基于多应用场景的改进DV-Hop定位模型

doi:10.11772/j.issn.1001-9081.2023040486

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (4): 1219-1227.DOI: 10.11772/j.issn.1001-9081.2023040486

• 网络与通信 • 上一篇

基于多应用场景的改进DV-Hop定位模型

沈涵¹^,², 王中生¹^,²(), 周舟³, 王长元¹^,²

^1.新型网络与检测控制国家地方联合工程实验室（西安工业大学），西安 710021
^2.西安工业大学计算机科学与工程学院，西安 710021
^3.长沙学院计算机科学与工程学院，长沙 410022

收稿日期:2023-04-28 修回日期:2023-07-07 接受日期:2023-07-13 发布日期:2024-04-22 出版日期:2024-04-10
通讯作者: 王中生
作者简介:沈涵（1996—），女，浙江杭州人，硕士研究生，主要研究方向：无线传感器网络、机器学习、群速度调控
王中生（1966—），男，河南林州人，教授，硕士，CCF会员，主要研究方向：未来网络技术及应用、物联网工程 wzhsh1681@163.com
周舟（1983—），男，湖南长沙人，副教授，博士，CCF会员，主要研究方向：云计算、边缘计算、并行与分布式计算
王长元（1963—），男，陕西宝鸡人，教授，博士生导师，博士，主要研究方向：人工智能、计算机视觉、软件工程、人机环境交互技术。
基金资助:
国家自然科学基金资助项目(52072293)

Improved DV-Hop localization model based on multi-scenario

Han SHEN¹^,², Zhongsheng WANG¹^,²(), Zhou ZHOU³, Changyuan WANG¹^,²

^1.State and Provincial Joint Engineering Lab. of Advanced Network，Monitoring and Control （Xi’an Technological University），Xi’an Shaanxi 710021，China
^2.School of Computer Science and Engineering，Xi’an Technological University，Xi’an Shaanxi 710021，China
^3.School of Computer Science and Engineering，Changsha University，Changsha Hunan 410022，China

Received:2023-04-28 Revised:2023-07-07 Accepted:2023-07-13 Online:2024-04-22 Published:2024-04-10
Contact: Zhongsheng WANG
About author:SHEN Han， born in 1996， M. S. candidate. Her research interests include wireless sensor network， machine learning， group velocity control.
WANG Zhongsheng， born in 1966， M. S.， professor. His research interests include future network technology and application， internet of things engineering.
ZHOU Zhou， born in 1983， Ph. D.， associate professor. His research interests include cloud computing， edge computing， parallel and distributed computing.
WANG Changyuan， born in 1963， Ph. D.， professor. His research interests include artificial intelligence， computer vision， software engineering， human-machine environment interaction technology.
Supported by:
National Natural Science Foundation of China(52072293)

摘要/Abstract

摘要：

针对距离矢量跳（DV-Hop）定位模型定位精度低、优化策略场景依赖性强的问题，提出一种基于函数分析和模拟定参的改进DV-Hop模型——函数修正距离矢量跳（FuncDV-Hop）定位模型。首先，分析DV-Hop模型的平均跳距、距离估计和最小二乘法中的误差原因，引入待定系数优化、阶跃函数分段实验、带等效点的权重函数策略和极大似然估计修正；其次，考虑多应用场景，用控制变量法，分别将总节点数、信标节点比例、通信半径、信标节点数和待测节点数作为变量，设计对照实验；最后，进行仿真定参和整合优化测试两阶段实验，最终的改进策略较原DV-Hop模型的定位精度提高了23.70%~75.76%，平均优化率57.23%。实验结果表明，FuncDV-Hop模型的优化率最高达到了50.73%，与基于遗传算法和神经动力学改进的DV-Hop模型相比，FuncDV-Hop模型的优化率提升了0.55%~18.77%。所提模型不引入其他参量，不增加无线传感器网络（WSN）的协议开销，且有效提高定位精度。

