【WSN节点定位】多通信半径与跳距加权优化的DV-HOP定位【含Matlab源码 3821期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab信号处理（仿真科研站版）仿真内容点击👇
Matlab信号处理（仿真科研站版）

⛄一、RSSI_DV-HOP定位（含对比）简介

一种基于RSSI的DV-HOP加权算法，该算法基于节点接收信标节点位置元组时的信号强度（RSSI）对邻居节点间跳数进行加权处理，将节点间的跳数与距离相关联，仿真试验结果证明该加权算法可大大提高定位精度。

1 DV-HOP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。
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 算法非常类似于传统网络中的距离向量路由机制， 在该定位机制中， 未知节点首先计算与信标节点的最小跳数， 然后估算平均每跳距离， 利用最小跳数乘以平均每跳距离， 估算得到未知节点与信标节点之间的距离， 再利用三边测量法或极大似然估计法计算未知节点的坐标。

1.2 DV-Hop定位算法阶段
（1）计算未知节点与每个信标节点的最小跳数。
信标节点向邻居节点广播自身位置信息的分组， 其中包括跳数字段， 初始化为0.接收节点记录具有到每个信标节点的最小跳数， 忽略来自同一个信标节点的较大跳数的分组。然后将跳数值加1,并转发给邻居节点。通过这个方法网络中的所有节点能够记录下到每个信标节点的最小跳数。
（2）计算未知节点与信标节点的实际跳段距离。
每个信标节点根据第1阶段中记录的其他信标节点的位置信息和相距跳数， 利用式（1）估算平均每跳的实际距离：

其中， （ xi, yi ）、（ xj, yj ）是信标节点i、j 的坐标， hj 是信标节点i与j（ i≠j）之间的跳段数。
然后， 信标节点将计算的每跳平均距离用带有生存期的字段的分组广播到网络中， 未知节点仅记录接收到的第1个每跳平均距离， 并转发给邻居节点。这个策略可以确保绝大多数未知节点从最近的信标节点接收每跳平均距离。未知节点接收到平均每跳距离后， 根据记录的跳数， 计算到每个信标节点之间的距离。

（3）未知节点计算自身位置。
未知节点利用第2阶段中记录的到各个信标节点的跳段距离， 利用三边测量法或极大似然估计法计算出自身坐标。
如图1所示， 经过第1和第2阶段， 能够计算出信标节点L1 与L2、L3 之间的距离和跳数。信标节点L2 计算得到校正值（即每跳平均距离）为（ 40 +75） / （ 2+ 5） = 16. 42.假设未知节点A 从L2 获得校正值， 则它与3 个信标节点之间的距离分别为L1: 3 ×16. 42, L2: 2 ×16. 42, L3: 3×16. 42, 最后可利用三边测量法确定节点A 的位置。

图1 DV H op算法示意图
DV -Hop算法采用平均每跳距离来估算实际距离， 对节点的硬件要求低， 实现简单。其缺点是利用跳段距离代替直线距离， 存在一定的误差。

2 RSSI
RSSI（Received Signal StrengthIndicator接收信号强度指示)
RSSI在无线网络中表示信号的强度,它随距离的增大而衰减,通常为负值,该值越接近零说明信号强度越高。
RSSI持续过低，说明基站收到的上行信号太弱，可能导致解调失败。 RSSI持续过高，说明收到的上行信号太强，相互之间的干扰太大，也影响信号解调。
RSSI是一种基于测距的定位技术，其测距原理为接收机通过测量射频信号的能量来确定与发送机的距离。
（1）无线信号的发射功率和接收功率之间的关系如下图上式所示，P®是无线信号的接收功率，P(T)是无线信号的发射功率，r是收发单元之间的距离，n是传播因子，传播因子的数值取决于无线信号传播的环境。下式是接收信号功率转换为dBm的表达式，A可以看作信号传输1m时接收信号的功率。
（2）无线信号接收强度指示与信号传播距离之间的关系图，从理论曲线可以看出，无线信号在传播过程的近距离上信号衰减相当厉害，远距离时信号呈缓慢线性衰减。

⛄二、部分源代码

%~基于多通信半径的跳距优化的DV-Hop改进算法 ~~~~~~~~~~~~~~~~~~~~~~~~
%~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
% 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;BeaconAmountBeaconAmount
%UN-------------未知节点坐标矩阵;2UNAmount
% Distance------未知节点到信标节点距离矩阵;2BeaconAmount
%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
function main
clear,close all;
BorderLength=100;
NodeAmount=100;
BeaconAmount=20;
UNAmount=NodeAmount-BeaconAmount;
R=30;
m=4;%4通信半径
%~~~~~~~~~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];
%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),‘kO’)
ylim([0,BorderLength]);
xlabel(‘监测区域范围长/m’); % ylabel(‘监测区域范围宽/m’);
title('网络节点分布（ 红色信标节点 O黑色未知节点）‘)
error=icdvhop(BorderLength,NodeAmount, BeaconAmount,UNAmount,Sxy,R,m);
%画图
figure;plot(error,’-o’)
title(‘每个未知节点的定位误差’);
xlabel(‘未知节点编号’);
ylabel(‘定位误差’);
end

%~跳距优化的DV-HOP改进算法~~
function error=icdvhop(BorderLength,NodeAmount, BeaconAmount,UNAmount,Sxy,R,m)
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
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
%~~~~~~初始化节点间距离、跳数矩阵
for i=1:NodeAmount
for j=1:NodeAmount
Dall(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;
elseif i==j
h(i,j)=0;
else h(i,j)=inf;
end
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]于泉,徐保国.无线传感器网络中改进的 DV-Hop 算法[J].计算机工程与应用. 2015

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置