本發明涉及無線通信技術領域，特別是涉及一種傳感器網絡的節點定位方法及其裝置。

背景技術：

無線傳感器網絡(WSN)是一種具有信息采集，數據處理，無線傳輸等功能的網絡。無線傳感器網絡由隨機分布在網絡中的傳感器節點組成，這些傳感器節點搜集、分析、處理節點周圍的信息并將分析結果準確傳回到服務器。在監測活動中，傳感器必須要明確自己的位置，若沒有精確的位置信息，那么傳感器獲取的信息就沒有意義。

目前，常用的定位算法是DV-Hop算法，該算法分為三個階段：

第一個階段，由已知位置的節點(以下稱信標節點)不斷向整個網絡廣播信息{hi,Xi,Yi}，其中hi為信標節點到未知節點之間的跳數值且其初始值為0，(Xi，Yi)為信標節點的橫縱坐標。未知節點記錄來自各個信標節點的位置信息和hi，然后將hi加1后轉發到鄰居節點。以這種方式，未知節點從多次接收到的同一信標節點的信息選取對應于該信標節點的最小跳數值；

第二階段，計算每個信標節點與其余各個信標節點之間的距離之和以及跳數值之和，將該距離之和除以該跳數值之和，即得到每個信標節點的平均單跳距離。

第三階段，信標節點將自身的平均單跳距離廣播到傳感器網絡中，未知節點僅記錄首次接收到的廣播對應的信標節點的平均單跳距離，然后未知節點利用記錄的最小跳數值和接收到的平均單跳距離以及三邊定位算法或極大似然估計法未知節點的位置信息。

但是，由于無線傳感器網絡中傳感器節點分布往往不均勻，不同區域內節點疏密程度較大，采用信標節點間每跳距離的平均值作為信標節點的平均單跳距離會導致信標節點的平均單跳距離存在誤差，這使得DV-Hop算法在計算未知節點到信標節點的距離時產生不可避免的誤差。導致定位精度低。

因此，如何提供一種定位精度高的傳感器網絡的節點定位方法及其裝置是本領域技術人員目前需要解決的問題。

技術實現要素：

本發明的目的是提供一種節點定位方法及其裝置，依據未知節點的位置樣本上數據集的聚類中心計算節點位置，能夠減少計算量，提高定位精度。

為解決上述技術問題，本發明提供了一種傳感器網絡的節點定位方法，包括：

依據未知節點接收到的各個信標節點的廣播，確定各個信標節點的位置信息以及未知節點與各個所述信標節點之間的最小跳數值；

確定所述未知節點接收到的首個廣播對應的信標節點的平均單跳距離；

依據所述位置信息、所述最小跳數值以及所述平均單跳距離采用多邊測量算法計算得到所述未知節點的位置樣本數據集；所述數據集內包括多個樣本點；

依據聚類算法確定所述數據集內樣本點的聚類中心，依據各個所述聚類中心的位置信息得到所述未知節點的位置信息。

優選地，所述聚類算法具體為k-nedoids聚類算法。

優選地，所述依據聚類算法確定所述數據集內樣本點的聚類中心，依據各個所述聚類中心的位置信息得到所述未知節點的位置信息的過程具體為：

分別確定所述數據集內各個核心對象的坐標；其中，縱坐標為所述核心對象對應的最小可達距離，橫坐標為各個所述核心對象確定自身最小可達距離的次序；所述核心對象為以自身為中心、預設半徑范圍內包含的樣本點個數超出第一預設個數的樣本點；

將各個所述核心對象的坐標點進行連接，得到可達波形圖；

將所述可達波形圖上的各個波谷對應的核心對象作為各個聚類中心點；

計算各個所述聚類中心點的平均值作為所述未知節點的位置信息。

優選地，所述將所述可達波形圖上的各個波谷對應的核心對象作為各個聚類中心點之后還包括：

步驟s301：將所述數據集內除聚類中心點以外的其余樣本點分配至距離自身最近的聚類中心點的聚類中；

步驟s302：從各個所述聚類中心點內，去除自身所在聚類內包含的樣本點個數小于第二預設個數的聚類中心點。

優選地，步驟s302之后還包括：

對于包含的樣本點個數不小于所述預設個數的每個聚類，將其包含的各個樣本點分別作為當前聚類中心點，并依據平方差關系式，確定所述聚類內，除所述當前聚類中心點以外的其余各個樣本點到所述當前聚類中心點的距離的平方和；其中，所述平方差關系式具體為：

