无线传感器网络定位（共12篇）
无线传感器网络定位 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.
无线传感器网络定位 篇2
实验报告
2015 5--2016 6 学年第 一 学期
开 课 单 位
海洋信息工程学院
适用年级、专业
课 程 名 称
无线传感器网络
主 讲 教 师
王晓莹
课 程 序 号
1510344
课 程 代 码
BS1620009X0
实 验 名 称
ns2 实验环境配置及应用
实 验 学 时学时
学
号
姓
名
一、
实验目的1)掌握虚拟机的安装方法。
2)熟悉 Ubuntu 系统的基本操作方法。
3)掌握 ns2 环境配置。
4)掌握 tcl 语言的基本语句及编程规则。
5)了解使用 ns2 进行网络仿真的过程。
二、
实验环境
1)系统：Windows 10 专业版 64 位 2)内存：8G 3)软件：VMware Workstation 12 Pro 三、实验内容
((一 一))安装虚拟机（简述安装步骤）
a)在 VMware 官网（https://#allinone 复制到根目录，解压到当前位置 tar xvfz ns-allinone-2.35.tar.gz
在根目录下打开 ns-allinone-2.35 文件夹，在里面找到 ns-2.35 打开找 linkstate文 件 夹，打 开 里 面 的 ls.h 文 件，将 第 137 行 的 void eraseAll(){ erase(baseMap::begin(), baseMap::end());} 改成 void eraseAll(){ this->erase(baseMap::begin(), baseMap::end());}
运行 cd./ns-allinone-2.35 运行./install #进行安装
d)设置环 境变量：
终端中输入 cd，返回根目录，然后
sudo gedit.bashrc 在文件末尾加入：
export PATH=“$PATH:/home/kevin/ns-allinone-2.35/bin:/home/kevin/ns-allinone-2.35/tcl8.5.10/unix:/home/kevin/ns-allinone-2.35/tk8.5.10/unix” export LD_LIBRARY_PATH=“$LD_LIBRARY_PATH:/home/kevin/ns-allinone-2.35ns-allinone-2.35/otcl-1.14:/home/kevin/ns-allinone-2.35/lib” export TCL_LIBRARY=“$TCL_LIBRARY:/home/kevin/ns-allinone-2.35/tcl8.5.10/library” 保存退出
e)验证 完成后在新终端窗口 输入 ns 出现%
测试：
ns./ns-allinone-2.35/ns-2.35/tcl/ex/simple.tcl
输入 exit 退出 ns2
((四 四))l tcl 语言基本使用（举例说明）
a)创建 test01.tcl 文件，编辑 test01.tcl 文件,在终端输入 touch test01.tcl #创建文件 gedit test01.tcl #编辑文件 b)在 test01.tcl 中输入“九九乘法表”TCL 语言
c)运行 test01.tcl，结果如图：
((五 五))网络仿真（可以选示例，也可以自己参考资料设计仿真）
((六 六))遇到的问题及解决方法
1.Ns2 验证：安装完成后在新终端窗口 输入 ns 不出现 %
使用 sudo apt-get install ns2 安装后新窗口输入 ns 出现 %
2.TCL 语言测试：找不到 tk.tcl
ns./ns-allinone-2.35/ns-2.35/tcl/ex/simple.tcl 提示找不到 tk.tcl，因为没安装 nam，输入命令 sudo apt-get install nam 安装成功，再验证就可以了。
四、
实验总结
无线传感器网络定位 篇3
【关键词】无线传感器网络；自身定位；定位；仿真
由于传感器节点在部署时的不可控制性(例如通过飞机撒放)，网络中大多数节点位置不能事先确定，而无线传感器网络的大量应用都需要网络中节点的地理位置信息，从而获知信息来源的准确位置。通过研究无线传感器网络巾典型的分布式定位算法，选择Bounding box[1]、Euclidean和Robust Position三种算法进行实现，并在OMNET++平台上对它们进行仿真比较，研究环境参数（测距误差，锚节点密度，连通度）变化对其性能的影响。
一、分布式定位算法
分布式定位算法一般分为三个模块：确定未知节点和锚节点间距离模块；计算每个未知节点佗置模块；循环精确节点位置模块。首先，未知节点通过基于测距或非测距方法确定其到锚节点的距离；然后，通过到锚节点的距离来计算每个未知节点的位置；最后，对末知节点的位置进行迭代求精，最终所有未知节点报告它们的位置。
分布式定位算法的每个模块中都有几种可选算法。其中确定未知节点和锚节点间的距离模块中可选算法有基于RSSI的测距算法和美国路特葛斯大学（Rutgers University）Dragos Niculescu等人提出的Euclidean、DV——Hop、DV——distance三种算法；计算未知节点位置模块中可选算法有三边测量法、多边形算法、Min——Max算法；位置求精模块主要有由Savarese等提出的根据所有町获得的节点信息重复执行三边测法或多边形算法过程重新确定节点位置。
（一）确定未知节点到锚节点距离模块可选算法
在这个模块中，未知节点通过共事信息确定其到锚节点的距离，以便在第二个模块中计算节点的初始位置。
1.RSSI算法。此算法已知节点发射功率，在接收节点测量接收功率，计算传播损耗，然后使用理论或经验的信号传播模型将传播损耗转化为距离。
所用公式如下：
P(d)=PTPL(d0)10`log10()+Xl（1）
其中P（d）为两节点相距为d时的信号强度；PT是信号发射的强度；PL（d0）是在两节点距离为d0时信号强度的损耗；`是一个信号衰减指数；X€%l是一个服从正态分布的方差为€%l2、期望为0的随机变量。
根据公式（1）可推导出信号强度转换距离的公式：
d=10exp[]0（2）
基于射频信号强度的RSSI方法成本很低，适合于无线传感器网络的部署要求，所以前景很好。
2.DV——distance算法。DV——distance算法很简单。在泛洪传输中仅通过在每个节点上累加测得的距离来确定其距锚节点的距离。算法从锚节点开始，它们发送一个包含其身份、位置和0路径长度的信息包。每个接收到信息的节点将测得的距发送点距离加到路径长度上，如果可控泛洪允许的话继续广播这个消息。另一个限制是，当节点再次收到以前接收过的节点信息时，只有当前信息中距锚节点路径长度小于原先信息中距锚节点路径长度时，才允许发送这个消息，并更新自身信息。最终结果是，每个节点将存储它们距锚节点的最短路径长度。
DV——distance算法的缺点是，当距离信息在多跳中传播时，测距误差被累加放大。在锚节点很少或测距硬件差的大型网络中，这种累计误差很大。
3.Euclidean算法。DV——hop算法的缺点是不适用于极为不规则的网络拓扑结构，这种结构中，实际每跳间的距离差别很大。Niculescu和Nath提出了另一种称之为Euclidean的算法，这种测距算法是基于围绕锚节点的未知节点的局部几何算法。
如图1（a）所示，假设节点拥有RSSI测距能力，已知未知节点B、C在锚节点L的无线射程内，BC距离已知或通过RSSI测量获得；节点A与B、C相邻。对于四边形ABCL，所有边长和一条对角线BC已知，根据三角形的性质可以计算出AL的长度（节点A与L的距离）。使用这种方法，当未知节点获得与3个或更多锚节点之间的距离后定位自身。未知节点B、C与锚节点L两两相邻，节点A与B、C相邻。对于四边形ABCL，所有边长和一条对角线BC已知，根据简单的几何原理可计算出AL的长度。但节点A有两个可能的位置A和A′，假如A还有其他邻居节点D与锚节点L相邻，并与B或C之一相邻，那么可以使用D来替换B或C，再次计算AL的距离，则A节点就能在两个可能的位置中选择出正确的一个。使用这种方法，当未知节点获得与三个或更多锚节点距离后定位自身。由基本的几何知识，可以得出：
cos()=，cos()=
AL2=AC2+CL224C·CL·cos() （3）
（二）计算节点位置模块可选算法
在此阶段，通过模块1提供的未知节点到若干锚节点间的估算距离计算未知节点的初始位置。此阶段有三边测量法、多边形算法和Min—Max等算法。
求出（x，y）即是节点位置。
1.多边形算法。多边形算法源于三边测量法，当参考节点数量超过3个时，就是通过定义方程组，利用冗余信息能够更精确地计算节点的化置。
假设未知节点坐标是（x，y），锚节点坐标分别为（x1，y1），（x2，y2），…，（xk，yk），末知节点到锚节点的距离分别是r1，r2，…，rk，我们可以得到一组方程：
（4）
可以线性化为：Ax=b
（三）循环定位求精模块算法
这个阶段的目的是使在第一阶段计算得出的（初始）节点位置更精确。即使在好的条件下（高连通度，低测距误差），这些节点定位也不可能很精确。原因是前两个阶段并没有用到所有可获得的信息。由Savarese等提出的精确过程正是当节点更新他们的位置信息时考虑了与所有节点间的距离。在每步开始时，一个节点广播它的位置并相应地从它的邻居节点那里接收邻居节点位置和距离，然后执行阶段二的多边形算法计算过程以确定它的新佗置。在很多情况下，由到邻居节点距离所限。将迫使新的位置向节点真实的位置靠近。经过几步迭代后，当节点位置更新过程收敛时，精确过程结束并报告最终位置。
二、算法仿真
对定位算法的仿真的意义在于能够在接近现实的环境中得出算法性能的数据，进行定量分析，从而得出算法的应用环境和不足之处，以待改进。仿真工具选择的是布达佩斯技术人学电信学院开发的OMNET++离散事件模拟器。
（一）仿真算法选择
本文选择完全的分布式算法，即节点位置的计算在节点本地完成。这种算法可以应用于大规模的无线传感器网络。这样的网络要满足：
（1）自组织，不依赖于全局基础没施（如卫星）；（2）健壮，能容忍节点失效和测距误差；（3）节能，只需要较少的计算和通信开销。
根据上述条件，排除了凸规划（Convex Position），MDS—MAP等集中式算法。此外，质心算法，APIT算法需要较高的锚节点密度，也被排除在外。本文对满足以上条件的三种定位算法，Bounding box算法、Euclidean算法和Robust Position算法做了仿真分析，这三种算法具有良好的可实现性和代表性。
将上述三个算法分解。得到它们各个模块的算法：
表1 仿真算法按模块分解
（二）仿真网络环境设计
鉴于无线传感器网络是自组织的，所以节点放置时是随机的，因此仿真环境中的节点是随机部署的。锚节点需要通过安装特殊的定位系统和采取人工部署来确定其位置，所以仿真环境中锚节点的位置可以人为确定。
仿真环境中的重要参数有：网络中的节点数量；锚节点密度；节点通信半径（连通度）。仿真由100个节点组成的无线传感器网络，开始时，依据上述参数产生一个随机的网络拓扑结构，节点在一个正方形区域内随机分布。通过指定通信半径可以控制连通度。
三、仿真结果
在检测算法的定位精度性能的仿真实验中，将通信半径设定为15。这里将测距误若定义为一个比值，即算法计算得出的节点位置与真实位置之间的偏差比上节点到锚节点的距离估计。仿真实验获得了一组在不同锚节点密度下三个算法在定位误差方面的数据，如图1所示。
图1三个算法的定位精度仿真结果图2 三个算法的覆盖率仿真效果
在检测算法的定位覆盖率性能的仿真实验中，将通信半径也设定为15。仿真实验获得了一组在不同锚节点密度下三个算法在定位覆盖率方面的数据，如图2所示。
定位覆盖率是考察定位算法性能的重要指标，它表示通过执行某个定位算法，网络中被正确定位（定位误差在可接受的范围内）的比例。从定位覆盖率的仿真实验中，可以看到，三个算法的定位覆盖率均随锚节点密度的增大而提高。其中，Bounding box算法和Euclidean算法对网络中锚节点密度很敏感，尤其当锚节点密度从3％变化到10％时，这两个算法的定位覆盖率显著提升。Robust position算法对锚节点密度并不敏感，在锚节点密度很小（只有3％）时，其定位覆盖率已达90％；在10％的锚节点密度下，覆盖率已达100％。
可见，在锚节点密度较高而节点计算能力极为有限的情况下Bounding box算法是最佳选择；在需要较高的定位精度时应选择Robust position算法；在对定位精度和能耗要求适中的情况下，应选择Euclidean算法。
参考文献
[1]Bhaskar，Krishnamachari，NetworkingWireless Sensors[M]．Cambridge University Press，2007：（1～3）
[2]Muruganathan S D，Ma D C F，Bhasin R I，et a1．A centralized-efficient routing protocol for wireless sensor networks[C]．Communications Magazine．IEEE．2005：43（3）：8～13
[3]Savvides A，Park H，Srivastava M．The bits and flops of the n-hop multilateration primitive for node localization problems[C]．Workshop on Wireless Sensor Networks Application．2002：112～121
[4]王福豹，史龙，任丰原．无线传感器网络中的自身定位系统和算法[J]．软件学报．2005：16（5）：857～868
无线传感器网络定位算法研究 篇4
在无线传感器网络(Wireless Sensor Network,WSN) 研究中,节点定位一直是热点问题,因为节点定位对无线传感器网络的有效性起着至关重要的作用[1]。目前,无线传感器网络已经广泛应用于智能物流、智能交通、智能家居以及智能农业等场合,而在这些应用场合中,对信息来源的精准定位至关重要,否则获取的信息将失去意义。目前,节点定位算法根据是否需要测量节点间的信息,划分为基于测距定位算法和无需测距定位算法[2]。基于测距技术定位算法定位精度高,但对硬件依赖性高,不适合低功耗、低成本的无线传感网应用领域。无需测距定位算法通过交换相邻节点间的信息确定未知节点的位置,其定位精度较低,但对硬件依赖性不高,并且能满足多数无线传感器网络的定位要 求,因此对其 研究和改 进有着重 要意义[3]。目前无需测距定位算法主要有质心算法、凸规划算法、DV-Hop算法和APIT算法等[4]。本文在质心和DVHop算法的基础上,提出了检测质心和DV-Hop算法节点可信度特征的算法,并对该算法进行了仿真测试。
1质心与DV-Hop算法
1.1质心算法
质心定位算法由南 加州大学Nirupama Bulusu等学者提出,它是一种无需测距的室外定位算法[5]。质心定位算法的基本思想是在一定通信范围内,通过计算包围未知节点的锚节点构成的多边形质心来估计未知节点的位置。 质心算法的伪代码如下:
begin
Each anchor node broadcasts its position.
