无线传感器网络节点定位算法研究.docx

无线传感器网络节点定位算法研究 0 对传统的wsn定位算法的思考 定位技术在无线传感器网络（无线传感器网络）的实际应用中起着重要作用。为了提供准确的位置信息，传感器节点必须执行自我定位以推断位置信息。 尽管目前有很多对于定位算法的研究，但大多数的定位技术是在理想的通信信号传播模型下进行改进。实际上，在WSN定位算法的研究中，各向异性的物理层非理想特性会导致定位精度下降 文中提出信号强度反演算法来降低加性高斯白噪声对信号强度的影响，从而校正邻居节点关系，使得节点网络的邻居节点关系更接近于理想情况下的节点关系。通过信号强度的反演算法求出接近理想通信信号传播模型下的信号强度，文中进一步提出新的三角形质心迭代算法，并提出未知节点位于三角形外部的定位方法。 1 信号传播模型描述 在WSN中，信号强度的衰减模型分为理想模型和不规则模型。在不规则模型的下研究定位算法具有一定的应用价值。在理想模型中，节点所形成的通信区域是一个圆形，理想模型可表示为 式中：P(d)——接收信号的功率； PT——发送信号的功率； PL(d0)——参考距离为d0时的路径损耗功率，一般d0=1 m; η——路径损耗指数； d——发射信号的节点与接收信号的节点之间距离。 如图1所示，在通信半径内，节点B为节点A的邻居节点，而节点C不是节点A的邻居节点。 可将式(1)写成 其中，Pc=PT-PL(d0)，则信号强度与距离的关系可以写成 Log-normal模型是通过在理想通信模型中加入高斯白噪声而建立的不规则通信信号传播模型，Log-normal模型可表示为 其中σ是由阴影衰落引起的高斯随机变量，即加性高斯白噪声。如图2所示，在通信半径内，受加性高斯白噪声的影响，节点C被误判为节点A的邻居节点，而属于节点A的邻居节点B被误判成非邻居节点。 2 信号强度反演的纳 文中针对Log-normal模型对定位精度的影响提出信号强度的反演算法还原理想的信号强度，从而达到抗噪声的目的。结合反演算法，进一步提出质心迭代定位算法提高定位精度。 2.1 信号强度反演算法 将邻居锚节点的信号强度由强到弱排序作为为反演信号强度序列。实际上，由于受到加性高斯白噪声的影响，未知节点接收到的最大信号强度不一定来自最近锚节点，但不影响信号强度的反演。未知节点接收的信号强度会受加性高斯白噪声σ的影响，则未知节点接收到的信号强度为 不失一般性，设到达未知节点处的最大理想信号强度为P(Am,1)，未知节点将接收的信号强度P(Am,2)反演给各邻居锚节点，则锚节点接收到未知节点的反演信号强度为 将式(6)中的邻居锚节点接收反演信号强度再反演给未知节点，则未知节点接收到邻居锚节点的反演信号强度为 如图3所示为未知节点与邻居锚节点之间信号强度的反演关系。 由反演关系得到最大信号强度的邻居锚节点和未知节点之间的加性高斯白噪声σ与未知节点接收的反演信号强度关系。 从而得到邻居锚节点与未知节点之间相对接近理想通信信号传播模型下的信号强度。 因此，信号强度的反演可以优化未知节点在通信半径内对邻居锚节点成员的判决。 2.2 质心c计算质心与未知节点间的距离 将信号强度反演得到的P(Am,1)代入式(2)，从从而将信号强度转化为距离，邻居锚节点之间的距离可通过坐标直接转化。如图4(a)所示，设 质心判定条件为：当 设锚节点A 将质心C 计算质心与未知节点间的距离，即 如图4(b)所示，通过将UC1的值与式(11)的计算原理结合，由质心判定条件得到未知节点位于其中的一个子三角形中。以此方式迭代n次，使得UCn的距离逐渐减小。当n为无穷大时，UCn为0，则Cn的坐标为未知节点的实际位置。对迭代算法设置所需的定位精度指标可使得算法停止迭代，定位精度指标为 其中r表示网络中节点的通信半径。 当未知节点位于三角形外部时，以未知节点为圆心，以其中一个锚节点为与未知节点的距离为半径，形成圆U。如图4(c)所示，在圆U上寻找轨迹点B 3 质心迭代算法在信号强度反演中的应用效果 在200 m×200 m的监测区域内随机产生k个不同的节点网络，设置路径损耗系数η=4,k=100。控制节点总数，锚节点数，通信半径，在Matlab上对算法的定位性能进行仿真，节点网络中的未知节点的平均定位误差为 式中：(xu,yu)——第u个未知的位置估计； (xtu,ytu)——第u个未知节点的实际位置； ij——网络中可定位未知节点的个数。 在有加性高斯白噪声的Log-normal模型下对算法的节点关系的校正性能和定位精度测试。 设网络中的总节点数为150个，其中锚节点为总节点数的0.3倍，通信半径设置为30 m。如图5所示，星形表示锚节点，圆圈表示未知节点。由于受到加性高斯白噪声的影响，节点的邻居关系与理想的节点邻居关系差异较大，而采用信号强度的反演算法使得