CN109068273A - 一种基于改进mcl的无线传感器网络移动节点定位方法 - Google Patents

Abstract

本发明公开的一种基于改进MCL的无线传感器网络移动节点定位方法，包含以下步骤：S1，对无线传感器网络进行初始化配置；S2，建立未知节点的运动模型和状态转移方程，确定预测区域；S3，在预测区域内采样，并根据未知节点的各类锚节点信息将不满足要求的样本过滤；S4，重复S3步骤直到达到预设的样本数目，求出每一个样本点的均值漂移向量，更新样本权值。S5，通过加权平均得到未知节点的最终估计位置。与传统的MCL算法相比，本发明充分挖掘了可利用的锚节点信息，使采集到的样本点能更好的反映节点的位置分布；同时通过对样本权值的重新分配，保证了样本的多样性，从而提高了定位精度。

Description

一种基于改进MCL的无线传感器网络移动节点定位方法

技术领域

本发明涉及定位技术领域，尤其涉及一种基于改进MCL的无线传感器网络移动节点定位方法。

背景技术

计算机技术和无线通信技术的成熟推动了无线传感器网络(Wireless SensorNetworks，简称WSN)的发展，并广泛应用于环境监测、目标追踪、生物医疗等诸多领域。无线传感器网络的主要工作方式为：在监测区域内部署大量具有无线通信能力的低功耗传感器节点，通过节点间的协同合作感知并采集相关信息，经处理后发送给观察者，实现信息交互。目前最直接的定位方案是集成GPS模块于待定位物体，但受到能耗、成本和扩展性等方面的限制，为每一个节点安装GPS是不可行的。因此，研究出一种精度高和速度快的无线传感器网络定位算法至关重要。

传感器网络根据节点是否可移动分为静态传感器网络和动态传感器网络。针对静态网络的节点自定位技术相对完善，动态传感器网络的发展相对缓慢。2004年，L-Hu等人成功地将应用于机器人定位研究的MCL算法应用到动态传感器网络节点的定位中，成为第一个针对移动节点定位的非测距定位方法。算法利用节点的移动特性优化定位性能，为移动节点定位研究提供了全新的思路。

在实际应用中，传统的MCL算法存在以下问题：1)采样效率低，为了达到足够的样本数，需进行频繁反复的预测与过滤阶段，直接导致了较长的时间消耗和较大的网络开销，难以满足大规模网络定位需求；2)赋予每个样本相同的权值，降低了样本的多样性，导致算法的定位精度难以提高。

发明内容

本发明的目的在于提供一种基于权值优化的改进型MCL算法，通过增强过滤条件和对样本进行权值优化，已解决上述背景技术中的问题。

本发明所解决的技术问题采用以下技术方案来实现：

一种基于改进MCL的无线传感器网络移动节点定位方法，在传统蒙特卡洛定位算法的基础上增强过滤条件和优化样本权值以提高定位精度，具体步骤如下：

S1，初始化节点位置。在网络覆盖区域内任取n个样本，将其设定为节点的初始位置集合。

S2，建立未知节点的运动模型、状态转移方程和观测方程。

1)所有节点均服从最大移动速度为v_max的随机路点移动模型。

2)运动模型对应的转移方程p(l_t|l_t-1)描述了根据上一个时刻的位置对节点当前位置的预测。根据已知的初始位置l_t-1和最大速度v_max，建立未知节点的状态转移方程p(l_t|l_t-1)：

其中，d(l₁,l₂)表示点l₁和l₂间的欧式距离。

3)观测方程p(l_t|o_t)描述在给出观测信息时节点位于l_t的可能性。o_t表示t-1时刻到t时刻之间所接收到的来自锚节点的观测值(主要是指锚节点的位置和距锚节点的跳数)。

S3，在以l_t-1为中心，v_max为半径的圆形区域内采样，取得t时刻目标节点的位置样本集合。根据目标节点周围的一跳、二跳锚节点和第三类锚节点信息将不满足要求的位置样本过滤。

S4，重复S3步骤直到达到预设的样本数目后，对每一个样本使用均值漂移，根据得到的均值漂移向量更新样本权值。

S5，通过加权平均得到未知节点的最终估计位置。

所述的步骤S3中，过滤条件除了传统MCL算法中的所有一跳、二跳锚节点信息外，还包含了第三类锚节点信息。

第三类锚节点具体定义为：处于以l_t-1为圆心，v_max+r为半径的圆形区域内，不属于未知节点一跳和二跳锚节点的其他锚节点，它们能够影响样本点可能存在的区域。在传统MCL算法中没有利用到这些锚节点。