Each sensor node listens for beacons(Xi,Yi)from anchors and computes a connectivity metric,for each anchor node Aiit has received beacons from.This metric is defined as follows:
;/*在时间t内,Nrecv(Ai,t)为从锚节点处接收到的信标总数,Nsent(Ai,t)为锚节点Ai发送的信标数目。*/
if(CMk,Ai≥M)then /*M是门限*/
end
质心算法的优点就是简单、计算量小,缺点是要达到较高的精确度,需要较多的锚节点数量[6]。
1.2DV-Hop算法
DV-Hop算法由美 国Rutgers大学的Niculescu提出[7]。DV-Hop算法的核心思想分为3个阶段:1计算未知节点与锚节点之 间的最小 跳数;2估算平均 每跳的距 离;3使用跳段距离代替实际距离计算未知节点的定位坐标。DV-Hop算法流程如图1所示。
DV-Hop算法的特点是:在节点分布均匀时,定位误差率低;而当节点分布不均匀时,由于计算距离过程中误差累积较大,因此定位误差率高。
2节点可信度特征分析算法设计
在相同的节点分布密度以及网络连通度情况下,质心与DV-Hop算法的可信度研究主要通过落在规定范围内的概率大小来反映,接下来将着重介绍如何设计概率分布检测规则。
2.1概率分布检测规则设计
概率分布检测规则 的主要思 想有:1分别用质 心和DV-Hop算法对同一未 知节点进 行定位,并分别记 录其值;2分别计算未知节点与两种算法计算值之间的距离; 3判断其距离与通信半径关系,记录落在规定范围内的概率,分别以2倍、1倍和0.5倍半径进行讨论。规则中之所以对2倍、1倍和0.5倍通信半 径所围成 的圆进行 讨论,是因为先以1倍半径为参照,然后对讨论的范围适当进行放大和缩小,如果目标节点落在了2倍半径之外,说明估算值误差大,如果目标节点落在了0.5倍半径内,说明估算值误差小。
图2给出了判断质心算法概率分布检测规则。其中A为目标结点,r为节点通信半径距离、D、D′、D′′为使用质心算法 估算的目 标节点可 能存在的 位置。以A为圆心,AB之间的距离为节点通信半径来讨论估算出的目标节点是否落在其围成的圆内。落在圆内,则进行记录,否则不记录。由于估算出的目标节点可能落在大于以A为圆心、AB之间的距离为半径的圆内D′的位置,也可能落在小于以A为圆心、AB之间的距离为半径的圆内D″的位置。为此,还要研究以A点为圆心、两倍的AB距离为半径和以A点为圆心、1/2的AB距离为半 径这两种 情况下,目标节点落在范围内的概率分布。DV-Hop算法的概率分布检测规则与上相同。
假设目标节点Ai的位置为(xi,yi),通过质心算法估算出的目标节点位置为Di,坐标为(pi,qi),则AiDi之间的距离为,r为节点通信半径距离,质心与DV-Hop算法概率检测公式为:
其中α为常量,其值为2、1或者0.5。
2.2节点可信度检测仿真算法
节点可信度检测仿真算法实现步骤:1产生节点均匀随机分布的网络拓扑;2分别用质心和DV-Hop算法估算出目标节点的位置;3用两点距离公式计算目标位置与估算出的目标位置之间的距离;4用概率检测公式(1)检测质心算法估算的目标节点是否落在规定范围内;5用概率检测公式(1)检测DV-Hop算法估算的目标节点是否落在规定范围内;6分别计算两种情况下的概率分布情况,计算公式为:
其中n为落在规定范围内的个数,N为节点总数,M为锚节点个数。
3仿真结果及分析
本文采用MATLAB 7.0对提出的算法进行仿真,仿真参数设置见表1,并对仿真结果进行比较分析,得到图3、图4、图5的结果。
无线传感器网络管理技术论文 篇5
无线传感器网络管理技术论文【1】
摘 要 无线传感器网络(WSN)与计算机网络有着巨大的差异，但是又广泛的应用于现代社会的各行各业。
现有的网络管理技术并不能满足WSN的运行，亟待解决各方面的问题。
本文在介绍WSN管理技术的基础上，集合WSN自身特性，介绍了现有的WSN管理技术需要具备的技术性能。
希望能够为WSN管理技术发展提供一定的启发。
【关键词】无线传感器 网络 管理技术
无线传感器网络(简称传感器网络WSN)由大量的微传感器构成，在传感器安装区域完成信息收集、处理与流通功能，被越来越多的用于交通、医疗、工业自动化等智能领域，近年来随着信息化进程的深入和物联网相关技术的成熟，无线传感器网络技术的技术研究也突飞猛进;和普通计算机网络不同，传感器网络被用于特定的应用中、要求部署巨大数量的微传感器等特征，这就需要传感器网络的管理技术具有高效、灵活、安全的特性，传统计算机网络的管理技术不再适用于传感器网络管理，因此近年来传感器网络管理技术的理论和应用研究不断的取得突破性进展。
1 无线传感器网络管理
无线传感器网络与计算机网络的不同特点使得传感器网络管理技术也具有自身特点，具体表现在轻量级、开放性、自治性、高容忍、可伸缩等方面。
1.1 轻量级
由于无线传感器有很多位传感器构成，其内部电量较少、存储量和通信距离有限。
每个传感器的体积都比较小、电池更换困难、成本和功耗较低、计算和存储能力较弱，这就使得传感器网络管理技术也要具备符合上述特点的轻量级特征。
1.2 开放性
传感器网络有着和计算机网络不同的软、硬件系统和通信协议，同时不同的应用环境、任务需求和任务目标也会使传感器网络有巨大差异;为了保证传感器网络与互联网和移动网络的相互连通，就要保证传感器网络管理技术具有开放性，能够与其他软硬件系统无缝联通。
1.3 自治性
传感器网络在建设和使用的过程中，单独的某个传感器是随机布置在某个位置的，如果人工对其进行运维，会消耗巨大的人力物力，这就需要传感器网络技术满足其自身智能决策的需求，保证传感器形成自适应的分布式网络，无需人工参与即可可靠运行。
1.4 高容忍
无线传感器的应用环境多种多样，其低成本特性导致节点有易损坏、抗干扰弱、稳定性差等问题，这就要求传感器网络管理技术能够识别和容忍这种故障，并且保证网络信息感知和传输的可靠性。
1.5 可伸缩
未来的传感器网络将会覆盖非常的区域，数量差异巨大的传感器节点将会上传巨量的信息，这就要求传感器网络管理技术在应对不同数量的节点和信息时具有良好的可伸缩性能。
2 无线传感器网络管理体系
2.1 配置管理功能
通过配置管理功能获取传感器网络中的数据，并通过数据来控制每个传感器的配置信息和传感器网络内的节点状态及其连接关系等网络状态。
通过配置管理功能可以让网络管理员对传感器网络的控制变得更强;由于无线传感器网络节点的电量、通信、存储等方面能力有限，配置管理就要在网络拓扑控制和重编程技术中实现。
节点通信和感知的基础就是拓扑控制，拓扑控制在WSN管理中有三个方面：拓扑发现、成簇管理和睡眠周期管理。
WSN重编程技术，WSN首次配置完成后对网络进行远程的软件升级、任务下达和功能再配置的过程。
由于WSN的工作环境多样，其性能和功能需求需要动态变化，不能可能事先生成其所有可能需要的运行条件和对应的系统配置，这就要求WSN管理系统具有自我重新编程配置功能。
2.2 故障管理功能
WSN大多需要在无人管理的环境中长时间顺利运行，而传感器的自身质量和性能缺陷导致WSN中随时有可能会有节点出现故障。
如果传感器节点出现故障，将会把采集到的错误信息不断地上传至网络，最终导致网络管理出现问题;还有些故障会导致节点通信受阻，数据传输终端等问题。
目前，WSN故障管理可分为集中式、分布式、基于移动装置和层次式集中结构。
集中式结构中的管理者要得到整个网络的信息才能进行精准的故障管理，这种管理技术消耗了节点的很多能量;分布式管理则有更低的能量消耗，但是会消耗较多的存储空降;层次式则是集中式和分布式的混合结构，兼顾了二者特点;由于基于移动装置的结构使用环境较为特殊，可以预测分布式和层次式的管理结构是未来WSN故障管理的发展方向。
2.3 安全管理功能
安全管理指的是通过安全管理和技术手段，保障WSN资源的保密、完整、可用性等，不会由于设备、通信协议、网络管理或者环境因素受到破坏。
安全管理的基本原则就是通过合适的技术和管理措施来确保网络资源的基本安全，从而满足传感器网络开展的安全需求。
传感器网络不同于传统网络，但又需要参考普通网络的安全管理经验，这就导致WSN网络完全在密码算法、数据完整性、数据保密性、秘钥管理技术、网络认证等方面存在不可忽视的技术难题需要突破。
2.4 性能管理功能
性能管理功能即通过考察WSN运行情况和通信速度等参数来对传感器网络性能进行评估。
性能管理要分析和监视网络及网络提供的功能是否顺利运行，其分析结果会触发网络的自身诊断机制或引导网络开启自我重配置等。
WSN包括数据收集、分析、上传等应用功能的专门网络，其性能管理还会包括以下几个方面：
(1)使用周期管理，即网络部署到网络能力耗尽的时间;
(2)数据传输性能，包括数据传输可靠性、数据传输速度等;
(3)上述性能，才能更好的完成性能管理，促进WSN网络的高效运行。
2.5 计费管理功能
目前，WSN的应用还只是应用于专门领域的闭合网络，对计费系统的需求没有很急迫，但是随着WSN的进一步发展和市场商业化深入，计费问题将会变得极为关键，并且伴随而来的数据安全、真实、可靠等问题也会越来越多。
3 结束语
WSN管理技术和理论还处在初级阶段，但是随着社会需求和相关领域的发展，WSN技术及其相关研究必将成为热点。
在WSN设计的通用性和有效性问题方面、分布式和层次式结构设计、主动网络技术、网络状态和性能的监测与优化等方面都需要进一步深入研究，对新技术进行推广，促进WSN技术的应用和发展。
参考文献
[1]刘丹，钱志鸿，刘影.ZigBee网络树路由改进算法[J].吉林大学学报(工学版)，，40(5)：1392-1396.
[2]皇甫伟，周新运，陈灿峰.基于多层抽样反馈的传感器网络时间同步算法[J].通信学报，2009，30(3)：59-65.
