一种基于离群点检测的多边定位方法及装置制造方法及图纸

本发明专利技术实施例提供的一种基于离群点检测的多边定位方法通过对定位结果进行聚类分析获得预设数量的聚类，然后对聚类中的离群点进行分离，使得具有较大误差的测量值从定位数据中去除，排除了具有较大误差的测量值对定位结果的负面影响，最后对聚类进行加权平均获得未知节点的定位结果，解决了现有的定位无线传感器的多边定位方法不能完全除去具有较大误差的测量值对定位结果的负面影响的技术问题，能够有效减小距离信息所含误差对位置计算结果的影响，有效提高未知节点的定位精度。本发明专利技术实施例还提供一种基于离群点检测的多边定位装置。

Multilateral positioning method and device based on outlier detection

The embodiment of the invention provides a multilateral localization method based on outlier detection by clustering analysis to get a preset number of clustering on the positioning result and then to separate the clustering of outliers, the measurement error is removed from the value of positioning data and measurement error has eliminated the negative impact on the value orientation the results of clustering, finally obtained results the average weighted localization of unknown nodes, can not solve the multilateration localization algorithms for wireless sensor the complete removal of the problem of measuring error has a negative impact on the value of the localization result, can affect the errors of calculation results of the position to reduce the effective distance information, effectively improve the location the accuracy of the unknown nodes. The embodiment of the invention also provides a multilateral positioning device based on outlier detection.

