文摘

准确的节点定位是一个关键的问题在无线传感器网络(WSN)。探讨和分析泰森多边形法图的影响在三维空间位置。然后提出了基于3 d泰森多边形法图序列定位校正算法(SLC3V),介绍了3 d泰森多边形法图划分的3 d位置空间和构造虚拟信标节点的等级序列表。SLC3V信标节点之间使用RSSI方法作为参考,正确测量的距离和修复序列未知节点的位置。接下来,它选择最优参数N和实现加权位置估计N正常化过程有效虚拟信标节点的等级相关系数。与其他序列定位算法相比,仿真实验表明,它可以提高节点的定位精度少复杂的三维空间测量和计算成本。

1。介绍

由于其广泛的应用,研究人员一直在关心无线传感器网络(WSN)。作为物联网的关键技术之一,传感器网络被广泛应用在各个领域,如军事、智慧产业、环境监测、智能家居。无线传感器节点的位置信息是需要在许多应用程序中。和位置信息可以用于自组织、管理网络,选择最优路线,确定监视事件的发生区域,跟踪移动目标,等等。因此,节点定位是无线传感器网络的吸引力和扮演一个重要角色在无线传感器网络的应用1- - - - - -3]。

由于无线传感器网络的特点,传统的定位方法在计算机网络不能直接应用,如全球定位系统(GPS)。

只有少数传感器节点可以配备GPS模块或预部署在一个特定的位置,如果考虑运行成本和维护成本。这些节点可以知道自己的坐标和帮助其他节点实现self-localization。

定位精度直接影响应用程序的影响,如此之大已经注意到本地化的问题。许多研究人员提出了许多理论和有效的解决方案。

在过去,大多数的研究只重视self-localization在2 d空间与信标节点,事先知道自己的位置信息(例如,(4,5])。和目前的定位算法在二维可分为两种:基于范围算法和range-free算法(6,7]。基于范围的算法,距离通常计算通过使用不同的参数,如时间、角度、信号强度和位置估计的基础上的距离。range-free算法,计算近似位置未知节点通过使用信息从少数信标节点。

成熟的技术和市场推广,信标节点可能是动态和本地化将扩大从二维(2 d)空间三维(3 d)空间。

我们都知道,无线传感器节点部署在实际环境中,这是三维的。和许多应用程序通常需要三维位置信息。定位在3 d空间比在2 d空间更加困难。此外,在3 d定位应该考虑更多的因素,如环境变化、信标节点的数量不足,以及各种干扰信号传输过程中的影响。

现在,3 d定位已成为当前的研究趋势和热点问题之一。许多研究人员延长2 d到3 d空间定位技术,如四面体质心定位算法和3 d DV-Hop APIT, RSSI的位置,和偏滤器,取得了良好的结果,在某种程度上已经被使用。

目前,在三维空间定位算法可以包括两类:分层的位置和无位置。在分层位置,节点大多部署在监测建筑物的内部。在这种情况下,只需要用户或网络地板的未知节点替换特定的信息协调的价值。的一些建议(8,9在这一类将更详细地讨论。然而,水下节点可能部署或山中无位置。用户经常需要估计的具体协调的价值。这些方法中描述(10- - - - - -12]。

在这篇文章中,我们介绍了泰森多边形法图定位算法,提出一种新的基于泰森多边形法图序列定位校正算法,可用于三维空间。新算法将空间位置与3 d泰森多边形法图,纠正测量距离,和修复位置未知节点的序列,这减少了空间划分的复杂性和提高定位精度。为了减少真正的信标节点数量的影响,SL3CV选择最优参数N确定有效的虚拟信标节点的数量在过去定位估计,也提高了定位精度。未知节点的定位估计可以通过权重计算基于虚拟信标节点的最优位置序列表。

本文包括五部分。3 d泰森多边形法图的概念和位置序列中所描述的部分2。部分3描述和分析了定位过程SLC3V算法在三维空间。本文分析和比较了提出的定位算法与其他算法通过一个详尽的系统的性能研究和仿真实验部分4。最后,本文的结论部分5。