无线传感器网络技术【2】
【摘要】 传感器被越来越多地布置到实际的网络环境中，用于实现某些应用。
无线传感器网络已经成为了科学研究领域最前沿的课题之一，引起了工业界和学术界众多研究者的关注。
通过总结相关方面的工作，综述在不同领域中无线传感器网络的实际应用，并对具体应用的一些重要特性进行分析，在此基础上提出若干值得继续研究的方面。
无线传感器网络安全技术概述 篇6
关键词：无线传感器；网络安全
一、无线传感器网络的安全问题分析
无线传感器网络的安全协议主要有物理层、数据链路层、网络层、传输层和应用层组成。其中物理层主要是用来处理传输信号，对信号进行调制、发射以及接受。链路层主要是负责数据流的多层面传输，数据帧检测、媒介访问控制以及错误控制，网络层主要是控制数据路由，而传输层主要是用来维持给定数据流，在不同的网络层面上，面临着或大或小的传感器安全问题。
1.在物理层中，安全问题主要是由于无线通信干扰和节点的运行状况导致的。在无线网络中，攻击者可以通过K个节点去干扰另N个节点（K<2.当链路层发生受到攻击的时候，常常是因为为邻居节点提供可靠信道导致的，攻击者通过监测邻居节点而展开对于通信信道的攻击，一旦发生信道冲突，攻击者只需要制造一个简单的字节冲突就破坏整个数据包的传递，导致部分数据冲突会出现数据包检验失败的状况，使得发送节点的二进制指数倒退算法反复出现，导致数据传输出现阻塞的状况，节点的能量也会很快消耗。
3.网络层的路由协议是无限传感器正常工作的关键，攻击者一旦对整个网络进行攻击，必然会导致整个无线网络的功能失效，安全路由器的算法也因此成为了无线网络传感器的安全性和可用性的关键。
4.在传输层，无线传感器的安全常常会受到网络节点的限制，节点无法正常的存储大量的信息，且使得节点消耗超出正常范围的能浪，使得节点以及传感器的安全都受到一定的限制，尤其是传输层上的传统的网络协议的安全问题与无线传感器的安全问题存在差异，在进行安全保障工作的时候很难兼顾。
5.无线传感器网络的应用层也蕴藏着大量的网络安全问题，在应用层数据聚集、任务分发、目标跟踪等都需要完整的激保密措施，也成为保障无线传感器网络安全保障的重要部分，安全管理的关键点在于密钥的管理，由于无线传感器网络的复杂性，传统的密钥管理的方法不能很好的适应无线传感器网络，导致网络密钥管理的安全性成为亟待解决的问题之一、
二、无线传感器的网络安全技术对策
1.改善无线传感器使用的密钥管理技术
密钥管理技术是管理无线传感器最为重要的一部分，也是安全通讯机制的核心，对密钥的管理主要分为两部分：对密钥的管理和对组密钥的管理。
其中，对于密钥的管理主要是因为无线传感器的网络受到了传感器节点的限制，传统的技术手段并不能适应，因此在对无线传感器的密钥进行管理的时候，通常使用的方法有预先配置的密钥管理方法，这类方法在使用的时候不需要特殊节点KDC，而另一种预先配置的密钥管理方法需要KDC技术的辅助。而基于KDC技术的密钥管理主要是在KDC的辅助下在通信双方中建立共享密钥的对话机制，以此实现减少内存占用量并支持网络的动态变化。
同时，在进行组密钥管理的时候常用的方式也是基于预配置或者是基于KDC。基于预配置的组密钥管理不需要借助可信第三方进行，密钥的分发耗时较短，但是同时需要进行大量的计算传感器负担较大。
而基于KDC方式的组密钥的管理是最简单的，由基站点计算产生并分布给组密钥中的成员，使得每个成员能够及时得到更新过后的密钥，但是基于KDC组密钥的管理方式需要占据大量的通信资源，因此在进行管理的时候应当尽可能的优化资源，减少基于KDC方式的组密钥的通讯成本。
2.安全数据聚合
在无线传感器的网络中，存在着大量的数据节点，数据节点中的数据众多，传感器的自身能力会受到限制，因此需要一个较强的功能来处理大量的数据，数据聚合技术就是辅助完成的，在数据聚合技术的辅助下，数据能够从各个节点上传递到基站之中，使得节点内的辅助数据能够得到初步的处理，产出占据过多空间的冗杂数据，尽可能的减少数据的传输，从而节省网络中各个节点的资源。为此应当在数据聚合的部分强调安全性，使用哈希函数确保数据聚合的安全性是在单向性方面确保了数据的保密性，使得网络节点中的数据可以在不知道数据明文的情况下掌握执行数据聚合，实现安全性。
3.安全路由技术
路由协议是无线传感器保护无线网络安全性的必不可少的技术，主要通过以数据为中心的路由协议、层次式路由协议以及基于位置的路由协议。
其中，以数据为中心的路由协议考虑到了无线网络中的众多的节点数量，在数量庞大以复杂的数据中，尽可能的节省来节点的能量，根据数据的内容建立路由链路。减少了维护网络拓扑结构的精力，提高安全保障效率。
而层次路由协议增加了单层节点的扩展性，减少了一个区域内的节点向中心节点传递信息的次数，节省了传感器节点的能源消耗，拓展了数据融合的可能性。
最后，基于位置的路由协议在传输信息的时候需要准确的知道无线传感器的节点的位置信息，通过传感器的位置信息准确计算节点之间的距离，估计能量的消耗，构建更有能力的路由传输协议，减少不必要的网络查询，节省了能量的开销，维护了无线传感器的安全传输。
三、结语
本文针对无限传感器在无线网络中面临的安全问题进行了探究，指出了目前无线网路中无线传感器进行安全维护的策略。
参考文献：
[1]陈渊，叶清 无线传感器网络安全认证方案综述 [J]計算机与数学工程 2014，（02）.
[2]朱政坚 谭庆平 朱培栋 无线传感器网中线性网络编码安全检查 武汉大学学报 2010 （01）.
[3]陈子平 钱松荣 一种适用于无线传感器网络的安全认证方案 [J] 计算机工程 2013 （07） .
[4]刘宇 闵沚玥 无线传感器网络安全策略研究[J] 无线互联科技 2014（06）.
[5]屈峰 王旭辉 徐海湄 浅析无线传感器网络的安全问题[J] 科技广场 2014（03）.
[6]胡克满 徐兴华 陶军 无线传感器网络路由的比较[J] 宁波职业技术学院学报2008（05）.
作者简介：刘侃（1983-4-9），女，籍贯：河北石家庄，单位：河北师范大学信息技术学院，专业：管理科学与工程硕士，研究方向：信息技术。
无线传感器网络定位技术研究 篇7
关键词：传感器网络,定位算法,基于测距,非测距
0 引言
在传感器网络的各种应用中, 监测到事件之后关心的一个重用问题就是该事件发生的位置 (如:森林火灾的现场位置, 战场上敌方车辆运动的区域, 天然气管道泄漏的具体地点等) 。对于这些问题, 传感器节点必须首先知道自身的地理位置信息, 这是进一步采取措施和做出决策的基础。传感器节点自身的正确定位是提供监测事件信息的前提。
1 传感器节点定位的基本概念
在传感器网络节点定位技术中, 根据节点是否已知自身的位置而把传感器节点分为信标节点 (beacon node) 和未知节点 (unknown node) 。信标节点是可以通过GPS定位设备等手段获得自身的精确位置的节点。它是未知节点定位的参考点。未知节点是通过信标节点的位置信息来确定自身位置。
2 定位技术
当未知节点获得对于邻近信标节点的距离时, 对其定位可用三边测量法, 或极大似然估计;当获得邻近的信标节点与未知节点的相对角度后, 可以用三角测量法对其定位。
2.1 基于测距的定位算法
基于测距的定位机制是通过测量相邻节点间的实际距离或方位进行定位。在基于测距的定位中, 测量节点间距离或方位时采取的方法有TOA, TDOA, RSSI和AOA等。
2.1.1 基于TOA的定位
在基于到达时间 (TOA) 的定位机制中, 已知信号的传播速度, 根据信号的传播时间来计算节点间的距离, 然后利用三边测量算法或极大似然估计法计算出节点的位置。TOA的定位精度高, 但是采用的声波测量, 速度慢, 对节点的硬件和工行要求高。且受外界环境干扰较大。
2.1.2 基于TDOA的定位
发射节点同时发射两种不同传播速度的无线信号, 接收节点根据两种信号到达的时间差以及已知这两种信号的传播速度, 计算两个节点之间的距离。再通过已有的基本定位算法计算出节点的位置。如图1所示, 发射节点同时发射无线射频信号和超声波信号, 接收节点记录两种信号到达的时间T1, T2。已知无线射频信号和超声波的传播速度为以c1, c2, 那么两点之间的距离为 (T1-T2) *S, 其中 著名的Cricket系统和AHLos系统采用就是TDOA技术定位。
2.1.3 基于AOA的定位
接收节点通过天线阵列或多个超声波接收机感知发射节点信号的到达方向, 计算接收节点和发射节点之间的相对方位或角度, 如图2所示, 再结合估计的距离, 通过已有的基本定位算法计算出节点的位置。
使用AOA定位容易受到NLOS (非视线关系) 的影响, 而且AOA定位对硬件要求较高 (天线阵列) , 价格昂贵, 不适用于大规模的传感器网络。
2.1.4 基于RSSI的定位
在基于接收信号强度指示RSSI定位中, 已知发射节点的发射信号强度, 接收节点根据受到信号的强度, 计算出信号的传播耗损, 利用理论和经验模型将传播耗损转化为距离, 再利用已有的算法计算出节点的位置。
其中, Pt为发射机功率;Pr (d) 是在距离d处的接收功率;GtGr分别是发射天线和接收天线的增益;d是距离, L为与传播无关的系统损耗因子, λ是波长, 单位为米。但是此方法在实际应用中的测距误差较大, 有可能产生50%的测距误差。
2.2 基于无测距的定位算法
虽然基于测距的定位能够实现精确定位, 但往往对无线传感器节点的硬件要求高。且受外部因素影响大。于是人们提出测距无关的定位技术。测距无关的定位技术无需测量节点间的绝对距离或方位, 降低了对节点硬件的要求, 但是定位误差也相对增加 (一般) 基于无测距的定位算法的精度约在40%左右, 但能满足大多数应用的要求。
距无关的定位算法主要有质心算法, DV-Hop算法, DV-distance算法, Amorphous算法, APIT算法, MDS-MAP定位算法。
2.2.1 质心算法
在质心算法中信标节点周期性的向邻近节点广播信标分组, 信标分组中包含信标节点的标识号和位置信息。如图3所示, 当未知节点接收到来自不同信标节点的信标分组数量超过某一门限或接收一定时间后, 就确定自身位置为这些信标节点所组成的多变形的质心: 其中 (x1, y1) ... (xk, yk) 为其分组能够被未知节点接收到的信标节点坐标。
2.2.2 DV-Hop算法
距离向量—跳段DV-Hop (distance vector-hop) 定位机制非常类似于传统网络中的距离向量路由机制。DV-Hop算法的定位过程分为以下3个阶段。 (1) 计算未知节点与每个信标节点的最小跳数。 (2) 计算未知节点与信标节点的实际跳段距离, 如图4所示, 信标节点L1, L2, L3坐标分别为 (x1, y1) , (x2, y2) , (x3, y3) 根据这3个信标节点的位置信息和相互之间的相距跳数用公式 (其中hj为信标节点i与j (i≠j) 之间的跳段数) , 估计出平均每跳的实际距离, 则未知节点A与3个信标节点间的距离分别为:相距跳数×平均每跳距离。 (3) 利用三边测量法计算出节点A的距离。
2.2.3 DV-distance算法
DV-distanc和DV-Hop类似, 所不同的是相邻节点使用微波信号 (即RSSI) 来测量节点间点到点距离, 然后利用类似于距离矢量路由的方法传播与锚节点的累计距离。当未知节点获得与3个或更多锚节点的距离后使用三边测量法计算, 由于不是每跳都有相同的距离, 所以DV-distanc在精确度方面高于DV-Hop, 但另一方面DV-distanc对测距误差敏感, 它会随着测距误差增大, 定位误差也急剧增大。
2.2.4 Amorphous算法
Amorphous算法与DV-hop算法相似, 但是它的平均每跳距离定为通信半径。定位误差较大, 因此Nagpal R等对现有算法提出了改进方案。
2.2.5 APIT算法
近似三角形内点测试法 (APIT) 如图5所示首先确定多个包含未知节点的三角形区域, 这些三角形区域的交集是一个多边形, 它确定了更小的包含未知节点的区域;然后计算这个多边形区域的质心, 并将质心作为未知节点的位置。
APIT算法的理论基础是最佳三角形内点测试法PIT。PIT测试原理如图6所示, 假如存在一个方向, 节点M沿着这个方向移动会同时远离或接近定点A, B, C, 那么节点M位于△ABC外;否则, 节点M位于△ABC内。APIT定位步骤如下: (1) 接收信息:未知节点收集邻近信标节点信息。 (2) APIT测试:测试未知节点是否在不同天的信标节点组合成的三角形内部: (3) 计算重叠区域:统计包含未知节点的三角形, 计算所有三角形的重叠区域; (4) 计算未知节点位置:计算重叠区域的质心位置, 作为未知节点的位置。
相对质心算法APIT算法精度高, 对信标节点的分布要求低。
2.2.6 MDS-MAP定位算法
MDS-MAP是一种集中式定位算法, 可在基于测距和基于无测距两种情况下运行, 并可根据情况实现相对定位和绝对定位。它采用了一种源自心理测量学和精神物理学的数据分析技术——多维定标 (multidimensional scaling) , 该技术常用于探索性数据分析或信息可视化。
3 对几种典型的基于非测距定位方法的比较
对质心算法, DV-Hop算法, DV-distance算法, Amorphous算法, APIT算法质心简单分析会发现。质心算法算法基于网络连通性, 因此较容易实现, 但是这种算法的精确度与信标节点的密度以及分布有很大关系, 对密度低的网络, 定位精度很不理想。DV-Hop算法使用平均每跳距离计算实际距离, 对节点的硬件要求低, 实现简单。但其缺点是利用跳距代替直线距离, 存在一定的误差。而且由于要线计算平均每跳距离, 所以通信开销大。DV-distance算法和DV-Hop耗能相当, DV-distance精度更高, 但是对网络密度要求也高。改进的Amorphous算法要求网络部署前离线计算平均每跳距离, 网络的扩展性差, 而且对信标节点的密度要求较高。在信标节点密度低的情况下, 定位精度较低。APIT算法的定位精确度高, 性能稳定, 但APIT测试对网络的连通性提出了较高的要求。虽然节点密度对APIT算法影响最小, 并且APIT通信量也较小, 但它所需信标点密度最大。MDS-MAP定位算法在定位是对分部规则的节点的连通值略微低一些, 但是当节点的连通值比较低时MDS-MAP算法的精度比较低, 而且MDS-MAP定位算法是集中式算法, 计算量和通信代价很大, 从而不适合用于较大规模的网络。在传统的MDS-MAP定位算法中, 当网络中节点数目n增大时, 该算法计算量增大, 通信量增大, 内存需求量也会增大。这样就增加了网络的成本并且不适合应用于隐蔽的环境, 同时, 由于节点之间的通信要求具有足够的能量, 对节点设计的要求比较高。
4 结束语
在无线传感器网络定位技术中, 基于非测距定位的方法在很多方面, 比如能耗、环境要求及成本方面比基于测距定位方法更具优势, 因而有更广阔的应用范围, 从而得到了越来越多的重视。下一步工作, 将进一步研究基于非测距的定位方法, 对其进行改进, 使其在实现低成本、低能耗的基础上, 提高定位的精确度。
参考文献
[1]孙利民, 李建中, 陈渝.无线传感器网络[M].北京:清华大学出版社, 2005.
