专业文献综述.docx
- 文档编号:29628336
- 上传时间:2023-07-25
- 格式:DOCX
- 页数:13
- 大小:196.34KB
专业文献综述.docx
《专业文献综述.docx》由会员分享,可在线阅读,更多相关《专业文献综述.docx(13页珍藏版)》请在冰豆网上搜索。
专业文献综述
专业文献综述
题目:
WSN中三维算法的综述
姓名:
学院:
信息科学技术学院
专业:
网络工程
班级:
网络82班
学号:
指导教师:
职称:
讲师
2011年12月15日
南京农业大学教务处制
WSN中三维算法的综述
作者:
指导教师:
摘要:
WSN是21世纪极具发展前景的技术,随着技术的不断成熟和进步,各行各业对WSN的应用需求正在与日俱增。
特别是近些年来,随着物联网技术的发展,WSN已经成为当今生活中不可或缺的一部分。
在WSN的众多应用中,涉及网络节点的定位及其应用已成为业界的一个研究重点。
当前,针对传感器网络的定位算法主要集中在二维的应用,涉及三维空间定位的算法研究较少,而在WSN的实际应用中,诸如人员和目标定位、环境与气候检测等问题,必须要解决传感器网络的三维定位问题[1]。
本文首先介绍了WSN网络节点定位基本原理,然后以此为基础对几种定位算法进行了详细的介绍,最后总结了WSN中三维算法的发展前景及所面临的问题。
关键词:
WSN;空间定位;网络节点;三维算法
Theoverviewof3DAlgorithminWSN
Author:
ZHUSheng-keAdviser:
WANGHao-yun
Abstract:
Intwenty-firstCentury,WSNisthemostpromisingtechnology,astechnologycontinuestomatureandprogress,allwalksoflifetotheWSNapplicationdemandisIncreasing.Especiallyinrecentyears,withthedevelopmentofInternettechnology,WSNhasbecometheindispensablepartinthelife.InWSNnumerousapplication,relatingtothenetworknodepositioninganditsapplicationintheindustryhasbecomearesearchfocus.Atpresent,thelocalizationalgorithmforsensornetworksarefocusedontheapplicationof2D,theviewabout3Dpositioningalgorithmisless,andinWSNapplications,suchaspersonnelandtargetlocation,climateandenvironmentdetectionissues,wemustsolvethesensornetworklocalizationproblem.ThisarticlefirstintroducesthebasicprincipleofWSNnetworknodelocation,andthenintroducessomelocationalgorithmsindetail,finallysummarizestheWSN3Dalgorithmsdevelopmentprospectsandproblems.
Keywords:
WSN;Spatialorientation;Networknode;3DAlgorithm
引言:
物理世界的信息中,位置信息是一个十分重要的属性,有些信息如何采集时不包含有位置属性,那么这一信息可能将毫无意义。
