CN109640267A

CN109640267A - 基于多区域划分和相似度匹配的非测距定位方法

Info

Publication number: CN109640267A
Application number: CN201811517952.5A
Authority: CN
Inventors: 陈良银; 王浩; 杨彦兵; 金俊杰; 郭敏; 王伟; 刘诗佳; 张媛媛; 张澧枫; 倪振心; 刘峰麟; 项扬
Original assignee: Sichuan University
Current assignee: Sichuan University
Priority date: 2018-12-12
Filing date: 2018-12-12
Publication date: 2019-04-16

Abstract

本发明公开了一种基于多区域划分和相似度匹配的非测距定位方法MDIS（Multi‑Region Division In Shadow）。利用将定位区域进行分割的思想，对原有的模糊的定位区域进一步划分成多个子区域。然后，对每个子区域进行相应的计算求出子区域质心坐标。然后，对未知节点和多个子区域的质心点的关系数组进行相似度的匹配计算出关系系数，最后用两个相似度最高的一个的锚节点估算另一个未知节点的位置。根据仿真结果可以看出MDIS定位算法相较于现有的非测距算法定位精度更高并且稳定性更好。

Description

基于多区域划分和相似度匹配的非测距定位方法

技术领域

本发明涉及无线传感网技术领域，尤其涉及传感网中的节点定位技术，具体是一种基于多区域划分和相似度匹配的非测距定位方法。

背景技术

当今社会人们对于大规模及特定环境的定位需求不断增加。因为无线传感器网络的低成本、低功耗和分布式的特点，无线传感器网络被广泛应用在地理范围较大的山地、森林和海洋等地区实现监测等功能。当前，大规模低成本的无线传感器网络定位越来越受到人们的青睐。无线传感器网络定位可利用节点之间的通信和连通度等信息进行定位，即通过某种特定的算法求出未知节点的坐标。根据未知节点定位过程中是否需要周围锚节点提供距离信息，可以将定位算法具体分为两大类：一类是需要测距的定位算法，即需要计算未知节点与锚节点的距离信息；另一类是无需测距的定位算法，即不需要计算未知节点与锚节点的距离，只通过角度或跳数等信息完成定位的算法。测距算法是对传感器间的距离进行直接测量，而非测距算法依靠无线网络的连通性进行定位，测距法定位精度通常会高于非测距法，但是需要额外的设备，成本较高。由于非测距算法不需要额外的设备，所以非测距算法可以广泛应用到大规模部署节点的网络中。

通常情况下，常用基于测距(Range-based)的定位算法有RSSI(Received SignalStrength Indicator)、TOA、TDOA和AOA定位。它们利用三边测量法和极大似然等估计法来计算节点的位置。其中，RSSI定位是根据未知节点接收到锚节点的信号强度，建立信号强度与距离的模型，计算出节点间的距离进行定位，该方法优点是较为实用且硬件成本较低，缺点是信号存在多路径损耗问题导致精度较低。TOA(根据到达时间定位)要求节点间时间同步，据此根据距离、速度和时间公式求出节点间距离进行定位，该方法需要节点间时间精确同步硬件成本较高。TDOA(根据到达时间差定位)，利用信号传播到达时间的准确测量进行定位，该方法无需时间同步，对网络要求不高，同时定位精度较高；AOA(根据信号到达角度定位) 需要额外的硬件计算信号到达时的角度值，受到干扰较大。非测距(Range-Free)的定位算法虽然定位过程中能量消耗降低，但是定位精度不高。即便如此，其在实际的应用中仍然经常被使用。目前常用的非测距定位算法有Bounding Box算法、DV-hop算法、APIT定位算法等。下面具体介绍一些常见的基于测距和非测距的定位算法。

测距定位算法主要有以下几种：

(1)基于RSSI的定位算法：

RSSI定位算法(Hu D,Qian S.RSSI-BASED ADAPTIVE WIRELESS POSITIONINGALGORITHM[J].Computer Applications&Software,2014.)是利用无线信号在传播过程中出现损耗，使用理论或经验的信号传播衰减模型计算锚节点和未知节点之间的距离，从而对未知节点进行定位。