2。相关技术

2.1。3 d泰森多边形法

有许多空间分区方法。泰森多边形法图是一种分割方法,该方法将空间划分为一系列的条件。现在泰森多边形法图是广泛应用于各个领域,如地理信息系统、信息系统和气象。许多研究人员用泰森多边形法图研究传感器网络的覆盖问题。

泰森多边形法图将平面划分为许多地区。我们有一个有限点集,在欧几里得平面。让在空间任意点。让表示的欧氏距离和,。然后

将平面划分为泰森多边形法图区域(泰森多边形法地区)在每个发电机点,这使得任何点在泰森多边形法地区满足以下条件: 然后泰森多边形法地区的集吗。

我们发现2 d泰森多边形法图包括许多连续的多边形,它是由一组垂直平分线。和所有的垂直平分线垂直连接两个相邻点之间的界线。随着维数的增加,形成的泰森多边形法细胞已经变成了高维多面体。因此泰森多边形法细胞在三维空间是一个三维多面体。

在任何给定的泰森多边形法细胞分裂后,任何时候更接近相应的泰森多边形法比其他泰森多边形法网站网站。和泰森多边形法细胞结合在一起没有重叠缝合(13,14]。

实用性的3 d泰森多边形法图,有许多计算方法开发将3 d离散点集。为了降低计算复杂度,许多研究者提出了各种3 d泰森多边形法图的快速生成方法。

图1显示了3 d泰森多边形法20散点图3 d封闭空间,点的离散随机部署20分。

2.2。基于本地化

最近,一些研究提出基于定位方法,该方法是有效的通过结合基于范围算法和range-free算法,但它几乎是用在二维空间(15,16]。基于本地化的过程在二维空间中给出如下:(1)构建二维空间的边界。(2)2 d空间划分为三类地区,如顶点、边,面临一套所有信标节点之间的垂直平分线。(3)计算每个区域的质心,称为虚拟信标节点和虚拟信标节点和真实之间的距离信标节点。(4)确定所有位置的虚拟信标节点定位空间序列和排名位置序列表。(5)计算未知节点的位置序列之间的等级相关系数和其他虚拟信标节点位置序列表中序列和寻找最大值作为位置最近的序列未知节点位置序列。重心映射到的序列是未知节点的定位估计。

图2展示了四个参考节点序列的一个例子。在这个例子中,四个预定义的节点分布在平面上。区域3是一个脸,和它的位置序列是4321。同样,地区2是一个边缘,其位置序列是1134。同样,地区4是一个点,其位置序列是3311。

与其他RSSI定位方法相比,基于定位算法不使用RSSI计算距离。RSSI用于确定未知节点的位置序列。

在三维空间中,我们扩展了2 d序列算法和三维空间划分为三类地区,如边缘,脸上和身体上的一组min-vertical飞机。

3所示。SLC3V算法

基于2 d序列定位算法,3 d序列重心定位算法(简称3 dsbo)提出了17]。然而,我们发现,空间划分方法不是最优和定位错误,而大型的信标节点数量减少时高精度定位技术。错误将会增加,如果我们不考虑环境影响的估计位置序列。和3 dsbo只使用三种虚拟信标节点来估计未知节点的位置。

泰森多边形法图有高阶模式,所以我们认为3 d应用程序场景。尽管3 d泰森多边形法图引入序列定位(18),SL3V不能正确的位置未知节点的序列根据环境。此外,SL3V选择最佳的多面体和计算与虚拟信标节点坐标在最佳的多面体,这就增加了定位误差。

本文扩展了基于3 d泰森多边形法图序列定位校正算法(SLC3V),认为3 d空间除以使用3 d泰森多边形法图。分区后,SLC3V决定了三种区域的质心多面体,称为虚拟信标节点。然后计算虚拟信标节点和真实之间的距离信标节点。根据等级的距离,我们可以形成所有信标节点的位置序列表,包括真正的信标节点和虚拟信标节点。然后我们计算和正确的位置序列表未知节点RSSI方法。因此未知节点的位置序列表将更接近真相。

