无线传感器网络 DV-Hop定位算法研究

无线传感器网络DV-Hop定位算法研究邱烨，张爽，高亚茹中国矿业大学计算机科学与技术学院，江苏徐州 (221008)E-mail：qy_basketball_88@摘要：首先，本文在查阅大量相关文献的基础上，介绍了无线传感器网络定位技术的国内外研究现状，对无线传感器网络相关技术作了一个整体概述。

其次，论文综述了无线传感器网络自身定位系统的评价、分类。

然后，本文重点对无需测距自定位算法中的DV-Hop算法进行了研究，并用VC++编程实现仿真。

关键词：无线传感器网络；节点定位；DV-Hop算法；VC++中图分类号： TP393.031.研究背景随着通信技术、嵌入式计算技术和传感器技术的飞速发展和日益成熟，具有感知能力、计算能力和通信能力的微型传感器开始在世界范围内出现。

由这些微型传感器构成的传感器网络引起了人们的极大关注。

这种传感器网络综合了传感器技术、嵌入式计算技术、分布式信息处理技术和通信技术[1]，能够协作地实时监测、感知和采集网络分布区域内的各种环境或监测对象的信息，并对这些信息进行处理，获得详尽而准确的信息，传送到需要这些信息的用户。

例如，传感器网络可以向正在准备进行登陆作战的部队指挥官报告敌方岸滩的详实特征信息，如丛林地带的地面坚硬度、干湿度等，为制定作战方案提供可靠的信息。

传感器网络可以使人们在任何时间、地点和环境条件下获取大量详实而可靠的信息。

因此，这种网络系统可以被广泛地应用于国防军事、国家安全、环境监测、交通管理、医疗卫生、制造业、反恐抗灾等领域。

传感器网络是信息感知和采集的一场革命。

无线传感器网络作为一种全新的研究技术，在基础理论和工程技术两个层面向科技工作者提出了大量的挑战性研究课题。

无线传感器网络与传统的无线网络(如WLAN和蜂窝移动电话网络)有着不同的设计目标，后者在高度移动的环境中通过优化路由和资源管理策略最大化带宽的利用率，同时为用户提供一定的服务质量保证。

在无线传感器网络中，除了少数节点需要移动以外，大部分节点都是静止的[2]。

因为它们通常运行在人无法接近的恶劣，甚至危险的远程环境中，能源无法替代，设计有效的策略延长网络的生命周期成为无线传感器网络的核心问题。

这些独特的要求和制约因素为传感器网络的研究提出了新的技术问题。

2.无线传感器网络体系结构传感器网络是由一组传感器以Ad Hoc方式构成的有线或无线网络，其目的是协作地感知、采集和处理网络覆盖的地理区域中感知对象的信息，并发布给观察者。

从上述定义可以看到，传感器、感知对象和观察者是传感器网络的三个基本要素;有线或无线网络是传感器之间、传感器与观察者之间的通信方式，用于在传感器与观察者之间建立通信路径;协作地感知、采集、处理、发布感知信息是传感器网络的基本功能。

一组功能有限的传感器协作地完成大的感知任务是传感器网络的重要特点。

传感器网络中的部分或全部节点可以移动。

传感器网络的拓扑结构也会随着节点的移动而不断地动态变化。

节点间以Ad Hoc方式进行通信，每个节点都可以充当路由器的角色，并且每个节点都具备动态搜索、定位和恢复连接能力。

图1给出了一个典型的传感器网络的结构。

这个网络由传感器节点、接收发送器(sink), Internet或通信卫星、任务管理节点等部分构成[3]。

传感器节点散布在指定的感知区域内，每个节点都可以收集数据，并通过“多跳”路由方式把数据传送到Sink节点。

Sink节点也可以用同样的方式将信息发送给各节点。

Sink节点直接与Internet或通信卫星相连，通过Internet 或通信卫星实现任务管理的节点(即观察者)与传感器之间的通信。

图1 一个典型的传感器网络的结构3.神经网络结构设计3.1网络模型类别的选择自40年代Hebb提出学习规则，60年代出现感知机学习算法以来，世界各国的学者们已提出了自适应谐振（ART）、雪崩模型（Avalanche）、双向联想存储器（BAM）、反传神经网络模型（BP）、和Hopfield网络等近60种神经网络模型。

每种模型都有其适用范围和优缺点，在确定网络拓扑结构时，不妨从各种现有模型的特质出发，寻找适合问题域的模型。

按照网络模型的拓扑结构，可将神经网络模型[4]分为分层网络模型和相互连接型网络模型。

还有一些网络是上述两类的混合。

由于边缘检测需要有明确的输入和输出，层次拓扑的分层网络比星状拓扑的相互连接型网络更加合适。

多层前馈感知网络（具有可变权值的多层网络）是属于层次型网络，它通过梯度下降法，如反向传播法来进行训练，即可实现了由网络拓扑所定义的模型中权值的最大似然估计。

只要有足够多的隐单元，激活函数就会允许网络实现任意判别边界。

从而可以认为该类型网络可以满足图像边缘检测的要求。

另外，利用该网络进行学习的最大好处是学习算法的简便性、模型选择的简易性以及容易嵌入多种启发式信息和约束条件。

只要设计合理，即可保证边缘检测时的灵活性和检测质量。

然而，具有可变权值的多层网络是一个很大的范畴，包括了许多成熟的和正在研究发展中的神经网络模型。

根据问题域的特点，本文对多层感知网络模型和径向基网络模型用于图像边缘检测进行了研究。

3.2网络拓扑结构的确定目前，主要有两类方法用于确定神经网络的结构：一类是静态构造法，即在网络学习之前选择好拓扑结构，在权值学习中，结构不再改变。

另一类称作动态构造法，包括三种具体方法：①动态剪枝法，开始时取一个较大的网，然后将不重要的结点或与输入无关的结点及其连接删除。

这种方法难以给出一个合适的网络结构，训练时间很长，可能会陷入局部极小值，并且删除节点连接权的方法很难找到通用的代价函数；②动态增长法，开始是一个简单网络，随后逐步增加节点和连接权，用来减少误差。