虽然在实验环境中RSSI定位方法表现出良好的特性，但在实际环境中受限于传播损耗和信号干扰导致其定位没有达到预期的效果，因而RSSI技术定位在实际中误差较大。

(2)基于TOA的定位算法：

基于TOA的定位算法是一种通过计算信号从发送端到接收端的传输时间，进而对接收信号的未知节点进行定位的一种算法(Guvenc I,Sahinoglu Z.Threshold-based TOAestimation for impulse radio UWB systems[C]//IEEE International Conference onUltra-Wideband.IEEE, 2005:420-425.)。TOA方法定位精度相对较高，但是需要发送方与接收方之间保持严格的时间同步，对于硬件系统的要求比较高，因此对整个无线传感网络的成本要求较高

(3)基于TDOA的定位算法：

基于TDOA的定位算法(Wang G,So M C,Li Y.Robust Convex ApproximationMethods for TDOA-Based Localization Under NLOS Conditions[J].IEEETransactions on Signal Processing, 2016,64(13):3281-3296.)是由两个已知位置的锚节点发射信号，两个信号到达未知节点的时间不同，产生时间差。由于信号的传输速度已知，所以未知节点到两个锚节点距离的差值可以计算得出。当未知节点可以接收三个锚节点的信号时候，利用定位中双曲线表达式列出方程组求解出未知节点的位置坐标。

(4)基于AOA的定位算法：

基于AOA的定位算法是利用未知节点与锚节点之间的角度关系进行定位的算法(Niculescu D,Nath B.Ad hoc pIEEE ositioning system(APS)using AOA[C]//JointConference of the IEEE Computer and Communications.IEEE Societies.IEEE,2003:1734-1743vol.3.)。这种算法依靠天线阵列或者其他接收阵列测量发送方节点与接收方节点间的角度，因此这种算法也是需要额外的能够测量角度的硬件才能完成定位任务，相对于很多定位算法来说，广泛应用的成本是比较高的。

非测距定位算法主要有以下几种：

(1)质心定位算法：

质心定位算法适用于一些对于定位精度不高的应用。它是将未知节点接收到消息的所有锚节点组成的多边形的质心作为未知节点位置的一种算法(Kim K Y,Shin Y.ADistance Boundary with Virtual Nodes for the Weighted Centroid LocalizationAlgorithm[J].Sensors,2018, 18(4):1054.)。该算法是基于网络的连通性对未知节点进行定位，是一种简单易行的定位方法。

(2)Convex(凸规划)定位算法：

Convex(凸规划)算法的核心思想是将锚节点随机分布在网络中，以保证整个网络的覆盖，未知节点也分散在网络中，Convex算法将节点间的通信连接看作是对节点的位置的几何约束问题，这样的约束限制了节点位置的可能的定位范围，利用节点之间的邻近性以及锚节点之间的连接信息可以建立节点位置的约束模型(Gholami M R,TetruashviliL,Strom E G,et al. Cooperative Wireless Sensor Network Positioning viaImplicit Convex Feasibility[J].IEEE Transactions on Signal Processing,2013,61(23):5830-5840.)，在这个模型中可以对未知节点进行位置的估计。

(3)Bounding Box算法：

Bounding Box算法，由加州大学伯克利分校的S.N.Semic等人提出(Simic S N,Sastry S. Distributed Localization in Wireless Ad Hoc Networks[J].2001.)。该算法的主要思想是首先确定未知节点在一跳范围内的锚节点所形成的重叠的通信区域，则未知节点位于重叠的通信区域中。然后，将该区域的重心位置看成未知节点的位置。该种方位定位误差较大，且受限于锚节点数量。

