WSN中传感器节点定位过程中的平均定位误差数据分析

WSN中传感器节点定位过程中的平均定位误差数据分析

夏冶

对外经济贸易大学 统计学院

摘要：近些年，小型无线移动设备定位饱受关注，其中无线传感器网络作为其重要的分支，在学术领域和技术研究领域不断展开深度探究。在定位无线传感器网络的过程中，分析平均定位误差数据是重要的研究内容，常用的方法有多种。本文从DBSCAN聚类、朴素贝叶斯分类和支持向量机三种方法展开分析，探究数据分析的要点和方法，为无线传感器网络节点定位准确率提高提供帮助。

关键词：无线传感器网络；定位过程；平均定位；数据分析

引言

定位小型移动设备历来受到广泛关注，正是由于这一技术的创新与发展，使得基于位置的各类技术性服务在人们的生活和生产中发挥作用。无线传感器网络在应用的时候，也对定位提出了相应的要求，定位无线传感器网络传感器的时候，要从多个方面做出数据分析与处理，发挥出其所拥有的意义。

一、基于无线传感器网络传感器临近锚点的DBSCAN聚类加权定位算法

在定位无线传感器网络传感器节点的时候，网络拓扑不规则，将会使得锚节点呈不均匀分布，此时将会导致未知节点通信的锚节点数量下降，甚至影响到定位准确与否。利用DBSCAN算法对无线传感器网络传感器节点展开研究，在应用加权定位算法明确传感器节点初始坐标之后，以初始坐标和锚节点坐标之间的距离作为依据，将修正节点修正初始坐标定义为临近未知节点的两个锚节点[1]。利用DBSCAN聚类加权定位算法研究无线传感器网络传感器位置，其步骤如下：

第一步：由锚节点将位置信息、自身ID号等传输到未知节点。

第二步：在设定的阈值范围内，未知节点将锚节点的信息进行接收与存储，同时完成通信半径内的锚节点集合构建任务，得到A={}。在集合内n表示未知节点在通信半径内的锚点数量。以均值滤波作为依据处理测量获得的RSSI结果，将其进行转换而得到相对比较精准的距离值。

第三步：从集合A中随机选取三个锚点，同时将其组合形成三角形，那么选取的n个锚节点得到的三角形数量为个，计算得到所有三角形外接圆圆心坐标值。

第四步：以最小二乘法和测量距离值计算未知节点的坐标值，而后分别求解出坐标值和上一步中的个外接圆圆心坐标的欧式距离，并且将得到的结果按照由小及大的顺序进行排列。从前m个小距离对应的三角形，将其进行组合形成集合B，即B={}，在集合中的B集合三角形统称为校正三角形。在校正三角形质心坐标计算的时候，选择使用三角定位法完成计算。

第五步：利用DBSCAN距离算法处理校正三角形质心坐标，融合MinPts参数和Eps参数，得到：

                     （1）

在公示（1）中，表无线传感器网络传感器节点定位数据样本的集合面积；dim表示数据点集的维度；N表示数据点的数量。

第六步：按照第五步可以对误差大的噪声点和t个簇做出计算，去除噪声点，而后对每个簇的质心坐标做出详细计算，使用（），（）……（）。以聚类原理作为依据，利用簇中含有的核心点数量对所有簇中的数据点聚集情况做出计算衡量。根据计算结果将核心点数量为权值，即在第i个簇中的权值表示在第i个簇中所含有的核心点总数。以所有簇的权值和质心坐标作为依据，利用加权质心算法可以将未知节点的初始坐标值计算出来，得到的公式如下：

（2）

（3）

第七步：对未知节点初始坐标和锚节点坐标之间的距离进行计算，将修正节点修正初始坐标选择为临近未知节点第二个锚节点。假设选择的两个修正节点为，，两个修正节点初始坐标之间的间隔的距离分别为，。得到以作为圆心，以作为半径的圆和以作为圆心，以作为半径的圆。