通过与肯德尔估计真正的信标节点的协调系数,它选择的最优参数决定虚拟信标节点的有效数字,用于定位估计。最后,它产生的最佳定位序列有效的虚拟信标节点和肯德尔系数估计未知节点的坐标之间的最优定位序列表中序列和未知节点序列。

3.1。部门的3 d空间

在三维空间中,我们根据位置环境构建多维数据集的边界。真正的信标节点随机分布在3 d空间。真正的信标节点是真正的节点部署的用户。

接下来我们使用3 d泰森多边形法图划分的3 d空间。然后是泰森多边形法多面体。每一个真正的信标节点内部相应的泰森多边形法多面体。为了减少分区的复杂性,我们使用的快速方法13)生成3 d泰森多边形法图。

分区后,三维空间包括三种区域,如边缘,脸上和身体上的一组min-vertical飞机。

我们给出一个例子来说明上述观点。如图3,有三个真正的信标节点定义为,,的坚实的钟爱。

3.2。位置序列计算

首先,我们应该确定所有虚拟信标节点基于分区的方法。本文是所有地区和计算每个区域的质心,它被定义为虚拟信标节点。然后我们所有虚拟信标节点。因为位置空间是三维的,从顶点区域变化的类型,边缘,和脸边,脸上和身体上。

为简化计算,我们定义每个区域的质心如下。重心的优势是它的中点。脸的质心计算根据(15]。任何身体的重心中点线最远的两个点之间的对应的多面体。

然后我们可以虚拟信标节点的位置序列排序根据虚拟信标节点和真实之间的距离信标节点。

在3 d空间中,真正的信标节点的位置是已知的,所有虚拟信标节点分区后确定。所以我们可以计算任何虚拟信标节点之间的距离和所有真正的信标节点。然后我们可以指定位置序列表值基于距离,这是近或远的虚拟信标节点是所有真正的信标节点。

在图的例子3中空的钟爱,比如,,,代表虚拟信标节点。和每个虚拟信标节点都有自己的位置序列基于等级的距离,这是标志着图旁边3。节点边的重心,其位置序列是123,由于距离排名的从1 (是最接近),和各自的距离排名3 (是最远的)。类似地,节点是身体的重心,其位置序列是131。节点是面临的重心,其位置序列是321。

这一步后,所有虚拟信标节点的位置序列表中可以计算任何3 d空间与真正的信标节点。

3.3。位置未知节点的序列修正

为了获得未知节点的距离排名,我们假设真正的信标节点包其邻居节点发送数据。和所有未知节点在传输区域的信标节点。所以未知节点测量距离真正的信标节点,利用接收信号强度指示(RSSI)的方法。根据测量的距离,任何未知节点序列可以确定自己的位置。如果位置未知节点序列更准确,未知节点的定位估计有更好的精度。所以我们将使用真正的信标节点之间的距离和RSSI作为参考正确测量距离和修复序列未知节点的位置。

平均RSSI (dbm)的信号,未知节点从信标节点接收到。是信号的平均功率(mW)未知节点从信标节点接收到。所以之间的转换关系和所示

平均接收信号强度指示(RSSI) (dbm)的信号,而真正的信标节点接收从真正的信标节点。是信号的平均功率,真正的信标节点接收从真正的信标节点。同样,之间的转换关系和所示

是真正的信标节点之间的距离和真正的信标节点推导出根据(1)。未知节点之间的距离吗和真正的信标节点。然后,我们可以推断出的关系方程如下:

所以,代表的平均价值未知节点之间的距离和真正的信标节点。是真正的信标节点的数量。

从上面的定义,推导出未知节点的位置序列和修正如下:(1)所有真正的信标节点广播定期信息相同的力量。然后未知节点将收到每个真正的信标节点RSSI值,计算各自的平均值。真正的信标节点也可以计算相应的真正的信标节点。(2)所有真正的信标节点广播和计算使用(4)。然后将收到信息和计算未知节点。最后,未知节点的位置顺序可以根据固定的决定。