(4)DV-hop定位算法：

DV-hop算法(Niculescu D,Nath B.DV Based Positioning in Ad Hoc Networks[J]. Telecommunication Systems,2003,22(1-4):267-280.)是一种基于距离向量路由的算法。在该算法中，由锚节点向其他节点以广播的形式发送包含跳数的消息。节点接收到数据包之后，存储并转发该信息，直到目标区域的节点接收到信息。在这个过程中，每个节点都可以知道距离其他锚节点的最小跳数，同时通过估算平均每跳的距离，计算出最小跳数乘以平均每跳的距离，即未知节点与锚节点间的距离。最后，每个未知节点计算出与三个锚节点之间的距离后，利用三边测量法或极大似然法估算出自己的位置。

(5)APIT定位算法：

在APIT定位算法中，假设节点通信半径均为R，一个未知节点可以接收到N个锚节点发出的信号。那么从N个锚节点选出三个锚节点作为三角形的三个顶点，找出所有的组合，分别判断待定位节点在哪些三角形的内部，并对这样的三角形进行标记(He T,HuangC,Blum B M,et al.Range-free localization schemes for large scale sensornetworks[C]//International Conference on Mobile Computing and NETWORKING.ACM,2005:81-95.)。然后求出所有的标记过的三角形的质心坐标，并将质心坐标连接起来组成一个多边形，将多边形的质心作为待定位节点的位置。

(6)MDS-MAP算法：

MDS-MAP是一种基于多维尺度和中心化算法，因此它受限于许多应用。MDS-MAP(P)是一种改进的MDS-MAP算法，同时可以在分布式网络环境下实施。算法的核心思想是利用多维尺度分析为每个节点计算出一个本地的网络连通图，然后通过组合这些本地网络连通图形成一个全局连通图(Shang,Yi,Ruml,et al.Localization from mere connectivity[J].Proceedings of Acm International Symposium on Mobile Ad Hoc Networking&Computing,2003:201-212.)。但是这算法的计算复杂度超过O(n³)，其中n是节点个数。

发明内容

由于各种复杂的无线环境和测量干扰导致无线传感器网络定位精度不高，所以探索出一种定位精度较高、稳定性较好同时比较实用的定位算法是本发明想要解决的问题。

本发明的目的是这样达到的：

将传统的邻居锚节点(anchors，已知位置的点)的重叠通信区域分割，并选取每个分割的子区域的质心点作为特征点。然后建立特征点与锚节点和未知节点与锚节点的关系数组 (Relation Array)，通过计算关系数组间的关系系数(Correlation Coefficient)来决定未知节点所在的子区域从而完成定位，MDIS(Multi-Region Division In Shadow)定位算法相较于现有的非测距算法定位精度更高并且稳定性更好。

具体做法是

(1)初始化整个无线传感器网络，包括所有节点的邻居发现(Wei L,Zhou B,Ma X,et al. Lightning:A High-Efficient Neighbor Discovery Protocol for Low DutyCycle WSNs[J].IEEE Communications Letters,2016,20(5):966-969.)及锚节点位置信息数据发送和记录。假设所有的节点信号最大传输半径r。对于每个节点来说，它的邻居发现过程可以利用现有的邻居发现算法，并且约定每个节点可以发现所有网络中的其他邻居节点。对于一个节点k，在发现它的邻居节点时，其邻居锚节点集合记为{A(k)}。集合{A(k)}可以表示为：

其中，a_k表示节点k的锚节点数目；

(2)对于未知节点k，当周围邻居锚节点数目a_k＝0时，其位置不确定；当邻居锚节点数目a_k＝1时，用其邻居锚节点的位置作为其位置；当邻居锚节点数目a_k＝2时，利用BoundingBox 算法(Simic S N,Sastry S.Distributed Localization in Wireless AdHoc Networks[J].2001.)估算未知节点的位置。当节点数目大于2时，从a_k个邻居锚节点中选择信号强度最强的3个锚节点根据如图1所示的MDIS分割模型对锚节点重叠的通信区域进行分割，计算每个子区域的质心点坐标。

(3)计算未知节点和每个子区域质心点的关系数组，并根据余弦相似度公式分别计算未知节点的关系数组与子区域质心点的关系数组的关系系数，将关系系数最大的质心点的位置估计成未知节点的位置。最终，点k的定位结果记为：L_k(x_k,y_k)。