其中，L_j為第j個當前聚類中心點對應的平方和；n為所述聚類內的樣本點的總個數；P_i為第i個樣本點的位置，O_j為所述第j個當前聚類中心點的位置；

將最小的平方和對應的當前聚類中心點調整為所述聚類的聚類中心點。

優選地，所述分別確定所述數據集內各個核心對象的坐標，其中，縱坐標為所述核心對象對應的最小可達距離，橫坐標為各個所述核心對象確定自身最小可達距離的次序的過程具體為：

步驟s501：從所述數據集中隨機選取一個樣本點，判斷所述樣本點是否為核心對象，若是，將其作為處理對象，并進入步驟s502；若否，將所述樣本點加入結束列表內，并重復步驟s501；

步驟s502：從所述數據集內選取未加入有序列表內的所述處理對象的直接密度可達點加入所述有序列表內，并將所述有序隊列內的各個樣本點按照到所述處理對象的可達距離從小到大的順序進行排序，確定所述處理對象對應的最小可達距離，并將所述處理對象加入所述結束列表內；其中，所述橫坐標為核心對象加入所述結束列表的次序；所述直接密度可達點為處于對應核心對象的預設半徑范圍內的樣本點；

步驟s503：判斷所述有序列表內當前位置最前的樣本點是否為核心對象，若是，將其作為處理對象，并重復步驟s502；若否，將所述樣本點加入所述結束列表內，并重復步驟s503；直至所述數據集內的全部樣本點均加入所述結束列表內。

優選地，所述可達距離為所述核心對象的核心距離以及所述核心對象與對應的直接密度可達點間的歐氏距離中的最大值；

所述核心對象的核心距離為使自身成為核心對象的最小半徑閾值。

優選地，所述確定所述未知節點接收到的首個廣播對應的信標節點的平均單跳距離的過程具體為：

確定所述未知節點接收到的首個廣播對應的信標節點與除自身以外的其余各個信標節點之間的最小跳數值；

依據信標節點間的最小跳數值、各個所述信標節點的位置信息以及單跳距離關系式計算所述未知節點接收到的首個廣播對應的信標節點的平均單跳距離；所述單跳距離關系式具體為：

其中，e_k為所述未知節點接收到的首個廣播對應的信標節點與第k個信標節點的單跳距離，(x₀,y₀)為所述未知節點接收到的首個廣播對應的信標節點的位置坐標，(x_k,y_k)為所述第k個信標節點的位置坐標；h_k為所述未知節點接收到的首個廣播對應的信標節點與第k個信標節點之間的最小跳數值；m為信標節點的總數；w_k為所述第k個信標節點對所述未知節點接收到的首個廣播對應的信標節點的影響程度值；D_k為所述未知節點接收到的首個廣播對應的信標節點與所述第k個信標節點的距離；e為所述平均單跳距離。

為解決上述技術問題，本發明還提供了一種傳感器網絡的節點定位裝置，包括：

跳數確定模塊，用于依據未知節點接收到的各個信標節點的廣播，確定各個信標節點的位置信息以及未知節點與各個所述信標節點之間的最小跳數值；

單距確定模塊，用于確定所述未知節點接收到的首個廣播對應的信標節點的平均單跳距離；

數據集計算模塊，用于依據所述位置信息、所述最小跳數值以及所述平均單跳距離采用多邊測量算法計算得到所述未知節點的位置樣本數據集；所述數據集內包括多個樣本點；

位置計算模塊，用于依據聚類算法確定所述數據集內樣本點的聚類中心，依據各個所述聚類中心的位置信息得到所述未知節點的位置信息。

本發明提供了一種節點定位方法及其裝置，確定未知節點與各個信標節點之間的最小跳數值、未知節點接收到的首個廣播對應的信標節點的平均單跳距離以及各個信標節點的位置信息后，采用多邊測量算法計算未知節點的位置樣本數據集，然后依據聚類算法確定所述數據集內樣本點的聚類中心，進而得到未知節點的位置信息。數據集中的每一個樣本點均代表一個未知節點可能的位置信息，聚類中心處于樣本點的密集處，而該未知節點準確的位置信息即處于樣本點密集的區域，故依據這些聚類中心來計算未知節點的位置信息，能夠排除掉大部分準確性較低的樣本點，減少計算量，并提高定位精度。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對現有技術和實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明提供的一種傳感器網絡的節點定位方法的過程的流程圖；