【技术实现步骤摘要】
一种基于离群点检测的多边定位方法及装置
本专利技术涉及无线传感器网络领域，尤其涉及一种基于离群点检测的多边定位方法及装置。
技术介绍
无线传感器网络(WSN)是一种集传感器技术，无线通信技术，现代微电子技术，信号处理技术和嵌入式技术等为一体的新一代网络技术，该技术具有信息采集，数据处理，无线传输等功能。无线传感器网络由随机分布在网络中的传感器节点个成，这些传感器节点搜集，分析，处理节点周围的信息并将分析结果准确传回到服务器。在监测活动中，传感器必须要明确自己的位置，若没有精确的位置信息，那么传感器获取的信息就没有意义。无线传感器网络的自身定位算法直接影响传感器网络的可用性，所以，无线传感器的定位技术至关重要。定位算法可以分为两种类型，基于距离的定位算法和距离无关的定位算法。基于距离的定位算法需要增加额外的硬件设备测量距离和角度，成本较高；距离无关的定位算法通过拓扑网络来交换信息无需额外的硬件设备，成本较低。基于距离的定位算法有基于TOA的定位，基于TDOA的定位，基于AOA的定位，基于RSSI的定位；距离无关的定位算法有RSSI算法，DV-Hop算法，APIT算法。多边定位算法是WSN定位位置计算中广泛使用的普遍方法，不论是基于测距的TOA、RSSI方法还是无需测距的DV-Hop、DV-distance、Amorphous方法都可以使用多边定位法进行位置计算，因此多边定位算法在无线传感器网络定位中有重要的意义。图1所示为多边定位算法的原理图，设未知节点的坐标为U(X,Y)，信标节点Bj(j＝1,2…n)的坐标为(Xj,Yj)，未知节点与信标节点间的距离为dj(j＝1,2…n)则上式可以表示成线性方程式AX＝B求解。最后使用最小均方差估计法得到未知节点的坐标，计算公式如下：近年来已有一些学者对多边定位算法进行改进，如提出了一种基于最小误差平方和的多边定位算法。该算法分别计算不同的信标节点作为消元对象产生的误差平方和,通过选取误差平方和最小值来确定位置最优估计值。针对传统无线定位算法的缺点，有人提出了运用接收信号强度参数,将压缩感知技术和多边测量方法相结合的无线传感器网络定位方法。首先将基于网格的目标定位问题转化为压缩感知问题,判断目标是否位于网格中心。对于目标不在网格中心的情况,再用多边测量方法进行目标的精定位,并采用了基于接收信号强度的基站选择策略克服环境因素对定位算法的影响。也有人提出极大似然估计算法用于无线传感器网络节点自定位的原理，最速下降算法求非线性方程个最优解的原理。该文献提出在距离测量误差较大的情况下,使用最速下降算法优化极大似然估计算法所得的节点定位值。然而，总体来看，上述方法都是分别针对测距误差以及定位求解方法进行研究，主要考察如何减小测距误差对定位结果的影响，虽然对测距误差引起的定位误差有所改进，但对于具有较大误差的测量值，以上方法不能完全除去其对定位结果的影响。因此，现有的定位无线传感器的多边定位方法不能完全除去具有较大误差的测量值对定位结果的负面影响是本领域技术人员需要解决的技术问题。
技术实现思路
本专利技术实施例提供了一种基于离群点检测的多边定位方法及装置，用于解决现有的定位无线传感器的多边定位方法不能完全除去具有较大误差的测量值对定位结果的负面影响的技术问题。本专利技术实施例提供的一种基于离群点检测的多边定位方法，包括：获取需进行定位的未知节点与信标节点的N个距离信息；从所述距离信息中每选取三个所述距离信息通过多边定位算法计算获得一个定位结果，共获得个定位结果；从所述个定位结果中随机选取k个点作为初始化中心点Ui，k个所述初始化中心点对应的聚类为k个Ui聚类；通过聚类分析算法将所述个定位结果中除去所述初始化中心点Ui的剩余点划分至所述k个Ui聚类，计算所述k个Ui聚类的聚类中心点Ci的坐标和聚类半径Ri；计算Ui聚类中的点到Ui聚类中心点Ci的欧式距离dij，将所述欧式距离dij大于Ui聚类半径Ri的对应的Ui聚类中的点标记为候选离群点；计算每个候选离群点的LOF值，从Ui聚类中删除m个的LOF值最大的候选离群点，重新计算k个Ui聚类的聚类中心点的坐标为(Cix,Ciy)其中i＝1，2，3…..k；根据聚类中心点的坐标(Cix,Ciy)和Ui聚类中剩余数据点的个数求加权平均，获得未知节点的坐标。优选地，所述通过聚类分析算法将所述个定位结果中除去所述初始化中心点Ui的剩余点划分至所述k个Ui聚类，计算所述k个Ui聚类的聚类中心点Ci的坐标和聚类半径Ri具体包括：计算所述个定位结果中除去所述初始化中心点Ui的剩余点到Ui聚类中各个聚类中心点的距离，从所述剩余点中选取距离最小的点添加至相应的Ui聚类中，重新计算每个Ui聚类的聚类中心点；重复执行上一步，直到k个Ui聚类的聚类中心点的坐标不变，分别计算聚类中心点Ci的坐标和聚类半径Ri，计算聚类中心点Ci的坐标和聚类半径Ri的公式为：其中，Xi为第i个Ui聚类中的数据点，ni为第i个Ui聚类中数据点的个数。优选地，所述计算Ui聚类中的点到Ui聚类中心点Ci的欧式距离dij，将所述欧式距离dij大于Ui聚类半径Ri的对应的Ui聚类中的点标记为候选离群点具体为：根据Ui聚类中的点到Ui聚类中心点Ci的欧式距离dij＝d(hij,Ci)计算候选离群点集hij，其中所述欧式距离dij大于Ui聚类半径Ri的对应的Ui聚类中的点标记为候选离群点，计算候选离群点集hij的公式为：其中，Ri为Ui聚类的聚类半径，hij为Ui聚类中的点，ni为第i个Ui聚类中的数据点的个数，m为预设定的离群点个数；优选地，所述根据聚类中心点的坐标(Cix,Ciy)和Ui聚类中剩余数据点的个数求加权平均，获得未知节点的坐标具体为：根据聚类中心点的坐标(Cix,Ciy)和Ui聚类中剩余数据点的个数通过未知节点的坐标计算公式求加权平均，未知节点的坐标计算公式如下：其中，ni为第i个Ui聚类中的数据点的个数，m为预设定的离群点个数，k为Ui聚类的个数。优选地，所述获取需进行定位的未知节点与信标节点的N个距离信息之后还包括：检测所述距离信息的个数N是否小于3，若是，则结束定位。本专利技术实施例提供的一种基于离群点检测的多边定位装置，包括：距离信息获取模块，用于获取需进行定位的未知节点与信标节点的N个距离信息；初步定位模块，用于从所述距离信息中每选取三个所述距离信息通过多边定位算法计算获得一个定位结果，共获得个定位结果；初始化聚类模块，用于从所述个定位结果中随机选取k个点作为初始化中心点Ui，k个所述初始化中心点对应的聚类为k个Ui聚类；聚类分析模块，用于通过聚类分析算法将所述个定位结果中除去所述初始化中心点Ui的剩余点划分至所述k个Ui聚类，计算所述k个Ui聚类的聚类中心点Ci的坐标和聚类半径Ri；候选离群点确定模块，用于计算Ui聚类中的点到Ui聚类中心点Ci的欧式距离dij，将所述欧式距离dij大于Ui聚类半径Ri的对应的Ui聚类中的点标记为候选离群点；离群点删除模块，用于计算每个候选离群点的LOF值，从Ui聚类中删除m个的LOF值最大的候选离群点，重新计算k个Ui聚类的聚类中心点的坐标为(Cix,Ciy)其中i＝1，2，3…..k；未知节点计算模块，用于根据聚类中心点的坐标(C本文档来自技高网...