(4)依次对其他所有的未知节点进行节点定位，直至全部定位完成。

本发明的积极效果是：

1.提出节点间的关系数组和MDIS区域分割模型，利用未知节点与锚节点构建的关系数组和分割子区域的质心点与锚节点构造的关系数组求出的关系系数，确定未知节点所在的子区域。据此提出一种新的非测距定位算法MDIS，并通过仿真程序验证算法的合理性。

2.相比于现有定位算法，在不增加硬件定位成本的前提下提高了节点定位算法的精度。

附图说明

图1MDIS分割模型。

图2近似计算子区域质心点。

图3节点分布图一。

图4锚节点率对定位误差的影响。

图5节点分布图二。

图6节点数目对定位误差的影响。

图7节点分布图三。

图8GPS误差对定位误差的影响。

图9锚节点的通信半径对定位误差的影响。

图10发明方法步骤。

具体实施方式

本发明采用区域划分与相似度匹配的方法来进行节点定位，下面结合附图对本发明的具体实施方式作进一步的详细说明。

本发明大略可以分为四个阶段，

首先是第一阶段。对整个无线传感器网络进行初始化。假设所有的节点信号最大传输半径r。对于每个节点来说，它的邻居发现过程可以利用Lightning邻居发现算法(WeiL,Zhou B,Ma X,et al.Lightning:A High-Efficient Neighbor Discovery Protocolfor Low Duty Cycle WSNs[J].IEEE Communications Letters,2016,20(5):966-969.)，并且约定每个节点可以发现所有网络中的其他邻居节点。对于一个节点k，在发现它的邻居节点时，其邻居锚节点集合记作{A(k)}。集合{A(k)}可以表示为：

其中，a_k表示节点k的锚节点数目；

其次是第二阶段。对于未知节点k，当周围邻居锚节点数目a_k＝0时，其位置不确定；当邻居锚节点数目a_k＝1时，用其邻居锚节点的位置作为其位置；当邻居锚节点数目a_k＝2时，利用BoundingBox算法(Simic S N,Sastry S.Distributed Localization inWireless Ad Hoc Networks[J].2001.)估算未知节点的位置；当邻居锚节点数目a_k>2时，如图1所示选择信号强度最强的3个锚节点进行计算，对锚节点重叠的通信区域DEF进行分割，过O点分别作 AB、AC、BC三边的平行线，与DEF区域交于G、H、I、J、K、L，然后将重叠区域DEF 的三个顶点分别与O点相连做成直线且与区域DEF交于M、N、P。通过上述方法，我们可将重叠区域DEF分成十二个子区域OGD、ODH、OHP、OPI、OIE、OEJ、OJM、OMK、OKF、 OFL、OLN、ONG，将区域划分成12个子区域，从而完成MDIS模型的构建。由于每个子区域都是带有一个曲边的图形，为了求出每个子区域的质心坐标，需要做如下转换：由于在实际情况下，每个子区域较小，可以将子区域的曲边近似成线段，从而将子区域转化为一个三角形区域如图2所示进而求出子区域质心点坐标；

然后是第三阶段。计算未知节点和每个子区域质心点的关系数组：

(d_ia,d_ib,d_ic)_12×3，其中对于未知节点k来说，虽然其位置是未知的，但是节点S可以获取到锚节点A、B、C发出的信号，并且可以计算出RSSI(接收信号强度)。根据RSSI距离衰减模型公式其中，d表示接收端和发送端的距离，RSSI表示接收信号强度，A表示发射端和接收端相隔1m的信号强度，n 表示环境衰减因子。所以，节点S的关系数组relation-array_k可以表示为：

其中RSSI_a、RSSI_b、RSSI_c分别表示k点接收到锚节点A、B、C的信号强度。然后根据余弦相似度公式分别计算未知节点的关系数组与子区域质心点的关系数组的关系系数可以表示成如下矩阵形式：

