本书以无线传感器网络中的节点定位为研究对象，针对目前无线传感器网络（WSN）节点定位算法的现状和技术难题，尤其是定位误差大、覆盖率低和算法复杂度高这些核心问题进行研究。通过分析RSSI节点定位算法、DV-Hop定位算法、质心定位算法等算法的不足，提出了智能化协同的节点定位算法，并通过对比和仿真实验验证了算法的有效性。
本书所介绍的研究内容丰富，优化算法不但注重对细节的研究，更重视协同多个方面进行综合考量，可以智能化处理节点定位问题，制定的实验方案科学完整；对主流WSN节点定位算法进行了深入研究。本书为WSN节点定位算法提供了理论依据和技术基础，并制定了仿真实验方案，验证新算法的性能。
本书可供从事无线传感器网络的专业技术人员和研究人员、高等院校无线传感器网络及相关专业的师生参考使用。

近年来，随着社会和科学的进步，物联网技术的发展及其应用范围不断扩展，尤其是物联网引入无线传感器技术以后，其应用得到了更广、更深的发展，已经渗透人们日常生活的各个领域。无线传感器网络（WSN）作为一种先进的信息采集、处理与传输的新型网络，在理论研究与实际应用场景方面，均取得了巨大的进步。无线传感器网络是把大量的静止或移动的传感器按照自组织与多跳的方式构成的网络，同时协作感知信息，并最终把这些信息发送给网络所有者。作为WSN的关键技术之一，节点定位技术显得至关重要。WSN节点定位作为一种新兴技术，已经成为国内外IT领域的研究热点，受到了研究者越来越多的关注与研究。
在长期的算法研究过程中，笔者一直致力于如何降低定位误差、优化定位算法和提高算法效率等问题的研究。由于RSSI值在不同环境干扰下对应的距离不同，为了减小接收信号强度测量误差对无线传感器网络节点自身定位精度的影响，提出一种新的基于RSSI测距差分修正的定位算法DRN-RSSI。精选两个信标节点作为差分参考节点进行校正，体现了各差分参考节点对定位效果的决定权，定位过程中加入修正系数对计算出的坐标进行修正，改变了以往单靠一个参考节点进行定位的误差较大的问题。DV-Hop定位算法是利用信标节点与未知节点的估计距离来替代节点之间的实际距离，所以DV-Hop定位算法的定位精度相对较低。提出的新算法将测试区域分成若干小区域，同时引入RSSI进行测距，让DV-Hop算法和RSSI测距算法有机结合，并把符合条件的未知节点加入伪信标节点集合中，变相增加信标节点个数，算法的定位精度会明显提高。质心定位算法用于对节点分布不均匀的区域，该算法性能不佳。针对这个问题，提出了动态多参考中心节点的质心定位算法。首先精选一定数量的信标节点，然后对于信标节点组成的区域进行分解，对分解后区域的质心与未知节点进行RSSI值的对比，把符合条件的元素放到集合P中，对集合中的元素按照这种方式依次进行处理，最后，排序后集合P中的第一个元素值即为未知节点的坐标。RSSI值随机变化较大，直接利用RSSI值作为依据来计算信标节点位置的算法在定位过程中存在较大误差。著作者提出一种基于粒子群算法的RSSI节点定位算法。使用粒子群算法精选距离未知节点较近的信标节点集合，取该集合中的一个元素，使用集合中的其他元素对其测距，然后使用最大似然法求出其坐标，根据这个坐标和实际坐标的差值对未知节点进行修正。当集合中的所有元素都这样操作以后，使用统计学方法对未知节点的坐标进行定位。
在本书中，第1章主要是对目前无线传感器网络研究情况进行综述；第2章阐述无线传感器网络节点定位算法分类和评价指标；第3章研究RSSI节点定位算法模型和影响因素；第4章研究基于双参考节点差分修正的RSSI定位算法；第5章对基于双参考节点差分修正的RSSI定位算法进行仿真测试；第6章研究了DV-Hop节点定位算法；第7章实现了动态信标节点的分区域DV-Hop定位算法；第8章对SRDV-Hop算法仿真结果进行分析；第9章主要论述了无线传感器网络质心定位算法的原理及其应用；第10章详细论述了动态多参考中心节点的质心定位算法的原理和实现；第11章通过仿真实验分析了动态多参考中心节点的质心定位算法的有效性；第12章主要对粒子群算法和RSSI定位算法进行研究；第13章具体实现了基于粒子群算法的RSSI节点定位算法；第14章验证了基于粒子群算法的RSSI节点定位算法的性能。
由于时间仓促，著者水平有限，书中难免存在疏漏和不足之处，恳请各位专家、学者和广大读者批评指正。
本著作受2017年（第一批）教育部产学合作协同育人项目（微软亚洲研究院）和河南省基础与前沿技术研究计划（自然科学基金）项目资助（142300410413）。