则滤波条件可描述为：

其中，S1和S2分别为目标节点的一跳和二跳锚节点集合，T为第三类锚节点集合，r为通信半径，l′为样本点，s为锚节点。

所述的步骤S4中，对样本权值的重新分配具体包含以下步骤：

1)分别以每个样本点为中心求出其均值漂移向量，该向量总是指向概率密度增加最大的方向，计算公式如下：

其中，A为未知节点的位置样本集，N为集合A的样本数目。

2)样本的均值漂移向量描述了该样本与概率密度中心的偏离程度。均值漂移向量的模长越长，表示该样本越远离节点位置概率密度中心，其权值越小。根据每个样本点的均值漂移向量可对样本点的权值进行重新分配：

3)归一化权值：

对样本集进行加权平均，得到未知节点的最终估计位置：

与现有技术相比，本发明具有以下优点：

(1)本发明在传统MCL算法的滤波环节中增加了第三类锚节点的信息，通过缩小样本点可能存在的区域以提高采样效率，增强过滤条件以得到更有效的样本集。

(2)本发明对过滤之后得到的每一个样本使用均值漂移，得到其均值漂移向量，根据样本点与未知节点位置概率密度中心远近关系更新样本权值，取代了传统MCL算法直接取所有样本位置坐标的平均值作为节点位置的过程，保护了样本的多样性。从而提高了位置估计的准确性。

(3)本发明所有的改进在传统MCL的基础上不增加额外的硬件需求，硬件成本低，具有较强的实用性。

附图说明

图1为本发明所述一种基于改进MCL的无线传感器网络移动节点定位方法的步骤流程图；

图2为本发明所述一种基于改进MCL的无线传感器网络移动节点定位方法提出的第三类锚节点示意图；

图3为本实施例中节点的初始分布图；

图4为本实施例和传统MCL算法的定位误差对比图；

图5为本实施例和传统MCL算法的无效定位的节点数目对比图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例基于改进MCL的无线传感器网络移动节点定位方法的步骤如下：

1)对无线传感器网络进行初始化设置，即在给定的平面区域内(本实施例选取XY轴的第一象限中的矩形区域)随机选取n个样本，将其设定为节点的初始位置集合

其中，x_range和y_range分别是x和y在第一象限的上限，rand(1,1)产生一个[0,1]间的随机数，和分别表示t-1时刻第i个粒子的横坐标和纵坐标。

2)所有节点均服从最大移动速度为v_max的随机路点移动模型，即节点的运动方向和速度未知，只知其真实速度在[0,v_max]之间均匀分布。步骤1中生成的所有粒子根据该运动模型在第一次运动后形成新的粒子集合

3)运动模型对应的转移方程描述了根据上一个时刻的位置对节点当前位置的预测。根据初始位置l_t-1和最大速度v_max，建立未知节点的状态转移方程p(l_t|l_t-1)：

d(l₁,l₂)表示点l₁和l₂间的欧式距离。未知节点在t时刻的位置必定处于以l_t-1为中心，v_max为半径的圆形区域内。在该范围内采样，取得目标节点的位置样本集合A。

4)搜索未知节点周围的一跳和二跳锚节点，并根据几何关系找出它的第三类锚节点。第三类锚节点定义为以l_t-1为圆心，v_max+r为半径的圆形区域内，除去一跳和二跳锚节点的所有其他锚节点，如图3所示，图中o₁即为一个满足条件的第三类锚节点。

5)将集合A中的所有样本根据以下三个条件进行过滤：

其中，l′为属于集合A内的样本点，该过滤环节会保留满足一跳锚节点和二跳锚节点条件且不在第三类锚节点通信范围内的所有样本。若过滤之后得到的样本数未达到指定数目，则重复采样和过滤环节。