将关系系数最大的质心点的位置估计成未知节点的位置。最终，节点k的定位结果可以表示为：

其中，n表示未知节点k的邻居锚节点数量，表示k与oi的关系系数；

最后是第四阶段。依次对其他所有的未知节点进行节点定位，直至全部定位完成。

实验每一个仿真实验运行20次，然后求出平均值。为了使得实验仿真更加接近真实的实验环境，在仿真算法中首先对节点的通信辐射模型进行了构建，并对节点随机部署(不要求节点均匀分布)到500m×500m的区域内，然后分别对锚节点和未知节点进行部署。主要考虑锚节点率、节点数目、GPS误差以及锚节点通信半径四种参数对于定位精度的影响。如图 3中a，b，c，d，e所示，分别表示节点数为300，锚节点率为0.1，0.125，0.15，0.175，0.2 时的节点部署图。其中星号标记的代表锚节点，圆圈标记的代表未知节点。

根据仿真情况可以看出，如图4所示，节点总数、DOI、GPS误差和锚节点通信范围相同的情况下，随着锚节点数量的增多，绝大多数定位算法定位误差随之减小，定位精度有所提升。圆圈标记的曲线表示本发明提出的MDIS算法其在不同的锚节点率下与其他各种定位算法的比较，可以看出其定位误差是所有算法当中最小的。

如图5中a，b，c，d所示，分别表示锚节点率为0.15，节点数目为20，100，200，300 时的节点部署图。根据仿真结果来看，如图6，当锚节点率、GPS误差、锚节点通信范围和 DOI都相同时，定位区域节点的数量增多时，除了DV-hop定位算法和RSSI定位算法以外其他算法的定位精度都逐渐提高，MDIS算法的定位精度相较于其他算法来说是最高的。而且当节点数目相对较少时，定位精度随着节点数目的增加而增加，且效果比较明显。

如图7所示，锚节点率为0.15，节点数目为300时的节点部署图。根据仿真结果分析，如图8所示，节点数目、锚节点率、锚节点通信范围以及DOI都相同时，根据仿真结果表明当GPS误差增大时，所有算法的节点定位精度会随之下降。其中MDIS算法的定位误差在所有其他算法中性能表现是最优的。根据仿真结果分析如图9所示节点数目、锚节点率、DOI 以及GPS定位误差都相同时，仿真结果表明当锚节点误差通信半径增加时，大部分定位算法的节点定位精度会由于可能定位区域的增加随之下降。MDIS算法的定位误差仍然是所有比较的算法中性能最好的。

本发明的用户使用场景举例：

宠物项圈验证系统：在没有GPS模块或当宠物迷失方向导致GPS无法应用时，宠物项圈可以通过SIM800C通信模块与基站通信获取周围基站信息。系统将基站看作锚节点，项圈看作未知节点，然后将本发明定位算法应用到项圈的实际定位场景下，对宠物项圈定位。然后项圈会将计算得到的位置信息发送给OneNet平台，进而手机可以从OneNet平台数据库中读取项圈的位置信息显示给用户。

在上述场景中，本发明的方法取得了好的效果。

Claims

1.基于多区域划分和相似度匹配的非测距定位方法，其特征在于：

将传统的邻居锚节点的重叠通信区域分割，并选取每个分割的子区域的质心点作为特征点。然后建立特征点与锚节点和未知节点与锚节点的关系数组(Relation Array)，通过计算关系数组间的关系系数(Correlation Coefficient)来决定未知节点所在的子区域从而完成定位；

具体做法是：

首先对整个无线传感器网络进行初始化，利用多区域分割的思想划分定位区域，选取每个分割的子区域的质心点作为特征点，构建MDIS(Multi-Region Division In Shadow)模型。然后建立特征点与锚节点和未知节点与锚节点的关系数组并一对一地计算关系系数(关系系数区间为[-1,1])且关系系数越大，未知节点和特征点的位置就越相近，进而估算出未知节点位置坐标。而且在未知节点定位完成后，将其看作一个新的锚节点对其余未知节点进行定位，可以提高定位精度和进一步扩大定位的范围。

