无需测距的定位技术仿真——Dv-Hop算法
仿真软件——MATLAB

1、定位算法实现
1.1基本原理
DV-Hop 定位算法的原理与经典的距离矢量路由算法比较相似。在DV-Hop算法中,锚节点向网络广播一个信标,信标中包含有此锚节点的位置信息和一个初始值为1的表示跳数的参数。此信标在网络中被以泛洪的方式传播出去,信标每次被转发时跳数都增加1。接收节点在它收到的关于某一个锚节点的所有信标中保存具有最小跳数值的信标,丢弃具有较大跳数值的同一锚节点的信标。通过这一机制,网络中所有节点都获得了到每一个锚节点的最小跳数值。
为了将跳数值转换成物理距离,系统需要估计网络中平均每跳的距离。锚节点具有到网络内部其他锚节点的跳数值以及这些锚节点的位置信息,因此锚节点可以通过计算得到距其他锚节点的实际距离。经过计算,一个锚节点得到网络的平均每跳距离,并将此估计值广播到网络中,称作校正值。任何节点一旦接收到此校正值,且能够获得到3个以上锚节点的估计距离,就可以估计自己到这个锚节点的距离。DV-Hop算法与基于测距算法具有相似之处,就是都需要获得未知节点到锚节点的距离,但是DV-Hop 获得距离的方法是通过网络中拓扑结构信息的计算而不是通过无线电波信号的测量。

1.2 代码实现

% DV-Hop算法
% BorderLength-----正方形区域的边长,单位:m
% NodeAmount-------网络节点的个数
% BeaconAmount---信标节点数
% Sxy--------------用于存储节点的序号,横坐标,纵坐标的矩阵
%Beacon----------信标节点坐标矩阵;BeaconAmount*BeaconAmount
%UN-------------未知节点坐标矩阵;2*UNAmount
% Distance------未知节点到信标节点距离矩阵;2*BeaconAmount
%h---------------节点间初始跳数矩阵
%X---------------节点估计坐标初始矩阵,X=[x,y]'
% R------------------节点的通信距离,一般为10-100m
clear,close all;
BorderLength=100;
NodeAmount=100;
BeaconAmount=8;
UNAmount=NodeAmount-BeaconAmount;
R=50;
% D=zeros(NodeAmount,NodeAmount);%未知节电到信标节点距离初始矩阵;BeaconAmount行NodeAmount列
h=zeros(NodeAmount,NodeAmount);%初始跳数为0;BeaconAmount行NodeAmount列
X=zeros(2,UNAmount);%节点估计坐标初始矩阵
%在正方形区域内产生均匀分布的随机拓扑
C=BorderLength.*rand(2,NodeAmount);
%带逻辑号的节点坐标
Sxy=[[1:NodeAmount];C];
Beacon=[Sxy(2,1:BeaconAmount);Sxy(3,1:BeaconAmount)];%信标节点坐标
UN=[Sxy(2,(BeaconAmount+1):NodeAmount);Sxy(3,(BeaconAmount+1):NodeAmount)];%未知节点坐标
%画出节点分布图
plot(Sxy(2,1:BeaconAmount),Sxy(3,1:BeaconAmount),'r*',Sxy(2,(BeaconAmount+1):NodeAmount),Sxy(3,(BeaconAmount+1):NodeAmount),'k.')
xlim([0,BorderLength]);
ylim([0,BorderLength]);
title('* 红色信标节点 . 黑色未知节点')
%初始化节点间距离、跳数矩阵
for i=1:NodeAmountfor j=1:NodeAmountDall(i,j)=((Sxy(2,i)-Sxy(2,j))^2+(Sxy(3,i)-Sxy(3,j))^2)^0.5;%所有节点间相互距离if (Dall(i,j)<=R)&(Dall(i,j)>0)h(i,j)=1;%初始跳数矩阵elseif i==jh(i,j)=0;else h(i,j)=inf;endend
end
%最短路经算法计算节点间跳数
for k=1:NodeAmountfor i=1:NodeAmountfor j=1:NodeAmountif h(i,k)+h(k,j)<h(i,j)%min(h(i,j),h(i,k)+h(k,j))h(i,j)=h(i,k)+h(k,j);endendend
end
h
%求每个信标节点的校正值
h1=h(1:BeaconAmount,1:BeaconAmount);
D1=Dall(1:BeaconAmount,1:BeaconAmount);
for i=1:BeaconAmountdhop(i,1)=sum(D1(i,:))/sum(h1(i,:));%每个信标节点的平均每跳距离
end
D2=Dall(1:BeaconAmount,(BeaconAmount+1):NodeAmount);%BeaconAmount行UNAmount列
for i=1:BeaconAmountfor j=1:UNAmountif min(D2(:,j))==D2(i,j)Dhop(1,j)=D2(i,j);%未知节点从最近的信标获得校正值endend
end
Dhop
%用跳数估计距离
hop1=h(1:BeaconAmount,(BeaconAmount+1):NodeAmount)%未知节点到信标跳数,BeaconAmount行UNAmount列
for i=1:UNAmounthop=Dhop(1,i);%hop为从最近信标获得的校正值Distance(:,i)=hop*hop1(:,i);%%Beacon行UN列;
end
% %最小二乘法求未知点坐标
d=Distance;
for i=1:2for j=1:(BeaconAmount-1)a(i,j)=Beacon(i,j)-Beacon(i,BeaconAmount);end
end
A=-2*(a');
% d=d1';for m=1:UNAmountfor i=1:(BeaconAmount-1)B(i,1)=d(i,m)^2-d(BeaconAmount,m)^2-Beacon(1,i)^2+Beacon(1,BeaconAmount)^2-Beacon(2,i)^2+Beacon(2,BeaconAmount)^2;endX1=inv(A'*A)*A'*B;X(1,m)=X1(1,1);X(2,m)=X1(2,1);endUNXfor i=1:UNAmounterror(1,i)=(((X(1,i)-UN(1,i))^2+(X(2,i)-UN(2,i))^2)^0.5);endfigure;plot(error,'-o')title('每个未知节点的误差')error=sum(error)/UNAmountAccuracy=error/R

