移动传感器网络（共10篇）
移动传感器网络 篇1
0 引言
无线传感器网络 ( WSN) 是由部署在监控区域的大量传感器节点以自组织的方式构成的无线网络, 其通过对物理环境进行采样来观测物理现象。移动无线传感器网络 ( MWSN) 是无线传感器网络的一个特例, 其中节点的移动性对应用产生了极大的影响。移动性已成为无线传感器网络领域的重要研究内容, 并取得了一定的成果, 然而节点的移动性研究仍有一些通信覆盖范围和能耗等方面的难题需要克服。在近来研究人员在移动性传感器定位领域有了很大的进步[1], 引入了移动实体解决了部分移动定位问题[2]。另外, 传感器节点移动性研究使得能够定位和追踪化学云、车辆和包等移动现象[3]。
移动传感器网络研究的最大挑战之一是定位。为了能在空间上下文内获取传感器节点的数据或在整个传感区域内导航, 传感器节点必须能够获取自己的位置。对于静态无线传感器网络, 定位不是问题, 因为网络一旦组建, 每个节点的位置就不会改变。对于移动传感器网络, 传感器节点必须频繁地估算自身的位置, 这会消耗大量的时间、能量, 以及其它应用需要的资源。然而, 现有的静态无线传感器网络中高精度定位方案不能原样移植到移动无线传感器网络中, 这是因为这些算法或者是需要集中式处理, 会花费很长的运行时间, 或者是做出了不适用于动态网络的环境或网络拓扑假设条件。
本文对移动无线传感器网络的定位问题进行了一系列的研究。在机器人交流、移动自组织网络、车载网络的定位有了较多的成果后, 本课题去研究了移动无线传感器网络直接相关的定位方法。为了能更好地理解节点移动时的定位, 我们首先对移动无线传感器网络进行了理解。特别是移动无线传感器网络的架构, 增加移动性带来的好处以及其与静止无线传感器网络定位的不同之处。另外, 我们将讨论移动性对移动无线传感器网路定位的可能影响。最后, 通过本课题的研究提出未了来移动无线传感器网络研究方向和定位模型。
1 移动无线传感器网络
1. 1 移动无线传感器网络架构
移动无线传感器网络可以分为三种体系结构: 一维、二维、三维分层体系结构。如图1 所示。
一维分层结构, 也称为平面结构, 包含一组自组织方式交流的不同类型的设备。设备可以是静态或者移动的, 但所有设备必须在一个网络内连接通信。基本导航系统[5]就是应用该结构, 如图1 ( a) 所示。
二维分层结构由一组静态节点和一组动态节点组成。动态节点形成覆盖层充当数据骡在网络中传输数据。覆盖层网络包含的移动设备具有较强的处理能力、较大通信范围和更高的带宽。覆盖层网络应保证密度以维持网络连通, 如图1 ( b) 所示。
三维分层结构中, 一组静态节点将数据传输到移动节点, 进而移动节点将数据传送到一组接入点。该结构用于大面积通信, 可同时兼容多个应用程序。
1. 2 无线传感器网络增加移动性的优势
无线传感器网络的设备分布通常是根据应用设定的。节点布置方式千变万化: 网格型, 随机分布, 目标围绕等。很多情况下直到节点开始收集、处理数据时我们才能确定网络最佳分布方式。对于远距离、大范围无线传感器网络, 重新分布节点是不可行的。但若节点是可移动的, 则可以重新布局网络。无线传感器网络中增加了移动性, 网络覆盖范围明显增大。
在稀疏网络、传感器网络节点失效时, 移动节点可以机动地覆盖失效、弱连接网络路径, 这在静态无线传感器网络中是无法实现的。在静态无线传感器网络中, 不能收集损坏或暂不连通节点数据。另外, 靠近基站的静态传感器节点更容易损坏, 因为他们要传递相较于外围节点更多数据, 其能耗程度、设备损耗程度更高。利用移动基站, 能够很好的解决这个问题, 网络性能提高。
2 移动定位算法
无线移动传感器网络定位具有的普适移动定位算法[6], 通过对移动定位算法的研究实现课题要求的移动定位要求, 具体分为二阶段。
2. 1 协调阶段
信号传输前, 节点仅通过相互协作参与定位。这种协作包括通知定位工作开始时间和时钟同步, 以保证收到的信号数据在一定时间帧内得到分析处理。协作技术使得通知消息和同步消息融合成为一段报文。该协作技术精度为微秒级, 只需传输一段报文即可。算法设定了一个未来的时间点, 在这个点上定位进程开启。消息用发送方 ( 也就是定位协作者) 时间戳编码, 编码过程在消息传输前一刻完成, 降低了传输前不确定性延迟。广播域内所有节点在同一时间收到消息, 并假定信号传输时间忽略不计, 将发送方的时间戳转换到本地时间表。很多定位机制[7]采用该技术。
2. 2 度量阶段
度量阶段是指信号至少在两个节点间传送, 在参与节点上的处理过程。
信号格式
传感器节点所选的信号格式对于精确定位至关重要。无线传感器网络主要用于提供廉价大范围观测功能, 通常不需为传感器增加额外硬件, 因为这会增加成本和能耗。定位机制在不同的环境中也有不同的实现形式。比如在潮湿的环境中, 无线电信号比音频信号弱得多, 因为空气中的湿气吸收、反射高频无线电波, 而对音波的影响可以忽略不计。另外, 应用本身会对某些格式的信号造成束缚。军事应用中, 节点必须处于隐秘状态, 此时使用无声的无线电信号要比听得见的音频信号安全的多。信号由基础设施节点接受, 集中处理, 用户可从结果获得位置信息, 最早采用红外信号移动定位系统是活动徽章系统[8]。但是红外信号衰减比较高, 传送方和接收方之间的距离不能太远。对于大部分的室内定位这是可以接受的, 但对于户外定位来说实现困难, 不仅有距离原因, 同样也因为在阳光下红外信号难以阅读。用无线电频率传输的好处之一是使得即使在稀疏网络中定位准确度也能达到厘米数量级。
度量技术
一些技术用于衡量无线传感网络鲁棒性, 覆盖范围以及邻居信息。Angle-of-arrival ( AOA) [9]方法确定两个信标之间的角度, 或者一个单一的基站和一个固定的轴 ( 称为轴承) 。通过确定一定数量传感器节点的AOA值, 就可以确定位置信息。
TOA (Time-of-Arrival)
方法统计一个信号到达一定数量节点所花费的时间。这需要知道信号传输时间, 并假定发送者和接收者同步。信号会有已知的传输特性, 在各种介质上传播速度不同。无线电信号传播速度近于光速, 所以很难精确记载无线电信号到达时间, 这使得TOA存在的缺陷。当在传播信号后, 发送源需要发布自己的传输时间, 需额外的通信开销, 引入环形TOA算法可以解决此问题。环形TOA算法中, 节点A发送信号给节点B, 当B节点收到信号后, 发送接收回执, 节点A观察往返时间, 去掉通信过程中的确定性延迟。
TDOA (Time-difference-of-arrival)
定位方法是TOA方法的改进, 它不要求信号发送时间。时间同步节点接收到同一信号, 在一个特定时间段内检测到不同到达时间。由于信号以恒定速度传输, 当有足够数量节点参与时很容易确定发送源。另一个定位法检查接收到的广播信号强度 ( RSS) 该信号源位置已知。自由空间信号强度模型遵循平方反比定律, 这种定位方法准确度较高。
以上方法提供了很准确的定位评估, 但通常定位区域有限:一个房间, 一层楼, 或者一个街道。这种类型的定位基于邻居区域A检测到节点, 则认为节点位于A区域。另一种方法使用跳数定位, 无线电节点的大致传播范围已知, 观察一组锚节点的消息跳数将目标节点限定到一个特定的地区。
3 移动定位实现
从度量阶段获取的信号数据用于估算目标节点的位置。基于测距的常见移动无线传感定位技术需获知距离和角度。分布数据常受到噪声信号干扰, 这就需要过滤噪声的优化方法以保证到达数据具有更高的准确性。
最小二乘法
测得基站和移动节点距离后, 用最小二乘法估算位置[10]。图2 ( a) 描述了该方法。对于二维定位, 需要从三个已知位置做出衡量。以锚节点为圆心, 锚点到地标距离为半径的圆是该节点的覆盖范围。如果没有噪声, 这三个域会恰恰相交在一个点, 以此定位目标。有噪声时, 三个圈会重叠, 目标节点可能但不一定在该地区。
估测角度法
当获取到移动节点和锚轴承、锚间夹角信息后, 测角便用于确定移动节点的位置, 如图2 ( b) 所示。对于三维测角, 当使用两个锚点, 则目标位置在一个三角形的第三点, 该三角形的两个角 ( 锚轴承间角度) 和一条边长 ( 锚点间距) 已知。通常, 锚点数多于2, 所有轴承信息统计后实现目标节点定位。
在课题中通过使用最小二剩法测得基站和移动节点距离后, 用最小二乘法估算多个移动传感器的基本位置, 这些移动传感器节点被集中统计下来, 在采取多次收集后再通过最大似然法从采集模型总体中随机抽取n个样本观测值, 进行多组数据抽取, 最后筛选出概率最大的一组作为样本参照点。在获得初始方位后再采用估测角度法获取到移动节点和锚轴承、锚间夹角信息后, 测角便用于确定移动节点的位置。最后经过整合采集到的最大概率样本参照模型后直接获得其具体方位夹角数据, 从而定位到移动传感器的准确位置, 也表现出了移动性的样本传感器的移动定位的积极贡献。
4 移动性对定位的影响
通常, 人们为进行跟踪或导航而使用移动传感器定位。然而, 当传感器移动时, 会出现很多难题, 必须找到办法解决这些问题。
问题之一是定位延迟, 如果用于定位的时间太久, 这段时间内传感器的位置会发生很大改变。例如: 定期定位的机器人导航是为了得到适当的控制输出, 如果机器人以1m/s的速度运动, 定位算法5 秒完成定位, 那么定位位置和实际位置直接就有5 米的偏差。
移动性还会影响自身定位信号。例如, 信号的频率可能会经历一个多普勒频移, 这会引入测量的误差。当发射机信号与接收者之间是相对运动, 则会发生多普勒频移。最终频移与两节点的位置和他们的相对速度有关。
如果用视线 ( LOS) 定位技术, 可能出现移动传感器从LOS良好的位置移动到LOS较弱的另一个位置情况。出现这种情况时, 密集网络用于确保移动节点移动时收到LOS。
5 结语
本文对移动无线传感器网络的定位进行了综述。移动平台上资源受限的传感器节点为移动传感器网络的定位带来了极大的挑战。以往的用于资源不受限的大足迹移动物体的高精度定位算法难以适用于移动传感器网络。未来的移动无线传感器网络定位工作有几个方向可以研究: 缩短定位延迟是最关键的一个方面; 定位准确度同样不容忽视。目前在这两方面实现了折中, 在保证准确度前提下缩短定位延迟将是我们近期需要考虑的方向。
参考文献
[1]Ekici E, Gu Y, Bozdag D.Mobility-based communication in wireless sensor networks[J].Communications Magazine, IEEE.2009, 44 (7) :56-62.
[2]Munir S A, Ren B, Jiao W, et al.Mobile wireless sensor network:Architecture and enabling technologies for ubiquitous computing[C]//Proceedings of the 21st International Conference on Advanced Information Networking and Applications Workshops, AINAW, 2010.
[3]Tilak S, Kolar V, AbuGhazaleh N B, et al.Dynamic localization control for mobile sensor networks[C]//Proceedings of the IEEE International Workshop on Strategies for Energy Efficiency in Ad Hoc and Sensor Networks, 2009.
[4]Amundson I, Koutsoukos X, Sallai J.Mobile sensor localization and navigation using RF doppler shifts[C]//1st ACM International Workshop on Mobile Entity Localization and Tracking in GPS-less Environments, MELT, 2011.
[5]Wang G, Cao G, Porta T, et al.Sensor relocation in mobile sensor networks[C]//IEEE INFOCOM, 2010.
[6]Hightower J, Borriello G.Location systems for ubiquitous computing[J].IEEE Computer, 2011, 34 (8) :57-66.
[7]Brooks R R, Griffin C, Friedlander D S.Self-organized distributed sensor network entity tracking[J].The International Journal of High Performance Computing Applications, 2009, 16 (3) .