圖2為本發明提供的另一種傳感器網絡的節點定位方法的過程的流程圖；

圖3為本發明提供的另一種傳感器網絡的節點定位方法的過程的流程圖；

圖4為本發明提供的一種傳感器網絡的節點定位裝置的結構示意圖。

具體實施方式

本發明的核心是提供一種節點定位方法及其裝置，依據未知節點的位置樣本上數據集的聚類中心計算節點位置，能夠減少計算量，提高定位精度。

為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

本發明提供了一種傳感器網絡的節點定位方法，參見圖1所示，圖1為本發明提供的一種傳感器網絡的節點定位方法的過程的流程圖；該方法包括：

步驟s101：依據未知節點接收到的各個信標節點的廣播，確定各個信標節點的位置信息以及未知節點與各個信標節點之間的最小跳數值；

步驟s102：確定未知節點接收到的首個廣播對應的信標節點的平均單跳距離；

步驟s103：依據位置信息、最小跳數值以及平均單跳距離采用多邊測量算法計算得到未知節點的位置樣本數據集；數據集內包括多個樣本點；

步驟s104：依據聚類算法確定數據集內樣本點的聚類中心，依據各個聚類中心的位置信息得到未知節點的位置信息。

作為優選地，這里的聚類算法具體為k-nedoids聚類算法。

其中，參見圖2所示，圖2為本發明提供的另一種傳感器網絡的節點定位方法的過程的流程圖；步驟s104的過程具體為：

步驟s201：分別確定數據集內各個核心對象的坐標；其中，縱坐標為核心對象對應的最小可達距離，橫坐標為各個核心對象確定自身最小可達距離的次序；核心對象為以自身為中心、預設半徑范圍內包含的樣本點個數超出第一預設個數的樣本點；

其中，若一個樣本點處于一個核心對象的預設半徑范圍內，則該樣本點為該核心對象的直接密度可達點。這些直接密度可達點與該核心對象的可達距離中的最小值為該核心對象對應的最小可達距離。

步驟s202：將各個核心對象的坐標點進行連接，得到可達波形圖；

可以理解的是，縱坐標為最小可達距離，橫坐標表明了排列順序，最終得到的這些核心對象的坐標點可以通過平滑連線后得到一個波形圖，該波形圖內包括波峰和波谷，其中，這些波谷表明的是最小可達距離較小的部分核心對象。

由于核心對象本就為樣本點密集處的樣本點，而通過選取這些核心對象中最小可達距離較小的部分核心對象，則能夠進一步從這些核心對象中選取周圍密集程度更高的部分核心對象，將這些核心對象作為聚類中心的話，能夠大大提高定位的準確性，同時減少最終計算量。

步驟s203：將可達波形圖上的各個波谷對應的核心對象作為各個聚類中心點；

步驟s204：計算各個聚類中心點的平均值作為未知節點的位置信息。

由于這些聚類中心均可能為未知節點的實際位置，故將其求平均值能夠得到一個較為準確的位置信息。

作為優選地，步驟s203之后還包括：

步驟s301：將數據集內除聚類中心點以外的其余樣本點分配至距離自身最近的聚類中心點的聚類中；

即將數據集中的全部樣本點分為若干個聚類，聚類的個數視聚類中心的個數而定。

步驟s302：從各個聚類中心點內，去除自身所在聚類內包含的樣本點個數小于第二預設個數的聚類中心點。

可以理解的是，若聚類中包含的樣本點個數過少，表明聚集在該聚類中心周圍的樣本點個數不多，該聚類中心的坐標一般不是未知節點的真實位置信息，故將其去除，能夠進一步提高計算準確性。

作為優選地，參見圖3所示，圖3為本發明提供的另一種傳感器網絡的節點定位方法的過程的流程圖；步驟s302之后還包括：

步驟s303：對于包含的樣本點個數不小于預設個數的每個聚類，將其包含的各個樣本點分別作為當前聚類中心點，并依據平方差關系式，確定聚類內，除當前聚類中心點以外的其余各個樣本點到當前聚類中心點的距離的平方和；其中，平方差關系式具體為：

其中，L_j為第j個當前聚類中心點對應的平方和；n為聚類內的樣本點的總個數；P_i為第i個樣本點的位置，O_j為第j個當前聚類中心點的位置；

步驟s304：將最小的平方和對應的當前聚類中心點調整為聚類的聚類中心點。

可以理解的是，當分配好各個聚類后，每個聚類內真正的聚類中心可能并不是步驟s203得到的聚類中心，故需要通過判斷該聚類中每個樣本點與除自身以外的其余各個樣本點的距離的平方和，平方和最小的，即為該聚類內真正的聚類中心。該操作提高了選取的聚類中心的準確性，進而提高了定位的精度。

作為優選地，步驟s201的過程具體為：

步驟s501：從數據集中隨機選取一個樣本點，判斷樣本點是否為核心對象，若是，將其作為處理對象，并進入步驟s502；若否，將樣本點加入結束列表內，并重復步驟s501；