2、仿真结果和分析
2.1 仿真结果

2.2 误差分析
①由于传感器节点随机分布和广播分组过程中可能存在冲突等因素,节点得到的到信标节点的最小跳数存在有一定偏差,且跳数越多,偏差越大。
②在信标节点估算平均每跳距离时,所利用的是除本节点外所有其他信标节点,所以得到的是全网络范围内的平均每跳距离,不能反映本信标节点局部范围内的网络分布情况。
③位置节点在最后阶段估算自身位置时,利用最近的信标节点的平均每跳距离,不能反映出该未知节点局部范围内的网络分布情况。

2.3 结论
虽然DV-Hop算法相对基于测距的定位技术精度较低,但不需要节点具备测距能力,无需额外硬件、能耗较低、受环境影响较小,算法简单,易于实现,对于各向同性的密集网络,可以得到合理的平均每跳距离,定位精度等方面能满足大多数应用的要求,在硬件尺寸和功耗上更适合大规模低能耗的WSN,是目前备受关注的定位机制,许多定位系统都采用了该算法来实现。由于节点是随机部署的,未知节点与信标节点之间的跳段距离通常不是二者之间的直线距离。在各向同性的密集网络中,校正值才能合理地估算平均每跳距离,这是基于多跳的定位算法普遍存在的问题,采用DV-Hop算法过大估计了跳段的距离;未知节点计算与信标节点之间的跳数,结果都是整数,这大约增加了0.5个平均跳数的误差。通过DV-Hop算法中节点间距离度量的分析,可以发现利用这些距离没有反映出信标节点对节点位置的影响力的大小,影响了定位精度。

Dv-Hop Algorithm相关推荐

  1. LS和DV路由协议的分析与比较

    LS和DV路由协议的分析与比较 摘要:路由器是网络间的连接设备,它重要工作之一是路径选择.这个功能是路由器智能的核心,它是由管理员的配置和一系列的路由算法实现的.路由算法可分为distance vec ...

  2. DV-Hop 定位算法

    1   DV-Hop 定位算法 DV-Hop定位算法是APS算法系列中使用最为广泛的定位方法, 其定位过程不依赖于测距方法, 利用多跳信标节点信息来参与节点定位, 定位覆盖率较大.DV-Hop 算法非 ...

  3. DV-Hop算法原理

    1 DV-Hop 定位算法 DV-Hop定位算法是APS算法系列中使用最为广泛的定位方法, 其定位过程不依赖于测距方法, 利用多跳信标节点信息来参与节点定位, 定位覆盖率较大.DV-Hop 算法非常类 ...

  4. 无线传感器网络复习习题集

    无线传感器网络复习习题集 1.ZigBee无线可使用的频段有(3)个 我国使用的Zigbee协议的无线频段是(2.4G)Hz ZigBee协议是基于IEEE (802.15.4)标准 ZigBee在2 ...