[2]NICULESCU D, NATH B.DV based positioning in ad hoc networks.Journal of Telecommunication Systems, 2003, 22 (1/4) :267-280.
水下无线传感器网络定位技术综述 篇8
海洋占据了全球大约70%的面积,对海洋资源的开发与利用日益成为现代世界各国的焦点。水下无线传感器网络随之成为研究的热点,并可以在环境监测、灾难预报、资源开发以及军事导航辅助等各个方面得到应用[1,2,3,4]。在很多应用中数据需要结合其地理位置信息才具有实际意义并且地理位置信息可以为网络层协议给予支持,因此水下定位技术成为一个亟待解决的重要问题。
水下传感器网络定位具有如下特点:水下不能直接使用GPS;水下信道带宽低,通信开销大的协议不适用于水下;节点随水流的移动等。这给水下的节点定位带来了极大的困难与挑战。原有的陆地定位技术不能直接应用于水下定位,需要研究出适用于水下定位特点的新的节点定位技术。
本文首先对现有水下定位技术进行了简介和分类,然后分别对各类水下定位技术进行了介绍,最后对各种算法进行了性能的分析与对比。
1 水下定位技术简介与分类
水下无线传感器网络节点分为三类:锚节点、未知节点和参考节点。未知节点负责感知环境数据,锚节点负责定位未知节点,参考节点由锚节点和已经定位的未知节点组成。水下无线传感器网络节点定位的目标就是:通过一些特殊的定位方法利用一些锚节点和参考节点在有限的通信开销内对未知节点进行定位。
本文对国内外现有的水下节点定位技术进行了分类、概括与总结。根据节点定位过程在何处完成,把现有的水下定位技术分为两类:分布式定位算法和集中式定位算法。在分布式算法中未知节点收集定位信息分别独自完成对自身的定位,而集中式算法是由一个基站或汇聚节点完成对所有节点的定位。这两类算法又都可以进一步分为两个子类:基于估计的算法和基于预测的算法。基于估计的算法使用当前的信息计算节点的位置,而基于预测的算法利用节点过去和当前的位置信息来推测节点下一个时间点的位置。
2 分布式水下节点定位算法
2.1 分布式基于估计的定位机制
升潜定位法(DNRL)[5]是一种应用于水下移动网络中的分布式基于估计的定位算法。如图1所示,该算法利用了一种可上浮与下沉的信标。信标可以周期性的上浮与下沉,信标在浮到水面的时候通过GPS得到自身坐标,然后下沉时通过压力传感器获取深度信息并不断的发送自身坐标信息,未知节点被动的接受这些信息并通过单程TOA测距算法计算距离并最终通过三边测量法原理来定位。该算法可以获取较高的定位覆盖面和精度,但是需要较多的信标节点并且采用单程TOA测距需要时间同步。
由于DNRL中信标移动速度较慢,这将会导致靠近水底的节点的定位延迟时间较长。针对这种情况,多阶段定位算法(MSL)[6]对DNRL进行了修改与扩展。该算法利用已经定位的节点作为参考节点周期发送坐标信息来扩大定位覆盖度和降低定位延迟,不过会增大通信开销并带来误差累积的现象。
水下自主航行器辅助定位法(AAL)[7]利用水下自主航行器(AUV)在水下航行来定位未知节点,该算法应用在静态水环境中。如图2所示,AUV周期的浮出水面获取GPS坐标然后在水下通过船位推算法追踪自身位置并广播唤醒消息,未知节点收到消息后通过双向TOA测距算法获取距离。AUV的移动会导致其位置不停的改变,在未知节点获取多个与不同AUV坐标相对应的距离后,节点即可定位。该算法使用双向TOA测距避免了时间同步,但是通信开销较高并且由于AUV速度缓慢导致定位延迟较大。
定向指向标定位法(LDB)[8]同样利用了AUV来定位水下节点,应用于静态水环境中。如图3所示,该算法与AAL的不同点在于AUV航行在整个网络之上并且其发射信号具有定向的波束宽度。AUV通过上浮到水面获取GPS坐标然后按照预定的轨迹直线航行在整个网络之上并周期发送自身坐标,节点的深度由压力传感器来获取。
该算法为一个不需要测距的定位算法,其定位方法如图4所示。节点被动的接受AUV数据,认为第一次和最后一次接收到AUV信号分别为节点进入探测范围和离开探测范围的时间,其坐标为(xt1AUV,y AUV),(xt2AUV,y AUV),假定通信范围为R,则节点坐标可由下式表示出来:
本算法通信开销较小,但是精确度依赖于AUV的信号发送频率,在发送周期较长时精确度较低。另外一个限制是AUV必须航行在整个网络之上,这一点在实际应用中可能难以满足条件。
大规模定位法(LSL)[9]为一种静态水环境中的分布式分层定位机制。如图5所示,网络由三种节点组成:浮标节点,锚节点和未知节点。浮标节点通过GPS获取坐标,锚节点首先通过浮标节点定位自身坐标,然后周期发送自身坐标为未知节点定位。算法采用了单程TOA测距来获取距离,提出了一种信任值选择机制来选择较优的已定位节点作为参考节点。
在网络中可能有一些未知节点无法直接与锚节点或参考节点通信,这些节点就无法定位。为了解决这个问题,LSL算法让未知节点周期发短消息获得与一跳邻居距离,基于此提出了一种三维欧几里得距离估算方法。如图6所示,A为参考节点,未知节点E需要得知EA的距离。图中实线表示一跳可达,那么在LSL机制下节点E可以获取EC,EB,ED,DC,DB,DA,AB,AC,DC的长度,选取ABC平面为参考平面,由于已知DC,DB,DA长度,可以得到两个D点的可能参考坐标:D与D′。由于EC,EB,ED长度已知,分别针对DBC平面和BCD′平面可得到E点4个可能的参考坐标。在邻居节点大于3个的时候可以通过联立求解得到惟一的E点参考坐标,即可求得AE的距离。LSL算法最大的缺陷在于能耗过高,通信开销过大,并且需要时间同步。
水下定位机制(UPS)[10]利用4个锚节点发送信标信号给未知节点定位,并采用了TDOA方式来进行测距避免了时间同步,适用于静态水环境。如图7所示,由1个主锚节点(A)发起定位过程,锚节点B和未知节点接收到信号,B收到A信号后计算出A到B的延迟然后发送坐标信号,未知节点接收到B信号之后就可以只通过自身的时钟计算出出自己到A和B的距离差。同理,锚节点C和D也采取相同的过程。UPS机制可有效避免时间同步并且通信开销非常小。但是由于只依赖4个锚节点来定位,定位覆盖度不高不适用于大范围的水下网络,而且对锚节点的通信距离要求比较高。
针对UPS机制定位覆盖度不高的缺陷,大规模水下网络定位机制(LSLS)[11]对UPS进行了扩展,包含了三个定位过程:锚节点定位过程、迭代定位过程、补充定位过程。首先进行锚节点定位过程,采用UPS定位机制定位可通过锚节点定位的节点。然后进行迭代定位过程,选择一些已经定位的节点作为参考节点进行迭代定位。经过前两个过程还没有得到定位的未知节点将进行补充定位过程,节点主动发送定位请求,已定位节点根据请求将自身转化为参考节点完成对未知节点的定位。LSLS机制继承了UPS机制的优点并使之可以应用在大规模的网络中,不过其通信开销要比UPS机制高。
水下传感器定位机制(USP)[12]为一个基于投影的定位机制。该机制假设节点知道自己的深度信息,并利用该信息将锚节点投影到自己所在的水平面,将三维定位问题转化为二维定位问题。如图8所示,A,B,C分别为锚节点,投影到未知节点U所在平面上为A′,B′,C′,然后通过三边定位法使节点U得到定位。该算法中已经定位的节点均被定为参考节点,需要周期发送自身坐标,能耗很大,并且定位成功率不高,可以通过增大锚节点数目来提高定位成功率。
2.2 分布式基于预测的定位机制
可扩展的移动预测定位法(SLMP)[13]是一种应用于动态水环境中的分布式基于预测的定位机制。该机制采用如图2一致的分层结构,由浮标节点、锚节点和未知节点组成。提出了节点的移动模式的概念,锚节点和未知节点都根据自身的移动模式已经之前的坐标来估算位置。该机制中假设节点会按照定位周期T获取自身位置。由于节点在运动过程中移动模式也有可能发生变化,所以节点会周期的检查更新自身的移动模式。节点在预测自身位置之后,会根据收集的定位信息来为自身定位,然后比较预测值与实际估算值之间的差异。当其差异不超过某一阈值时节点认为自己的移动模式是正确的,否则节点会根据节点之前与当前的位置信息来更新自己的移动模式。SLMP算法的通信开销相对较低,算法性能受定位周期T的影响,T较小时精度较高但是通信开销会相应提高。整个算法依赖于节点移动模式的结构,而水下节点的移动模式的计算又是一个需要解决的研究难点。
3 集中式水下节点定位算法
3.1 集中式基于估计的定位机制
运动感知的自身定位法(MASL)[14]为一种应用于动态水环境中的集中式算法。由于水下节点的移动性,使得已经估算得到的距离可能随时会失效,而该算法可提供精确的定位。在MASL机制中水下节点会收集自身与邻居节点的距离,这些距离信息将会在水下网络任务结束后由基站进行离线处理。基站通过迭代估算方法对节点进行定位,该方法将水下环境划分为很多小的网格,在每次迭代过程中得到节点的位置分布并选取概率最大的网格作为该节点的位置,然后代入到下一次迭代中去。该算法采用集中式算法缓解了水下节点的计算负担,并且不需要锚节点,但是需要时间同步和较高的通信开销。最大的缺陷在于不适用于要求获取实时位置信息的在线监测应用。
区域定位机制(ALS)[15]是一种不需要测距的粗颗粒度2D定位算法。如图9所示,节点U为未知节点,R1,R2,R3,R4均为锚节点,锚节点通过使用不同能级发送数据将网络分割为很多区域。未知节点被动的接收锚节点数据,将锚节点表已经相应的能级发送到汇聚节点,汇聚节点知道所有锚节点的坐标,然后未知节点的定位得到实现。该算法的不需要时间同步、不需要进行测距也不需要测量接受信号强度,是一种比较轻便的定位算法,不过算法的通信开销较高,不适用于要求获取实时位置信息的应用,并且算法得到的位置信息比较粗糙不适用于需要精确位置的应用。
3.2 集中式基于预测的定位机制
协作定位法(CL)[16]是一种集中式基于预测的定位机制。该算法使用一个水下漂流节点队列,并假定所有的节点都可以在水中上浮与下降。
如图10所示,队列中有一些头结点,其他节点为跟随节点。初始状态时所有节点在水面,这时可获取GPS坐标。然后头结点首先沉入水下,跟随节点随后进入水中,节点深度可通过压力传感器获取,并且所有节点在水下的运动速度一致。那么头结点的位置即为跟随节点未来位置的预测。跟随节点通过TOA来获取头结点的位置。
该算法不需要锚节点并且通信开销很小。但是算法对网络环境的结构要求有限制,适用于柱状深海水环境的数据采集,对于其他的应用环境效果不好。并且头结点需要离跟随节点较近,当头结点脱离了跟随节点的通信范围时,跟随节点的定位就会失败。
4 算法性能比较与讨论
表1总结了所调研的定位算法的基本属性。一些协议没有指明测距方式称之为“未制定”。未知节点不发送数据的协议的通信模式为“沉默”,使用已定位节点辅助定位的协议的通信模式为“迭代”,未知节点主动发送数据的协议的通信模式为“主动”。
一般来说,从以下五个方面对水下节点定位算法的性能进行评价:定位成功率、定位精度、定位速度、定位覆盖度和定位开销。
定位成功率和定位精度与锚节点的数目以及发送数据频率相关。对于大部分的定位机制来说,增加锚节点的数目可以有效提高定位成功率。在动态水环境中提高锚节点的更新速度对定位精度有着很大的影响。例如AAL和LDB使用了更新速度很慢的AUV,导致定位精度的下降。
在定位开销方面,不需要测距的算法比其他算法有更多的能量消耗与通信开销,例如LDB和ALS。此外在基于测距的算法中,使用双向测距比单程测距要消耗更多的能量,但是使用单程测距要解决时间同步问题。
对分布式和集中式算法进行比较发现:分布式算法更适用于需求实时位置信息的应用,而集中式算法对普通节点计算能力要求较低。对基于估计和基于预测的算法比较发现:基于预测的算法更适用于动态水环境,可以在花费更少的能量和通信开销的情况下获取较好的定位效果。但是基于预测的算法依靠准确的移动模式,如何获取水下节点移动模式依旧是一个有待解决的开放式问题。
5 结语
无线传感器网络节点自身定位算法 篇9