有数据统计显示,无线传感器网络中用户所需的数据服务与位置有关的信息约占80%,因此,无线传感器网络要想取得更广泛的应用,如何实现节点位置的精确定位是其必然要解决的重要挑战之一。
在无线传感器网络节点定位技术中,根据节点是否已知自身的位置,把传感器节点分为信标节点(或锚节点)和未知节点。
信标节点在网络节点中所占比例往往比较小,它们一般通过携带GPS定位设备等手段获得自身的精确位置。
信标节点是未知节点进行定位的参考点。
传感器网络中,除了信标节点外,其它节点都是未知节点,未知节点可以通过一些定位算法,利用信标节点的位置信息来确定自身的位置[7]。
1无线传感器网络定位的基本原理
1.1无线传感器网络体系结构
图1.1
图1.1是一个典型的无线传感器网络体系结构。
网络由(sensornode)、汇聚节点(sink)、Internet或通信卫星、任务管分构成[9]。
大量的传感器节点随机散布在传感器区域(SenSOrfield)近,通过自组织方式构成网络。
传感器节点监测的数据沿着其它传感地进行传输,在传输过程中监测数据可能被多个节点处理,经过多跳聚节点,最后通过互联网或卫星到达管理节点。
用户通过管理节点对网络进行配置和管理,发布监测任务以及收集监测数据。
1.2无线传感器网络的功能结构
图1.2
图1.2在一个比较抽象的级别上讨论传感器网络的功能结构,其中共分为五层:
(1)物理层,提供简单但健壮的信号调制和无线收发技术;
(2)数据链路层,负责数据成帧,帧监测,媒体访问和差错控制;(3)网络层,主要负责路由生成与路由选择;(4)传输层,负责数据流的传输控制,是保证通信服务质量的重要部分[3];(5)应用层,包括一系列基于监测任务的应用层软件。
能量管理平台管理传感器节点如何使用能源,在各个协议层都需要考虑节省能量;移动管理平台监测并注册传感器节点的移动,维护到汇聚节点的路由,使得传感器节点能够动态跟踪其邻居的位置;任务管理平台在一个给定的区域内平衡和调度监测任务。
1.3无线传感器网络定位的基本原理
在无线传感器网络节点定位技术中,根据节点是否已知自身的位置,把传感器节点分为信标节点(或锚节点)和未知节点。
信标节点在网络节点中所占比例往往比较小,它们一般通过携带GPS定位设备等手段获得自身的精确位置。
信标节点是未知节点进行定位的参考点。
传感器网络中,除了信标节点外,其它节点都是未知节点,未知节点可以通过一些定位算法,利用信标节点的位置信息来确定自身的位置[4]。
定位算法的基本原理是直接或间接测量节点之间的距离、方位或者其它连接性信息,然后再根据这些信息计算网络中的所有节点的位置,最后对得到的位置值进行修正,提高定位精度减小误差。
2无线传感器节点定位算法分析
2.1无线传感器节点定位算法分类
对于无线传感器网络节点自身定位的研究,国内外学者获得了丰富的研究成果,提出了许多定位解决方案和算法。
尽管无线传感器网络节点自定位算法的分类还未有一个统一的标准,但定位算法通常有以下几种分类[5]:
1.分布式的定位算法和集中式的定位算法
对基础设施的依赖程度可把定位方法分为集中定位方式和分布定位方式。
分布式的定位算法,通常指定位算法在本地节点工作,节点与节点之间无直接干扰,所有节点可以并发的计算自己的位置。
集中式的定位算法中,通常有一个计算能力和存储能力相对较高的中心节点,所有节点将所有定位信息传递给该中心节点,中心节点集中计算网络中所有传感器节点的位置,然后再通知每一个节点。
2.基于测距技术的定位和非基于测距技术的定位算法
根据定位过程中,定位算法是否测量实际节点之间的距离,把定位算法分为:
基于测距的(range-based)定位算法和非基于测距(range-free)的定位算法。
基于测距的定位算法是通过测量相邻节点间的实际距离或角度来确定未知位置节点的位置,通常分为三步:
测量距离或角度,定位和修正。
非基于测距技术的定位算法则无需距离或角度信息,仅根据网络连通性等信息即可实现。
3.递增式的定位算法和并发式的定位算法
根据节点定位的先后次序不同,把定位算法分为:
递增式的定位算法和并发式的定位算法。
递增式的定位算法通常从锚节点开始,锚节点附近的节点首先开始定位,依次向外延伸,各节点逐次进行定位,这类算法的主要缺点是定位过程中累积和传播测量误差;并发式的定位算法中所有的节点同时进行位置估算。
4.基于锚节点的定位算法和非基于锚节点的定位算法
根据定位过程中是否使用锚节点,把定位算法分为:
基于锚节点的定位算法和非基于锚节点的定位算法。
前者在定位过程中,以锚节点作为定位中的参考点,各节点定位后产生整个绝对坐标系统;后者则在无预先位置信息情况下,仅根据局部距离值来定位,关心节点间的相对位置。
5.绝对定位与相对定位
绝对定位是让所有的待定位节点使用共同的参照系,其定位结果是一个全局性的标准坐标位置,比如用经度和纬度表示出来。
对同一地理位置的节点进行多次绝对定位,其定位结果将是一样的。
相对定位可以让每个定位节点使用不同的参照系,通常是以网络中的部分节点为参考,建立整个网络的相对坐标系统。
在一定条件下,绝对定位结果可以转换为相对定位结果。
6.粗粒度与细粒度
依据定位所需信息的粒度可将定位算法和系统分为两类:
根据信号强度或时间等来度量与锚节点距离的称为细粒度定位技术;根据与锚节点的接近度来度量的称为粗粒度定位技术。
其中细粒度又可细分为基于距离和基于方向性测量两类。
7.三角测量、场景分析和接近度定位
定位技术也可分为三角测量、场景分析和接近度三类,其中三角测量和接近度定位分别与粗粒度和细粒度定位相似。
而场景分析定位是根据场景特点来推断目标位置。
通常被观测的场景都有易于获得、表示和对比的特点,如信号强度和图像。
2.2定位算法的性能评价指标
无线传感器网络定位算法的性能直接影响其可用性,如何评价它们是一个需要深入研究的问题。
下面定性地讨论几个常用的评价定位系统和算法的标准[6]。
定位精度:
定位技术首要的评价指标就是定位精度,一般用误差值与节点无线射程的比例来表示,也有部分定位系统将网络部署区域划分为网格,其定位结果的精度也就是网格的大小。
规模:
不同定位系统或算法也可以在园区内、建筑物内、一层建筑物或仅一个房间内实现定位。
另外,给定一定数量的基础设施或在一段时间内,一种技术可以定位多少目标也是一个重要的评价指标。
覆盖率:
覆盖率是指可实现定位的未知节点与未知节点总数的比例。
尽管密集部署是无线传感器网络的特点之一,但总会有一些不可达或连通度极低的未知节点存在,除这些节点,实现尽可能多的未知节点的精确定位也是自身定位算法和系统追求的目标之一。
容错性和自适应性:
通常定位系统和算法都需要比较理想的无线通信环境和可靠的网络节点设备,定位算法和系统的软硬件必须具有很强的容错性和自适应性,能够通过自动调整或重构纠正错误、适应环境、减小各种误差的影响,提高定位精度。
节点密度:
在无线传感器网络中,节点密度增大不仅意味着网络部署费用的增加,而且会因为节点间的通信冲突问题带来有限带宽的阻塞。
节点密度通常以网络的平均连通度来表示。
功耗:
功耗是对WSN的设计和实现影响最大的因素之一。
由于传感器节点电池能量有限,因此在保证定位精度前提下,与功耗密切相关的定位所需的计算量、通信开销、存储开销、时间复杂性是一组关键性指标。
代价:
定位算法或系统的代价可以从几个不同方面来评价。
时间代价包括一个系统的安装时间、配置时间、定位所需时间。
空间代价包括一个定位算法或系统所需的基础设施和网络节点的数量、硬件尺寸等。
资金代价则包括实现一种定位算法或系统的基础设施、节点设备的总费用。
上述八项性能指标不仅是评价无线传感器网络自身定位算法和系统的标准,也是其设计和实现的优化目标。