这种方法难以确定何时停止增长过程，因而最后的网络节点往往多于必须的节点数；③综合法，开始时是一个适当的规模，在学习期间，可以增加或删除节点及其连接。

综合法克服了前两种方法的主要缺点，但构造十分复杂，学习时间更长。

面向处理图像边缘检测的具体问题，在样本模式等参数已确定的基础上，采用静态构造法是较优的选择。

目前，关于隐含层数的选择和节点数的选择也有了一定的理论指导，本节的工作即是在理论指导下合理设计网络拓扑。

3.2.1网络层数的确定Lippman在1987年的一篇综述文章中，对网络层数的选择方法做出了讨论：“除复杂性外，一个由三层神经元构成的前馈网络可以形成任意复杂的判决区域，因而即使模式空间的分布出现啮合状况，网络也能对模式集进行正确的分类。

”Kolmogorov和傅立叶都对此理论给与了证明。

由于每一层中每个神经元的输入是模式分量的线性加权，因此第一层神经元在模式空间中形成超平面。

当输入模式的分量值变化时，线性加权求和在二维空间中绘出一条直线运动，在三维空间中绘出一个平面运动，在N维空间中则为超平面。

不同分布的边界可用超平面近似的表示，因此，如表1所示，可以考虑将不同的模式类分成一些小的超区域，一旦完成这种分割，即认为可以正确的划分判决区域，即正确的检测各种形态的边缘。

每个超区域在第一层需要2N个神经元，每个神经元形成的超平面代表超区域的一个边界。

在第二层中，每个神经元需要完成超平面集的AND运算。

还可以通过设置权系数略小于1，设置输出层单元阈值充分小来完成OR的功能。

由表1可知，选择三层神经元构成的网络即可执行任何期望函数，满足边缘检测的需求。

本节论断既没有给出隐神经元数量，也没有给出实际的权值，只是理论上证明了三层网络解决边缘检测问题的可行性，而网络的实际效用还需在三层网络的基础上合理设计其他网络参数。

3.2.1层内节点数目的确定网络的任意一层中，过多的神经元会引起噪声；另一方面，神经元数目的冗余度又可以获得网络的容错性。

可见各层节点数的选择对网络的性能影响很大。

对于本课题的三层网络，分别从输出层、输入层和隐含层进行讨论:1) 输出层节点数目：它取决于输出的表示方法和识别（或分类）的输入图形的数目[5]。

比如，要求输出能表示八个不同的图形的分类，显然，可以用八个输出节点。

一个节点表示一个类；也可以采用三个输出节点，用它的八个二进制编码表示八个不同的类。

但是，用了编码图形就会增加中间层的附加工作，甚至要求增加中间层。

在本课题的设计中，处理的对象是图像，并且是基于像素级别上的，所以，设计输出层的单元个数为1，经节点函数输出的结果为某个像素的灰度值。

2) 输入层节点数目：输入层节点的数目取决于输入向量的分量数目。

对于该边缘检测问题，因为在图像情况下，像素的数目基本决定了输入节点的数目。

这些分量可以是连续的实数也可以是离散值或二进制数。

设计中，是对数字图像的处理，其处理的对象是像素灰度值。

输入样本是7×7的模式，由49个向量分量，即输入层节点的数目是49。

3) 中间层节点数目：中间层数目太少，网络将不能建立足够复杂的判决界，将会降低网络的分类能力，甚至不能达到训练目标；数目太多时， 若判决界只包封了训练点，则又失去了概括推断的能力，且计算量太大会加重网络的负荷、训练时间长、效果不好。

目前，关于隐含层节点数目的确定，尚没有理论验证的规则。

然而，人工神经网络专家得到了一个经验公式，隐含层单元数目'n 为：'n α=+(1) 其中，m 为输出单元个数，n 为输入单元数，α为1到10之间整数。

在本设计中，n=49,m=1，于是'n 的最大值为18。

另外，还有一些专家认为隐含层单元数可取作： 2'log n n = (2)这样，则应该取n’=6，仿真程序中，将对这两种层数确定方法进行测试及比较。

综合以上情况，本设计中确定了如下网络拓扑结构：三层前馈感知网络，输入层49个神经元，隐含层6-18个神经元，输出层1个神经元。

3.3网络误差的确定 在神经网络进行训练之前，要定义网络的误差函数。

对于反向传播训练算法，通常使用人们所熟悉的均方差来描述网络的误差。

而实际上可以选用任何连续可微的误差函数来代替均方差，但选择的同时也就增加了额外的复杂性。

用E 描述网络总误差，用j t 表示第j 个输出神经元的期望值，用j O 表示第j 个神经元的实际输出。

均方差的定义如下：211()2Nj j j E t O ==−∑(3) 式中的每一项()j j t O −都反映单个神经元对整个误差的影响，取绝对误差的平方，可以看出远离期望值的那些输出对总误差的影响最大。

在设计中，由于训练集是基于图像的，前文中已确定输出神经元个数为1，那么其网络误差为这一个单元的绝对误差的平方。

4. 实验过程与检测结果4.1模拟算法实现4.1.1模拟算法流程模拟算法首先定义一幅图像为训练集，并对其进行归一化、提取训练目标图像等处理；然后定义一个具有一个隐层的前馈感知网络。