随着无线通信、微芯片制造等技术的进步,无线传感器网络的研究应用在许多方面都取得了重大进展,其发展受到了越来越多的网络研究者的关注。美国橡树岭国家实验室的研究人员甚至提出了“网络就是传感器(Network is Sensor)”的论断。2006年初我国发布的《国家中长期科学与技术发展规划纲要》(2006-2020年)为信息技术确定了三个前沿方向。其中有两个与WSN研究直接相关,即智能感知技术和自组织网络技术。目前一些重大项目的应用也推动了WSN的发展:北京奥运会、上海世博会的电子门票、食品安全追溯、安全防伪等遍布WSN足迹;中科院的“基于WSN的冰雪环境连续测量系统”将南极表面数据与遥感卫星测试数据相结合,对南极开展“天地一体”的监测研究;在医院和老年公寓的特殊人群、特殊药品、血液和特殊医疗设备的管理中WSN都扮演了不可缺少的角色。
WSN的应用前景广阔,对于大多数应用,不知道传感器位置而获得的数据是没有意义的。因此传感器节点必须明确自身位置才能说明“在什么区域发生的特定事件”,从而实现对目标的定位和追踪。从1992年AT&T开发出室内定位系统至今,研究者们一直致力于这一领域的研究,开发出多种系统,但不同的系统和算法只支持不同的应用,至今没有一种算法对所有的WSN定位是完全适应的。
2 计算节点位置的基本方法
在本文中,将WSN中需要定位的节点称为未知节点(unknown node);而坐标位置已知,并能协助未知节点定位的称为信标节点(anchor node);两节点间的跳段总数称为两节点间的跳数(hop count);两节点间的各跳段距离之和称为两节点间的跳段距离(hop distance)。传感器节点定位的过程中,未知节点在获得对于邻近信标节点的距离或者相对角度后,通常使用下列方法计算自己的位置。
2.1 三边测量法
其几何意义是:当得到未知节点到一个信标节点的距离时,就可以确定此未知节点在以此信标节点为圆心、以距离为半径的圆上;得到未知节点到3个信标节点的距离时,3个圆的交点就是未知节点的位置。若已知A、B、C三个信标节点的坐标分别为(xa,ya)(xb,yb)(xc,yc),以及它们到未知节点D的距离分别为da、db、dc,假设D点坐标为(x,y)那么存在下面公式 :
undefined
由式子可以得到节点D的坐标为:
undefined
2.2 三角测量法
其理论依据是:已知L1、L2、L3三个信标节点的坐标分别为(xa,ya)(xb,yb)(xc,yc),节点A相对于节点L1,L2,L3角度分别为:∠L1AL2, ∠L1AL3, ∠L2AL3,假设节点A的坐标为(x,y),对于节点L1,L3和∠L1AL3,如果弧段L1L3在△L1L2L3内,那么能够唯一确定一个圆,设圆心为O1 (xo1,yo1),半径为r1,那么α=∠L1O1L3=(2π-2∠L1AL3)并且存在下列公式:
undefined
由上式能够确定圆心O1点的坐标和半径r1。同理对L1,L2,∠L1AL2和L2,L3,∠L2AL3分别确定相应的圆心O2(x2,y2)、半径r2、圆心O3 (x3,y3)、半径r3。最后利用三边测量法,由点A(x,y),O1 (xo1,yo1), O2 (xo2,yo2), O3(xo3,yo3)确定未知节点D点坐标。
2.3 极大似然估计法
其理论依据是:已知1,2,3……等n个信标节点的坐标分别为(x1,y1), (x2,y2), (x3,y3)……(xn,yn),它们到未知节点D的距离分别为d1 ,d2 ,d3 ,……dn ,假设节点D的坐标为(x,y)。那么存在下列公式:从第一个方程开始分别减去最后一个方程,得
undefined
将线形方程组表示方式为:AX=b,其中:
undefined
undefined
。使用标准的最小均方差估计方法可以得到节点D的坐标为:undefined
3 典型的基于距离(range-based)的定位系统与算法
3.1 基于TOA的定位 [1]
算法中,已知信号的传播速度,根据信号的传播时间来计算节点间的距离,然后利用已有算法计算出来节点的位置。假设两个节点间时间同步,发送信号的模块在发送信号的同时,发送模块通过同步消息通知接收节点,根据信号的传播时间和速度计算发送节点和接收节点之间的距离。节点在计算出多个邻近信标节点的距离后,利用三边测量法或极大似然估计法计算自身的位置。 基于TOA 的定位算法精度高,但须保持节点间的时间同步,对传感器节点硬件和功耗提出较高的要求,不建议使用。
3.2 基于TDOA的定位[2]
算法中,发射节点同时发射两种不同的传播速度的信号,接收节点根据两种信号到达的时间差以及已知这两种信号的传播速度,计算两个节点之间的距离,再通过已有的基本定位算法计算节点的位置。发射节点同时发射无线射频信号和超声波信号。接收节点记录两种信号到达的时间T1、T2 ,已知无线电射频信号和超声波的传播速度为c1、c2,那么两点之间的距离为(T2-T1)×S,其中undefined。 由于TDOA不是采用到达的绝对时间来确定节点的位置,降低了时间同步的要求。但仍需要较精确的计时功能,而这对于无线传感器网络的分布密集和无线通信范围小的特点实现起来难度较大。
3.3 基于信号强度RSSI测量法[3]
算法中已知发射功率,在接收节点测量接收功率,计算传播损耗,使用理论或经验的信号传播模型将传播损耗转化为距离。在自由空间中,距发射机d 处的天线接收到的信号强度由下面的公式给出Pr(d)=PtGtGrλ2/(4π)2d2L其中,Pt为发射机功率;Pr(d )是在距离d 处的接收功率; Gt、Gr分别是发射天线和接收天线的增益;L为与传播无关的系统损耗因子;λ是波长, d 是距离,单位为米。通过测量接收信号的强度,再利用上式就能计算出收发节点间的大概距离。然后采用三边测量法或最大似然估计法计算出未知节点的位置。 RSSI借助的硬件设备少,对于复杂环境的适应能力弱,多径反射传播、非视距、天线方向都对其产生影响。但RSSI可作为其它测距方法的辅助手段而采用。随着信号强度的加大,可以逐步减少噪声的影响。
基于距离的定位能够实现精确的定位,但往往对无线传感器节点的定位器件要求高。出于硬件的成本、能耗等考虑,提出了距离无关的定位技术。距离无关的定位技术无需测量节点间的绝对距离或方位,一般通过网络的连通度来确定节点的坐标。
4 典型的无需测距(range-free based)的定位系统及算法
4.1 质心算法[4]
多边形的几何中心称为质心,多边形顶点坐标的平均值就是质心接点的坐标。利用这一理论计算质心坐标。若多边形ABCD的顶点坐标分别为A(x1 ,y1)B(x2,y2)C(x3,y3)D(x4,y4),则其质心坐标undefined。在质心算法中,利用信标节点周期性地向邻近节点广播信标分组,信标分组包含信标节点的标识号和位置信息。当未知节点收到来自不用信标节点的标识分组的数量超过某一个门限k或接收一定时间后,就确定自身位置为信标节点所组成的多边形的质心:undefined,即分组的信标节点坐标。该算法完全基于网络连通性,无需锚节点和未知节点间协调,但需要较高的锚节点密度。
4.2 SPA (self-positioning algorithm)相对定位算法[5]
算法在网络节点部署后,每个节点都开始运行一个随机定时器。与邻居节点相比,节点i 的定时器最早到期,则i 成为一个主节点(master),并向邻居节点广播一个消息,所有接收到该消息的邻居节点终止自己的定时器并成为一个从节点(slave),这些节点形成一个域。然后分别以这些主节点为原点使用与SPA 类似的方法建立各个域的局部坐标系统。然后以主节点ID 较小的局部坐标系统为参考,相邻域进行坐标转换,逐步建立全局坐标系统。因为通信量是随着域的数量而增长的,所以该算法的通信开销与网络中节点数量呈线性比,更适合于大规模网络的部署。
4.3 凸规划定位算法[6]
算法将节点间点到点的通信连接视为节点位置的几何约束,把整个网络模型化为一个凸集,从而将节点定位问题转化为凸约束优化问题,然后使用半定规划和线性规划方法得到一个全局优化的解决方案,确定节点位置。如图1所示,根据未知节点与信标节点之间的通信连接和节点无线射程,计算出未知节点可能存在的区域(图中阴影部分),然后以矩形的质心作为未知节点的位置。 凸规划定位中为了高效工作,锚节点需要被部署在网络的边缘,否则外围节点的位置估算会向网络中心偏移。
4.4 DV-Hop 定位算法[7]
算法由3步组成。首先使用典型的距离矢量交换协议,使网络中所有节点获得距信标节点的跳数。第2步,在获得其他信标节点位置和相隔跳距之后,信标节点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。当接收到校正值之后,节点根据跳数计算与信标节点之间的距离。利用下式可以估算平均每跳的实际距离:
undefined,其中,(xi,yi)(xj,yj)是信标节点的i,j的坐标,hi是信标节点i与j之间的跳段数。当未知节点获得与3 个或更多信标节点的距离时,则在第3步执行三边测量定位。DV-Hop算法仅在各向同性的密集网络中,校正值才能合理地估算平均每跳距离。
4.5 Euclidean 定位算法[8]
算法给出了计算与信标节点相隔两跳的未知节点位置的方法。假设节点拥有RSSI测距能力,如图2所示,已知未知节点B,C在信标节点L的无线射程内,BC距离已知或通过RSSI 测量获得;节点A与B,C相邻。对于四边形ABCL,所有边长和一条对角线BC已知,根据三角形的性质可以计算出AL 的长度(节点A 与L的距离)。使用这种方法,当未知节点获得与3个或更多信标节点之间的距离后定位自身。 当节点A的正确位置确定后,那么,根据图的实际关系,就可以得到三角形ACB、三角形BCL、三角形ACL。这样通过计算,就可以得到对角线AL了,然后经过运算就可以得到节点A的位置信息。
4.6 MDS-MAP定位算法[9]
它是一种集中式定位算法,可在range-free 和range-based 两种情况下运行,并可根据情况实现相对定位和绝对定位。MDS-MAP 算法由3个步骤组成:
(1)首先从全局角度生成网络拓扑连通图,并为图中每条边赋予距离值。当节点具有测距能力时,该值就是测距结果。当仅拥有连通性信息时,所有边赋值为1。然后使用最短路径算法生成节点间距矩阵。
(2)对节点间距矩阵应用MDS技术,生成整个网络的2维或3维相对坐标系统。
(3)当拥有足够的信标节点时(2 维最少3个,3维最少4个),将相对坐标系统转化为绝对坐标系统。
4.7 APIT算法(approximate point-in-triangulation test)近似三角形内点测试法[10]
在APIT算法中,一个未知节点从它所有能够与之通信的信标节点中选择3个节点,测试它自身是在这3个信标节点所组成的三角形内部还是在其外部;然后再选择另外3个信标节点进行同样的测试,直到穷尽所有的组合。未知节点将包含自己的所有三角形的相交区域的质心作为自己的估计位置。PIT测试如图3原理为:假如存在一个方向,沿着这个方向M点会同时远离或者同时接近A、B、C 3个点,那么M位于△ABC外;否则,M位于△ABC内。
在静态网络中,M点固定,不能朝着不同的方向移动,此时无法执行PIT测试,为此定义APIT测试(Approximate PIT)如图4:在无线传感器网络中,邻居节点间互相交换信息,仿效PIT测试的节点移动。图4左图中,节点M通过与邻居节点1交换信息,得知自身如果运动至节点1,将远离信标节点B和C,但会接近信标节点A,与邻居节点2、3、4的通信和判断过程类似,最终确定自身位于△ABC内,而图4的右图中,节点M可知假如自身运动至邻居节点2处,将同时远离信标节点A、B、C,故判断自身不在△ABC中。当节点M比较接近△ABC的一条边,或者M周围的邻居节点分布不均匀时,APIT的判断可能会发生错误,当未知节点密度较大时,APIT判断发生错误的概率较小。
