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d ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。