因为RSSI校正,可以正确测量距离未知节点根据环境。因此,本文算法可以解决未知节点的位置序列,确保位置序列与实际情况一致。

3.4。最优参数选择

在这一步中,我们计算顺序向量之间的相关系数序列表虚拟信标节点和未知节点序列,分别。

统计数据提供了两个指标来计算两个位置之间的等级相关系数序列。斯皮尔曼系数和肯德尔τ,分别。根据分析(15),我们的仿真结果,肯德尔τ在定位算法可以获得更好的性能。所以我们简单地描述它。肯德尔的τ常被用来计算两个序列之间的相关性。给定两个位置序列和,,在那里和代表不同的信标节点,肯德尔的τ比较可能对排名和分别确定的数量和nonmatching对匹配对。一对是匹配或整合或和nonmatching或者不和谐的或。两个序列之间的相关性计算如下: 在哪里是整合的数量对,是不和谐的数量对,的关系是什么,的关系是什么。的范围是。

与此同时,我们应该计算向量之间的肯德尔系数序列表虚拟信标节点和真正的信标节点序列,分别。

与其他算法相比,本文使用参数确定最优的虚拟信标节点数量加权估计中使用。合适的参数可以减少定位误差。我们定义所有真正的信标节点作为样本集并选择最优参数根据定位估计的信标节点。我们计算的最优参数的价值真正的信标节点。然后最终的最优参数是平均的。

例如,考虑到位置序列任何真正的信标节点,,SLC3V获得虚拟信标节点的位置序列表。

根据(7),我们就可以计算出相关系数位置的序列表和。反映了真实的信标节点邻近序列。然后我们可以正常化通过改变其范围从来。规范化作为权重。然后我们可以估计真正的信标节点的坐标,分别。

因此,th估计真实信标节点的坐标通过选择计算最大系数如下: 在哪里的坐标吗th位置序列。是整数值的范围吗。是常数预定义的用户,如10或虚拟信标节点的数量。所以我们有估计真正的信标节点的坐标。

然后我们计算定位误差的估计真正的信标节点的坐标如下:

根据相同的步骤,我们计算所有真正的信标节点。然后是所有真正的信标节点的最优参数,使定位误差最小值。一次计算,其他未知节点的估计具有相同吗。

3.5。加权估计

在确定最优参数,我们生产最优位置序列表最大肯德尔系数之间的所有虚拟信标节点和未知节点序列。

我们使用规范化肯德尔系数之间的最优位置序列表中序列和未知节点位置序列的重量和估计未知节点的坐标。

例如,考虑到定位序列未知节点的SLC3V算法构造最优位置序列表。然后我们可以计算系数,这是每个序列位置序列之一和。

因此,未知节点的坐标估计如下:

3.6。定期更新的网络拓扑

通过使用上面的程序,所有未知节点可以被估计。当网络拓扑发生变化时,该算法将定期更新和删除无效的信标节点。从太空定位计算重启。

3.7。复杂性和分析

SLC3V算法的主要优势是,更好的分区方法减少了复杂性和引入虚拟信标节点有效提高定位精度。

空间划分的步骤主要决定泰森多边形法多面体,这需要时间和空间。定位的步骤序列建设要求操作。未知节点的位置序列要花费一些时间和精力,但它只有与信标节点的数量。肯德尔计算两个序列之间的系数,操作。通过花和搜索时间和空间。自加权估计的步骤包括正常化和估计,需要时间和空间。

因此在SLC3V最坏情况下的时间要求最坏的情况下空间需求。

然而,3 d序列定位在17)需要时间和在最坏的情况下的空间。SLC3V算法改善了算法的复杂性。SLC3V和SL3V几乎相同的时间和空间复杂性。

4所示。仿真和评估

4.1。仿真模型

在无线频道,对数正态分布跟踪模型最常见的仿真模型。对数正态分布跟踪模型生成RSS样本距离的函数。 在哪里是接收信号的功率,它定义了接收信号强度指示(RSSI)。是传输信号的功率,是一个参考的路径损耗的距离。路径损耗指数。我们定义它的随机变化作为零均值的高斯随机变量方差。功率的单位是dBm,距离之一是米。