在这些算法中,由于中心节点需要频繁的与周围节点进行通信,其节点能耗要比其他部件要大的多,而每个节点能量有限,因此不能将大量的通信和计算固定于某些节点,否则就造成中心节点能量耗尽,使网络节点不均衡,所以尽量采用分布式的节点定位算法。质心法、DV-Hop法、APIT法等是完全分布式的,需要通信量少、计算简单且具有良好的扩展性。无线传感器网络的自身定位算法的性能对于其可用性有直接的影响,下表给出了不基于测距的定位算法的一些基本算法评价的比较。
5 总结与展望
节点定位是无线传感器网络的一项关键技术,无需测距定位算法将是节点定位算法的主流。国内外学者对WSN节点自身定位的研究获得了丰富的成果,提出了许多定位解决方案和算法,但仅是初步研究还有一些方向值得注意:定位算法性能评价的模型化和量化;网络中移动节点的定位算法的自适应问题及对现有定位算法的优势融合,提出性能更佳的定位算法等。
参考文献
[1] Girod L, Bychovskiy V, et al. Locating tiny sensors in time and space: a case study [A ].IEEE, 2002.
[2]HarterA,HopperA,et al.The anatomy of a context aware ap-plication[A].ACM Press,1999.
[3] Girod L, Estrin D. Robust range estimation using acoustic and multimodal sensing [A ].IEEE, 2001.
[4] Bulusu N, Heidemann J. GPS less low cost outdoor localization for very small devices[J ].IEEE Personal Communications, 2000, 7 (5) .
[5]Capkun S,Hamdi M.GPS-Free positioning in mobile ad-hoc networks.Cluster Computing,2002,5(2):157?167.
[6] He T, Huang C D, et al. Range free localization schemes in large scale sensor networks [A ].Association for Computing Machinery, 2003.
[7] Niculescu D, Nath B. Ad hoc positioning system (APS) using AoA[A ].IEEE, 2003.
[8] NICOLESCU D , NATH B. Ad Hoc Positioning Systems ( APS )[A ].IEEE Communications Society, 2001.
[9]SHANG Y,RUMLW,et al.Localization from mere connectiv-ity[A].ACM Press,2003,6.
无线传感器网络非视距定位技术 篇10
计算机、通信、自动控制、微电子机械系统和人工智能等学科的飞速发展, 使无线传感器网络应运而生, 成为目前众多领域中的研究热点之一。无线传感器网络对现代人类生活产生了极大的影响。如今, 因特网为人们提供了快捷的通信平台, 人与人之间沟通交流的方式有了很大改变。无线传感器网络的出现引起各国工业界和学术界以及军事部门的极大关注, 这种无基础设施的无线网络的节点通过无线通信形成多跳的自组织网络系统, 具有通信和计算能力的微型传感器布置在监测区域内大量, 并且非常廉价。对在网络覆盖区域中各种环境或感知对象信息进行协作地感知、采集和处理。优点是具有快速部署、自组、廉价、低功耗、可扩展性强以及能在恶劣和特殊的环境下正常工作等, 在工农业控制、城市管理、环境监测、国防军事、生物医疗、危险区域远程控制、反恐救灾等众多领域具有极为广阔的应用前景。
节点定位问题是传感器网络应用的基础, 近几年对节点定位问题的研究也很广泛。节点定位技术是无线传感网络的一个主要支撑技术, 无线传感器网络在计算机软硬件所组成计算世界与实际物理世界之间建立了更为密切的联系, 极大地提高了信息的真实程度。例如, 在入侵检测、目标跟踪、环境监控等应用中, 在什么位置或区域发生了特定事件是用户最关心的问题。实现对外部目标的定位、跟踪等是通过传感器网络节点位置有效地说明被检测物体的位置。在网络层, 可以设计基于节点位置信息的路由算法, 提高路由效率, 减少路由发现等开销, 实现网络的负载均衡;在应用层, 系统可以智能地根据节点位置, 选择一些特定的节点来完成任务, 提高系统的存活时间, 降低整个系统的能耗。
由于传感器网络规模比较大, 通常随机部署在人类无法或不宜接近的区域, 不需要干预, 多用于较为恶劣的环境, 如火山口附近。由于节点受到体积、重量以及制造成本等条件限制, 单个节点不易得到补充, 并且所能承载的能量非常有限。所以, 在部署时不可能人工确定节点位置, 若在每个节点上都装备GPS定位系统, 却因其造价昂贵而不适合用于廉价的传感器网络节点, 针对无线传感器网络的特点, 必须设计独特的节点定位机制和算法。
2 无线传感器网络
传感器将物理世界中的一个物理量映射到一个定量的测量值, 是数据采集、信息处理的关键部件, 它使人们对物理世界形成量化认识。随着微电子、计算机和网络技术的发展, 传感器技术已经向着智能化、网络化、微型化、集成化的方向发展。
无线传感器网络是由具有通信与计算能力的、大量无处不在的微小传感器节点, 在无人职守的监控区域密集部署, 构成的根据环境能够自主完成指定任务的智能测控网络系统无线传感器网络其发展可划分为4个阶段。第一代传感器网络是具有简单点到点信号传输功能的传统传感器。随着相关学科的不断发展和进步, 通过与传感控制器的相联, 第二代传感器网络组成了有信息综合和处理能力的传感器网络, 现场控制站间是采用数字化通信。第三代传感器网络是通过开放式的、全数字双向网络现场总线连接智能化的现场设备和控制室, 它是基于现场总线的智能传感器网络, 使得将多种传感器集成为一体, 成本低廉, 但测量精度低、覆盖范围小, 通过低功耗的无线电通信技术连成网络才能发挥其整体的综合作用。第四代传感器网是无线传感器网络, 多种无线通信技术的发展, 如无线电、红外、声波等为微传感器间通信提供了多种选择, 以IEEE802.15.4为代表的短距离无线电通信标准奠定了无线传感器网络坚实的基础。
无线传感器网络特点如下:
通信能力有限, 无线传感器网络为多跳通信模式。随着距离的增加, 通常情况下, 节点的通信能耗将急剧增加。在满足网络连通度的情况下, 应尽可能的减小单跳通信距离。
传感器节点电源能量有限, 不能通过更换电池的方式补充能量。节点体积微小, 通常电池供电十分有限, 传感器分布区域广, 节点个数多, 网络部署环境复杂, 电源能量值决定网络寿命, 无线传感器网络的一个突出问题就是如何高效使用能量, 使网络生命周期最大化。
计算和存储能力有限, 传感器节点的功能比一般计算机弱。传感器网络节点要求必须满足功耗小、价格低, 导致其携带的存储器容量比较小、处理器能力比较弱。
自组织网络。在传感器网络的应用中, 传感器节点随机部署, 节点之间的相互邻居关心不可预知。节点以自组织方式构成网络。与此同时, 部分节点在通信过程中, 会随时因为各种因素而失效, 为了弥补失效节点, 网络中的节点个数动态变化, 拓扑结构也会随之一起变化, 它要求传感器网络还要具有网络自动配制和管理功能。
大规模、高可靠性网络。节点的部署相当密集, 为了保证能够完成任务, 在目标区域通常部署大量传感器节点。节点可通过不同空间视角获得信息, 通过分布式处理, 大量采集的信息监测的精确度得到提高, 减少监测盲区, 除此之外, 系统具有很强的抗毁性和容错性。
以数据为中心的网络, 面向应用的网络。传感器网络是任务型网络, 网络节点采用节点编号标识, 但节点位置跟节点编号不存在必然联系。传感器网络具有非常广阔的应用领域, 但只能针对具体的应用来研究传感器网络技术。
3 基于距离几何的非视距定位算法
无线传感器网络具有非常广阔的应用前景, 无线传感器网络应用的前提是传感器节点能够自身定位。针对无线传感器网络的定位问题, 国内外学者提出了许多定位算法。测距定位算法在较少锚节点的应用或要求较高定位精度或, 非基于测距的定位算法需要大量的锚节点, 定位精度不高。理论上, 使用测距技术能提高定位精度, 但节点间的距离测量容易受非视距传输、多径、多址干扰影响, 是测距定位中误差的主要来源, 从而损害定位精度。
在相互感知范围内节点间距离可以直接测量, 不然需使用一些近似的方法估计距离值, 由于测量躁声和NLOS误差的存在, 距离测量值不精确, 节点间存在的距离几何。其算法利用节点间的距离几何关系, 构造距离误差优化约束函数, 提高定位精度, 能够有效地减少NLOS误差。在实际中, 信号的非视距传播非常多, 表现在信号延迟的增大、信号强度的衰落和到达角度的改变, 导致定位误差。完全消除NLOS误差对定位精度的影响是不可能的, NLOS定位误差取决于物理传播环境, 节点的距离测量值中就包含了NLOS误差和测量随机误差, 但可能通过一些方法尽量减少它的危害。
非视距定位技术的分类:
NLOS传播模型定位法。其定位性能依赖于模型的准确程度。
NLOS鉴别和消除定位法。通常用于LOS传播路径和NLOS传播路径并存的情况。
约束优化定位法。经常用于没有任何关于NLOS误差先验知识的情况下。
指纹定位法。定位分为离线、定位两个阶段, 适用于室内、园区空间有限应用环境。
针对NLos误差的定位算法大致分为两类:一类是建立在未知节点与锚节点及测量距离之间的几何关系基础上, 称为几何法, ;一类是称为非几何定位, 它基于信号本身的统计特性或NLOS误差。
三边测量法是基于测距的定位算法中计算坐标的基本途径。常用的测距技术有TDOA AO, RSSI和TOA。无线传感器网络节点定位在计算模式上可分为分布式和集中式。分布式定位是把定位过程分布到各个节点上, 直接进行自身位置估计。分布式定位中每个节点能耗相对均匀, 适用于大规模网络环境, 网络的连通性得到保证。算法的可扩展性好;集中式定位从全局的角度出发, 收集信息到中心节点统筹规划。其主要优点是普通节点计算负担小, 可以获得相对精确的位置估计。但通信开销比较大, 容易导致网络的不连通性, 当部分节点能量失效时, 需要进行新节点的补充, 集中式定位算法需要重新收集节点信息, 使得网络的拓扑结构发生变化, 造成通信开销的浪费, 可扩展性差。
无线传感器网络的节点定位按照节点定位的先后次序不同, 又可分为递增式和并发式定位。递增式定位从锚节点附近的节点开始, 各个节点依次向外延伸定位, 它存在着误差累积的问题, 并且随机抛洒的节点间拓扑结构不好控制, 网络中节点定位覆盖率不高。并发式定位主要应用在小型的传感器网络中, 所有节点要求参考节点具有较大的通信范围, 同时进行位置计算, 当网络规模比较大时, 较多采用递增式定位方法。
总之, 目前的定位算法仍需要较高的锚节点密度、存在定位精度不高、高通信负载和计算过于复杂等问题。为适用大规模无线传感器网络, 节点的分布式定位算法具有较少的通信代价和计算代价, 能有效利用多跳锚节点的位置信息。
摘要：无线传感器网络具有广阔的应用前景, 是集微机电技术、传感器技术、无线通信技术与现代网络为一体的综合智能信息处理平台, 对人类各个领域带来深远的影响。无线传感器网络众多应用的基础是节点定位, 关键性能是定位精度。节点间的距离测量容易受多址干扰、多径、非视距传输等因素的影响。本文围绕无线传感器网络节点定位, 克服在无线传感器网络定位过程的传播累积和非视距环境下的定位误差
关键词：无线传感器,非视距定位,网络
参考文献
[1]D.Cullar, D.Estrin, M.StrVastava.Overview of sensornetwork.ComPuter, 2004, 37.
