The invention relates to a method for node localization of wireless sensor network and its device, and discloses a node positioning method and device, including on the basis of each beacon node receives the unknown node broadcast, determines each beacon node location information and unknown nodes and each letter numerical minimum hop between the nodes of the standard; the first corresponding radio beacon node to determine the unknown node received the average single hop distance; according to location information, minimum hop value and the average single hop distance measurement algorithm to calculate the position of a multilateral sample data obtained by the unknown node set; data set including a plurality of sample points; clustering sample points within the data set are determined based on the clustering algorithm, based on location information the position information of each cluster center are unknown nodes. The invention calculates node position according to the location of the unknown node and the cluster center of the data set on the sample, thereby reducing the calculation amount and improving the positioning accuracy.
【技术实现步骤摘要】
一种传感器网络的节点定位方法及其装置
本专利技术涉及无线通信
,特别是涉及一种传感器网络的节点定位方法及其装置。
技术介绍
无线传感器网络(WSN)是一种具有信息采集,数据处理,无线传输等功能的网络。无线传感器网络由随机分布在网络中的传感器节点组成,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。目前,常用的定位算法是DV-Hop算法,该算法分为三个阶段:第一个阶段,由已知位置的节点(以下称信标节点)不断向整个网络广播信息{hi,Xi,Yi},其中hi为信标节点到未知节点之间的跳数值且其初始值为0,(Xi,Yi)为信标节点的横纵坐标。未知节点记录来自各个信标节点的位置信息和hi,然后将hi加1后转发到邻居节点。以这种方式,未知节点从多次接收到的同一信标节点的信息选取对应于该信标节点的最小跳数值;第二阶段,计算每个信标节点与其余各个信标节点之间的距离之和以及跳数值之和,将该距离之和除以该跳数值之和,即得到每个信标节点的平均单跳距离。第三阶段 ...
【技术保护点】
一种传感器网络的节点定位方法,其特征在于,包括:依据未知节点接收到的各个信标节点的广播,确定各个信标节点的位置信息以及未知节点与各个所述信标节点之间的最小跳数值;确定所述未知节点接收到的首个广播对应的信标节点的平均单跳距离;依据所述位置信息、所述最小跳数值以及所述平均单跳距离采用多边测量算法计算得到所述未知节点的位置样本数据集;所述数据集内包括多个样本点;依据聚类算法确定所述数据集内样本点的聚类中心,依据各个所述聚类中心的位置信息得到所述未知节点的位置信息。
【技术特征摘要】
1.一种传感器网络的节点定位方法,其特征在于,包括:依据未知节点接收到的各个信标节点的广播,确定各个信标节点的位置信息以及未知节点与各个所述信标节点之间的最小跳数值;确定所述未知节点接收到的首个广播对应的信标节点的平均单跳距离;依据所述位置信息、所述最小跳数值以及所述平均单跳距离采用多边测量算法计算得到所述未知节点的位置样本数据集;所述数据集内包括多个样本点;依据聚类算法确定所述数据集内样本点的聚类中心,依据各个所述聚类中心的位置信息得到所述未知节点的位置信息。2.根据权利要求1所述的方法,其特征在于,所述聚类算法具体为k-nedoids聚类算法。3.根据权利要求2所述的方法,其特征在于,所述依据聚类算法确定所述数据集内样本点的聚类中心,依据各个所述聚类中心的位置信息得到所述未知节点的位置信息的过程具体为:分别确定所述数据集内各个核心对象的坐标;其中,纵坐标为所述核心对象对应的最小可达距离,横坐标为各个所述核心对象确定自身最小可达距离的次序;所述核心对象为以自身为中心、预设半径范围内包含的样本点个数超出第一预设个数的样本点;将各个所述核心对象的坐标点进行连接,得到可达波形图;将所述可达波形图上的各个波谷对应的核心对象作为各个聚类中心点;计算各个所述聚类中心点的平均值作为所述未知节点的位置信息。4.根据权利要求3所述的方法,其特征在于,所述将所述可达波形图上的各个波谷对应的核心对象作为各个聚类中心点之后还包括:步骤s301:将所述数据集内除聚类中心点以外的其余样本点分配至距离自身最近的聚类中心点的聚类中;步骤s302:从各个所述聚类中心点内,去除自身所在聚类内包含的样本点个数小于第二预设个数的聚类中心点。5.根据权利要求4所述的方法,其特征在于,步骤s302之后还包括:对于包含的样本点个数不小于所述预设个数的每个聚类,将其包含的各个样本点分别作为当前聚类中心点,并依据平方差关系式,确定所述聚类内,除所述当前聚类中心点以外的其余各个样本点到所述当前聚类中心点的距离的平方和;其中,所述平方差关系式具体为:其中,Lj为第j个当前聚类中心点对应的平方和;n为所述聚类内的样本点的总个数;Pi为第i个样本点的位置,Oj为所述第j个当前聚类中心点的位置;将最小的平方和对应的当前聚类中心点调整为所述聚类的聚类中心点。6.根据权利要求3-5任一项所述的方法,其特征在于,所述分别确定所述数据集内各个核心对象的坐标,其中,纵坐标为所述核心对象对应的最小可达距离,横坐标为各个所述核心对象确定自身最小可达距离的次序的过程具体为:步骤s501:从所述数据集中随机选取一个样本点,判断所述样本点是否为核心对象,若是,将其作为处理对象,并进入步骤s502;若否,将所述样本点加入结束列表内,并重复步骤s501;步骤s50...
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。