然而,这个模型展示了信号减弱理想。事实上,有许多不理想的因素考虑进去,比如各种障碍物和电磁干扰。如果要考虑上述情况,那么(12)应该修改通过引入额外的参数在右边。

4.2。模拟环境

为简单起见,我们在Matlab模拟SLC3V算法并分析其性能。我们假设信标节点或未知节点是否在相互广播范围的其他节点,这意味着所有节点可以接收其他节点发送的消息。和节点通信半径是8米。48比特位运算的线性同余伪随机数发生器,结果平均超过100随机试验。我们选择是10。

摘要代表了定位误差,定义如下:

为了比较和评估SLC3V算法,分析了这两个表演,比如定位误差和计算时间。然后我们比较我们的算法与其他序列定位算法。首先,我们实现3 dsbo [17]和SL3V [18在相同的环境中。

4.3。仿真结果的SLC3V

由于更好的分区方法,SLC3V算法的空间复杂度更低。位置序列修正和优化参数介绍了使我们的最低平均定位误差在上面3算法。是否增加或减少真正的信标节点,SLC3V算法具有更高的定位精度,如表所示1。因为SLC3V选择有效的虚拟信标节点在去年估计该算法平均定位误差提高至12.0%时只有8个真正的信标节点,这表明,它降低了定位误差的比例上升。与SL3V相比,SLC3V修复RSSI的位置序列修正并选择最佳数量。所以SLC3V具有更高的精度。

平均在3以上算法计算时间一致性和时间复杂度分析部分3所示。7,如表所示2。

当真正的信标节点数量增加到32,SLC3V算法在计算时间明显的优势,这是因为它的分区方法。

为了验证最优的效果,平均定位误差计算不同通过大量的实验。图4绘制的曲线与32真实信标节点的平均定位误差。平均定位误差最优时最低由SLC3V 7计算。

图5情节的平均定位误差由于3 dsbo SL3V, SLC3V RSS对数正态分布的标准偏差的函数分布不同价值观的路径损耗指数,信标节点的数量是8。所以我们发现SLC3V变化的环境下比别人更好。

在数据5(一个)和5 (b),路径损耗指数分别是2和4。平均定位误差使用SLC3V总是低于3 dsbl在不同的标准偏差。和更高的值,定位误差由于SLC3V下降速度比由于3 dsbo定位误差。主要结果表明SLC3V执行比3 dsbo抗噪声和抗干扰性能。

基于上述两个性能参数的实验结果,SLC3V算法具有更好的性能在相同条件下与其他3 d序列定位算法。

5。结论和未来的工作

在无线传感器网络定位仍然是一个关键的研究人员最近研究的问题。大多数研究人员专注于研究在二维空间。随着网络的广泛应用和扩散,本地化问题节点在3 d空间得到太多的关注。

SL3V基础上,本文提出了一个高效的算法称为序列定位算法定位校正算法基于3 d泰森多边形法图(SLC3V)相结合3 d的序列定位的WSN泰森多边形法图。

SLC3V算法扩展了2 d到3 d空间序列位置。self-localization SLC3V不仅可以实现未知节点,而且克服了原始序列定位算法。这个原始序列定位算法的缺点是分区的复杂性越高,更高的位置误差在复杂干扰环境下,和较低的持续有效的虚拟信标节点的数量。SLC3V算法适应3 d泰森多边形法图划分空间。这有效地减少了数量和生成虚拟信标节点的复杂性。考虑到环境的变化和外界干扰的影响,我们引入RSSI校正方法适应快速序列未知节点的位置。最优参数的选择增加有效的虚拟信标节点位置估算与其他算法相比,提高定位精度。

为了验证SLC3V的有效性,我们真正的信标节点随机部署在三维立方体模拟。实验结果证明该算法具有良好的性能在多个信标节点或更少的信标节点。它可以适应根据信标节点的数量和变化环境和网络。

在未来,我们将建立试验台和部署真正的节点。算法性能测试试验台在实验室。然后我们将进一步优化算法并将其应用在实际的应用程序中,如储存食物的监测和控制。

相互竞争的利益

作者宣称没有利益冲突。

确认

本文是北京重点实验室(不支持的。BZ0211)。