[2]于海斌, 曾鹏, 等.智能无线传感器网络.科学出版社, 2006.
无线传感器网络优化的应用与研究 篇11
摘 要：随着微机电技术、嵌入式计算机技术、传感器技术等关键技术的发展与成熟，无线传感器网络技术得到极大发展，无线传感器网络环境适应能力逐渐增强，尤其在资源少、环境恶劣的无人区域具有较好的应用前景。笔者对无线传感器网络的体系结构进行了介绍，并对无线传感器网络优化算法及其应用进行了深入探讨。
关键词：无线传感器 网络优化 研究应用
中图分类号：TP393 文献标识码：A 文章编号：1674-098X（2016）06（c）-0085-02
无线传感器网络以收集目标信息为主要目的，具备监测、收集、处理、传输目标信息的能力，无线传感器网络更强调能源的高效利用。无线通信的发展在一定程度上促进了低功耗、多功能无线传感器网络的发展，无线传感器网络不需要预先安装且具有数据处理、短距离通信的功能，因此，在许多领域都得到了广泛应用。
1 无线传感器网络的体系结构
1.1 无线传感器网络系统结构
无线传感器网络中包含许多传感器节点，这些节点主要分布于监测区域内，在无线通信的辅助下形成网络系统，能够采集并处理在网络覆盖区域内被感知对象的信息，并传送给监测者，完成无线传感监测的工作[1]。
无线传感器网络系统结构如图1所示，主要包含无线传感器节点、汇聚节点与管理节点。无线传感器节点是其中最为重要的组成部分，主要由传感器模块、无线通信模块、处理器模块与能量供应模块组成。传感器模块主要用于采集待测区域内的信息并对相关数据进行转换，无线通信模块能够与其他无线通信传感节点进行信息的交换、接收与发送等操作，处理器模块则主要负责无线传感器节点的存储与处理，能量供应模块则是无线传感器节点运行能量的来源，这四个模块相互独立又相互依存，共同组成了无线传感器节点[1]。汇聚节点在无线传感器网络中承担着链接作用，主要负责信息的汇集工作，当无线传感器节点收集信息后，汇聚节点开始工作将信息汇集到一起，通过无线通信的方式将这些信息传送到管理节点。在这个过程中，无线传感器节点监测数据会沿其他节点进行传输，在传输过程中监测数据也有可能受到其他因素影响，在无线传感器节点收集后经多条路到达汇聚节点，而后通过互联网或卫星等到达管理节点。管理节点是无线传感器网络的最后一环，属于终端监测平台，用户在管理节点处完成对无线传感器网络的配置与管理工作，并将最终的监测数据进行处理分析，形成监测任务发布出去，完成无线传感器传输的工作。
1.2 无线传感器网络协议栈
无线传感器网络协议栈如图2所示，主要由多个管理层构成，包括物理层、网络层、传输层等，这一点与互联网协议栈的协议层是极为相近的[1]。此外，无线传感器网络协议栈还由一些管理平台组成，如能量管理平台、移动管理平台与任务管理平台等，这些管理平台能够调节传感器节点，使其更为高效地协同工作，并在不断变化的传感器网络中收集数据、传输数据，实现多资源的共享，促使无线传感器网络能够更为高效地运行。
2 无线传感器网络优化算法研究
2.1 移动代理路由算法研究
由于传感器有一定的传感范围，在限定的传感器节点周围能够接收到较强的信号，但是与目标距离较远的节点在检测信号时就只能接收到较弱的信号甚至检测不到信号。传感节点能够感知的目标信号强度可以用能量级表示，在无线传感器网络监测时需要格外重视能量级较高的传感节点，并尽可能地忽略能量级较低的传感节点，为了达到这一目的，可以采用移动代理路由算法，使无线传感器网络尽量多地访问能量级高的传感节点，使这些节点能够更为高效地为无线传感器网络服务，完成节点的数据融合工作[2]。移动代理路由算法主要是以特定数据为基础，构造数据表，并对相关目标节点的信息进行收集处理，进而获取目标节点到处理节点的最佳路径，同时还需要对这些目标节点的能量级进行分析，并以这些基本信息为基础，从处理节点出发通过移动代理依次访问目标节点，最终返回处理节点的路由，实现无线传感器网络的优化。通过移动代理路由算法可以获得移动代理所经过的最佳路由节点序列，并以此为依据拟合出一条曲线，完成移动代理从静态路由向动态路由的转换。
2.2 节点重要性评估算法研究
节点如果失效对无线传感器网络性能的影响即为节点的重要性，因此，对节点的重要性进行评估也可以用于无线传感器网络的优化。由于无线传感器网络相对复杂，在进行节点重要性评估时需要在结构复杂的网络中快速地找到关键节点，一般的，节点重要性评估算法是运用平均路径长度、网络直径等指标作为衡量标准，在进行节点重要性评估时需要按照次序将关键节点一一排除，这样极有可能造成网络断裂，进而无法区分关键节点的重要性，因此，利用节点重要性评估算法优化无线传感器网络存在一定的局限性[1]。
2.3 混合基站数据收集算法研究
由于无线传感器网络系统较为复杂，传感器节点的工作环境比较复杂，这样一来替换节点电池或对电池进行充电都非常困难，因此，在优化无线传感器网络时需要有意识地延长网络寿命。混合基站数据收集算法在监控区域中布置了移动基站口可以用于数据信息的收集，进而延长网络寿命，同时提高网络的性能[1]。同时，不同类型的基站能够互相补充，一方面固定基站可以在一定程度上延迟网络通信，使其可以处于一个安全范围内，另一方面移动基站在无线传感器网络中能够自由移动，近距离地接触源节点，有效减少数据在网络中传输的距离，降低网络能耗的同时提高数据的安全性。由此可以看出，不同类型的混合基站收集数据更加地高效，具有适时性。
3 无线传感器网络优化的应用
由于无线传感器网络的工作环境较为复杂，且节点的计算资源存在一定的局限性，拓扑动态存在不确定性，这样一来，在实际应用无线传感器网络时就常需要对其进行优化。传统的建模计算等方式无法完全解决无线传感器网络问题，现代优化算法能够有效提高网络的效率与准确性，促进了无线传感器网络应用范围的扩大。就目前无线传感器网络优化的应用情况来看，以数学方法等技术为基础改进现有的优化算法来简化无线传感器网络的有效途径，通过优化无线传感器网络，可以有效提高求解质量与效率[2]。
无线传感器网络技术的快速发展，对人们的生活方式产生了巨大的影响，无线传感器网络在智能交通领域得到了广泛的应用，在智能交通系统中，探测路面与车辆数据的传感器都是通过有线连接的，这在很大程度上限制了智能交通系统的灵活性，监测范围也存在局限性。将无线传感器网络应用到交通系统中，可以扩大信息采集的范围，控制路口信号设备，降低车辆在路口的停车等待时间，同时有效监测实时交通负荷情况，为驾驶者提供行车路径，提高道路通行效率。
为了更好地利用无线传感器网络，需要进一步利用并行分布式计算技术，提高现代优化算法的实时响应能力，促使无线传感器网络算法效率与准确性的提升。
4 结语
无线传感器网络是在传感器基础上发展而来的一种新型网络技术，具有随机分布性、协作性、低成本以及地域无限制的特性，这也进一步促进了无线传感器网络的深入应用，对人们的生活产生了极大地影响。无线传感器网络在一定程度上受到资源的限制，为了提高无线传感器网络的效率，需要对其进一步算法优化，使无线传感器网络的应用范围得到进一步的拓展。
参考文献
[1]朱艺华，徐骥，田贤忠，等.无线传感器网络应用简单Reed-Solomon编码的低能耗和低时延可靠数据收集方案[J].计算机学报，2015（10）：2106-2124.
