径分量的分簇方法 | |
CN109918567A (zh) | 出行方式推荐方法及装置 | |
Gouda et al. | Enhanced DV-Hop using shuffled shepherd algorithm for localizing sensor nodes in 3-D space | |
CN104113910B (zh) | 无线通信网络中的定位系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
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 |