[发明专利]一种基于聚类优化的节点定位方法

说明书

技术领域

本发明涉及无线定位技术领域，特别是涉及一种基于聚类优化的节点定位方法。

背景技术

近年来，随着物联网发展的推进，无线传感器网络得到了非常广泛的应用，比如在智能家居、工业控制、智能交通、智慧城市、医疗卫生、军事国防等。无线传感器网络也正在改变我们的生活，并逐渐成为我们生活中不可或缺的一部分。在无线传感器网络中，我们有时需要与网络上的监控对象进行交互，为了便于对监控对象采取相应的措施，需要监控对象所在的物理位置。如果监控对象的位置不明确，则与此相关的研究工作可能是毫无意义的。因此，在无线传感器网络系统中，定位是一项基本的重要功能。

无线传感器网络中节点定位技术是目前研究的热点问题之一，当前的定位算法大致可以分为两大类，一类基于测距的定位算法，另一类基于非测距的定位算法。这两类算法各有优缺点，第一类算法主要以距离测量作为基础，通过三边测量法或极大似然估计法等方法对未知节点进行定位；其优点是定位误差较小、定位准确度较高，但其缺点是对节点的硬件要求较高，增加网络的成本。第二类算法由于与距离无关，对传感器节点的硬件要求相对较低，同时也降低了全网的成本，但定位精度不如第一类算法。由于无线传感器网络中对定位精度的要求通常与应用有关，所以通常根据不同的应用采取不同的定位算法。

在大规模无线传感器网络中，考虑到经济成本、节点硬件简单性等特点，在该网络上大多采用的是基于非测距的定位算法，其中，DV-Hop节点定位算法受到了许多学者的格外关注。由于DV-Hop算法在定位上存在许多不足之处，DV-Hop(Distance Vector-Hop)定位算法是类似于网络中距离向量路由机制的一种与距离无关的分布式定位算法。利用距离向量定位机制实现未知节点与信标节点间的最小跳数，再通过最小跳数估算平均每一跳的距离，然后通过最小跳数与平均每跳距离之积求得未知节点与信标节点间的估计距离值，最后借助极大似然估计法或三边测量法计算未知节点的坐标位置。然而采用DV-Hop算法进行定位仍存在定位噪声点，定位效果较低，存在误差偏多，如此定位准确性不高。

发明内容

本发明的目的是提供一种基于聚类优化的节点定位方法，以实现提高定位准确性。

为解决上述技术问题，本发明提供一种基于聚类优化的节点定位方法，该方法包括：

在网络中任意选择三个信标节点作为信标节点组合，得到C_m³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。

优选的，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。

优选的，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。

优选的，所述聚类算法包括DBSCAN聚类算法。

优选的，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；