著  者   
2019年6月

第1章　绪论 1
1.1　WSN节点定位算法的概念和发展 1
1.2　节点定位研究的学派 2
1.3　WSN智能化协同节点定位的研究架构 4
第2章　无线传感器网络节点定位算法研究 6
2.1　无线传感器网络 6
2.1.1　传感器节点 6
2.1.2　无线传感器网络结构 6
2.1.3　无线传感器网络的特点 7
2.1.4　无线信号的信道特性 7
2.1.5　无线传感器网络的分层协议 10
2.1.6　无线传感器网络的技术热点 11
2.1.7　无线传感器网络的应用 11
2.1.8　无线传感器网络面临的挑战 12
2.2　无线传感器网络节点定位技术 13
2.3　定位算法的概念 15
2.4　定位算法的分类 16
2.4.1　基于测距的定位与无须测距的定位算法 16
2.4.2　集中式计算和分布式计算 17
2.4.3　相对定位和绝对定位 17
2.4.4　松散耦合和紧密耦合 18
2.4.5　递增式定位和并发式定位 18
2.5　节点定位算法的评价指标 18
2.5.1　定位精度 18
2.5.2　容错性和自适应性 18
2.5.3　节点密度 19
2.5.4　信标节点密度 19
2.5.5　覆盖率 19
2.5.6　功耗 19
2.5.7　代价 19
2.6　无线传感器网络节点的测距方法研究 19
2.6.1　RSSI测距法 19
2.6.2　TOA测距法 20
2.6.3　TDOA测距法 21
2.6.4　测距方法对比 21
2.7　常用的节点定位算法 22
2.7.1　MDS-MAP节点定位算法 22
2.7.2　凸规划定位算法 22
2.7.3　Hop-Euclidean节点定位算法 23
2.7.4　APIT节点定位算法 23
2.7.5　AHLos节点定位算法 24
2.7.6　AOA定位法 24
2.7.7　三角形质心定位算法 25
2.7.8　边界盒定位算法 25
2.8　无线传感器网络智能定位算法 26
第3章　RSSI节点定位算法研究 27
3.1　RSSI的测距模型研究 27
3.1.1　RSSI的测距原理 27
3.1.2　RSSI的测距影响因素 29
3.2　常用定位算法研究 29
3.2.1　极大似然估计法 29
3.2.2　三角定位法 30
3.2.3　三边定位法 31
3.3　无线信号的传播损耗模型 32
3.3.1　对数-常态分布模型 32
3.3.2　自由空间传播模型 33
3.3.3　双线地面反射模型 33
3.3.4　衰减因子模型 33
3.4　RSSI滤波算法研究 34
3.4.1　滤波算法 34
3.4.2　常用的滤波算法 35
3.5　室内定位精度的影响因素分析 36
3.5.1　环境参数 37
3.5.2　突发干扰 38
3.5.3　人体对信号接收强度的影响 39
3.5.4　多径传播的影响 39
3.5.5　同频干扰的影响 40
3.6　三边定位方法分析 40
3.6.1　实际环境下的三边定位方法 40
3.6.2　加权三边定位法 41
第4章　基于双参考节点差分修正的RSSI定位算法研究 42
4.1　算法优化 42
4.1.1　无线信号的衰减模型 43
4.1.2　修正RSSI的测量值 44
4.1.3　卡尔曼滤波预处理 46
4.2　基于信标节点数量的算法优化 46
4.3　算法的改进 48
4.3.1　近邻点联合测距的修正 48
4.3.2　加权高斯算法 49
4.3.3　基于Fingerprint的节点定位算法 52
4.3.4　加权定位的坐标 54
4.3.5　加权质心坐标定位 54
4.3.6　为定位坐标做误差补偿 55
4.4　DRN-RSSI算法的设计 57
4.4.1　传统的差分修正算法 57
4.4.2　改进的差分修正算法 57
4.4.3　算法实现步骤 58
4.4.4　DRN-RSSI算法与其他算法的比较 58
第5章　基于双参考节点差分修正的RSSI定位算法的实现及测试 59
5.1　测试环境搭建 59
5.1.1　节点部署和数据采集 59
5.1.2　源码配置 60
5.1.3　获取与配置上位机的参数 60
5.2　仿真结果及其分析 60
5.2.1　相关参数设置 60
5.2.2　影响的因素 61
5.3　总结与展望 63
5.3.1　总结 63
5.3.2　未来工作的展望 64
第6章　DV-Hop节点定位算法研究 66
6.1　DV-Hop节点定位算法的原理 66
6.2　DV-Hop定位算法的误差分析 68
6.2.1　客观因素 68
6.2.2　主观因素 69
6.3　定位算法评价标准 71
 