[8]Priyantha N B, Balakrishnan H, Demaine E D, et al.Mobile-assisted localization in wireless sensor networks[C]//Proceedings of the IEEE24th Annual Joint Conference of the IEEE Computer and Communications Societies (INFOCOM) , 2011.
[9]Gunther A, Hoene C.Measuring round trip times to determine the distance between WLAN nodes[C]//NETWORKING 2005.LNCS, 2005, 3462:768-779.
[10]Niculescu D, Nath B.Dv based positioning in ad hoc networks[J].Journal of Telecommunication Systems, 2003, 22:267-280.
传感器网络:虚实之间 篇2
爱德华·贝尔是瑞士联邦铁路公司（Schweizerische Bundesbahnen，简称SSB）的一名普通的铁路巡检员，他自豪于SSB在瑞士的地位——从瑞士任何一个铁路站点出发，你可以达到欧洲的任何一个大都市，这是世界上最密集与繁忙的铁路网，而SSB运营着超过3000公里的铁路线，每天运送90万人次和2.2万多吨的货物。在过去10多年中，贝尔每周都要沿着辖区内的轨道线路来回巡检，以杜绝安全隐患，这样的人工操作模式占据了SSB资产维护成本的20%~30%。
现在，嵌入到列车车厢、铁轨以及车站上的5万个固定传感器节点和2万个移动传感器节点，已经可以收集实时的运行数据，并通过光纤网络传送到监控中心，贝尔每天敲打铁轨的巡检方式已经成为过去时。
负责提供该铁路智能传感解决方案的IBM公司称，SSB现在能提前发现并修复50%的安全隐患，每月火车延迟时间至少减少2000分钟，每年节省的维护成本达230万美元。
早在2008年时，IBM就提出了名为“智慧地球”的传感器及物联网项目，意在为交通运输、电力网络、食品运输、医疗保健及水利管理等现实世界的庞大技术资产，提供更为智能化的感知系统。该战略在提出时，曾被视为IBM兜售其产品和服务的一种新营销策略，但现在此概念正在变为现实，IBM已经在全球开展了2000多个相关项目。
传感商机
让我们看看虚拟世界中的已经和正在催生的巨头们——提供精确搜索的Google、在全球分发货物的Amazon、满足社交欲望的Facebook和其游戏寄生商Zynga、送来团购优惠的Groupon等，它们喜欢追踪你用鼠标点击、键盘输入以及触屏的行为，一旦感知到你的喜好，机会就来了。
这种感知嗜好正在介入到现实世界——从你的手机、钱包、汽车、冰箱，到你所经过的桥梁、铁轨、楼宇、店铺，乃至你的身体本身。
“互联网的下一次革命并不是基于5亿或10亿用户手动输入的数据上，只有把计算机和传感器连接在一起的话，潜力会更加巨大。”惠普公司CeNSE（地球中枢神经系统）项目负责人Peter Hartwell 博士称，1万亿个纳米传感器与驱动器组成物联网将相当于1000个因特网。
CeNSE是惠普实验室近年来推动的一个重要研发项目，它是一个高度智能化的网络，由数以亿计的纳米传感器组成，具有感觉、味觉、嗅觉、视觉和听觉。一旦完成，它会成为一个全球性监测网络，测量和跟踪世界各地各种事物的变化，这将改变很多产业的运作模式。
例如，惠普最近与壳牌共同开发出了一种惯性传感技术，它可以通过更高的灵敏度和超低频率来拍摄并记录地震勘探数据。两家公司把超过100万个无线传感器散布在沙漠中，然后制造一种类似坦克开过的微型地震，就能够得到大量的震感数据，经过一番分析，基本就能断定该区域是否藏有石油。
苹果公司也对充当现实世界的感知入口产生了浓厚兴趣，它最近已经申请了一些生物传感方面的专利，包括指纹识别器、面部及虹膜识别感应器等，未来将其嵌入到iPhone、iPad等智能终端内。这意味着只要你一拿起手机，它就知道主人来了。
这看上去似乎还有点遥远，但它可以做一些不那么遥远的事情——不久的将来，你将可以用iPhone测试自己的脉搏、心跳、血压等46~126项生理数据。这些数据可以通过无线通信网络传递至医院的诊断系统，从而演进成一种实时的远程医疗服务。
当这些IT科技巨头们雄心勃勃宣布进入到新式传感以及物联网领域时，一些小型创业公司的激情也被激发出来。例如由苹果前高管托尼·法德尔(Tony Fadell)创办的硅谷公司Nest Labs，最近推出了一款数字调温器——它不仅可以感应气温，还能够探测房间内的人类活动及其进出房间的情况，并对室温进行相应的调整，从而达到节能的目的。
还有一些科研机构正在进入一些更具挑战性的领域，比如美国的科学家已尝试在人类大脑内植入传感芯片，从而实现类似“隔空取物”、大脑自动连接互联网以下载信息等功能。
看上去，已经没有什么可以阻挡人类将一切传感化的野心了，但确实如此么？
传感之阻
从最基础的传感器件来看，我们已经制造出了品类丰富并且工艺水平很高的传感器，有些传感器有着惊人的敏感度。例如惠普CeNSE项目第一阶段研发出了一种基于高速传感器运作的加速计，敏感度大约为Wii、iPhone或汽车气囊系统的敏感度的1000倍，几乎与人类的触觉一样敏感。惠普称要创造在传感器世界的摩尔定律，而很多科技巨头也对此信心满满，以延续它们在传统IT和互联网领域的成功。
如果做一个简单的分拆，任何一个无线传感节点的4个普通部件中，传感器及其信号调节电路、微控制器、无线电收发器等3个部件可以受益于摩尔定律，但剩下的电源部件却不受此支配，电力损耗问题依然是一道尚没有完全逾越的屏障。
更大的挑战来自于生态系统的建立与完善。微软亚洲研究院常务副院长赵锋称，就如同生物界中细胞不断新陈代谢以维系生命延续一样，传感器网络的最好状态就是可以形成一个类似生物学系统的体系，一部分传感器出现故障时，有其他的传感器可以替代，这就需要大的规模来保证。
这意味着让“一切皆传感”从实验走入大规模的应用，没有人可以单独完成，还需要多个领域的共同配合，比如硬件、固件（firmware）、软件、界面等，这将是一条很漫长的产业链。
现在，我们看到的更多是一些闭环的、小型的、局部的传感网试验，IBM中国研究院院长李实恭称之为“碎片化应用”：虽然布设了大量的传感器，但无法保障整个传感网络的可控性，即使能够做到可控，成本却非常高。
现在，你可以将现在的传感试验视为一种热身运动，但“一切皆传感”的时代确实离我们越来越近。
无线传感器网络移动定位算法研究 篇3
无线传感器网络WSN (wireless sensor networks) 由大量成本低廉的, 能够与外界环境交互的传感器节点组成, 它能够运用在人类与环境健康状况的监测, 工业生产控制, 化学物品、生物制剂威胁与泄露的侦查, 自然灾害的营救等多方面。然而, 大多数应用场合, 确定传感器位置才能使感知的数据有实际意义, 传感器节点需要明确自身的位置才能提够实现对目标的跟踪和监测[1]。节点定位技术成为无线传感器网络的关键技术。利用少量已知位置的节点 (采用GPS定位或者预先配置) , 通过定位算法, 来实现对节点的定位。已知位置的节点称作锚节点 (anchor) , 未知位置的节点称作未知节点, 需要被定位。
2 移动定位算法的研究
目前存在的定位算法, 可以分为三类:基于距离的 (range-based) 定位, 距离无关的 (rangefree) 定位, 传感器网络的移动定位算法。基于测距的定位算法能够实现高精度的定位, 但需要额外的硬件设备测量距离或角度, 对大规模配置传感器节点的无线传感器网络是不合适的。距离无关的定位成本低, 但定位精度低, 且存在无法定位的盲点, 很大程度上依赖锚节点的配置状况。如果锚节点或者未知节点处于移动状态, 则无法使用这些方法进行定位, 提出了移动定位技术。
由大量未知节点与少量锚节点组成的传感器网络, 其移动性表现分为三种情形: (1) 未知节点与锚节点都是移动的。自组织网络 (ad-hoc) 就是一个典型的网络; (2) 未知节点静止, 锚节点是移动的。比如:Spotlight System, 未知节点是从飞机上抛洒下来, 随机分布在监测区域。节点配置之后。飞机上安装了一种Spotlight的设备作为锚节点, 飞机从检测区域飞过并产生光事件, 未知节点检测事件, 并将检测的时间返回给Spotlight的设备。Spotlight的设备就可以计算未知节点的位置。 (3) 未知节点移动, 锚节点静止。
2.1 Monte Carlo Localization (MCL) 算法[2]
MCL算法分为三个阶段:第1段基于前一时刻的抽样与未知节点的移动, 使用一个移动模型来预测它当前的可能位置;第2阶段, 未知节点根据从锚节点获得的新信息, 使用一种过滤机制来消除与当前位置不一致的预测位置;第3阶段, 为使抽样数在设定的门限值之上, 需要再进行抽样。
2.1.1 预测阶段。
假设时间被划分为离散的时间单位, 那么节点在一个时间单位移动的距离可用其移动速度来表示。假设未知节点仅知道移动的速度在[0, vmax) 内的任意值, 不能超过最大值vmax, 而不知移动的方向。节点在t-1时刻可能的位置分布为lt-1, 则在t时刻可能分布lt是以lt-1为圆心, vmax为半径的圆形区域内。d (l1, l2) 表示节点l1与l2的Euclidean距离。则当前位置的概率分布为:
也就是说, 当d (lt, lt-1) 小于vmax时, 则当前位置以等概率分布于以lt-1为圆心, vmax为半径的圆形区域内的任意一点;当d (lt, lt-1) 大于vmax时, 则节点移动的速度太快, 前一时刻的位置分布已经没有了参考价值。
2.1.2 过滤阶段。
在这阶段, 基于新的观察结果, 节点会过滤不可能的位置信息。如图1所示, 锚节点时刻0在位置l0, 时刻1移动到位置l1, 对黄色区域I的未知节点来说, 在时刻0能监听到, 时刻1无法监听到, 它是离开的锚节点;对绿色区域II的节点来说, 时刻0无法监听, 时刻1能监听, 它是刚到达的锚节点;对黄绿重叠区域III节点而言, 时刻0和1都能监听到, 它是内部锚节点。刚到达的和离开的锚节点能提供最有用的信息, 因为节点知道自己在当前时刻处于某个锚节点的传输范围内而不处于其它锚节点的范围内。仅仅从锚节点的当前时刻收获的信息是不够的, 还需要获取其它的信息。
图2显示了过滤机制。在锚节点发射距离r范围内的未知节点能够直接监听到它的信息;而在 (r, 2r]范围内的未知节点无法直接监听到锚节点的信息, 但未知节点的某个邻居节点可以监听到锚节点的信息, 这个锚节点为间接锚节点。N为预测阶段获得的某个未知节点可能的位置信息。S为能被N监听到的所有锚节点。T为能被N的邻居节点监听到而自己无法监听到的锚节点。则过滤机制为:
如果filter (l) 的值为假, 即两个无交集, 基于观察的位置概率分布为0;否则可以获得基于观察值的概率分布p (lt|ot) 。因此, 通过观察, 可以消除与预测阶段不一致的位置信息。在过滤阶段之后, 可能的位置信息少于N个, 就需要重复这两个阶段, 直到至少有N个可能位置信息获得。
实验表明锚节点、未知节点的速度越快, 越易达到稳定状态, 因为节点的快速移动, 可以获得更多的锚节点的信息, 过滤掉不准确的信息。因此, 节点的移动提高了定位精度。仿真结果也证实, 它的定位精度比质心算法、Amorphous算法高。
2.2 MSL*的定位算法[3]
这个算法能运用在传感器的移动网络和静态网络中。在MSL*算法中, 为每个节点维持了一个可能的位置集, 即抽样。抽样的质量以加权值 (weights) 来衡量.直观上讲, 一个抽样的加权值就是在邻居节点估计位置给定的情况下, 这个抽样接近未知节点真实位置的可能性近似值。MSL*算法的定位主要有以下几个步骤:
(1) 初始化。在定位的初期, 节点没有关于它位置的任何信息, 每个节点的第一批抽样值是从整个传感器区域内随机选择的;节点仅仅从直接邻居节点的锚节点中获得信息。
(2) 抽样。节点可以使用下面的转换方程产生新的抽样。
vmax是节点移动的最大速度, d (St, St-1) 表示节点在t与t-1时刻的距离。在每个时间单位中, 一个新的抽样是以当前抽样值为圆心, vmax+α为半径的圆形区域内的任意一点。在选择了抽样值之后, 其加权值由邻居节点的信息而决定。假设未知节点p的一个抽样s的加权值为ws (p) , 它的邻居节点为q, q的加权值ws' (q) , 则p的加权值是所有邻居节点的加权值之和。k是节点p的一跳和二跳的所有邻居节点, 即为:
如果节点p的加权值ws (p) 大于设定的门限值, 则此抽样保存下来。
(3) 再抽样。再抽样就是逐渐移出低加权值的抽样点, 而留下高加权值的抽样点。在这个阶段, 每个节点都要从当前抽样集中计算出新的抽样集。抽样数保持固定, 小的加权值的抽样点被再次选中的概率低。大的加权值的抽样点选中的概率高。在新的抽样集中存在许多与前一次相同的抽样点。
仿真结果显示, 节点的移动能够提高定位的精度, 因为移动的节点可以获得更多的锚节点或者邻居节点的信息。但不是越快的速度, 定位精度越高, 因为过快的移动, 前一时刻的位置信息将不再有用, 定位差错就增加。最大速度vmax为半径的0.2倍时, 定位精度最高。
2.3 移动定位算法的比较
以上讨论的四种算法都是分布式的定位算法, 具有良好的扩展性。MSL*算法是MCL算法的基础上延伸的算法, 但又做了些改进, 表现为: (1) 每个节点筛选了获得信息的渠道, 是从具有更好位置估计的邻居节点, 通过节点的加权值来实现。这种改进即使在节点的低速运动或者低锚节点密度的情况下, 也能实现快速收敛, 提高定位的精度; (2) MSL*算法改进了节点的抽样过程, 抽样点的加权值必须高于某个门限值。这就使得定位差错更快的收敛, 有更快的执行时间, 在移动传感器网络获得更好的位置估计。“用移动锚节点进行定位的算法”是“移动锚节点定位算法”的升级版本。前者在继承后者定位算法的基础上, 使用迭代求精, 通过Levenberg-Marquardt数学方法来优化获得的信息, 实现了更精确的定位。MLS*和MCL能够运用未知节点和锚节点都是移动的无线传感器网络中。
3 结论和展望
传感器网络的定位技术在遭遇基于距离的定位技术的高成本, 与距离无关的粗糙定位的瓶颈之后, 人们开始使用新的方法来获得精确的定位, 那就是移动节点定位技术。详细地介绍了几种新型的移动节点定位算法, 分析比较了几种算法的性能。边界锚节点的确定是获得精确定位的关键。因此, 如何准确地确定边界锚节点将是以后研究的关键。在这些定位算法中, 都没考虑定位的安全性, 将这些算法中添加一些密匙之类的安全措施, 实现安全定位也是算法研究的一个重点。
摘要：基于距离和距离无关的两种定位算法, 在无线传感器网络应用中, 有各自的局限性, 而移动节点定位技术较好的弥补这些缺陷。详细阐述了几种新型的移动定位算法的原理和特点, 分析了它们的性能, 并指出了未来研究的重点。
关键词：无线传感器网络,移动定位算法,定位精度
参考文献
[1]任丰原, 黄海宁, 林闯.无线传感器网络[J].软件学报, 2003, 14 (2) :1148-1157.