为了达到这些目标的优化,有大量的研究工作需要完成。
同时这些性能指标又是相互关联的,必须根据应用的具体需要做出权衡,选择和设计合适的定位算法或系统。
2.3无线传感器节点定位算法分析
2.3.1距离无关三维定位算法
在二维平面上,传感器节点分布不均匀的情况下,经典的Dv-Hop定位算法选择距离未知节点最近的信标节点的网络平均每跳距离进行定位计算,但这并不是该节点的最佳网络平均每跳距离,例如一个未知节点一跳范围内有3个信标节点,每个信标节点所计算的网络平均每跳距离都是不一样的,而采用不同的网络平均每跳距离所计算出来的坐标跟实际坐标的误差大小不同,但肯定有一个误差最小。
在三维空间中,如图2.3.1所示,传感器网络节点之间的关系更复杂,由于测距和定位计算误差的增大,在三维空间直接应用传统的距离矢量定位算法将会导致更大的误差。
由于在Dv-Hop定位算法中,未知节点选择的网络平均每跳距离是其计算到信标节点距离的基础,因此网络平均每跳距离选择的好坏直接影响到节点定位误差的大小[2]。
本节所设计的距离无关三维定位算法可以为未知节点找到对于自身来说最佳的网络平均每跳距离,从而有效地降低了测距误差和定位计算误差。
极大地提高了算法的定位精度。
距离无关三维定位算法主要分为两步:
第一步,网络中每个信标节点根据距离矢量算法,计算自己的网络平均每跳距离,然后向网络中的未知节点广播。
未知节点把收到的每一个网络平均每跳距离保存到数组中;第二步,未知节点根据误差的大小,在收到的所有网络平均每跳距离中选择一个最佳网络平均每跳距离,然后根据此值来计算到信标节点的距离,并进行定位计算,从而使定位误差降到最低。
图2.3.1
1.信标节点计算平均每跳距离
在网络初始,每个信标节点向邻居节点广播数据包,包含坐标信息(xi,yi,zi)和初始跳数1,邻居节点收到消息后把跳数加1后发给除接收节点之外的其它邻居节点。
未知节点收到消息后直接转发,信标节点收到消息后保存消息后在转发,信标节点某收到来自同一信标节点的多个消息,则保留跳数最小的,丢弃其它消息。
每个信标节点计算平均每跳距离:
di=
(1)
公式
(1)中心表示信标节点i与信标节点j之间的最小跳数。
信标节点计算好di后以广播的形式向未知节点发送。
未知节点建立一个网络平均每跳距离数组,在收到信标节点发送的消息以后,把di值保存到网络平均每跳距离数组中。
2.求最佳网络平均每跳距离
未知节点根据网络平均每跳距离和距离各个信标节点的跳数,就可以算出距各信标节点的距离,然后根据极大似然估计法可以算出自己的坐标。
当然,未知节点选择不同的网络平均每跳距离后计算出来的坐标值是不一样的。
哪个坐标值更接近于其实际坐标,无法直接得到结果。
然而,该已定位的未知节点可以把自己的坐标估计值发送给邻近的信标节点,信标节点收到未知节点的坐标后,把自己当作未知节点,把该已定位未知节点当作参与自己定位的一个参考信标节点,来计算自己的估算坐标,然后算出自己的实际坐标和估算坐标之间的误差,并把误差发送给已定位的未知节点[10]。
未知节点根据多个信标节点发送来的误差值,利用加权计算公式算出最终误差,并以此误差为标准,选择一个最佳网络平均每跳距离。
2.3.2基于聚类的三维定位算法
当网络中的信标节点个数较少,或者分布不均匀时,网络中的很多未知节点因无法获得足够的信标节点参与其定位计算,而无法实现定位。
针对这一问题,本节设计了基于聚类的三维定位算法,该算法使用距离无关的测距技术,通过把传感器网络划分为若干簇,对簇内节点实现相对定位,然后利用三维坐标转换,对相邻簇进行合并,最终形成一个全局坐标系。
当网络中有3个以上信标节点时,可以对未知节点实现绝对定位。
算法的主要思想:
(1)首先通过分簇过程把网络划分为若干簇;