【技术保护点】
一种基于离群点检测的多边定位方法，其特征在于，包括：获取需进行定位的未知节点与信标节点的N个距离信息；从所述距离信息中每选取三个所述距离信息通过多边定位算法计算获得一个定位结果，共获得

【技术特征摘要】
1.一种基于离群点检测的多边定位方法，其特征在于，包括：获取需进行定位的未知节点与信标节点的N个距离信息；从所述距离信息中每选取三个所述距离信息通过多边定位算法计算获得一个定位结果，共获得个定位结果；从所述个定位结果中随机选取k个点作为初始化中心点Ui，k个所述初始化中心点对应的聚类为k个Ui聚类；通过聚类分析算法将所述个定位结果中除去所述初始化中心点Ui的剩余点划分至所述k个Ui聚类，计算所述k个Ui聚类的聚类中心点Ci的坐标和聚类半径Ri；计算Ui聚类中的点到Ui聚类中心点Ci的欧式距离dij，将所述欧式距离dij大于Ui聚类半径Ri的对应的Ui聚类中的点标记为候选离群点；计算每个候选离群点的LOF值，从Ui聚类中删除m个的LOF值最大的候选离群点，重新计算k个Ui聚类的聚类中心点的坐标为(Cix,Ciy)其中i＝1，2，3…..k；根据聚类中心点的坐标(Cix,Ciy)和Ui聚类中剩余数据点的个数求加权平均，获得未知节点的坐标。2.根据权利要求1所述的一种基于离群点检测的多边定位方法，其特征在于，所述通过聚类分析算法将所述个定位结果中除去所述初始化中心点Ui的剩余点划分至所述k个Ui聚类，计算所述k个Ui聚类的聚类中心点Ci的坐标和聚类半径Ri具体包括：计算所述个定位结果中除去所述初始化中心点Ui的剩余点到Ui聚类中各个聚类中心点的距离，从所述剩余点中选取距离最小的点添加至相应的Ui聚类中，重新计算每个Ui聚类的聚类中心点；重复执行上一步，直到k个Ui聚类的聚类中心点的坐标不变，分别计算聚类中心点Ci的坐标和聚类半径Ri，计算聚类中心点Ci的坐标和聚类半径Ri的公式为：其中，Xi为第i个Ui聚类中的数据点，ni为第i个Ui聚类中数据点的个数。3.根据权利要求1所述的一种基于离群点检测的多边定位方法，其特征在于，所述计算Ui聚类中的点到Ui聚类中心点Ci的欧式距离dij，将所述欧式距离dij大于Ui聚类半径Ri的对应的Ui聚类中的点标记为候选离群点具体为：根据Ui聚类中的点到Ui聚类中心点Ci的欧式距离dij＝d(hij,Ci)计算候选离群点集hij，其中所述欧式距离dij大于Ui聚类半径Ri的对应的Ui聚类中的点标记为候选离群点，计算候选离群点集hij的公式为：其中，Ri为Ui聚类的聚类半径，hij为Ui聚类中的点，ni为第i个Ui聚类中的数据点的个数，m为预设定的离群点个数。4.根据权利要求1所述的一种基于离群点检测的多边定位方法，其特征在于，所述根据聚类中心点的坐标(Cix,Ciy)和Ui聚类中剩余数据点的个数求加权平均，获得未知节点的坐标具体为：根据聚类中心点的坐标(Cix,Ciy)和Ui聚类中剩余数据点的个数通过未知节点的坐标计算公式求加权平均，未知节点的坐标计算公式如下：其中，ni为第i个Ui聚类中的数据点的个数，m为预设定的离群点个数，k为Ui聚类的个数。5.根据权利要求1所述的一种基于离群点检测的多边定位方法，其特征在于，所述获取需进行定位的未知节点与信...

【专利技术属性】
技术研发人员：刘广聪，郝艳茹，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44