关键词: 无线传感器网络, 距离矢量跳定位模型, 控制变量法, 待定系数法, 等效权重, 极大似然估计

Abstract:

Considering the low positioning accuracy and strong scene dependence of optimization strategy in the Distance Vector Hop （DV-Hop） localization model， an improved DV-Hop model， Function correction Distance Vector Hop （FuncDV-Hop） based on function analysis and determining coefficients by simulation was presented. First， the average hop distance， distance estimation， and least square error in the DV-Hop model were analyzed. The following concepts were introduced： undetermined coefficient optimization， step function segmentation experiment， weight function approach using equivalent points， and modified maximum likelihood estimation. Then， in order to design control trials， the number of nodes， the proportion of beacon nodes， the communication radius， the number of beacon nodes， and the number of unknown nodes were all designed for multi-scenario comparison experiments by using the control variable technique. Finally， the experiment was split into two phases：determining coefficients by simulation and integrated optimization testing. Compared with the original DV-Hop model， the positioning accuracy of the final improved strategy is improved by 23.70%-75.76%， and the average optimization rate is 57.23%. The experimental results show that， the optimization rate of FuncDV-Hop model is up to 50.73%， compared with the DV-Hop model based on genetic algorithm and neurodynamic improvement， the positioning accuracy of FuncDV-Hop model is increased by 0.55%-18.77%. The proposed model does not introduce other parameters， does not increase the protocol overhead of Wireless Sensor Networks （WSN）， and effectively improves the positioning accuracy.

Key words: Wireless Sensor Network (WSN), Distance Vector Hop (DV-Hop) localization model, control variate method, undetermined coefficient method, equivalent weight, maximum likelihood estimation

中图分类号:

TP391.9

沈涵, 王中生, 周舟, 王长元. 基于多应用场景的改进DV-Hop定位模型[J]. 计算机应用, 2024, 44(4): 1219-1227.

Han SHEN, Zhongsheng WANG, Zhou ZHOU, Changyuan WANG. Improved DV-Hop localization model based on multi-scenario[J]. Journal of Computer Applications, 2024, 44(4): 1219-1227.

图/表 16

表1 应用场景参数

Tab. 1 Parameters of application scenarios

项目	符号	关系式
二维平面长	L
二维平面宽	W
总节点数	$n t$	$n t = n b + n u$
信标节点比例/%	$u$	$u = n b / n t × 100 %$
信标节点数	$n b$	$n b = n t × u = n t - n u$
待测节点数	$n u$	$n u = n t × (1 - u) = n t - n b$
通信半径	$r$

表1 应用场景参数

Tab. 1 Parameters of application scenarios

项目	符号	关系式
二维平面长	L
二维平面宽	W
总节点数	$n t$	$n t = n b + n u$
信标节点比例/%	$u$	$u = n b / n t × 100 %$
信标节点数	$n b$	$n b = n t × u = n t - n u$
待测节点数	$n u$	$n u = n t × (1 - u) = n t - n b$
通信半径	$r$