(2)然后在各簇内建立局部坐标系,对未知节点进行局部相对定位;(3)最后以第一簇为核心,把其它簇逐步合并到第一簇中,建立全局坐标系,并在需要的时候进行三维坐标转换,对未知节点进行绝对定位。
1.初始化与分簇过程
分簇过程主要包括:
(1)网络中的信标节点计算网络平均每跳距离,然该值发送给未知节点,这样做便于分簇以后计算簇内各节点之间的距离;
(2)网络中选择第一个簇的簇头节点,并建立第一个簇;(3)第一簇的簇头节点其它簇的簇头选举。
收到选举消息的节点进行选举,选举结束后启动三跳以节点进行新的簇头节点的选举,直至网络被划分为若干簇后终止。
2.簇内建立局部坐标系
在上述分簇过程结束以后,传感器网络中的各个簇便可以开始建立自己的局部坐标系。
在局部坐标系的建立过程中,采用MDS-MDP技术,该技术在传感器网络节点定位中已被广泛采用,其默认情况下是多维的,在本文中默认为三维情况下。
选择MDS-MDP技术的主要原因是:
由于信标节点在网络中分布不均匀,分簇算法不能保证每个簇内有足够多的信标节点。
在某些簇中,由于信标节点较少或者根本没有信标节点,导致无法使用四边测量法和极大似然估计法对未知节点进行定位。
而MDS-MDP技术对信标节点数量要求不高,只需要知道每个簇中节点之间的相互距离,就可以计算出簇内节点的相对坐标,而这个要求是很容易达到的,因为在分簇阶段之前,网络中的每个节点都已经获取了网络平均每跳距离,通过最短路径算法,如Dijkstra算法,簇中的每个节点都可以求出到簇内其它节点的最短跳段距离。
局部坐标系建立的具体做法是:
利用Dijkstra算法,簇中每个节点可以获得到簇内其它节点的最小跳数,然后利用平均每跳距离,求出到簇中其它节点的距离。
然后把这些数据都发送给自己的簇头节点,簇头节点收到所有簇成员发送的消息后,建立簇内的距离矩阵。
距离矩阵建立以后,根据MDS-MDP技术,对该矩阵进行求解,便可以得到簇中各节点的相对坐标。
3.建立全局坐标系
各簇建立局部坐标系以后,可以从第一簇开始,逐步合并相邻的簇,以建立全局坐标系,由于上述的分簇过程保证了任一簇至少与一个相邻的簇有3个以上的公共节点,从而使任一簇均能归并到第一簇中。
簇之间的合并主要通过它们之间的公共节点,利用公共节点的两个坐标值(分属于不同的簇的坐标值),求出三维坐标转换公式的几个参数值,然后利用这些参数,可以使一个簇内的所有节点坐标转换成另一个簇的局部坐标。
2.3.3一种基于粒子群算法的三维无线传感器网定位方法
粒子群优化算法(PSO,particleswarmoptimiza-tion)具有收敛速度快、实现简单的特点,是一种高效实用的搜索算法。
PSO算法首先初始化N个随机粒子(三维空间的随机坐标),每个粒子都被看作是没有体积没有质量的微粒,但是有自己的位置且以一定的速度飞行,算法根据粒子本身和同伴的飞行经验来动态地调整参数,通过迭代得到最优解[2]。
假设D维搜索空间中的第i个粒子的位置和速度分别为Xi=(xi1xi2,xiD)和Vi=(vi1vi2…viD),在每一次迭代中,粒子通过追踪个体最优值pbest和全局最优值gbest来更新自己。
在找到这两个最优值时,粒子根据如下公式来更新自己的速度和新的位置。
Vij(t+1)=wvij(t)+c1rand1[pij-xij(t)]+c2rand2[pij-xij(t)]
(1)
Xij(t+1)=xij(t)+vi+j(t+1),j=1,2,,,D
(2)
式中,w为惯性权重;c1和c2为学习因子;rand1和rand2表示为0~1之间的随机数。
粒子群算法的性能很大程度上取决于算法的惯性权重、学习因子和粒子个数等参数,特别是在优化复杂函数时,PSO算法很容易陷入局部最优,并出现早熟收敛现象。
为此,对粒子群算法进行了以下改进。