无线传感器网络质心定位算法研究 篇12
无线传感器网络是现代传感器技术、微机电系统、通信技术、嵌入式计算技术和分布式信息处理技术等综合交叉起来的一个研究领域,是多学科交叉的新兴研究热点[1]。位置信息在无线传感器网络中承担着非常重要的作用,对于无线传感器网络得到的感知数据来说,如果没有相应的位置信息,往往是没有任何意义的[2]。根据定位过程中是否需要通过物理手段实际测量节点间的距离或角度,可把传感器网络中的定位算法分为基于测距的定位算法和无需测距的定位算法[3]。相比于基于测距的定位算法,无需测距的定位算法虽然没有较高的定位精度,但其成本和能耗开销较小,并且不需要额外的硬件支持,因此更加适用于大规模无线传感器网络中而备受关注[4]。
质心(Centroid)算法是作为一种很重要的无需测距定位算法,以其结构简单、易于操作等特点而广泛应用于室外定位应用中,但是该算法定位精度较低,针对这一缺陷,文献[5,6,7,8]对其进行了改进:文献[5]通过粒子群算法对质心算法的定位结果进行迭代求精从而提高了定位精度;文献[6]利用可变惯性权重的方法对质心算法进行了改进,通过对所接收到的所有锚节点信息进行加权处理从而减小了定位误差;文献[7]将质心算法与DV-Hop算法结合进而对其定位性能进行了改进;文献[8]利用未知节点接收到的锚节点所发送信号功率的强度对质心算法加以改进。
本文在介绍质心算法原理的基础上,通过对影响其定位精度及定位率的几个重要参数,包括节点个数、锚节点个数以及节点通信半径进行详细的仿真分析,并通过仿真对固定监测区域内的参数设置进行了优化。仿真结果表明,未知节点的平均邻锚节点个数对质心算法的定位精度起主导作用,锚节点单位时间内所发送的信息包的数量S及阈值CM对定位精度及定位时间起调节作用,而网络的平均连通度是确保质心算法能够正常运行的前提,其值的改变并不能影响定位精度;同时,考虑到算法的能量消耗,在一定网络连通度的基础上,在固定监测区域内通过设置较优的参数可以有效的提高定位精度以及定位率。
1 Centroid定位算法描述
Centroid定位算法最初是由南加州大学Nirupama Bulusu等人提出的一种无需测距的室外定位算法[9]。具体的定位过程为:锚节点每隔一段时间T发送一个自身的位置信息,在一个时间段t内,假设锚节点发送的位置信息数目为S,未知节点接收到的来自锚节点的位置信息数目为Nm,则Nm/S表示未知节点和这个锚节点的连通度。如果N/S大于预先设置的一个阈值CM,那么就认为未知节点和这个锚节点连通。当未知节点侦听t时段之后,把所有与自己连通的锚节点组成的多边质心作为自己的估计位置,计算公式如下:
式(2)中(xi,yi)表示未知节点所接收到的锚节点坐标,kr为所接收到锚节点坐标信息的个数,(x , y)为该未知节点坐标。
从上述质心算法的定位过程可知,该算法只是对未知节点坐标进行粗略的估计,必然存在较大的误差,另外节点个数、锚节点个数、节点的通信半径以及S与CM值的不同也可能对算法的定位性能产生一定影响。为了验证这一结论,利用Matlab 2010a分别对上述不同参数设置下的质心算法定位性能进行仿真,通过比较找出各个参数与定位性能之间的关系。
2 定位性能仿真分析
为了全面系统的分析质心算法的定位性能,假设节点随机均匀的部署在边长为100 m的方形平面监测区域内,并对其评价指标作以下设定。
(1)定位精度
这是定位算法最主要的性能指标,它一般用位置节点的估计位置和真实位置的距离偏差和节点的通信半径的百分比表示[10]。本文通过计算基于k次仿真实验结果统计的归一化平均定位误差作为评价指标,在不做特殊说明时,k=100,具体计算公式如下:
式(3)中k为实验次数,R为节点的通信半径,nc为可定位的节点个数,(xi,yi)、 (xi′,yi′)分别为未知节点的真实坐标和估计坐标。
(2)定位率
即可定位的节点个数与未知节点个数的比值,若定位率较低,网络则无法正常工作。
(3)算法的能量消耗
本文主要通过计算算法的运行时间来等效算法的能量消耗。
2.1 节点个数对定位性能的影响
节点个数是指在无线传感器网络中未知节点与锚节点个数的总和,其中锚节点坐标已知。
图1和图2给出了不同节点个数基于100次仿真实验的统计结果。图1为通信半径R=22 m、S=20、CM=0.9时锚节点个数分别为5、8、12和20的情况下随节点个数变化的定位情况。从图1(a)中可以看出,在锚节点个数固定不变时,随着节点个数的增多,定位误差基本保持不变,但随着锚节点个数的增多,定位误差才逐步减小。相比于5、8和12个锚节点的情况,20个锚节点的定位误差分别平均减小了14.83%、11.35% 和7.19%。从图1(b)中可以看出,随着节点个数的增多,算法的运行时间在逐步增加,在节点个数大于200时,平均运行时间上升的幅度增大,同时,锚节点个数的不同对算法的运行时间在节点个数较少时(小于250)基本没有影响影响, 但在节点个数较大时, 存在略微差异, 在500个节点时5个锚节点时的运行时间分别 比 8、12、20个锚节点时多了0.342 1 s、0.27 s和0.338 4 s。
邻锚节点个数是指未知节点通信范围内的平均锚节点个数。从图1(c)和图1(d)中可以看到,在随着节点个数增多的过程中,网络平均连通度也随之增加,而邻锚节点个数与平均定位率在锚节点个数不变时,基本保持不变。
图2给出了锚节点比例(占节点个数的比值)为10%、S=20、CM=0.9时通信半径R分别为15 m、20 m、25 m和30 m的情况下随节点个数变化的定位情况。从图2(a)中可以看出,随着节点个数的增多,在通信半径不变时,定位误差逐步减小,另外,节点的通信半径较大时,定位误差减小的幅度较大,相比于通信半径为15 m、20 m、25 m时的情况,通信半径为30 m时的定位误差平均减小了14.15%、8.1%和3.29%。从图2(b)中可以看到,在通信半径不变时,网络平均连通度随节点个数的增加而呈线性递增的趋势。
从图2(c)可知,在通信半径一定时,邻锚节点个数随着节点个数的增多也在逐步增加,另外,从图2(d)中可以看到,在节点个数逐步增加的过程中,算法的平均定位率也在逐渐增加并趋于稳定,但通信半径较小时随节点个数变化的幅度较大。从图1和图2中可以发现,邻锚节点个数对定位误差及定位率具有较大的影响,而网络的平均连通度对定位精度则没有较大影响,另外,节点个数是影响定位时间的主要因素。
2.2 锚节点数量对定位性能的影响
为了进一步验证邻锚节点个数对定位性能的影响,图3和图4分别给出了不同锚节点个数及锚节点比例下的定位结果。其中图3为节点个数为100、S=20、CM=0.9时通信半径R分别为15 m、22 m、24 m和30 m的情况下随锚节点个数变化的定位情况。
从图3(a)、图3(b)和图3(c)中可知,在通信半径保持不变时,定位误差随着锚节点个数增多而逐渐减小,而邻锚节点个数随之逐渐增加,而网络的平均连通度则基本保持不变,在通信半径增大时,相同锚节点个数的基础上,平均定位误差减小,邻锚节点个数及网络平均连通度均随之增大。这就说明了通信半径对网络平均连通度有较大影响;而在R=15时,网络连通度平均为6.137 3,但定位误差可以减小至40.68%,说明了邻锚节点个数对定位误差起主要作用,而网络的平均连通度则对其影响较小。从图3(d)中可以看出,在锚节点个数增加的过程中,平均定位率也逐步增加,另外,在锚节点个数为3左右时,定位率均能达到约95%。
图4给出了通信半径R=20 m、S=20、CM=0.9时节点个数分别为50、100、150和200的情况下随锚节点比例变化的定位情况。由图4可知,在节点个数一定时,随着锚节点比例的增加,定位误差逐步减小,邻锚节点个数呈线性递增的趋势,平均运行时间基本保持不变,而定位率也随之增加并趋于稳定。由图4(a)中可以看出,在随锚节点比例增加时,节点个数较多的定位误差减小的幅度较大,在200个节点时,相比于4%的锚节点,50%的锚节点平均定位误差减小了31.7%。
2.3 信息包数目S及阈值CM对定位性能的影响
在质心算法中,锚节点单位时间内发送信息包的数目S及阈值CM是两个重要的控制参数,为了分析其对定位性能的影响,图5给出了不同S及CM设置下的定位性能。
其中图5(a)与图5(b)给出了在通信半径为25 m、锚节点比例为10%、CM=0.9时节点个数分别为50、100、150和200条件下的定位结果。由图5(a)和图5(b)可知,随着S的增加,在节点个数不变时,定位误差与定位率均随之下降,同时,在节点个数较小时,下降的幅度较大,分别约为21.22%和17.55%,而在节点个数较大时,S的改变对定位误差及定位率的影响较小,同时可以发现,相同条件下,若要保证较低的定位误差,则会牺牲一部分定位率。
图5(c)和图5(d)给出了在节点个数为100,锚节点比例为10%且S=10时通信半径分别为10 m、20 m、30 m和40 m时随CM值变化的定位性能。由图上可知,在通信半径一定时,阈值较大的定位误差明显小于阈值较小的情况,同时,较大的阈值会减小算法的定位率,但影响程度相比于S较小。
2.4 参数优化后的定位性能
从上述的仿真结果分析可知,邻锚节点个数对定位误差及定位率的影响起主导作用,节点个数是直接影响算法运行时间的参数,另外该参数与通信半径直接影响网络的平均连通度,同时,S与CM对定位误差及定位率起调节作用,通过设置,可以在牺牲一定定位误差的基础上,确保算法较高的定位率。另一方面,在仿真分析过程中发现,在本实验的监测区域内,存在较优的参数设置,即邻锚节点个数为3时能够有效的提高定位精度及定位率,考虑到算法的平均运行时间及网络成本,锚节点设置为10%的节点个数,则100×100 m2监测区域内较优的参数设置如下:
根据表1的参数设置,在1 000次仿真的基础上,对四种参数设置下的定位算法进行了仿真,图6给出了这四种参数设置下的误差概率分布。
由图6可知,通过设置最优参数,定位误差集中分布在35%到45%之间。其中,图6(a)为120个节点时所设置较优参数后的概率分布,从图中可以看出最小定位误差为27.41%,最大定位误差为60.47%。图6(b)为150个节点时所设置较优参数后的概率分布,其中最小定位误差为28.20%,最大定位误差为56.88%;图6(c)为180个节点时所设置较优参数后的概率分布,最小定位误差为30.15%,最大定位误差为54.96%;图6(d)为200个节点时所设置较优参数后的概率分布,从图中可以看出最小定位误差为28.33%,最大定位误差为55.41%。从图6可以看出,通过设置较优的参数,定位误差及定位率均能达到较为理想的状态。
4 结论
本文针对传统质心算法中几个重要参数设置不同时存在误差及定位率等定位性能差异较大的问题,详细的对节点个数、锚节点数量、通信半径以及锚节点单位时间内发送的信息包数目S与阈值CM几个参数在定位过程中进行了仿真。通过仿真结果分析发现,邻锚节点个数对定位率及定位误差的影响起主要作用,S与CM对其起调节作用且其值在变化过程中不能既降低定位误差又提高定位率,节点个数直接影响算法的运行时间,同时网络平均连通度对定位率及定位误差仅有较小的影响。仿真结果表明,通过设置较优的参数,在固定监测区域内,在确保网络连通的前提下,邻锚节点个数保持在3左右时能够有效的提高定位精度及定位率。
摘要：质心算法是无线传感器网络中一种典型的无需测距定位算法。针对不同节点个数、锚节点个数、锚节点单位时间内发送信息的个数以及阈值对定位性能具有较大影响的问题,系统仿真了在固定监测区域内上述参数与定位误差、定位率以及定位时间的关系。通过仿真结果分析得出未知节点的邻锚节点个数是影响定位率及定位精度的主要因素。另外在确保较高定位率的基础上,在固定监测区域内存在较优的参数设置。仿真结果表明,参数优化后的质心算法有效地提高了定位精度及定位率。
关键词：无线传感器网络,定位,质心算法,参数优化
参考文献
[1] Akyildiz F,Su W,Sankarasubramaniam Y,et al.Wireless sensornetworks:a survey.Computer Networks,2002;38(4):393—442
[2]袁正午,梁均军.基于虚拟力的无线传感器网络多跳定位算法.重庆邮电大学学报(自然科学版),2010;22(1):122—126
[3]王福豹,史龙,任丰原.无线传感器网络中的自身定位系统和协议.软件学报,2005;16(5):857—868
[4] Kim S,Ko J G,Yoon J,et al.Multiple-objective metric for placingmultiple base stations in wireless sensor networks.Proc of the 2rd In-ternational Symposium on Wireless Pervasive Computing.New York:IEEE,2007:627—631
[5] Su Xiaoqing,Lei Zhaoming.Improved centroid algorithm localizationfor WSN based on Particle Swarm Optimization.Proc of 2011 FourthInternational Symposium on Computational Intelligence and Design,2011:139—142
[6] Cheng Haiqing,Wang Huakai,Wang Hua.Research on centroid io-calization algorithm that uses modified weight in WSN.Proc of Net-work Computing and Information Security,May 2011;(2):287—291
[7]王天阳.一种距离无关的无线传感器网络综合定位算法.吉林:吉林大学,2010
[8] Wang Jun,Urriza P,Han Yuxing,et al.Weighted Centroid localiza-tion algorithm:theoretical analysis and distributed implementation.Wireless Communications,2011;10(10):3403—3413
[9] Bulusu N,Heidemann J,Estrin D.GPS-less low-cost outdoor locali-zation for very small devices.IEEE Personal Communications,2000;7(5):28—34
【无线传感器网络定位】推荐阅读：
无线传感网定位技术08-11
无线传感器网络研究06-25
无线的传感器网络08-18
无线视觉传感器网络08-23
多跳无线传感器网络05-19
无线传感器网络安全06-19
无线传感器网络及应用07-10
无线传感器的网络应用08-28
无线传感网络技术07-11