6.4　限跳及优选信标节点的DV-Hop算法 72
6.4.1　跳数修正 72
6.4.2　基于误差因子的信标节点平均跳距修正 72
6.4.3　优选信标节点 73
6.4.4　限跳和优选信标节点的DV-Hop算法的流程 75
6.5　基于蝙蝠优化的DV-Hop定位算法 75
6.5.1　构建适应度函数 76
6.5.2　蝙蝠算法 77
6.5.3　流程图及步骤 77
6.5.4　蝙蝠算法存在的问题 79
6.5.5　蝙蝠算法的改进策略 79
6.5.6　改进的蝙蝠算法思想 81
6.6　基于双通信半径的DV-Hop节点定位算法 82
6.6.1　算法实现步骤 83
6.6.2　改进未知节点计算的方法 83
6.7　阈值加权处理平均跳距的节点定位算法 84
6.7.1　阈值加权处理平均跳距的节点定位算法（TWP-DV-Hop）的原理 84
6.7.2　TWP-DV-Hop算法流程 85
6.7.3　确定TWP-DV-Hop算法的阈值 87
第7章　动态信标节点的分区域DV-Hop定位算法 92
7.1　SRDV-Hop算法的研究背景 92
7.2　基于跳数细化和距离校正的DV-Hop算法 93
7.2.1　算法的设计思想 93
7.2.2　细化最小跳数 94
7.2.3　校正平均距离 96
7.2.4　算法的执行步骤 96
7.3　SRDV-Hop算法的定位过程 97
7.3.1　优选信标节点 97
7.3.2　DV-Hop算法的定位过程 98
7.3.3　DV-Hop算法的误差分析 99
7.4　SRDV-Hop定位算法改进的措施 102
7.4.1　计算参数的修正 102
7.4.2　构建适应度函数 106
7.4.3　改进的措施 107
7.4.4　优化三边定位 108
7.4.5　对节点分布不均进行优化 109
7.5　SRDV-Hop算法的流程 109
 