[2]L.Hu, D.Evans, Localization for mobile sensor networks[J].MobiCom, pages, 2004:45-57.
无线传感器网络的数据分发技术 篇4
关键词：无线传感器网络；数据分发；能量有效；sink节点；方案
0引言
无线传感器网络是由许多具有感知、计算和通信能力的低成本低功耗的微型传感器组成，用于实时感知和采集网络覆盖区域内的感知对象的信息，常常由成百上千个传感器协同工作。这些传感器一般可分成两类：一是具有通信能力的传感器节点，称为源节点。源节点通过内置的一个或多个物理传感器，如温度传感器、光传感器等，可对观察范围内的感知对象产生原始数据。这些节点靠不能补充能量的电池供电，具有有限的能量。二是网关节点，也称为sink节点(或基站)，这些节点用于实现传感器网络与Internet的连接，往往个数有限，但能量能够得到补充。无线传感器网络的主要目的是从监测环境中收集用户感兴趣的数据，发送给sink节点。因此，数据分发是无线传感器网络的一个基本功能，而带宽和能量是传感器网络中最为缺乏的资源，为了延长网络的生存时间，设计能量有效的数据分发方案是至关重要的。
1数据分发的分类
在传感器网络中，数据分发的分类有三种。而一种是按照数据传输的方向，分为三类：
(1)源节点到sink节点的数据分发。源节点把探测到的感知数据发送给sink节点。
(2)源节点之间的数据分发。当源节点之间需要协作时，由请求源节点发送消息给需要合作的其他源节点。
(3)sink节点到源节点的数据分发。sink节点可以改变部分或全部传感器节点的操作模式，向网络中广播一条新的消息，激活或睡眠一个或多个源节点，向网络中发送查询等。
第二种是根据通信周期，分为三类：
(1)事件驱动(event-driven)数据分发。只有在感兴趣的事件发生时才构建路径，发送数据，从而减少了持续更新路径的费用。
(2)连续数据分发(confinuous dissemination)。每个源节点定期地发送数据给sink节点，需要定期重建路径。
(3)查询驱动数据分发。只有sink节点需要查询时，才构建数据分发路径，符合条件的源节点响应查询，并将感知数据发送给sink节点。
第三种是根据应用类型，也分为三类：
(1)固定源节点与固定sink节点间的数据分发。源节点与sink节点一旦配置好，它们的位置就不再改变，直到网络终止，这是使用最广泛的数据分发。
(2)固定源节点与移动sink节点间的数据分发。用户使用如PDA等移动设备在感知区域内移动，通过查询源节点来获取有关对象的当前状态或近来目标活动的概况。
(3)移动源节点与移动sink节点间的数据分发。可用于监测和跟踪移动目标的传感器网络。
2数据分发方案
无线传感器网络的主要功能是实现数据分发，而有效、可靠的数据分发关键在于建立数据传输路径。设计能量有效的数据分发方案可以优化数据传输路径，减少节点能量的消耗和网络拥塞，提高数据传输性能，有效延长网络寿命。近年来，许多研究者注意到了数据分发的重要性，并提出了许多数据分发方案，其中具有代表性的有以下几种。
2.1基于外部存储的数据分发方案(External Storage-baseddata dissemination scheme,ES)
这是使用最广泛的一种方案，它依赖于一个位于传感器网络外部的集中式基站，该基站用于收集和存储感知数据。这种方案必须把源节点的所有感知数据通过泛洪传送给基站，用户通过查询基站来获取数据。但当查询过多时，ES数据分发方案将非常低效。
2.2基于数据中心存储的数据分发方案(Data-Centric Stor-age-based data dissemination scheme,DCS)
当源节点监测到事件的感知数据时，源节点向它的相邻节点广播感知数据的描述信息，感兴趣的节点发送相应的请求给源节点，源节点才向请求者发送数据信息，接收到数据的节点再向它的相邻节点广播消息，如此重复，使所有节点都有机会接收到任何数据。因此，事件的感知数据可能被存储在网络中的部分或全部源节点上。但不管什么查询，数据都使用预定义的方式传送。这种方案缺乏适应性，并且在查询率较低时，可能会引起很多不必要的数据传输。
2.3基于本地存储的数据分发方案(Local Storage-baseddata dissemination scheme,LS)
源节点只有收到sink节点的查询时，才发送数据给sink节点，这样可以避免传输不必要的感知数据。这种方案需要建立一个sink-source的匹配机制，使sink节点容易找到持有所需数据的源节点，大多数采用的匹配机制遵循flood-response模式，需要在网络中泛洪某些控制消息。比如，在DirectedDiffusion(DD)中，sink节点把查询泛洪到整个网络中，沿途节点按需对各查询进行缓存，并根据查询计算梯度，使具有被请求数据的源节点知道把数据发送到什么位置。而在Two-TierData Dissemination(TTDD)中，由监测到某个事件发生的源节点以自身作为网格的一个分发节点构造一个网格，sink节点在本地发送泛洪查询请求到最近的分发节点，该节点再转发给邻近的分发节点，直到把查询请求发送到该源节点，数据再反向传送到sink节点。LS数据分发方案由于需要大范围的网络泛洪，可能会引起严重的网络阻塞和大量的能量消耗。
2.4多级数据分发方案(Multi-Resolution data dissemination scheme,MR)
这是综合LS和DCS数据分发技术的一种数据分发方案，其基本思想是在数据源中选择一个头节点，代表数据源中所有源节点在最近的注册节点上进行注册，sink节点把查询发送到所有注册节点上，从注册节点再把查询发送到所有匹配的头节点，当头节点收到查询后，使用局部节点选择算法在数据源内选择一组节点进行查询。由于sink节点的位置包含在它分派的查询中，查询节点可以直接把感知数据发送给sink节点，如图1所示。这种数据分发方案避免了查询泛洪，能有效减少能量消耗，而且通过减少冗余数据的分发进一步达到节省能量的作用。但是在数据源中只是基于感知范围参数来选择查询节点，没有考虑数据的分布情况。
2.5基于索引的数据分发方案(Index-based Data DisseminationScheme，IDDS)
为了克服以上几种数据分发方案存在的问题，提出了基于索引的数据分发方案。在这种方案中，负责监测某对象的源节点定期产生有关该监测对象的感知数据，并把感知数据存储到存储节点(storing nodes)3：，存储节点可能是该源节点，也可能是邻近的某个节点。同时，存储节点的位置信息，称为索引(Index)，要增加到与监测对象有关联的某些节点上，这些节点称为索引节点(Index nodes)，并在索引节点上进行维护。当被监测对象移动时，要改变相应的监测源节点。但是，新的监测节点仍然使用原来的存储节点保存感知数据，直到监测节点离存储节点很远时，才选择新的存储节点。当选择了一个新的存储节点时，原来的存储节点处理以前存储的数据，产生一个汇总数据，发送给新的存储节点。如果不汇总以前的数据，新的存储节点可以使用一个指针指向原来的存储节点，这样，从当前存储节点也可以访问以前的数据。并且，新的存储节点也应在与该监测对象有关的索引节点上注册它的索引。
当sink节点想查询某个监测对象的感知数据时，就发送一个查询消息给与监测对象有关的索引节点，索引节点收到该消息后转发该请求给相应的存储节点，由存储节点直接发送查询结果给sink节点，存储节点只有接收到sink节点的查询时，才发送数据给sink节点。其基本思想如图2所示。这种数据分发方案避免了发送不需要的感知数据，也不需要把控制信息泛洪到整个网络，改善了整个系统的性能，但是增加了维护索引节点的额外费用。
3数据分发方案的比较
根据上一节的说明和分析，表1对以上5种数据分发方案的特点进行了总结和比较。方案特点包括：是否建立最佳数据分发路径；是否存在影响数据分发的关键节点；是否支持sink节点移动；是事件驱动、查询驱动还是连续数据分发；数据分发所需的通信量、计算量和存储量。
4结束语
移动传感器网络 篇5
近年来,无线传感器网络技术及应用迅速发展,由于其节点成本低、功耗小、系统稳健、组网灵活,得到业界的广泛关注。清华大学提出城域感知与运营网络(Metropolitan Area Sensing and Operating Networks,MASON)概念,面向城市环境信息采集应用,在大空间尺度上部署传感器节点,通过节点移动性和动态组网扩展信息采集范围和传输效率。
在城市无线传感器网络应用中,传感器节点的位置信息十分重要[1,2],在生态环境监测、自然灾害的现场监控等应用中,传感器节点所发回的物理信息数据要有意义,就必须与其地理位置相关联,从而使上层得到信息来源的准确位置,有时甚至需要传感器节点发回单纯的位置信息[3,4],例如,在目标跟踪应用中,传感器节点通过监测所跟踪目标的移动速度,在知道其所在位置的情况下,用特定的分析算法,计算目标当前的运动轨迹并预测未来的移动路线。此外,节点位置信息还可以为其他协议层的设计提供帮助。在应用层,节点位置信息对基于位置的信息服务应用至关重要,同时,位置信息还可以提供整个网络对物理空间覆盖质量的评估;在网络层,位置信息可以帮助路由算法得到更好的性能,提高路由效率,实现网络的负载均衡和网络拓扑的自配置等;在城市环境的无线传感器网络的监测、跟踪、预警等应用中,传感器节点所发回的空气、水体、噪声、天气、交通、安全等意义信息都需要信息来源的准确位置来支持,因此,需要研究高效的定位方法来确定传感器节点的位置信息[2]。
由于传感器节点的位置信息在应用中的重要作用,节点定位成为了无线传感器网络的主要研究方向之一。由于传感器节点通常是用随机的方式部署到监测区域中的,因此预先确定节点的部署位置比较困难,只能在部署完成后,通过一定的技术手段获取节点的绝对地理坐标或相对位置信息。当前,最普遍使用的定位系统是全球定位系统(Global Positioning System,GPS),但是由于其需要单独的定位芯片组,成本开销和功耗较大,只适用于室外开阔地带,不适于低功耗、低成本、大规模的无线传感器网络。在机器人研究领域,目前也有很多关于定位的研究,但是由于该领域算法一般不关心计算复杂度,同时需要有特殊的硬件设备支持,所以在无线传感器网络中也不能方便地应用[5]。
无线传感器网络定位机制根据其应用不同可以分为两类:第一类是针对静态网络拓扑的定位机制,其又可细分为基于距离(Range-Based)的定位算法和距离无关(Range-Free)的定位算法[6,7]。基于距离的典型定位算法有到达时间TOA的定位、到达时间差TDOA的定位、到达角度AOA的定位和接收信号强度指示RSSI的定位。距离无关的典型定位算法有质心算法、距离向量-跳段DV-Hop算法、Amorphous算法和近似三角形内点测试APIT算法;第二类是针对可移动网络拓扑的定位机制。典型的有利用移动GPS和路点(Way Point)的路径预测算法[8]和利用GPS的蒙特卡洛定位(MCL)方法[9,10,11]。这两类定位机制都要求传感器节点之间可以直接通信,即依赖于网络拓扑的密集性。由于无论是静态网络拓扑,还是可移动网络拓扑,其定位机制通常都依赖于3种最基本的方法[1]:三边测量法、三角测量法和极大似然估计法。这3种方法有效的最基本的前提就是传感器节点之间可以直接通信,对于存在移动节点缺乏连续的网络连接性的稀疏、延时容忍网络(Delay Tolerant Networks,DTN),这些基本方法不能够直接使用。
由于城市无线传感器网络的规模大、覆盖面积广、节点间距离较远,一般互相不在彼此的通信半径之内,整网的拓扑是稀疏且短暂互联的,数据传输要依赖于节点的移动性,是一种延时容忍网络,故传统的无线传感器网络定位机制在城市传感器网络中不能够直接使用。另外由于城市无线传感器网络节点的大规模和稀疏性,从成本、可扩展性和易用性的角度考虑,在节点上配备GPS设备、加速度传感器或任意其他跟测量相关的硬件都是不可取的。因而,有必要设计特殊的定位算法,以解决这类网络中的定位问题。