  5. 传感与RFID在血液管理分析中运用

    传感与RFID在血液管理分析中运用 1 引 言 传感技术与RFID的融合运用还刚刚起步,中国作为世界的制造业大国与消费大国之一,应牢牢抓住这一机遇,自主探索,推动本土RFID产业的发展,提升社会信息化 ...

  6. Dv-Hop定位算法

    1   DV-Hop 定位算法 DV-Hop定位算法是APS算法系列中使用最为广泛的定位方法, 其定位过程不依赖于测距方法, 利用多跳信标节点信息来参与节点定位, 定位覆盖率较大.DV-Hop 算法非 ...

  7. 贪心算法(Greedy Algorithm)最小生成树 克鲁斯卡尔算法(Kruskal#39;s algorithm)

    克鲁斯卡尔算法(Kruskal's algorithm)它既是古典最低的一个简单的了解生成树算法. 这充分反映了这一点贪心算法的精髓.该方法可以通常的图被表示.图选择这里借用Wikipedia在.非常 ...

  8. 数据结构与算法(C++)– 贪婪算法(Greedy algorithm)

    贪婪算法(Greedy algorithm) 1.基础 定义:贪婪算法分阶段地工作,在每一阶段,选择在当前最好的决策,不考虑将来的后果.所以一般只能得到局部最优而不是全局最优. 贪婪算法: Dijks ...

  9. An Energy-Efficient Ant-Based Routing Algorithm for Wireless Sensor Networks (无线传感网中基于蚁群算法的能量有效路由)2

    牙说:接着上一篇继续写. 论文标题:An Energy-Efficient Ant-Based Routing Algorithm forWireless Sensor Networks 作者:Tia ...

  10. FIP: A fast overlapping community-based influence maximization algorithm using probability coefficie

    FIP: A fast overlapping community-based influence maximization algorithm using probability coefficie ...

最新文章

  1. B - Modular Inverse
  2. python日志文件保存在哪里,Python日志记录-检查日志文件的位置?
  3. 卸载重新安装Sql Server 2005出现“性能监视器计数器要求”错误解决方法【转】...
  4. 谷歌发布端到端AI平台,还有用于视频和表格的AutoML、文档理解API等多款工具
  5. ext Grid(三)
  6. 计蒜客挑战难题:移除数组中的重复元素
  7. jdk1.8 HashMap ConcurrentHashMap
  8. 如何看待部分985研究生不如本科生,只能去做软件测试?
  9. zuc算法代码详解_ZUC算法了解
  10. 雅虎历任CEO的错误
  11. The following packages are not available
  12. VPS性能优劣与使用
  13. AD20的一些基本操作
  14. 如何通过微信与手机连接到服务器,本地服务器和微信服务器的具体通信过程是怎样的...
  15. 基于Spring+SpringMVC+MyBatis超市进销存管理系统
  16. 无线路由器连接电信光猫实现拨号上网方法
  17. 手写板行业调研报告 - 市场现状分析与发展前景预测
  18. ubuntu里的桌面便签工具
  19. 实测十款连锁店管理系统,专为纠结的连锁店老板打造!
  20. PHP:使用curl请求聚合支付的驾考宝典题库接口数据, 并渲染到页面上;composer 常用的指令;mvc pathinfo 路由映射实现

热门文章

  1. Windows Server 2008 安装SVN
  2. php word excel表格数据库,记一次使用PHP将word转为excel的经历
  3. php微信支付的开发,php微信支付开发教程
  4. 设置开机自动启动某软件
  5. python怎么检验股票日收益率_Python量化笔记-股票收益率的正态分布检验和凯利公式应用...
  6. Vscode :代码缩进forward and backward
  7. 格莱富笔记本电脑教你如何优化笔记本电脑系统
  8. 基于 jQuery 的前端 UI 框架 LuLu UI
  9. 海明威的《老人与海》人生感悟
  10. 《高级数据库系统》学习笔记