论文部分内容阅读
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,本文提出一种基于密度聚类优化的改进策略,首先对传统DV-Hop定位算法采用加权方式改进平均跳距,运用共线度判别法和最佳三角形内点测试法筛选参与定位的信标节点组,其次,估计未知节点与任意两个信标节点的距离,利用三角形性质,计算出未知节点与剩余信标节点的距离,然后利用三边测量法对未知节点进行初步定位估计,重复上述操作,每组信标节点都可以产生对未知节点的三次初步定位估计,将每次的初步定位估计结果添加到定位候选集,最后借助DBSCAN聚类算法对定位候选集进行优化,将定位噪声点去除,留下定位核心数据点,求出未知节点最佳可能的位置。 本文最后,利用MATLAB建立仿真模型,对DV-Hop算法和本文提出的改进算法进行对比分析。仿真结果表明,基于密度聚类优化的定位算法比DV-Hop定位算法定位效果更优,降低了误差,提高了定位的准确性。