笔者考虑城市无线传感器网络低成本、低能耗、节点数量众多和强延时容忍等特性,提出一种可应用于城市移动无线传感器网络的新定位算法,该算法不需要任何其他附属的硬件设备就能完成定位,分析其收敛条件,通过仿真验证,给出误差分析。
2 系统模型
根据不同类型节点对定位的不同作用,城市无线传感器网络可分为以下3类:
1)信标节点(Anchor)。数量较少,地理位置信息已知,可与接近它的移动节点交换信息,一般在无线传感器网络中负责信息汇集的作用。
2)传感节点(Sensor)。随机布撒,数量非常多,地理位置信息未知但位置保持不变,需要定位,可与接近它的移动节点交换信息。
3)移动节点(Carrier)。被车辆携带,从而在网络中移动,其地理位置信息未知且经常变化,可与路过的临近的信标节点和传感节点交换信息。
在城市无线传感器网络中,由于网络的稀疏性,无法直接通过测距、测角等基本方法来设计定位方法,但可以得到网络节点的其他信息,如移动节点的最大移动速度、信标节点的位置等[8,10],因而可以结合多节点协同[12]的方法来帮助定位。另外由于其延时容忍特性,还可以通过大量的观测得到城市环境下车辆流(Traffic Stream)的运行轨迹和统计学特性的经验统计模型,根据经验统计模型来给移动节点建立概率移动模型,在此基础上,应用统计学的方法,可以实现位置保持不变的传感节点的定位。
文献[13]在分析了车辆运行统计模型的基础之上,提出了曼哈顿格(Manhattan Lattice,ML)模型。ML模型在不失本质和普遍性的前提下模拟了大量车辆同时在城市中运行的统计学规律。笔者在有关Torus环结构的研究成果[14]下把该模型加以改进,并结合城市无线传感器网络的系统,形成了适用于城市无线传感器网络定位算法分析的曼哈顿环(Manhattan Torus,MT)模型。该模型使得针对城市无线传感器网络的理论和仿真分析更加容易,具体表述为:假设移动节点在n×n的MT图的边上自由行走在每个交叉点以一定的概率选择右转、前行和左转中的任意一种,如图1所示,其中图1a表示MT图,在Torus环的基础上加入了网格Lattice,图中两条粗线分别标示区域分块的长度和宽度。图1b表示车辆的行走方式,其在MT图的所有边上都是自由行走的。图1c则表示了移动节点在交叉点处的方向选择。
移动模型的基本假设:
1)所有移动节点的移动在图上满足MT模型,并在每个计时时刻以一定概率选择在下一个时间间隔内右转、前行或左转。每个计时时刻内的移动距离相当于MT图中一个短边的距离,设为1(称为一步)。
2)所有信标节点和传感节点均不重叠地位于各个交叉点上。事实上,如果传感节点与信标节点重叠,显然该传感节点已无需定位。
3)信标节点的数量和位置已知,传感节点则在交叉点上随机布撒。
4)移动节点与信标节点或传感节点的通信只能当它们位于同一个点上的时候才能进行。
3 定位算法
在上述移动模型的基础上,设计了一种基于位置概率分布收敛原理的定位算法,其基本原理为:每一个节点都维护了对自身当前位置的估计,以概率分布的形式表现。当两个节点相遇时,双方通过短距离无线通信信道,交换其对当前位置估计的概率分布,并根据两个概率分布函数计算新概率分布,以更新对当前位置的估计。直观上,由于网络中存在位置已知的固定信标节点和数目众多的移动车辆,这个方法可以通过车辆的移动定位大量随机布撒而位置未知的传感器节点。
在n×n的MT图中,概率分布可以表示为n2维向量的形式。由于移动节点无法直接获知自身移动方向,每移动一步,其概率分布区域随之扩大,由每一个点扩散到MT图中以该点为中心的周围5个点上。两节点相遇时,将双方的概率分布相乘后归一化,得到新的概率分布,完成概率更新。新的概率分布为
式中,pA和pB分别表示概率更新前的A,B节点位置的离散概率分布,是n2维向量。pA′和pB′则分别表示概率更新前的A,B节点位置的离散概率分布,也是n2维向量。pA×pB表示pA和pB对应元素相乘,其结果为n2维向量,分母pA·pB表示pA和pB的内积,是归一化因子。据此提出定位算法,如图2所示。
该算法的收敛性要依赖于信标节点的数量和位置,下面对其进行初步的分析。
由于直接分析二维MT的收敛情况比较困难,先讨论一维和二维ML图的收敛情况,并利用ML图的方法和结论,引出对MT的收敛性的证明。
1)已知节点间距离,对一维ML图定位,需要至少2个信标节点。如果网络中没有信标节点,则只能知道节点的相对位置信息,不能获得节点绝对位置坐标,因而至少需要1个信标节点。又因为若整个图以唯一信标节点为轴心旋转,可以在保持相对位置不变的前提下,改变节点绝对位置,所以至少还需要1个信标节点来消除旋转。事实上,以图中任意两点所成直线为轴的镜像都不能改变绝对位置。
2)至多3个信标节点可以保证一维ML图的收敛。对于一维n格ML图[13],如果n为偶数,则只需要2个信标节点占据一维ML图的两端,就能保证全图收敛;如果n为奇数,采取奇偶分解的方法,将一维ML图分解为n-1格和另外1个格,n-1格为偶数,需要2个信标节点,另外1个格子需要1个,在这种情况下,共需要3个信标节点就能够保证收敛。
3)已知节点间的距离,对二维ML图定位,需要至少3个信标节点。由2)可知,至少需要2个信标节点来消除旋转。又因为整个图是以这2个信标节点为轴的镜像翻转,可以在保持相对位置不变的情况下,改变节点的绝对位置,故还需要1个不在这2个信标节点所成直线上的信标节点来消除镜像。对于二维ML图,至少需要3个信标节点消除旋转和镜像。
4)至多9个信标节点可以保证二维ML图的收敛。对于二维n×m格ML图,如果n与m均为偶数,则由3)可知,只需要在ML图的四角放置4个信标节点就能保证最外围节点的点点收敛,而最外围节点的收敛又保证了中央所有节点的收敛;如果n和m不全为偶数,则仍采取奇偶分解的方法,这里仅以最复杂的n和m均为奇数的情况为例,将ML图分解为1个二维偶-偶ML图(二维(n-1)×(m-1)格ML图,需要4个信标节点)、2个一维偶ML图(一维(n-1)格ML图和一维(m-1)格ML图,均需要2个信标节点)和1个单格,故至多4+2×2+1=9个信标节点就能够保证全图点点收敛。
5)由3)可知,已知节点间的距离,对二维MT图定位,需要至少3个信标节点。
6)至多25个信标节点可以保证二维MT图的收敛。对于二维n×m格MT图,仍然采取4)的方法,保证分出的最大图的长宽分别为不大于n/2和n/2的最大整数,至少可以分解为4个二维偶-偶图、4个一维偶图和1个单个格点,故至多4×4+4×2+1=25个信标节点就能保证收敛。
综上所述,在二维MT图中,按4)和6)给出的方法布置信标节点,可以保证算法的收敛。
4 算法仿真
仿真在Matlab环境下完成,依据MT移动模型,使用20×20的区域(使用长度和宽度均为20的区域分块方式)、8个信标节点、80个传感节点和50个移动节点,这与大城市中的车辆密度基本相符。在100次仿真过程中,信标节点位置不变,传感节点的位置则在每次仿真开始时随机生成且不与信标节点重叠,50个移动节点在仿真过程中的随机时间加入网络开始运动,设定其在每个交叉点的前行概率为0.75,右转概率为0.17,左转概率为0.08,图3和图4显示100次仿真的收敛情况。由于目前还未有专门针对稀疏、容延时网络的定位算法,因而笔者不给出与相关算法的仿真比较。
图3显示100次仿真每次的收敛时间,均值为236,即平均236步就能够使所有传感节点的位置估计收敛到1点。所有100次仿真都在378步之内达到收敛,这与之前的分析一致,验证了该算法的收敛性,并且不会有长的收敛时间。
图4 则按时间显示出收敛的速度。主曲线显示在每一时间达到收敛的传感节点数量的平均值,竖线显示各时间点均值的标准差。可以看出,从统计意义上来讲,每一时间收敛节点的数量的变化不大,这说明节点收敛的速度是可预期的,从而验证了该算法的稳定性。
图5 显示了某次仿真估计位置与传感节点实际位置的对比,可以看出,仿真的估计位置与节点的实际位置相差不大,从而说明使用该算法可以得到较为精确的位置估计。
事实上,在该算法下,估计位置与实际位置的差别取决于区域分块的精细度。显然,对于同一区域来说,分块越精细,仿真结果越接近实际位置,但同时会影响收敛时间,并且算法的计算复杂度会提高;相反,分块越粗糙,仿真结果与实际位置的差别越大,但会节省收敛时间,同时也会降低算法的计算复杂度。因而,对于定位精度有不同需求的系统,可以选择不同精度的区域分块方式。但就方法而言,该定位算法对于不同的分块精度不会有差异。
5 小结
一种新的无线传感器网络移动模型 篇6
无线传感器网络(wireless sensor network,WSN)是一门融合了传感器、计算机科学、信息与信号处理、通信技术、自动控制等众多学科知识的技术,具有明显的多学科交叉特性。无线传感器网络在多学科技术和理论支撑下,起源于20世纪末。随着对无线传感器网络研究的深入,移动的无线传感器网络成为研究的热点之一。
2. 节点移动模型简介
在移动的无线传感器网络中,移动节点在移动过程中使用的移动模型对算法的定位精度有密切的影响,不同的移动模型导致不同的节点移动轨迹,节点移动常使用的移动模型主要有三个:Random Walk移动模型、Random Waypoint移动模型、Random Direction移动模型。其中Random Waypoint是使用最广泛的移动模型。下面就这三者进行简介。
(a)Random Walk移动模型,因在其模型下节点运动类似布朗运动,所以又称“布朗运动”式的移动方式。这种模型下的运动是一种不可预测的,全随机的运动方式。该移动模型假设:节点在[0,2π]角度范围内随机产生一个方向,速度则在[Min_speed,Max_speed]的均匀分布上随机产生,每次确定移动速度和方向后,直至该节点移动到仿真区域边界为止,在仿真区域边界,节点以一定角度反弹回来后继续按上述规则移动。这种移动模型,由于其全随机性,可以看成是节点在最坏条件下的移动模型,通常节点移动不可能按这种轨迹运动,现在该模型逐渐被淘汰。
(b)Random Direction移动模型,该模型与Random Walk移动模型相似,仅在节点到达仿真区域边界时有区别,该模型下,当节点到达区域边界时会先保持静止Tpause时长,后重新选择运动方向和速度再次运动(该方向必须位于仿真区域内),以此类推,由于该移动模型与Random Walk移动模型大体类同,现使用也逐渐减少。
(c)Random Waypoint移动模型,无线传感器网络中最常使用的移动模型,该方案首先由CMU(Carnegie-Mellon University,卡耐基—梅隆大学)提出,采用go-sit-go的运动方式,该移动模型假设:节点的起始位置随机产生,设置停留时间:Pause_Time和最大运动速度:Max_speed。节点按一下方式循环运动:
I.停止运动Pause_Time秒。
II.在仿真区域随机选择目的地,并在[0,Max_speed]中随机选择速度向目的地移动。
III.到达目的地后,返回I继续执行。
仿真工具使用Matlab2007b,仿真区域大小为:500×500,全部节点随机分布于仿真区域,节点运动轨迹模型为:Random Waypoint模型,并设定:Pause_Time=0(节点运动间暂停时间为零),其余仿真参数如表1所示。图1为对应的Random Waypoint移动模型节点运动轨迹图。
3. CRW移动模型
通过上述分析得知,上述三种现常用的移动模型都无法很好地体现现实中节点的运动情况。
实际情况中,我们发现节点在运动时前一时刻的运动状态显然会明显影响当前的运动状态,换句话说,每个时间段内节点运动不仅取决于当前时间段的状态,还与其前一个时间段的运动状态有关,为了更好地体现节点运动的实际轨迹,本文设计了一种新的移动模型并取名为CRW移动模型(continuous random walk mobility model)。