在粒子群算法中,选取较大的惯性权重w有利于提高算法的全局搜索能力,但会降低算法的局部搜索能力;相反,选取较小的w会增强算法的局部搜索能力,降低算法的全局搜索能力。
为此,采用自适应权重的方法来平衡收敛的全局性和收敛速度。
(3)
式中,wmax、wmin分别表示权值的最大值和最小值;f表示粒子当前的目标函数值;fa和fmin分别表示当前所有粒子的平均目标函数值和最小目标函数值。
为了提高算法的搜索速度和收敛性能,引入优胜劣汰思想,将所有粒子的目标函数值按优劣性排序fsort(1:
N),选择函数s[fsort(1:
N)]为
(4)
式中,xsort和vsort为排序后的粒子位置和速度集合。
s作为选择函数,每次迭代结束后,按照粒子的目标函数值性能,淘汰掉一半性能较差的粒子,保持性能优良的粒子进入下一轮迭代。
结论:
在国内,无线传感器网络正在引起越来越多研究者的兴趣,国家自然科学基金也开始资助这方面的研究,特别是进入本世纪以来,对无线传感器网络自身定位问题有了许多新颖的解决方案和思想,许多技术方案都能够解决无线传感器网络的自身定位问题,每一种系统和算法都是用来解决不同的问题或支持不同的应用[8]。
随着传感器网络应用的不断发展,定位算法向三维扩展是必然的趋势,现在大部分的二维定位算法可以扩展到三维情况下,但是三维空间比二维平面的情况要复杂的多,对现有的算法进行三维扩展,不断丰富三维定位算法是一项艰巨的任务,同时如何针对三维空间的特点,设计出新的精度更高的三维定位算法也是需要进一步研究的课题。
希望本文的研究能起到抛砖引玉的作用,在不远的将来,能有更多的研究者加入到无线传感器网络三维定位的研究工作中来。
参考文献:
[1]杨斌.基于RSSI值的无线传感器网络三维定位算法的研究[D].山东:
山东大学.2010年.
[2]王雷,秦念庆,杜晓通,王晓鹏.基于Tikhonov正则化方法的WSN空间定位算法[G].仪器仪表学报.2010,(4)
[3]赖旭芝,王金鑫,曾桂秀,吴敏,佘锦华,SimonX.Yang.基于三维体质心的无线传感器网络节点定位算法[G].系统仿真学报.2008,(20)
[4]戴福泉.距离无关无线传感器网络三维定位研究[D].安徽:
中国科学技术大学.2009年.
[5]裴瑞博.无线传感器网络三维定位多跳测距方法研究[D].吉林:
吉林大学.2011年.
[6]杜巧玲.无线传感器网络三维节点定位问题的研究[D].吉林:
吉林大学.2009年.
[7]赵成林,魏雄烈,孙学斌,蒋 挺.一种基于粒子群算法的三维无线传感器网络定位方法[G].中国电子科学研究院学报.2011,
(1)
[8]单杭冠,王宗欣.一种适用于无线传感器网络定位的新方法[J].系统工程与电子技术.2006,(10).
[9]D.McCrady,L.Doyle,H.Forstrom,T.Dempsy,andM.Martorana,Mobilerangingwithlowaccuracyclocks[C].IEEETrans.MicrowaveTheoryTech.,June2000.
[10]M.NdohandG.Y.Delisle.Geolocationinundergroundminesusingwirelesssensornetworks[C].InProc.IEEEAntennasandPropagationSocietyInternationalSymposium,July2005.
专业文献综述成绩评阅表
学院
专业
姓名
题目
指导教师意见(包括选题是否恰当、文字表达水平、论文的难度和创新性、参考文献质量、格式是否规范等方面,请使用钢笔书写或打印):
论文评定成绩:
指导教师签名:
年月日
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 专业 文献 综述