6)更新样本权值。

得到足够的样本之后，分别以每一个样本点为中心通过均值漂移求得其均值漂移向量：

此时，A为步骤5之后得到的样本集合，N为集合A内的样本数目。

由于样本的均值漂移向量总是指向未知节点概率密度梯度的方向，根据求得的均值漂移向量的模长对样本赋予新的权值，从而保证越接近位置概率密度中心的样本权值越大：

7)归一化权值：

最终通过样本的加权平均，计算出未知节点的估计位置。

本实施例的实验环境和具体参数设置如下：把220个传感器节点任意部署在200×200m的矩形范围内，其中包括200个未知节点和20个锚节点。设定所有节点有同样的通信半径r＝50m，且所有节点均服从最大移动速度v_max＝10m/s的随机路点移动模型。如图3所示为本实施例中节点的初始分布情况。

本实施例采用传统的蒙特卡洛定位算法的结果作为对比，二者所有的参数设置都相同。在同一环境下分别测试了本实施例和传统MCL算法在20个时间步内的定位精度和网络覆盖率。定位误差定义为其估计位置和真实位置间的欧氏距离与通信半径之比，网络覆盖率定义为网络覆盖区域内有效定位的节点数与全部待定位节点数的比值。图4为节点定位误差对比图。从图4可以看出，本实施例的定位误差在20个时间步内始终低于MCL算法，在12％处上下浮动。图5是两种方法产生的无效定位的节点数目对比，纵坐标表示被认为无效定位的节点数目(定位误差大于0.3)。对20次定位结果平均得到本实施例和MCL算法无效定位的节点数分别为2.5个和10.35个，网络覆盖率分别为94.83％和98.75％。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种基于改进MCL的无线传感器网络移动节点定位方法，其特征在于，在传统蒙特卡洛定位算法的基础上增强过滤条件和优化样本权值以提高定位精度，具体步骤如下：

S1，初始化节点位置；在网络覆盖区域内任取n个样本，将其设定为节点的初始位置集合；

S2，建立未知节点的运动模型、状态转移方程和观测方程；

1)所有节点均服从最大移动速度为v_max的随机路点移动模型；

2)运动模型对应的转移方程p(l_t|l_t-1)描述了根据上一个时刻的位置对节点当前位置的预测，根据已知的初始位置l_t-1和最大速度v_max，建立未知节点的状态转移方程p(l_t|l_t-1)：

其中，d(l₁,l₂)表示点l₁和l₂间的欧式距离；

3)观测方程p(l_t|o_t)描述在给出观测信息时节点位于l_t的可能性，o_t表示t-1时刻到t时刻之间所接收到的来自锚节点的观测值(主要是指锚节点的位置和距锚节点的跳数)；

S3，在以l_t-1为中心，v_max为半径的圆形区域内采样，取得t时刻目标节点的位置样本集合；根据目标节点周围的一跳、二跳锚节点和第三类锚节点信息将不满足要求的位置样本过滤；

S4，重复S3步骤直到达到预设的样本数目后，对每一个样本使用均值漂移，根据得到的均值漂移向量更新样本权值；

S5，通过加权平均得到未知节点的最终估计位置。

2.根据权利要求1所述的一种基于改进MCL的无线传感器网络移动节点定位方法，其特征在于，所述的步骤S3中，过滤条件除了传统MCL算法中的所有一跳、二跳锚节点信息外，还包含了第三类锚节点信息；

第三类锚节点具体定义为：处于以l_t-1为圆心，v_max+r为半径的圆形区域内，不属于未知节点一跳和二跳锚节点的所有其他锚节点；它们能够影响样本点可能存在的区域，在传统MCL算法中没有利用到这些锚节点；

则滤波条件可描述为：

其中，S1和S2分别为目标节点的一跳和二跳锚节点集合，T为第三类锚节点集合，r为通信半径，l′为样本点，s为锚节点。

3.根据权利要求1所述的一种基于改进MCL的无线传感器网络移动节点定位方法，其特征在于，所述的步骤S4中，对样本权值的重新分配具体包含以下步骤：

1)分别以每个样本点为中心求出其均值漂移向量，该向量总是指向概率密度增加最大的方向，计算公式如下：

其中，A为未知节点的位置样本集，N为集合A的样本数目；

2)样本的均值漂移向量描述了该样本与概率密度中心的偏离程度，均值漂移向量的模长越长，表示该样本越远离节点位置概率密度中心，其权值越小；根据每个样本点的均值漂移向量可对样本点的权值进行重新分配：

3)归一化权值：

对样本集进行加权平均，得到未知节点的最终估计位置：