对该模型做出如下假设:移动节点在一个二维平面运动,起始位置在仿真区域内随机产生;随机产生或人工设定移动节点的初始速度V0和初始角度θ,其中V0∈[Vmin,Vmax];θ∈[0,2π)(Vmin,Vmax分别为节点移动中的最小及最大运动速度);每隔Δt时间段,随机产生一个方向在[α,β](α,β∈[0,2π]α≤β)角度内,大小在[Fmin,Fmax]区间内的力F,并由牛顿力学式(1)(公式中m为移动节点的质量),计算该时间段内节点的运动加速度a,再根据式(2)、式(3)计算经过Δt时间后,移动节点的运动速度及位移。
上述中的参数V0、θ、Vmin、Vmax、Δt、m、α、β、F、Fmin、Fmax均可人工设定,同时为了计算上的简便,模型采用把全部计算投影到X轴和Y轴上分别计算的方式进行。
具体过程如下:
I.随机产生移动节点的位置,并取得V0、θ、Δt、m、α、β、F、Fmin、Fmax(这些参数可通过随机产生或人工设定获得)的值。
II.获取上述参数后,通过投影的方法分别在X轴和Y轴上计算位移S和末速度vt。
III.取本次运动的末速度为下次运动的初速度;本次运动的末位置为下次运动的起始位置,并再次随机产生F、θ,重复执行步骤(2)。
IV.当移动节点达到设定的移动次数时,节点停止移动并结束。
4. CRW移动模型中特殊情况的处理
对于CRW移动模型中特殊情况的处理做出如下设定:
I.当运动节点运动到仿真区域边界时,采用与Random Walk移动模型相同的解决方案,即:随机以一定角度反弹回仿真区域。
II.当某时刻侦测到运动末速度大于设定的节点运动速度上限时,重新随机产生力F,并重新计算相关值,直至运动速度符合要求为止;同理,当运动末速度小于设定的节点运动速度下限时,重新随机产生力F,并重新计算相关值。
III.移动模型未考虑摩擦力的因素,因为摩擦力因素在不同真实环境中差别巨大,且真实中影响摩擦力的因素众多并在不同时刻都会发生变化,所以在本模型中未考虑摩擦力因素。
IV.移动模型可以通过不同组合值的设定,产生各种需要的轨迹,比如匀速直线运动(设定力F=0;V0为匀速直线运动速度;θ为匀速直线运动方向)。
5. CRW移动模型仿真分析
仿真工具仍然使用Matlab2007b,仿真区域大小为:500×500,全部节点随机分布于仿真区域,其它设定的参数如表2。CRW移动模型下的运动轨迹随机生成情况如图2。
6. 总结
图2中可以看出,由于节点移动过程严格按照牛顿力学方式实现,并且把整个移动过程当成一个整体,节点的前次运动末速度与后一次运动的初速度关联起来,节点的运动轨迹基本可以反映真实条件下节点的随机运动状况。
CRW移动模型相比其他常用的移动模型而言,更能准确反映节点实际运动轨迹,对建立在移动模型基础上的各种无线传感器网络后续仿真实验,将使实验更接近真实运动情况。
参考文献
[1]赵灵锴,洪志全.无线传感器网络的SPIN协议数据不可达问题的改进[J].电脑与电信,2010,10:47-49.
[2]赵灵锴,洪志全.基于无线传感器网络的DV-Hop定位算法的改进[J].计算机应用,2011,31(5):1189-1192.
[3]L.Lazos,R.Poovendran.SeRLoc:Robust localization for wireless sensor networks[J].ACM Transactions on Sensor Networks,2005,1(1):73-100.
[4]孙国栋,廖明宏.一种避免Random Waypoint移动模型速度衰减的方法[J].小型微型计算机系统,2006,27(4).
[5]J.Yoon,M.Liu,and B.Noble.Random waypoint considered harmful[C]//In IEEE INFOCOM.
移动传感器网络 篇7
为了减少无线传感器网络的成本，也为了提高定位精度，我们使用一个锚节点部署在移动车辆上构建成一个可移动的锚节点，让它在网络中移动，并发射当前位置的坐标信息。这样既减少了锚节点数量，而且未知节点接收锚节点坐标信息都是在一跳的通信距离内，避免了多跳通信，也减少了信号误差。鉴于以上分析，本文提出了一种基于网格的移动无线传感器网络定位算法(an Lo-calization Algorithm based on Grid for mobile wireless sensor networks,LAG)。
本文的章节安排如下：第1节介绍了相关的一些无线传感器网络路由协议;第2节详细介绍了基于网格的移动无线传感器网络定位算法;第3节是仿真实验和分析;第4节进行总结。
1 相关工作
在无线传感器网络中，传感器节点的定位算法通常可以分为两大类:距离相关(range-based)定位算法和距离无关(range-free)定位算法。主要的距离相关算法有：DV-distance、Euclidean算法、GenericLocalized Algrithms算法、N-HOP multilateration primitive算法等。距离无关定位算法研究比较典型的算法有DV-hop[1],质心算法[2],APIT[3]算法等。文献[4]提出了基于RSSI的改进三边测量法实现节点定位，并结合优选信标节点的方法提高定位精度。文献[5]改进了传统的ACT算法，实验表明，改进策略大幅降低了算法的复杂性，并提高了定位精度。
2 网络模型及问题陈述
本文将整个网络区域分为若干个网格，移动节点依次运动到每个网格的中心点，移动节点到达网格中心点后便根据Random Walk移动模型运动，每次停顿期发射当前的位置坐标给未知节点，使得网格区域的未知节点都接收到锚节点坐标，当移动节点在网格运动一段时间后再移动到下一个网格。未知节点根据TDOA测距方式[6]计算自己同移动节点发射坐标的位置的距离，当接收到4个坐标信息，未知节点根据多边定位法[7]计算自己的坐标位置。网格大小、移动时间等在仿真实验中详细介绍。
2.1 网格的划分
在本算法中，设监测区域为正方形(n×n)，我们划分整个监测区域为9个网格，每个网格边长为n/3，且都有自己唯一的编号，如图1所示。网格依次编号为1、2、3、4、5、6、7、8、9。
2.2 移动节点运动轨迹
移动节点依次运动到每个网格的中心点，移动节点到达网格中心点后便根据Random Walk移动模型[8,9]运动一段时间，然后再移动到下一个网格。
移动节点运动到每个网格的轨迹如图2所示。移动节点的运动方向为虚线箭头所示，依次通过1→2→3→6→9→8→7→4→5，移动节点从网格1的中心处开始，逆时钟螺旋方向运动到其他网格区域，最后一站是5号网格。每个网格的中心点坐标如表1所示。
当移动节点运动到网格的中心区域后，移动节点开始在网格内按照Random Walk移动模型运动，我们设置移动节点每次移动的距离为Ddis，它的取值同n相关，我们在仿真实验中详细讨论Ddis的大小，同样，我们也预先设定移动节点在每个网格内的移动时间，为Tmobile，并在下面的仿真实验中讨论Tmobile的大小。移动节点在网格内的轨迹如图3所示。
图3所示为移动节点在网格内的轨迹，在网格1内，黑色圆点为移动节点的初始点，黑色三角形为移动节点的停止点。移动节点每次选择一个任意的方向，在这个方向上移动距离Ddis，然后停下来，发射当前坐标的信息，当移动节点在同一个网格内运动Tmobile时间后，移动节点停止发射坐标，移动到下一个网格内，如虚线所示移动轨迹从1→2。
2.3 算法描述
步骤1：网格划分;
步骤2：移动节点规划网格移动顺序;
步骤3：在每一个网格内移动节点根据Random Walk移动模型运动，移动距离为Ddis，同时广播自己当前的位置信息;
步骤4：未知节点接受信标坐标，利用TDOA计算自身同信标坐标的距离;
步骤5：未知节点判断虚拟信标坐标是否达到4个，如果达到定位条件则进入下一步，没有达到则继续等待新的信标坐标;
步骤6：未知节点根据多边测量法计算自身的位置;
步骤7：移动节点在网格内运动时间超过Tmobile则进入下一个网格;
步骤8：结束;
2.4 算法流程图
算法流程图如图4所示。
3 仿真实验和性能分析
3.1 仿真环境设置
仿真实验总各项参数如表2所示。
3.2 实验比较和结果分析
实验1：本实验比较Tmobile对定位误差率的影响。参数设置如下，未知节点数为100个，Ddis为20m，定位所需坐标为4个，其他参数设置如表3所示。
表3显示的是Tmobile对定位误差率的影响。很明显随着Tmobile的增加,LAG算法的定位误差率明显减小。这是因为Tmobile比较小时,移动节点在网格内发射的坐标较少,而导致网格内未知节点接收到的定位坐标也较少,达不到定位要求,这样计算出来的未知节点坐标较大的偏离真实的坐标。而增加后,移动节点在网格内发射的坐标增加,这样网格内的未知节点接收到的定位坐标也增加,可以达到定位要求,计算出来的未知节点坐标较为接近真实的坐标。当Tmobile为50s时,LAG定位误差率为53%;而Tmobile为100s时,LAG定位误差率减小，为38%;Tmobile进一步增加到150s时，LAG定位误差率进一步减小，仅为19%;最后，当Tmobile达到200s时，LAG定位误差率达到最小，等于9%左右。
实验2:本实验比较Ddis对定位误差率的影响。参数设置如下,未知节点数为100个,Tmobile为150s,定位所需坐标为4个,其他参数设置如表4所示。
表4显示的是Ddis对定位误差率的影响。随着Ddis从5m增加到30m,LAG定位误差率先是迅速减小,达到一个值之后,LAG定位误差率趋于平稳。这是由于Ddis很小时,导致移动节点每次运动的距离很小,其运动轨迹不能覆盖大部分网格区域,致使网格内的未知节点不能获得可以定位的坐标数,而导致定位误差率较大。Ddis增加后,移动节点的运动轨迹逐渐可以覆盖整个网络,网格内的未知节点也能够获得的定位坐标也接近可以定位的坐标数,从而使得误差减小,当Ddis为20m时,定位误差率达到最小,等于19%,这时,Ddis继续增加,其定位误差率区域平稳。
实验3:本实验比较节点数对定位误差率的影响。参数设置如下,Tmobile为100s,Ddis为20m,其他参数设置如表5所示。
表5显示的是节点数对定位误差的影响。随着节点数的增加,LAG定位误差率缓慢的增加。因为当节点数增加后,移动节点需要发射更多的坐标信息才能提供给未知节点足够的定位坐标。当节点数等于50个时,LAG定位误差率仅仅为11%左右,而当节点数等于150个时,LAG定位误差率达到了26%。
实验4:本实验将提出的算法LAG算法[10]与TPS算法,DV-hop进行比较。参数设置如下,Tmobile为100s,Ddis为20m,节点数等于100个,其他参数设置如表5所示。
图5所示为LAG算法、TPS算法和DV-hop三个算法在不同通信半径下的定位误差比较。通信半径不同,三个算法的误差率也不同,随着通信半径的增加,三个算法定位误差率逐步下降。由于DV-hop算法是非测距的定位算法,所以误差率比其他两个算法都高。而LAG算法和TPS算法都是测距算法,且LAG比TPS误差较低。这也验证了我们提出的算法的有效性。
4 结论
本章提出了基于网格的移动无线传感器网络定位算法。并比较了、、节点数对定位误差率的影响，最后，比较了LAG算法、TPS算法和DV-hop三个算法在不同通信半径下的定位误差，验证了我们提出的算法的有效性。
摘要：节点定位是无线传感器网络重点研究的内容之一,怎样用较少的锚节点达到较高的定位精度,是值得进一步研究的内容。提出了一种基于网格的移动无线传感器网络定位算法,将整个网络区域分为若干个网格,移动节点依次运动到每个网格的中心点,当移动节点到达网格中心点后便按照Random Walk移动模型运动,每次停顿期发射当前的位置坐标给未知节点,使得网格区域内的未知节点都接收到锚节点坐标,当移动节点在网格运动一段时间后再移动到下一个网格。仿真结果表明,该定位算法能够达到较高的定位精度。
关键词：无线传感器网络,网格,移动节点,随机移动模型,定位算法
参考文献
[1]Drago N,Badri N.DV based positioning in Ad hoc networks[J].Telecommunication Systems,2003,22(1):267-280.