图1 节点关系

Fig. 1 Relationship between nodes

表2 权重函数设计

Tab. 2 Design of weight functions

序号	表达式	说明
1	$R 1 = ∑ h i j ≤ p l g d i j$ ， $H 1 = ∑ h i j > p h i j$ ， $w i j 1 = l g d i j R 1, h i j ≤ p h i j H 1, h i j > p$	段间不定，段内增-增
2	$R 2 = ∑ h i j ≤ p 1 l g d i j$ ， $H 2 = ∑ h i j > p h i j$ ， $w i j 2 = 1 / l g d i j R 2, h i j ≤ p h i j / H 2, h i j > p$	段间不定，段内减-增
3	$R 3 = ∑ h i j ≤ p l g d i j$ ， $H 3 = ∑ h i j > p 1 h i j$ ， $w i j 3 = l g d i j R 3, h i j ≤ p 1 / h i j H 3, h i j > p$	段间不定，段内增-减
4	$R 4 = ∑ h i j ≤ p 1 l g d i j$ ， $H 4 = ∑ h i j > p 1 h i j$ ， $w i j 4 = 1 / l g d i j R 4, h i j ≤ p 1 / h i j H 4, h i j > p$	段间不定，段内减-减
5	$R 5 = l g r + ∑ h i j ≤ p l g d i j$ ， $H 5 = ∑ h i j > p h i j$ ， $w i j 5 = l g d i j / R 5, h i j ≤ p l g r R 5 × h i j H 5, h i j > p$	段间大-小，段内增-增
6	$R 6 = 1 / l g r + ∑ h i j ≤ p 1 / l g d i j$ ， $H 6 = ∑ h i j > p h i j$ ， $w i j 6 = 1 / l g d i j R 6, h i j ≤ p 1 / l g r R 6 × h i j H 6, h i j > p$	段间大-小，段内减-增
7	$R 7 = l g r + ∑ h i j ≤ p l g d i j$ ， $H 7 = ∑ h i j > p 1 / h i j$ ， $w i j 7 = l g d i j / R 7, h i j ≤ p l g r R 7 × 1 / h i j H 7, h i j > p$	段间大-小，段内增-减
8	$R 8 = 1 / l g r + ∑ h i j ≤ p 1 / l g d i j$ ， $H 8 = ∑ h i j > p 1 / h i j$ ， $w i j 8 = 1 / l g d i j R 8, h i j ≤ p 1 / l g r R 8 × 1 / h i j H 8, h i j > p$	段间大-小，段内减-减

表2 权重函数设计

Tab. 2 Design of weight functions

序号	表达式	说明
1	$R 1 = ∑ h i j ≤ p l g d i j$ ， $H 1 = ∑ h i j > p h i j$ ， $w i j 1 = l g d i j R 1, h i j ≤ p h i j H 1, h i j > p$	段间不定，段内增-增
2	$R 2 = ∑ h i j ≤ p 1 l g d i j$ ， $H 2 = ∑ h i j > p h i j$ ， $w i j 2 = 1 / l g d i j R 2, h i j ≤ p h i j / H 2, h i j > p$	段间不定，段内减-增
3	$R 3 = ∑ h i j ≤ p l g d i j$ ， $H 3 = ∑ h i j > p 1 h i j$ ， $w i j 3 = l g d i j R 3, h i j ≤ p 1 / h i j H 3, h i j > p$	段间不定，段内增-减
4	$R 4 = ∑ h i j ≤ p 1 l g d i j$ ， $H 4 = ∑ h i j > p 1 h i j$ ， $w i j 4 = 1 / l g d i j R 4, h i j ≤ p 1 / h i j H 4, h i j > p$	段间不定，段内减-减
5	$R 5 = l g r + ∑ h i j ≤ p l g d i j$ ， $H 5 = ∑ h i j > p h i j$ ， $w i j 5 = l g d i j / R 5, h i j ≤ p l g r R 5 × h i j H 5, h i j > p$	段间大-小，段内增-增
6	$R 6 = 1 / l g r + ∑ h i j ≤ p 1 / l g d i j$ ， $H 6 = ∑ h i j > p h i j$ ， $w i j 6 = 1 / l g d i j R 6, h i j ≤ p 1 / l g r R 6 × h i j H 6, h i j > p$	段间大-小，段内减-增
7	$R 7 = l g r + ∑ h i j ≤ p l g d i j$ ， $H 7 = ∑ h i j > p 1 / h i j$ ， $w i j 7 = l g d i j / R 7, h i j ≤ p l g r R 7 × 1 / h i j H 7, h i j > p$	段间大-小，段内增-减
8	$R 8 = 1 / l g r + ∑ h i j ≤ p 1 / l g d i j$ ， $H 8 = ∑ h i j > p 1 / h i j$ ， $w i j 8 = 1 / l g d i j R 8, h i j ≤ p 1 / l g r R 8 × 1 / h i j H 8, h i j > p$	段间大-小，段内减-减