二无线传感器网络节点定位期间的平均定位误差数据朴素贝叶斯检测

无线传感器网络运行的特点作为依据，假设数据包传输时间指数级PDF，那么在展开分析的时候则选择应用MLE估算训练阶段条件概率。

第一步：获取数据信息的时候要从正常类出发，同时对得到的数据信息进行训练。当处理完成正常类数据以后，从所有的节点中提取最小时间值作为异常检测的数值。在较为典型无线传感器网络拓扑结构之中，若干数据包会被所有的节点汇聚到sink中。

第二步：以训练数据集的类标签作为依据，对两个类的边际概率展开估算分析。

第三步：以第一步和第二步的数据信息处理结果作为依据，边际概率和条件概率，同时综合这两个概率值完成朴素贝叶斯分类器构建。利用分类器对网络的状态做出决定。

第四步：对接收的数据包利用sink节点展开分批分析，分组的时候按照全部数据包的端到端信息数据传输时间作为依据而完成，将最终划分成为的小组数据传输到下一步，对传输路径中故障节点的含有量做出详细的检查。

第五步：拥塞问题是在传递数据包的时候最为常见的情况，端与端之间的传输时间会比无拥塞网络情况的传输时间高。在数据处理的过程中比较数据包组异常阈值和数据包组，可故障节点和混淆拥塞情况。若是分组中的所有端与端之间的数据信息传输时间比异常阈值低，那么表示在传输路径中至少存在一个故障传感器。倘若是在传输路径中只有一个传输的时间值比异常阈值低，那么这种情况

故障节点，而是拥塞[2]。

第六步：不同端与端之间的传输时间值可能包含在数据包分组。进一步研究分析数据信息传输时间的模式值，对所有分组中的故障模式值和正常模式值条件概率展开计算，同时还应该与训练PDF展开比较分析。

第七步：判断模式值的故障条件概率，若是结果比正常模式值下的条件概率只高，那么表示无线传感器网络存在问题，否则表示无问题。

第八步：因为设定的模式值存在错误，也可能会造成拥塞，可进一步分析模式值。为了将无线传感器网络的运行状态予以明确，使用朴素贝叶斯分类器对五个传输时间做出分析，倘若是这五个时间值的数值都处于比较低的状态，那么在进行估算的时候要使用所有的时间值。

第九步：若是分组定义数据包为有错网络，那么此时其所对应的源节点则会被定义成为可疑故障节点，并对其进行更新。

第十步：将第六步到第十步进行重复处理，一直持续到所有数据包完成分析。

第十一步：按照测试场景对可疑故障节点列表和统计网络状态进行报告。

三、无线传感器网络节点定位期间的平均定位误差数据支持向量机检测

LSSVR三维定位算法在应用的时候是以最小二乘支持向量机作为依据而展开的，根据区域中的网络样本节点与节点距离和样本节点坐标之间的非线性关系完成回归模型构建，获得LSSVR节点自定位模型[3]。在LSSVR节点自定位模型中录入未知节点到锚节点的距离向量，估计未知节点坐标。

第一，选择核函数：基于支持向量机设计LSSVR算法，在应用的时候要保证核函数选择结果的合理性，由此构建完成较好的回归模型。当前应用最为广泛的核函数为径向基函数：

                              （4）

RBF核函数在高纬度、低纬度、大样本、小样本等多种情况下都可以获得比较好的回归效果。在实际应用的时候不存在局部极小问题，且收敛域都比较宽，同时还存在着唯一的最佳逼近特性。在样本学习和训练的时候收敛速度较快，是比较理想的回归核函数。

结语

本文在分析研究中，从DBSCAN聚类、朴素贝叶斯分类和支持向量机实现了有效无线传感器网络故障检测，在以传统算法为条件下使得检测故障率提高，在风险监测和数据测量中具有广泛的应用前景。

参考文献

[1]徐莎莎. 基于RSSI的分布式传感器定位算法研究[D].桂林电子科技大学,2022.

[2]邱玉康. 大规模WSN中节点定位与目标跟踪技术研究[D].电子科技大学,2022.

[3]池博川. 无线传感器网络中节点异常检测与能耗优化[D].贵州大学,2021.