步驟s502：從數據集內選取未加入有序列表內的處理對象的直接密度可達點加入有序列表內，并將有序隊列內的各個樣本點按照到處理對象的可達距離從小到大的順序進行排序，確定處理對象對應的最小可達距離，并將處理對象加入結束列表內；其中，橫坐標為核心對象加入結束列表的次序；直接密度可達點為處于對應核心對象的預設半徑范圍內的樣本點；

步驟s503：判斷有序列表內當前位置最前的樣本點是否為核心對象，若是，將其作為處理對象，并重復步驟s502；若否，將樣本點加入結束列表內，并重復步驟s503；直至數據集內的全部樣本點均加入結束列表內。

其中，可達距離為核心對象的核心距離以及核心對象與對應的直接密度可達點間的歐氏距離中的最大值；核心對象的核心距離為使自身成為核心對象的最小半徑閾值。

在一種優選實施例中，步驟s102的過程具體為：

確定未知節點接收到的首個廣播對應的信標節點與除自身以外的其余各個信標節點之間的最小跳數值；

依據信標節點間的最小跳數值、各個信標節點的位置信息以及單跳距離關系式計算未知節點接收到的首個廣播對應的信標節點的平均單跳距離；單跳距離關系式具體為：

其中，e_k為未知節點接收到的首個廣播對應的信標節點與第k個信標節點的單跳距離，(x₀,y₀)為未知節點接收到的首個廣播對應的信標節點的位置坐標，(x_k,y_k)為第k個信標節點的位置坐標；h_k為未知節點接收到的首個廣播對應的信標節點與第k個信標節點之間的最小跳數值；m為信標節點的總數；w_k為第k個信標節點對未知節點接收到的首個廣播對應的信標節點的影響程度值；D_k為未知節點接收到的首個廣播對應的信標節點與第k個信標節點的距離；e為平均單跳距離。

可以理解的是，由于節點分布的疏密不同，直接采用信標節點之間的平均單跳距離誤差較大，故將信標節點之間的影響程度值作為權值系數添加至平均單跳距離的計算關系式中，能夠盡可能減少由于節點疏密而對信標節點的平均單跳距離的影響。

本發明提供了一種節點定位方法，確定未知節點與各個信標節點之間的最小跳數值、未知節點接收到的首個廣播對應的信標節點的平均單跳距離以及各個信標節點的位置信息后，采用多邊測量算法計算未知節點的位置樣本數據集，然后依據聚類算法確定數據集內樣本點的聚類中心，進而得到未知節點的位置信息。數據集中的每一個樣本點均代表一個未知節點可能的位置信息，聚類中心處于樣本點的密集處，而該未知節點準確的位置信息即處于樣本點密集的區域，故依據這些聚類中心來計算未知節點的位置信息，能夠排除掉大部分準確性較低的樣本點，減少計算量，并提高定位精度。

本發明還提供了一種傳感器網絡的節點定位裝置，參見圖4所示，圖4為本發明提供的一種傳感器網絡的節點定位裝置的結構示意圖。該裝置包括：

跳數確定模塊1，用于依據未知節點接收到的各個信標節點的廣播，確定各個信標節點的位置信息以及未知節點與各個信標節點之間的最小跳數值；

單距確定模塊2，用于確定未知節點接收到的首個廣播對應的信標節點的平均單跳距離；

數據集計算模塊3，用于依據位置信息、最小跳數值以及平均單跳距離采用多邊測量算法計算得到未知節點的位置樣本數據集；數據集內包括多個樣本點；

位置計算模塊4，用于依據聚類算法確定數據集內樣本點的聚類中心，依據各個聚類中心的位置信息得到未知節點的位置信息。

本發明提供了一種節點定位裝置，確定未知節點與各個信標節點之間的最小跳數值、未知節點接收到的首個廣播對應的信標節點的平均單跳距離以及各個信標節點的位置信息后，采用多邊測量算法計算未知節點的位置樣本數據集，然后依據聚類算法確定數據集內樣本點的聚類中心，進而得到未知節點的位置信息。數據集中的每一個樣本點均代表一個未知節點可能的位置信息，聚類中心處于樣本點的密集處，而該未知節點準確的位置信息即處于樣本點密集的區域，故依據這些聚類中心來計算未知節點的位置信息，能夠排除掉大部分準確性較低的樣本點，減少計算量，并提高定位精度。

需要說明的是，在本說明書中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或范圍的情況下，在其他實施例中實現。因此，本發明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。