2.如权利要求1所述的基于多区域划分和相似度匹配的非测距定位方法，其特征在于：首先对整个无线传感器网络进行初始化开始，

第一步，对整个无线传感器网络进行初始化。假设所有的节点信号最大传输半径r。对于每个节点来说，它的邻居发现过程可以采用Lightning邻居发现算法(Wei L,Zhou B,MaX,et al.Lightning:AHigh-Efficient Neighbor Discovery Protocol for Low DutyCycle WSNs[J].IEEE Communications Letters,2016,20(5):966-969.)，并且约定每个节点可以发现所有网络中的其他邻居节点。对于一个节点k，在发现它的邻居节点时，其邻居锚节点集合记作{A(k)}。集合{A(k)}可以表示为：

其中，a_k表示节点k的锚节点数目；

第二步，对于未知节点k，当周围邻居锚节点数目为0时，其位置不确定；当邻居锚节点数目为1时，用其邻居锚节点的位置作为其位置；当邻居锚节点数目为2时，利用BoundingBox算法(Simic S N,Sastry S.Distributed Localization in Wireless AdHoc Networks[J].2001.)估算未知节点的位置。当邻居锚节点数大于2时，从a_k个邻居锚节点中任意选择3个锚节点，则共有种选择方法。每种选择方法均根据本发明提出的MDIS分割模型对锚节点重叠的通信区域进行分割，计算每个子区域的质心点坐标；

第三步，依次计算未知节点和每个子区域质心点的关系数组，并根据余弦相似度公式分别计算未知节点的关系数组与子区域质心点的关系数组的关系系数，将关系系数最大的质心点的位置估计成未知节点的位置。当分别计算种锚节点选择方法估算的未知节点位置后取平均值作为节点k的定位结果记为：L_k(x_k,y_k)；

第四步，依次对其他所有的未知节点进行节点定位，直至全部定位完成。

3.如权利要求1所述的基于多区域划分和相似度匹配的非测距定位方法，其特征在于：首先对整个无线传感器网络进行初始化开始，

其中，a_k表示节点k的锚节点数目；

第二步，对于未知节点k，当周围邻居锚节点数目为0时，其位置不确定；当邻居锚节点数目为1时，用其邻居锚节点的位置作为其位置；当邻居锚节点数目为2时，利用BoundingBox算法(Simic S N,Sastry S.Distributed Localization in Wireless AdHoc Networks[J].2001.)估算未知节点的位置。邻居锚节点数大于2时，从a_k个邻居锚节点中选择接收信号强度最大的3个锚节点。根据本发明提出的MDIS分割模型对锚节点重叠的通信区域进行分割，计算每个子区域的质心点坐标；

第三步，依次计算未知节点和每个子区域质心点的关系数组，并根据余弦相似度公式分别计算未知节点的关系数组与子区域质心点的关系数组的关系系数，将关系系数最大的质心点的位置估计成未知节点的位置。最后，节点k的定位结果记为：L_k(x_k,y_k)；

4.如权利要求1所述的基于多区域划分和相似度匹配的非测距定位方法，其特征在于：将重叠定位区域进行划分，选取每个分割的子区域的质心点作为特征点，构建MDIS模型。然后建立特征点与锚节点和未知节点与锚节点的关系数组并一对一地计算关系系数；其具体过程如下，

第一步，对于未知节点k，当周围邻居锚节点数目为0时，其位置不确定；当邻居锚节点数目为1时，用其邻居锚节点的位置作为其位置；当邻居锚节点数目为2时，利用BoundingBox算法(Simic S N,Sastry S.Distributed Localization in Wireless AdHoc Networks[J].2001.)估算未知节点的位置；当邻居锚节点数目大于2时，跳到第二步；

第二步，本发明对锚节点重叠的通信区域进行分割，将区域划分成12个曲边三角形的子区域，构建MDIS模型。由于实际情况下，每个曲边三角形子区域都比较小，将子区域的曲边近似成线段，进而求出每个子区域的质心点坐标；

第三步，计算未知节点和每个子区域质心点的关系数组，并根据余弦相似度公式分别计算未知节点的关系数组与子区域质心点的关系数组的关系系数，将关系系数最大的质心点的位置估计成未知节点的位置。