[2]Bulusu B,Heidemann J,Estrin D.Density adaptive algorithms for beacon placement in wireless sensor networks[C].In:Proceedings ofIEEE International Conference Computer and Sensor.2001:543-550.
[3]He T,Huang C,Blum B M,et al.Range-free localization schemes for large scale sensor networks[C].In:Proceedings of IEEE on Mo-bile Ad Hoc Networking&Computing,2003,81-95.
[4]付波,李斌.基于WSN的定位系统研究[J].电脑知识与技术,2010,6(8):1827-1829.
[5]张杰,邱晓晖.无线传感器网络节点自定位算法研究[J].电脑知识与技术,2009,5(25):7110-7112.
[6]Savvides A,Han C C,Srivastava M B.Dynamic finge-grained localization in ad-hoc networks of sensors.In:Proceedings of 7th Annu-al International Conference on Mobile Computing and Networking.2001,166-179.
[7]孙利明,李建中.无线传感器网络[M].北京:清华大学出版社,2005:9-20.
[8]Sanchez M,Manzoni P.Anejos:a java based simulator for ad-hoc networks[J].Future Generation Computer Systems,2001,17(5):573-583.
[9]Davies V.Evaluating mobility models within an ad hoc network:[Master dissertation].USA:Colorado School of Mines,2000.
移动传感器网络 篇8
节点定位是无线传感器网络WSN(Wireless Sensor Network)相关应用的重要环节。WSN的大多数应用中，了解传感器节点的位置信息是必要的。全球定位系统GPS(Global Position System)是定位中应用比较广泛的方法之一。但是GPS不适合应用于WSN，因为给成千上万的传感器节点配置GPS，增加了WSN构建的成本。而且节点与GPS卫星交换信息是一种高能耗行为，这样会导致节点寿命以及整个WSN寿命的缩短，并且GPS定位只适用于室外的定位。
因此，研究者们正在寻找一种适合于WSN的高性能低成本的定位方法。目前，已经提出了一些用于WSN节点定位的方法，包括DV-HOP定位算法[1]、Cricket定位系统[2]、APIT定位算法[3]、MDS-MAP[4]等。一般来说，这些方法可以分为集中式和分布式两种。集中式算法中，所有节点将数据发送到中心站，中心站对数据进行处理并得出节点的位置。这类算法需要大量的数据交换，导致高能耗，对于资源有限的节点来说是不适合的，并且存在较大的延时，加大了移动节点定位误差。因此，分布式算法成为了研究的主要方向。
分布式定位方法不需要集中的运算，每个节点根据自己与邻居节点的关系估计自身位置。分布式定位方法又分为距离相关算法和距离无关算法两类。距离相关算法利用信号到达时间(TOA)[5]、信号到达角度(AOA)[6]、接收信号强度指示(RS-SI)[7]、不同信号到达时间差(TDOA)[8]等距离信息来定位。距离无关算法不需要这些距离信息，与距离相关算法相比，精度要相对低一些。但是考虑到WSN自身对硬件的限制以及成本等，距离无关算法比距离相关算法更适合WSN。
现有大多数分布式定位方法都只适用于静态节点定位。适合动态节点定位的分布式定位方法相对较少，其中蒙特卡洛定位算法MCL(Monte Carlo Localization)[9,10]和蒙特卡洛盒子定位算法MCB(Monte-Carlo localization Boxed)[11]是两种重要的动态定位方法。
本文提出的IMCB算法，在MCB算法基础上，通过充分挖掘可用的有限锚节点信息，并将这些信息应用到算法的过滤阶段，以解决MCB算法过滤条件弱的问题。仿真实验表明，过滤条件增强后，定位精度提高约15%，相同定位精度要求下，定位能耗降低约40%。
1 蒙特卡洛盒子算法
文献[12]最早把MCL引入无线传感网的节点定位。MCL的基本思想是用一个包含N个样本点的样本集合来描述节点的位置分布。MCL定位算法主要分为预测和过滤两个阶段，文献[13]中详细阐述了预测和过滤的过程。
MCL算法在过滤阶段会有大量的样本点被过滤掉，需要多次重复的采样，才能获得足够的样本点，消耗更多有限的资源。因此，在MCL的基础上提出了一种改进算法即MCB。
MCB算法与MCL算法最大的不同就是引入了锚盒子Anchor Box和样本盒子Sample Box。假设未知节点共有n个一跳和二跳锚节点，(xj,yj)表示锚节点j的坐标，则锚盒子Anchor Box boxt坐标(xmin,ymin)和(xmax,ymax)如式(1)所示。
式(1)中，如果锚节点j是二跳锚节点则用2r代替r，并且本文中节点的通信范围都为以r为半径的理想圆。如图1(a)所示，中间的矩形即为一个由一跳锚节点o1和o2以及二跳锚节点o3共同确定的锚盒子。
锚盒子确定之后，再创建样本盒子，第i个样本点的样本盒子Sample Box boxti如式(2)所示:
其中，boxt可由式(1)确定，为当前时刻的锚盒子;lit-1=(xit-1,yit-1)为t-1时刻样本点i的坐标，vmax为节点最大运动速度。如图1(b)所示，其中阴影部分即为t时刻样本点i的样本盒子。
锚盒子和样本盒子建立之后，MCB算法进入预测阶段，在已经建立的锚盒子或样本盒子中进行采样，然后对采集到的样本点进行过滤，直到采集到的符合过滤条件的有效样本点的个数达到给定的最大样本点数。最后，计算这些样本点的加权平均值作为当前时刻待定位节点的位置估计值。
MCB算法通过引入锚盒子、样本盒子显著提高了采样的成功率。但是没有从本质上提高定位的精度，因为MCL算法和MCB算法采用的过滤条件是一样的。在节点分布比较稀疏尤其是非锚节点分布比较稀疏的情况下，存在二跳锚节点的概率就比较的小，这样会致使过滤阶段样本点的过滤条件比较的弱，不能有效地实现过滤，致使定位精度降低。本文提出的IMCB算法则通过引入一些特殊的锚节点来增强过滤条件，提高定位精度。
2 IMCB算法
2.1 IMCB算法的提出
IMCB算法与MCL算法和MCB算法相比，主要的改进是过滤条件的选择。MCL算法和MCB算法中过滤阶段只是利用了一跳和二跳的锚节点的信息来进行过滤。在IMCB算法中，除了利用一跳和二跳锚节点的信息进行过滤之外还引入了特殊的锚节点加强过滤的条件。这些锚节点不是待定位节点的一跳和二跳锚节点，但是能够影响样本点可能存在的区域。IMCB算法就是通过增加这些特殊的锚节点来增强过滤条件，提高定位精度的。
2.2 特殊锚节点的选择
特殊锚节点的选择过程如图2所示，中间的小矩形为一个锚盒子，由(xmin,ymin)和(xmax,ymax)确定，xmin,ymin,xmax,ymax可由式(1)求得。小矩形中间的小三角形为待定位节点，o1和o2为锚节点，通信半径都为r。因为只有当锚节点的通信范围与确定的锚盒子或者样本盒子有重叠区域时，才可能有增强过滤条件的作用，所以(Xmin,Ymin)和(Xmax,Ymax)确定的大矩形为可能存在特殊锚节点的区域，Xmin,Ymin,Xmax,Ymax可由式(3)求得:
area1和area2分别为o1和o2与待定位节点可通信范围的重叠区域。
IMCB算法中的特殊锚节点应该满足以下两个条件:
条件1在(Xmin,Ymin)和(Xmax,Ymax)确定的区域内但不在待定位节点的通信范围内。
条件2在与待定位节点通信范围的重叠区域内不存在其他的节点。
在图2中，锚节点o1和o2在(Xmin,Ymin)和(Xmax,Ymax)确定的区域内但不在待定节点的通信范围内，所以o1和o2满足条件1。并且area1和area2所指的区域内没有其他节点，所以o1和o2也满足条件2。因此，o1和o2就属于所需的特殊锚节点。
既然特殊锚节点不属于待定位节点的一跳和二跳锚节点，在传统MCB算法的过滤条件中并不使用这些锚节点，因此MCB算法的样本点可能存在的区域为图2中的area3、area4、area5所指区域的并集。同时，由图2可知这些特殊的锚节点对样本点可能存在区域有影响，即样本点不可能存在于area3和area5所指的区域，因此在过滤阶段可以滤除落在该区域的样本点。这样，样本点可能存在的区域则只剩下了area4所指的区域。与MCB算法相比改进IMCB算法的过滤条件更严格，采集到的样本点能够更好地反映待定位节点的位置分布，从而提高定位的精度。
一般无线传感器网络都采用随机布设的方式进行网络的配置，未知节点的数量一般比较大，所以很容易出现某些地方节点比较密集，而另外一些区域则比较稀疏;锚节点因为数量较少所以分布相对“均匀”。这样，落在未知节点稀疏区域的锚节点很有可能成为未知节点较为集中区域中某些节点的特殊锚节点。而且无线传感器网络一般都应用于复杂或危险环境下，经常会出现“坏死”的节点，这样一些原本是节点的二跳锚节点的锚节点就会成为特殊锚节点。例如，假设图2中area2所指的区域中有一个未知节点，这时o2为待定位节点的二跳锚节点，但如果area2中的未知节点“坏死”，则o2便成为待定位节点的特殊锚节点，继续被利用，这样避免了网络由于大量未知节点失效出现的定位精度急剧下降的情况。
2.3 IMCB算法过滤条件
IMCB算法的预测阶段与MCB算法相同，只是过滤阶段不同。IMCB算法在MCB算法过滤条件基础上加入了一些新的条件，增强了过滤条件。
MCB算法的过滤条件如式(4)所示:
其中l为预测值，S1和S2分别为一跳和二跳锚节点集合，s1和s2分别为一跳和二跳锚节点，r为节点通信半径，d(l,s1)和d(l,s2)分别代表l与s1和s2的距离。满足式(4)预测值l即为有效样本点;否则，为无效样本点应该被滤除。
既然，特殊锚节点能够影响样本点可能存在的区域，那么可以利用它的位置信息来过滤样本点。从而，IMCB算法的过滤条件如式(5)所示:
其中，s3为2.2节中确定的特殊锚节点，S3为特殊锚节点集合，d(l,s3)代表l与s3的距离，r为节点通信半径。
比较式(4)和式(5)可以看出，IMCB算法的过滤条件是在MCB算法过滤条件的基础上加入了一个由特殊锚节点确定的过滤条件，增强了过滤条件，缩小了样本点可能存在的区域，使样本点落在后验概率较大的区域内，从而提高定位精度。
2.4 IMCB算法描述
IMCB算法包括位置预测、特殊锚节点选取、位置过滤、重采样和位置估计5个阶段。其中位置预测、重采样和位置估计均按照MCB算法实现，以下是IMCB算法的具体步骤:
Step1根据一跳和二跳锚节点创建锚盒子。
Step2根据上一时刻样本点和节点最大运动速度以及锚盒子创建样本盒子。
Step3根据锚盒子或样本盒子确定特殊锚节点扫描区域。
Step4在确定的扫描区域内寻找满足条件的锚节点。
Step5将特殊锚节点的信息加入到过滤条件中。
Step6重复采样和过滤直到采集到足够的样本点。
Step7计算采集到的样本点的均值作为待定位节点位置估计值。
3 仿真实验及分析
为了验证提出算法的有效性，对IMCB算法进行了仿真实验，并与MCL、MCB算法进行比较分析。仿真平台为MATLAB，仿真环境设置如下:区域面积为1000×1000(m2);节点总数为300(个);锚节点数为60(个);锚节点和待定位节点的通信范围都是半径r为50 m的理想圆;节点最大运动速度vmax为10(m/s)。
将锚节点较“均匀”地分布在网络区域，未知节点随机分布于传感区域，未知的移动节点以随机的速度和随机的方向运动。仿真实验中未知节点采用随机停点移动模型，即考虑未知节点在二维平面中一个随机的起点，从它预定义的运动速度范围[0,vmax]和方向范围[0,2π]中分别随机地选择速度v和方向θ，每次运动发生在一个固定的时间间隔或固定的运动距离，最终到达一个新的位置。
(1)采样次数对定位误差的影响
实验一考察的是采样次数对定位误差的影响。在仿真实验中，设置采样次数N从10逐渐增加到1000，其它参数保持不变。采样次数对定位误差的影响如图3所示。算法初始阶段，采样次数较少，少量的样本点无法正确反映节点所在位置的概率分布。而且由于IMCB算法的过滤条件较强，符合过滤条件的样本点更少，所以误差相对会大一些。随着采样次数的增加，定位误差迅速减小，并逐渐稳定下来。当采样次数达到100以后，IMCB算法使用较少的采样次数就能获得较高的定位精度。在相同的参数条件下，当IMCB算法采样次数为200时，其定位误差与MCB算法采样次数为900相当，比MCL算法采样次数为1000时定位误差还低。
(2)最大运动速度对定位误差的影响
实验二考察的是节点最大运动速度对定位误差的影响。在其他参数保持不变的情况下，设置节点最大运动速度vmax从0.1r逐渐增加到1r。节点最大运动速度对定位误差的影响如图4所示。节点移动速度对定位误差的影响主要有两个方面:(1)节点速度的增加会使节点的下一个可能位置落入一个更大的区域内，从而导致预测位置不再准确。(2)节点的快速移动将使其在每一时间段内均可获得更多的观测信息，这有助于过滤掉更多的不可能位置。
如图4所示，在最大速度vmax从0.1 r增加到0.3r的过程中，节点获得的观测信息越来越多，节点定位误差逐渐减小。但随着节点最大运动速度的进一步增大，节点下一个可能位置落入的区域不断增大，预测值不再准确，定位误差重新增大。如图4所示，三种算法总的趋势是一样的，但在每个阶段IMCB算法的误差都低于其他两种算法，尤其随着最大速度的增加，采样区域的增大，越来越多样本点退化严重，IMCB算法过滤条件强的特点逐渐显示出来。
(3)采样次数对定位能耗的影响
由于WSN中传感器节点受自身体积的限制，能够携带的资源有限，因此，降低节点的能量损耗对WSN具有重大的现实意义。实验三考察的是采样次数对定位能耗的影响。在其它参数保持不变的情况下，设置采样次数N从0逐渐增加到1000。图5描述了定位能耗受采样次数影响的情况。显然，IMCB算法由于增加了特殊锚节点来加强过滤的条件，过滤所需的计算开销相应增加。但由于达到相同定位精度时所需的采样次数少，因此所需的运算量有所下降。例如:当IMCB算法、MCB算法和MCL算法的采样次数分别为200、900和1000时，它们的定位精度是相当的，而此时IMCB算法、MCB算法和MCL算法的定位能耗分别为0.9、2.07和1.5 s，即IMCB算法定位能耗分别比MCB算法和MCL算法减少了1.17和0.6 s，所以IMCB算法总的定位能耗反而会减少。
通过以上的仿真实验可知，IMCB算法在MCB算法的基础上，通过充分挖掘有限的锚节点信息，加强过滤的条件，使得采集到的样本点能够更好的反映节点的位置分布。实验证明，IM-CB算法在定位精度和定位能耗等方面较MCB算法和MCL算法都有较大提高。
4 结语
无线传感器网络节点的设计与实 篇9
[关键词] 无线传感器网络 传感器节点 嵌入式系统 Boa Web服务器
无线传感器网络节点
无线传感器网络节点一般由4个部分组成：传感器模块、处理模块、无线收发模块和能量供应模块[1]。传感器模块负责信息采集和数据转换；处理模块控制整个传感器节点的操作，处理本身采集的数据和其他节点发来的数据点提供运行所需的能量，运行高层网络协议；无线通信模块负责与其他传感器节点进行通信；能量供应模块为传感器节点微型蓄电池。
硬件设计
本文所设计的汇聚节点的硬件结构设计中，核心单元为处理器单元和射频单元。处理器采用Samsung公司的ARM9处理器S3C2440，实现对整个系统的控制。射频单元采用CC2430射频芯片实现无线传感器网络的创建管理与数据收集的功能。系统的存储采用SDRAM和FLASH来实现，Internet网络接入芯片采用DM9000网卡，电源模块与复位模块用来实现整个系统的供能和复位。为了实现系统的监测与调试，又加入了串口模块和JTAG模块。
软件设计
1.嵌入式Linux系统移植
建立一个与系统硬件密切相关的嵌入式系统软件平台不仅可以屏蔽系统的硬件特性，而且更是无线传感器网络节点的远程监控软件实现的基础[2]。
对于系统移植而言，Linux实际上是由内核部分和系统部分构成。其内核初始化和控制绝大部分硬件设备，为内存管理、进程管理、设备读写等做好一切准备工作；其系统加载必需的设备，配置各种环境以便用户可以使用整个系统。
2.远程监控软件系统
无线传感器网络节点实现远程监控主要通过CC2430射频芯片接收各个节点采集到的数据，并将接收到的数据作初步处理，再通过虚拟总线发送给S3C2440，S3C2440芯片将接收到的数据包解包后送到数据存储区。需要在Linux系统中移植一个Boa web服务器，使用CGI编程技术和AJAX技术实现动态网页，用户终端就可以通过浏览器访问到实时数据。
（1）ARM系统对CC2430监控程序
ARM-Linux软件系统对CC2430监控过程如下：程序运行之后，首先调用CC2430设备驱动中的cc2430_apace_ropen函数，实现对CC2430设备的打开。然后打开数据存储区，存储来自无线传感器网络中的数据。接着，系统进入循环状态。通过调用select函数来监测CC2430设备，如果此时没有数据到达，则重新监测，一直等到有数据发送过来，则使用read函数读取数据包，并按照协议解析数据包，将数据送到数据存储区。此时为避免对数据存储区的同时读写，先使用锁定函数锁定数据存储区，然后将数据写入数据存储区，之后再解锁数据存储区，方便Internet客户端访问，至此则完成了一个数据包的接收。程序进入循环状态，重新监测CC2430设备，等待下个数据包的到来。
（2）建立Linux Boa服务器
Boa web服务器的工作流程：Boa从新到达的套接字获得HTTP请求（由一个request结构来存储），使用get_request（ ）将所有数据保存在request→header_line中，之后调用process_request（ ）来处理在队列中的每一个请求。根据request结构中status所表示的不同状态，将进行不同的处理。如果这个请求符合HTTP协议，则会调用process_option_line（ ）将一些头部信息填写到request结构中完成这些环境变量的设置，随后process_header_end（ ）会对用户进行验证。如果验证通过，则判断request结构中的is_cgi，非0则是CGI程序，调用init_cgi（ ）函数进行处理，为0则是静态页面，调用init_get（ ）函数进行处理。
（3）基于AJAX的实时监控动态网页
本设计采用基于AJAX技术（asynchronous JavaScript and XML）与CGI技术实现无线传感器网络的实时监控动态网页。
AJAX是Web应用中JavaScript和XML相结合的一种异步交互式网页开发技术，可以实现网页无刷新动态更新的效果。它提供了到HTTP协议的所有细节的完整存取，包括头部和数据的任何定制格式。
通用网关接口CGI（Common Gateway Interface）是外部扩展应用程序与web服务器进行数据交流的一种接口，Web服务器控制调用CGI程序可以实现外部应用程序的执行，CGI程序就是按照标准接口编程实现的运行于Web服务器上的一种程序。在无线传感器网络节点的软件系统中，CGI程序主要的功能是向客户端返回无线传感器网络中的实时数据。
要实现对无线传感网络节点数据的实时监控，首先需要通过表单向AJAX引擎发送请求，然后AJAX引擎会不断地向web服务器发送请求，要求调用服务器中的CGI程序以获取网络实时数据，无刷新实时监控网页中的数据。
系统测试
测试实验中，选用8个CC2430、组建的汇聚节点和一台PC机。将汇聚节点和PC机接入Internet，PC机作为客户端，CC2430作为通用节点与汇聚节点构成一个星型拓扑结构的无线传感器网络，设置汇聚节点的IP为192.168.1.230。预先设定好数据，通用节点定时向汇聚节点发送数据包，汇聚节点接收到数据包后解包处理，等待PC机通过Internet访问。在客户端PC机上打开支持JavaScript的浏览器，单击动态监控首页上的send按钮发送请求，屏幕上就会实时地显示由8个通用无线节点所发送的数据包经过解包后的结果。
结束语
结果表明，所设计的汇聚节点能够通过Internet对远程的节点采集的数据进行实时动态监测。下一步，计划将所设计的节点与具体的实际应用相结合，扩展其应用范围。
参考文献：
[1]孙利民，李建中.无线传感器网络[M].北京：清华大学出版社，2005：51—55.
[2]郑灵翔.嵌入式Linux系统设计[M].北京：北京航空航天大学出版社，2008：61—70.