表3 对照实验的变量设置

Tab. 3 Variable setting of comparison experiments

组序号	定量	变量
1	信标节点比例、通信半径	总节点数
2	总节点数、通信半径	信标节点比例
3	总节点数、信标节点比例	通信半径
4	信标节点数、通信半径	待测节点数
5	待测节点数、通信半径	信标节点数

图2 平均跳距修正参数的实验结果

Fig. 2 Experiment results about average hop distance correction

图3 距离估计修正的实验结果

Fig. 3 Experiment results about distance estimation correction

图4 权重矩阵修正的实验结果

Fig. 4 Experimental results about weight matrix correction

图5 极大似然估计修正迭代次数与优化率的关系

Fig. 5 Relationship of iteration number and optimization rate for maximum likelihood estimation correction

图6 某节点组的定位实验过程

Fig. 6 localization experiment process of certain experimental group

表4 模型的逐步优化过程

Tab. 4 Stepwise optimization process of model

优化阶段	定位误差	优化率/%
DV-Hop	0.391 6
平均跳距优化	0.179 2	54.24
估计距离优化	0.348 6	10.98
权重矩阵优化	0.324 2	17.21
极大似然估计	0.354 7	9.42
FuncDV-Hop	0.170 5	56.46

图7 定场景参数仿真测试结果

Fig. 7 Simulation test results of fixed scene parameters

图8 全场景参数仿真测试结果

Fig. 8 Simulation test results of full scene parameters

图9 各模型的定位误差

Fig. 9 Positioning error of different models

表5 总节点数为变量时各模型的优化率（信标节点比例30%，通信半径100 m）

Tab. 5 Optimization rates of various models with total number of nodes as variable （beacon node ratio of 30%，communication radius of 100 m）

总节点数	优化率/%
总节点数	GA-DV-Hop	ND-DV-Hop	PSO-DV-Hop	FuncDV-Hop
60	11.50	22.65	23.67	34.24
70	11.52	25.50	25.89	39.63
80	11.91	27.99	28.66	42.63
90	14.73	30.49	29.75	43.44
100	13.23	29.94	29.48	46.88
110	14.71	33.52	33.02	48.86

表6 信标节点比例为变量时各模型的优化率（总节点数100，通信半径30 m）

Tab. 6 Optimization rates of various models with proportion of beacon nodes as variable （total number of nodes of 100，communication radius of 30 m）

信标节点比例/%	优化率/%
信标节点比例/%	GA-DV-Hop	ND-DV-Hop	PSO-DV-Hop	FuncDV-Hop
5	12.63	17.12	22.77	24.35
10	10.02	23.80	24.64	38.31
15	12.08	27.89	27.95	43.77
20	4.87	31.69	31.30	46.36
25	9.11	33.90	33.39	49.00
30	13.76	35.75	36.03	50.73

表7 通信半径为变量时各模型的优化率（总节点数100，信标节点比例30%）

Tab. 7 Optimization rates of various models with communication radius as variable （total number of nodes of 100， beacon node ratio of 30%）

通信半径/m	优化率/%
通信半径/m	GA-DV-Hop	ND-DV-Hop	PSO-DV-Hop	FuncDV-Hop
20	15.19	34.19	32.80	34.74
25	10.92	13.77	28.67	41.31
30	13.51	32.60	32.56	46.78
35	14.01	32.27	32.04	47.12
40	12.65	29.57	28.07	45.44
45	11.40	27.72	25.87	41.12
50	5.50	21.73	16.99	40.56