第8章　SRDV-Hop算法仿真结果及其分析 111
8.1　仿真实验的思路 111
8.1.1　实体的数据化 111
8.1.2　算法的操作化 112
8.2　仿真环境 112
8.3　影响的因素 114
8.4　通信开销分析 119
8.5　总结与展望 119
8.5.1　算法总结 119
8.5.2　算法存在的不足 120
8.5.3　未来工作展望 120
第9章　无线传感器网络质心定位算法的研究 122
9.1　质心定位算法原理研究 122
9.1.1　质心定位算法的原理 122
9.1.2　质心定位算法的执行过程 123
9.1.3　质心定位算法性能分析 124
9.1.4　质心定位算法的不足 125
9.2　改进的质心定位算法 125
9.3　迭代加权质心定位算法 125
9.3.1　算法描述 125
9.3.2　算法流程图 126
9.4　多质心定位算法研究 127
9.4.1　测距的影响因素 127
9.4.2　多质心定位算法 128
第10章　动态多参考中心节点的质心定位算法 133
10.1　算法思路 133
10.1.1　传播模型的选择 133
10.1.2　加权系数的选择 134
10.1.3　多边形分解质心定位 135
10.1.4　APIT定位算法 137
10.2　基于RSSI校正的质心定位算法的设计 139
10.2.1　算法思想 139
10.2.2　算法数学模型 139
10.2.3　算法步骤 140
10.3　算法原理 142
10.4　算法流程 143
10.5　算法的性能 144
第11章　动态多参考中心节点的质心定位算法仿真结果及其分析 146
11.1　算法的编程工具 146
11.2　MyEclipse软件 146
11.3　常用的仿真软件 147
11.4　MATLAB仿真软件 147
11.5　仿真实验方案设计 148
11.6　仿真实验的性能评价指标 148
11.7　仿真结果及其分析 149
11.7.1　参数设置与评价指标 149
11.7.2　结果与分析 150
11.8　总结与展望 156
11.8.1　算法总结 156
11.8.2　算法的不足 156
11.8.3　未来的研究方向 157
第12章　粒子群算法和RSSI定位算法研究 158
12.1　粒子群算法研究 158
12.1.1　粒子群算法原理研究 158
12.1.2　粒子群算法研究现状 159
12.2　标准粒子群优化算法 160
12.2.1　粒子群优化算法原理 160
12.2.2　算法的参数设置 161
12.2.3　改进的粒子群算法的分类 163
12.2.4　粒子群优化算法的改进策略 164
12.3　粒子群优化算法 164
12.3.1　粒子群优化算法的流程 164
12.3.2　算法的设计步骤 164
12.3.3　粒子群优化算法的应用 165
12.4　智能定位算法 166
12.4.1　遗传算法 166
12.4.2　基于信度与几何约束的遗传定位算法 167
12.5　RSSI定位算法 171
12.5.1　基于RSSI测距的定位方法 171
12.5.2　基于RSSI测距技术存在的不足 172
12.5.3　RSSI的定位模型 173
12.6　基于早熟检验的混沌粒子群优化算法 174
12.6.1　混沌粒子群优化算法 174
12.6.2　早熟检验的机制 175
12.7　基于分级信度与早熟检验的混沌粒子群定位算法 175
12.7.1　分级信度节点的选择机制 175
12.7.2　混沌粒子群定位算法 176
12.8　基于多目标粒子群的节点定位算法 177
12.8.1　多目标定位算法的模型 178
12.8.2　算法总体框架 178
12.8.3　外部档案的维护算子 179
12.8.4　全局最优选取算子 180
12.9　基于带有罚函数的粒子群优化算法的WSN节点定位算法 180
12.9.1　罚函数法 180
12.9.2　定位的模型 181
12.9.3　PSOPF算法的流程 183
第13章　基于粒子群算法的RSSI节点定位算法研究 186
13.1　引言 186
13.2　算法模型 187
13.2.1　粒子群算法惯性权重的改进 187
13.2.2　节点定位模型的设计 187
13.2.3　引入变异因子 188
13.2.4　RSSI修正定位算法 188
13.2.5　IRSSI测距模型 189
13.2.6　IRSSI算法 190
13.3　改进的粒子群算法IPSO 191
13.3.1　计算目标函数 191
13.3.2　计算自适应权值 191
13.3.3　信标节点的淘汰机制 192
13.3.4　IPSO算法流程图 192
13.3.5　基于改进PSO的WSN节点定位算法的描述 194
13.4　粒子群算法和RSSI定位的结合 194
13.4.1　两者结合算法的思路 194
13.4.2　粒子群优化算法和其他算法的融合 195
13.4.3　改进的算法思想 195
13.4.4　极大似然估计法（LS） 197
13.4.5　加权最小二乘法（WLS） 197
13.4.6　混沌粒子群算法 199
13.4.7　基于动态权重的混沌粒子群算法 199
13.5　算法实现步骤 200
第14章　基于粒子群算法的RSSI节点定位算法的实验设计与验证研究 201
14.1　WSN定位性能评价标准 201
14.2　实验相关参数设置 202
14.3　影响的因素 203
14.4　性能分析 207
14.4.1　验证算法的收敛性 207
14.4.2　测距误差对定位误差的影响 208
14.5　总结与展望 210
14.5.1　算法总结 210
14.5.2　工作展望 210
参考文献 212

杨彩：河南大学

无