移动传感器网络 篇10
水下传感器网络在水下石油矿产资源探测、水下环境监测、水下物种跟踪与保护、海洋地震海啸灾难、反潜艇入侵检测、水下协同作战系统等方面显示着巨大的应用前景[1]。然而水声信道与无线电信道的相比,具有传播时延长、带宽低以及信道错误率高等特点,使得水下传感器网络研究面临着很大的挑战[1,2,3,4]。应用于陆地无线传感网网络的各种协议直接应用到水下传感器网络中时效率比较低。节点定位作为水下传感器网络关键技术之一,同样面临着很大的挑战[5]:1)水下不能使用无线电GPS,缺乏精准的位置参考设备;2)水声通信传播时延长且不稳定,节点间精确的时间同步非常困难,基于时间同步的定位算法在水下应用效果差。另外基于Range-based的定位方法要求配置特殊的装置,由于水下环境的特殊性以及技术限制,很难大规模配置特殊装置,费用高。
目前水下传感器网络的定位研究相对比较少,主要有文献[6,7,8,9,10,11,12,13]。其中文献[6,7,8,9]通过在固定位置(水底或水面)放置一定数量的静止信标来帮助普通节点定位。如文献[6]提出了水下GPS系统GIB(GPS Intelligent Buoys),通过在水面上放置3个以上配有GPS的浮标Buoys,Buoys通过GPS获取自己的精确位置信息,然后帮助水下节点实现定位。这些方法能有效解决小规模水下节点定位,但对于覆盖范围广的大规模网络节点定位却效率低。文献[10]提出一种基于静止信标的多功率发射range-free定位方法,提高了定位精度高,但由于信标静止,仍然难以解决大规模网络的定位问题。文献[11]提出采用移动信标DNRs(Dive and Rise)定位的方法。这些DNRs配置GPS而且可以在水里上升和下降。普通节点通过DNRs信标信息实现定位。该方法中每个DNR都需要配置GPS,且采用Range-based测距实现定位,应用到大规模传感器网络系统中时费用比较高。
美国康涅狄格州立大学水下传感器网络实验室首次提出一种针对大规模水下传感器网络的分级定位法[12],该方法采用基于Range-based测距实现节点定位。整个系统由浮在水面且配置GPS的Buoys、水下锚节点和水下普通节点三部分组成。定位过程分为2个步骤,首先锚节点通过Buoys的位置信息进行定位,然后是普通节点通过锚节点的位置信息定位。该方法不需要所有普通节点跟Buoys通信,解决了大规模网络的信号覆盖问题,但不太适合监测范围深的情况。本文作者结合移动信标和多功率发射定位的优点,在文献[13]中提出了一种基于移动信标多功率发射定位的方法,获得了比较好的定位性能。
文献[5]对无线传感器网络中的各种定位方法进行了比较,可以看出Range-based的定位方法比Range-free的定位方法获得的定位精度更高,但因为Range-based的定位方法要求普通节点配置特殊装置,在水下环境中应用困难,系统费用高。大规模水下传感器网络监测范围很大,对节点的定位精度要求相对较低。且由于水下环境操作的困难性,Range-free的定位方法在水下应用更方便。文献[13]中基于多功率发射定位估计方法可以明显提高节点定位的准确性,但要求每个位置参考节点配置多功率发射装置,成本和网络开销大。综合考虑水下传感器网络定位的各种问题,本文提出一种基于移动信标DETs的简单区域定位方法。DETs在上下移动的过程中以比较短的间隔广播信标信息,DETs的移动广播会导致信号覆盖范围不断变化,从而实现类似多功率发射定位的作用。
1 原 理
1.1 DETs
我们借鉴移动信标DNRs[11]的优缺点,提出一种更简单的定位辅助设备DET(Detachable Elevator Transceiver)。DET具有和DNR相似的上下移动功能但不装配GPS。DET的主要组成部分包括压力传感器,下降和上升装置,中短波声音收发器。通过压力传感器可获知DET设备所处位置深度(即z坐标)。DETs的下降和上升,通过设备内气囊的充气和放气来完成。另外中波声音收发器用来和Buoys进行通信,校正位置信息,短波声音收发器用来向水下节点广播DETs信标信息。每个DET通过牵引线和固定在水面上且配有GPS的Buoy相连,在假设水下静止的情况下,对应Buoy的(x,y)坐标即DET的(x,y)坐标,同时通过DETs和Buoys通信,可采用Range-based的方法实现DETs位置修正。本文假设DETs已经获得了准确的位置信息,然后在监测区域内上下移动,在预先配置的深度广播同一信标信息,直到覆盖整个监测区域。
1.2 移动广播
移动信标DETs在水中上下移动,假设水下环境静止,DETs在水平方向移动的距离很小,可以忽略不计(在较深的水下环境中,一般可以满足这个要求)。DETs和水下普通节点都配有压力传感器可测知节点在水下的深度,即z坐标已知。
假设DETs的发射功率固定为Ps,在三维空间里,它对应的信号覆盖范围为半径为R的球体,表示为ϕR。每个DETs在垂直上下移动的过程中,将在预先配置的深度[Z1,Z2,…,Zn,Zn+1,Zn+2,…],其中(Z1<Z2<…<Zn<Zn+1,…)进行信标信息广播。如图1所示,对于深度为Zx的平面z=Zx来说,DET1在每个深度位置发出的信标信息在该平面上的覆盖半径表示为:
当
图1中,待定位节点Sa(xa,ya,Za)位于平面z=Za上(因为节点配有压力传感器,z已知),DET1在平面z=Za上的投影点为D′1。当DET1在深度Zn-3及以上的位置开始发送信标信息时,在平面z=Za上的节点收不到信息。随着DET1下降到临界平面z=Za-R以下时,信标信息开始覆盖平面z=Za,如在深度为Zn-2的位置发射信标信息时,在平面z=Za上的覆盖半径为dn-2,越往下覆盖半径越大,在深度为Zn-1的位置发射信标信息时,在平面z=Za上的覆盖半径为dn-1,逐渐变大。当DET1下降到平面z=Za上时,在该平面上的覆盖半径达到最大R;然后当DET1继续下降时,离该平面越来越远,在该平面上的覆盖半径开始由大变小,当DET1到达Zx+R的深度时,覆盖半径变为0,再往下,所有该平面的节点都收不到该参考节点发出的信标信息。
1.3 获取临界点
如图1所示,对于某平面上的节点来说,DET1信号覆盖的过程涉及到两个临界深度点Zx±R。由于DET1的广播位置不是连续的而是离散的(每隔一定深度进行一次位置广播),DET1不可能正好在这两个深度位置发送信息,因此这2个临界点涉及到4个有用的位置,对应每个临界点的上下2个DET1信标发送点,我们把它们叫作临界参考点,在图1中平面z=Za的上方,有两个位置深度Zn-2和Zn-3就是节点a的临界参考点。节点Sa能收到DET1来自Zn-2的信标信息而不能收到来自Zn-3的信标信息,则表明节点Sa一定位于平面z=Za内,以D′1为圆心,半径dn-3<r≤dn-2的圆环内。同理在DET1穿过该平面再往下移动时在临界点Zx+R的前后,还会涉及到另外2个有用的深度Zn+i-1(最后收到信标的深度)和Zn+i,又可以得出节点Sa的可能范围为以D′1为圆心,半径dn+i<r≤dn+i-1的圆环。合并这两个圆环得出:
即:
max(dn+i,dn-3)<r≤min(dn+i-1,dn-2) (3)
从上面结果可以看出,通过定义DETs以比较小的深度间隔从上到下广播信标信息时,它在某一平面上的覆盖半径会发生变化,实际上等同于DETs在同一位置进行多功率发射时产生的作用,得出的结果也是一样的。
2 具体算法
(1) 首先以单个参考节点DET1(X1,Y1,z1)为例来说明普通节点Sa(xa,ya,Za)的定位情况。
假设在平面z=Za上方,节点Sa根据1.3节所示的方法获得DET1节点的两个临界参考点为Zn-i,Zn-i+1,而在平面z=Za下方,节点Sa获得DET1节点的两个临界参考点分别为Zn+k,Zn+k+1,则根据式(2)得出:
即:
式(5)表明节点Sa的可能范围为以投影点D′1为圆心,半径为max(dn-i,dn+k+1)<r≤min(dn+i-1,dn+k)的圆环区域内。
(2) 当整个区域内有m个DETs时,则可得出m个不同的圆环区域:
(3) 取m个圆环的相交区域的重心点作为该节点的坐标。
2.1 非理想传播模型
上面介绍的算法是在DETs信号传播符合理想传播模型的情况。理想传播模型是指节点发射功率Ps、节点接收功率Pr、以及信号覆盖半径R满足于某一传播模型公式。但实际环境中,噪声、多径、多普勒效应等的影响,三者的关系不可能满足某一个公式,在节点发射功率Ps、节点接收功率Pr一定的情况下,最大信号覆盖半径和接收功率总会产生一定的偏差。文献[10]中指出,可以采用正态分布来模拟实际信号覆盖半径的偏差。假设在节点发射功率Ps、节点接收功率Pr一定时,理想模型计算出的最大覆盖半径为R,则实际传播距离r符合,N(μ,δ),其中(μ=R,δ=μ×Px),偏离百分比Px越大,实际传播距离r与理想的R相差越大。因此实际情况下节点会接收到一些不该接收到的信标信息或是应该收到的信标收不到,本章把这些数据称为噪声数据。我们通过多次重复发送同一信标信息来去除这些噪声数据的影响。假设同一信标重复发送2N或2N+1次,则只要普通节点接收到同一信标N次或N次以上,则表示正常覆盖,低于N次作无效处理,表明节点不在覆盖范围内。我们将分别考虑Px=[0,0.05,0.1,0.15],4种情况下的节点定位情况。
2.2 简化计算
根据式(6)计算多个圆环的相交区域,对设计简单的普通节点来说计算量比较大。为了节省时间和能量,我们采用正方形相交的方法替代圆环相交,用最小外接矩形替代圆环中的大圆,用最大内接矩形替代圆环中的小圆。由于区域估计定位总存在一定的误差,我们用牺牲较少的定位误差来保证高定位率。
3 实验结果与分析
3.1 实验环境设置
本文实验采用Matlab工具仿真编程,版本为R2007a。为保证实验结果的准确性,仿真程序参考了一些陆地传感器网络节点定位算法的开源Matlab代码。不考虑节点间的通信错误和网络带宽开销,重点考虑定位算法的准确度和节点定位率。每个性能指标都是仿真重复20次的结果取平均值。
假设水下监测区域大小为500米×500米×2000米。普通节点随机均匀分布在监测区域内。DETs使用单功率发送信标信息,非理想情况下每个信标信息发送13次。假设网络内节点除DETs上下移动外都是静止的,不考虑水面波浪的影响。
3.2 实验结果
我们分别调查DETs放置的不同位置和个数,DETs不同的信号覆盖半径以及不同广播深度间隔对定位率和定位准确率达影响。DETs将放置于水平面的四边中点或四角上以及平面的中心点位置,共有5种位置组合下面的实验结果中,横坐标采用偏离百分比Px,纵坐标为定位误差和节点定位率。定位误差是指定位后的节点坐标与节点实际坐标之间的距离。定位率是指成功定位的节点个数与总节点个数之比。
如图2和图3所示,DETs的位置和个数对节点定位准确率和定位误差影响比较大。其中4个DETs放在4个角点的位置组合误差准确很低,没有在图中显示。从图2中可以发现,区域中心增加一个DET可以使定位准确率大大提高。有9个DETs的定位准确率最高,但在有传播误差时定位率却最低。因为误差越大,DETs个数越多,由式(6)计算出的相交区域为空的概率越大,导致定位失败。
图(4)和图(5)显示DETs不同最大覆盖半径下对定位准确率和定位率。从图可以看出,随着传播误差增大,覆盖半径对定位准确率和定位率的影响增加,覆盖半径300米能取得很好的性能。
图(6)和图(7)显示DETs不同深度间隔下进行信标信息广播时的性能。从图可以看出间隔50米比间隔25米定位准确率低,但节点定位率高。这是因为间隔越短,相当于位置参考节点个数越多,在有传播误差的情况下定位失败的概率就增加了。
图8和图9显示了文献[13]中基于移动信标的多功率发射定位方法3D-MALS和文献[10]基于静止信标的多功率发射定位方法2D-ALS的结果。图中2D-ALS的定位误差和定位率只是针对2维平面上的普通节点计算的结果,由于信标静止,对于监测深度大于最大信标覆盖半径的应用2D-ALS方法无法实现定位。对照图2和图8,图3和图9,本文提出的单功率广播定位方法的性能非常接近于3D-ALS方法,定位误差稍大但定位率却更高。
4 结 语
本文提出基于移动信标单功率广播定位的方法,是一种range-free的定位方法,实现简单,系统费用低,较好地解决了大规模水下传感器网络覆盖难、定位误差大的问题。