参考文献 21

1	CHEIKHROUHOU O， BHATTI G M， ALROOBAEA R. A hybrid DV-Hop algorithm using RSSI for localization in large-scale wireless sensor networks［J］. Sensors， 2018， 18（5）：1469. 10.3390/s18051469
2	田洪亮，王佳玥，李晨曦. 基于混合算法区块链和节点身份认证的数据存储方案［J］. 计算机应用， 2022， 42（8）： 2481-2486. 10.11772/j.issn.1001-9081.2021061127
	TIAN H L， WANG J Y， LI C X. Data storage scheme based on hybrid algorithm blockchain and node identity authentication［J］. Journal of Computer Applications， 2022， 42（8）： 2481-2486. 10.11772/j.issn.1001-9081.2021061127
3	KAUR A， GUPTA G P， MITTAL S. Comparative study of the different variants of the DV-Hop based node localization algorithms for wireless sensor networks［J］. Wireless Personal Communications， 2022， 123（2）： 1625-1667. 10.1007/s11277-021-09206-4
4	ZHANG W， YANG X. DV-Hop location algorithm based on RSSI correction［J］. Electronics， 2023， 12（5）： 1141. 10.3390/electronics12051141
5	MESSOUS S， LIOUANE H， CHEIKHROUHOU O， et al. Improved recursive DV-Hop localization algorithm with RSSI measurement for wireless sensor networks［J］. Sensors， 2021， 21（12）： 4152. 10.3390/s21124152
6	WANG G， SHI Y， LIU J. Optimization of the DV-hop localization algorithm in wireless sensor networks［J］. Journal of Physics： Conference Series， 2021， 2037： 012088. 10.1088/1742-6596/2037/1/012088
7	汪明，许亮，何小敏. 无线传感器网络精度优选RSSI协作定位算法［J］. 计算机应用， 2018， 38（7）： 1981-1988. 10.11772/j.issn.1001-9081.2017123050
	WANG M， XU L， HE X M. RSSI collaborative location algorithm of selecting preference accuracy for wireless sensor network［J］. Journal of Computer Applications， 2018， 38（7）： 1981-1988. 10.11772/j.issn.1001-9081.2017123050
8	HUANG X， HAN D， WENG T-H， et al. A localization algorithm for DV-Hop wireless sensor networks based on manhattan distance［J］. Telecommunication Systems， 2022， 81（2）： 207-224. 10.1007/s11235-022-00943-w
9	YAN R. Research status of improvement based on DV-Hop non-range positioning algorithm［J］. Journal of Physics： Conference Series， 2022， 2246： 012070. 10.1088/1742-6596/2246/1/012070
10	QIN Q， TIAN Y， WANG X. Three-dimensional UWSN positioning algorithm based on modified RSSI values［J］. Mobile Information Systems， 2021， 2021（1）： 5554791. 10.1155/2021/5554791
11	CAO Y， XU J. DV-Hop-based localization algorithm using optimum anchor nodes subsets for wireless sensor network［J］. Ad Hoc Networks， 2023， 139： 103035. 10.1016/j.adhoc.2022.103035
12	HAN D， YU Y， LI K-C， et al. Enhancing the sensor node localization algorithm based on improved DV-Hop and DE algorithms in wireless sensor networks［J］. Sensors， 2020， 20（2）： 343. 10.3390/s20020343
13	WANG P， ZHOU R， FAN X， et al. A distance estimation model for DV-Hop localization in WSNs［J］. IEEE Transactions on Vehicular Technology， 2023， 72（4）： 5290-5299. 10.1109/tvt.2022.3227314
14	CHEN T， HOU S， SUN L. An enhanced DV-Hop positioning scheme based on spring model and reliable beacon node set［J］. Computer Networks， 2022， 209： 108926. 10.1016/j.comnet.2022.108926
15	LIU J， LIU M， DU X， et al. An improved DV-Hop algorithm for wireless sensor networks based on neural dynamics［J］. Neurocomputing， 2022， 491： 172-185. 10.1016/j.neucom.2022.03.050
16	GUPTA A， MAHAUR B. An improved DV-maxHop localization algorithm for wireless sensor networks［J］. Wireless Personal Communications， 2021， 117： 2341-2357. 10.1007/s11277-020-07976-x
17	KAUR A， AGGRAWAL N， LAL S. An accurate localization in wireless sensor networks［C］// Proceedings of the 2020 6th International Conference on Signal Processing and Communication. Piscataway： IEEE， 2020： 18-22. 10.1109/icsc48311.2020.9182725
18	BAMASAQ O， ALGHAZZAWI D， BHATIA S， et al. Distance matrix and Markov chain based sensor localization in WSN［J］. Computers， Materials and Continua， 2022， 71（2）： 4051-4068. 10.32604/cmc.2022.023634
19	XIAO F， LIU W， LI Z， et al. Noise-tolerant wireless sensor networks localization via multinorms regularized matrix completion［J］. IEEE Transactions on Vehicular Technology， 2018， 67（3）： 2409-2419. 10.1109/tvt.2017.2771805
20	CAI X， WANG P， CUI Z， et al. Weight convergence analysis of DV-Hop localization algorithm with GA［J］. Soft Computing， 2020，24： 18249-18258. 10.1007/s00500-020-05088-z
21	SINGH S P， SHARMA S C. A PSO based improved localization algorithm for wireless sensor network［J］. Wireless Personal Communications， 2018， 98： 487-503. 10.1007/s11277-017-4880-1

