[发明专利]一种基于聚类优化的节点定位方法

权利要求书

1.一种基于聚类优化的节点定位方法，其特征在于，包括：

在网络中任意选择三个信标节点作为信标节点组合，得到个信标节点组合，并判断每个信标节点组合是否满足共线度阈值，将满足共线度阈值的信标节点组合添加到容器ColSet；其中，m是网络中信标节点的个数；

对容器ColSet中的每个信标节点组合，判断信标节点组合是否通过PIT测试，将不能通过PIT测试的信标节点组合从容器ColSet中剔除；

对容器ColSet中的每个信标节点组合，采用信标节点组合中的三个信标节点对未知节点进行初步定位估计，将初步定位估计结果添加到定位候选集LocSet；

采用聚类算法对定位候选集LocSet进行聚类优化，将数据点归类并去除定位候选集LocSet中的噪声数据点，寻找最大核心数据点簇，确定未知节点的估计位置坐标。

2.如权利要求1所述的方法，其特征在于，所述对容器ColSet中的每个信标节点组合，采用信标节点组合中的三个信标节点对未知节点进行初步定位估计，将初步定位估计结果添加到定位候选集LocSet，包括：

对于信标节点组合中的三个信标节点，使用加权平均跳距方法估计未知节点与任意两个信标节点之间的距离；

通过信标三角形与未知节点的未知关系，利用三角形性质计算未知节点与信标节点组合中剩余的一个信标节点之间的距离，借助三边测量法对未知节点进行初步位置估计；

通过容器ColSet中的每个信标节点组合对未知节点进行三次的初步定位估计，将每一次的初步定位估计结果添加到未知节点的定位候选集LocSet中。

3.如权利要求1所述的方法，其特征在于，所述将不能通过PIT测试的信标节点组合从容器ColSet中剔除之后，还包括：

更新容器ColSet。

4.如权利要求1所述的方法，其特征在于，所述聚类算法包括DBSCAN聚类算法。

5.如权利要求4所述的方法，其特征在于，所述采用聚类算法对定位候选集LocSet进行聚类优化，将数据点归类并去除定位候选集LocSet中的噪声数据点，寻找最大核心数据点簇，确定未知节点的估计位置坐标，包括：

在定位候选集LocSet上运行DBSCAN聚类算法，将密度可达的数据点归为一类，同时去除LocSet中的噪声点，获得去除噪声数据点之后的一个或多个类簇；

从获取的类簇中查找到最大的类簇，求取所述最大的类簇的平均值，将所述平均值作为未知节点的最终位置坐标。

6.如权利要求5所述的方法，其特征在于，所述在定位候选集LocSet上运行DBSCAN聚类算法之前，还包括：

设置DBSCAN算法中的数据点密度阈值参数Minpts；

依据数据点密度阈值参数Minpts和定位候选集LocSet建立K-dist图，确定DBSCAN算法中的数据点领域半径参数Eps；

将Minpts、Eps和LocSet作为DBSCAN算法运行前的输入值。

7.如权利要求1至6中任意所述的方法，其特征在于，所述PIT测试为最佳三角形内点测试。