[1]	李大海, 詹美欣, 王振东. 基于多个改进策略的增强麻雀搜索算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2845-2854.
[2]	单飞桥, 王照伟, 沈跃. 基于精确时间协议的工业无线传感器网络时间同步方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2255-2260.
[3]	刘拥民, 杨钰津, 罗皓懿, 黄浩, 谢铁强. 基于双向循环生成对抗网络的无线传感网入侵检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 160-168.
[4]	田洪亮, 王佳玥, 李晨曦. 基于混合算法区块链和节点身份认证的数据存储方案[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2481-2486.
[5]	孙环, 陈宏滨. 基于萤火虫算法的无线传感器网络节点重部署策略[J]. 计算机应用, 2021, 41(2): 492-497.
[6]	胡润彦, 李翠然. 基于模糊控制的自供能无线传感器网络分簇算法[J]. 计算机应用, 2020, 40(9): 2691-2697.
[7]	韩雨涝, 房鼎益. 基于链路交点相对位置信息的轻量级覆盖空洞检测算法[J]. 计算机应用, 2020, 40(9): 2698-2705.
[8]	韩雨涝, 房鼎益. 联合无线充电与数据收集的移动充电装置多目标路径规划算法[J]. 计算机应用, 2020, 40(6): 1745-1750.
[9]	卢光跃, 周亮, 吕少卿, 施聪, 苏可可. 基于图信号处理的无线传感器网络异常节点检测算法[J]. 计算机应用, 2020, 40(3): 783-787.
[10]	任秀丽, 陈洋. 无线传感网中数据传输延时优化的路由协议[J]. 计算机应用, 2020, 40(1): 196-201.
[11]	吴三柱, 李鹏, 吴三斌. 移动无线传感器网络中抑制病毒传播模型[J]. 计算机应用, 2020, 40(1): 129-135.
[12]	董发志, 丁洪伟, 杨志军, 熊成彪, 张颖婕. 基于遗传算法和模糊C均值聚类的WSN分簇路由算法[J]. 计算机应用, 2019, 39(8): 2359-2365.
[13]	何庆, 徐钦帅, 魏康园. 基于改进正弦余弦算法的无线传感器节点部署优化[J]. 计算机应用, 2019, 39(7): 2035-2043.
[14]	钱开国, 卜春芬, 王玉见, 申时凯. 基于可靠信标和节点度估计距离的无线传感器网络定位算法[J]. 计算机应用, 2019, 39(3): 817-823.
[15]	任晓奎, 李锋, 程琳. 基于动态损耗因子和权重的改进质心定位算法[J]. 计算机应用, 2019, 39(3): 824-828.

基于多应用场景的改进DV-Hop定位模型

Improved DV-Hop localization model based on multi-scenario

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 21

相关文章 15

编辑推荐

Metrics