本发明涉及定位方法技术领域,具体地,涉及基于聚类的rssi的主用户定位方法。
背景技术:
在认知无线电网络中,主用户节点相当于无线传感器网络中的未知节点,认知用户节点相当于无线传感器网络中的导标节点,因此,无线传感器网络中的定位算法可以应用到认知无线电网络中。
目前,在无线传感器网络中,按节点的空间坐标进行估计,根据距离或角度测量与否,可以分为测距的定位算法和和非测距的定位算法。测距的定位算法要对节点间的距离进行测量;而非测距的定位算法则依靠网络的连通度来实现节点的定位。以上方法均存在测量不准确、精确度低、成本高的缺陷
技术实现要素:
本发明的目的在于,针对上述问题,提出基于聚类的rssi的主用户定位方法,以实现测量准确、成本低和测量精度高的优点。
为实现上述目的,本发明采用的技术方案是:基于聚类的rssi的主用户定位方法,所述步骤具体包括:
步骤a:设定已知认知用户节点位置和识别信息;
步骤b:通过信息融合中心收集认知用户节点信息,并建立rssi值与节点到认知用户节点距离的映射;
步骤c:以第i个认知用户节点为圆心ri为半径画圆;
步骤d:对集合c进行1个目标的k-means聚类。
进一步地,步骤a中所述认知用户收到来自主用户发射机的rssi信息后,对该认知用户节点的接收到rssi进行采样,当样本稳定后对其求平均。
进一步地,步骤b中所述认知用户节点到主用户发射机距离集合为:
d_set={r1,r2,...,rn};
认知用户节点位置的集合:
p_set={(x1,y1),(x2,y2),...,(xn,yn)}。
进一步地,所述步骤c后得到n个圆,找出所有圆的交点并将交点的位置保持到集合c中。
进一步地,所述步骤d后求出交点集合的聚类中心,即得到主用户发射机的近似位置坐标信息。
本发明的基于聚类的rssi的主用户定位方法,主要包括:步骤a:设定已知认知用户节点位置和识别信息;步骤b:通过信息融合中心收集认知用户节点信息,并建立rssi值与节点到认知用户节点距离的映射;步骤c:以第i个认知用户节点为圆心ri为半径画圆;步骤d:对集合c进行1个目标的k-means聚类,可以实现测量准确、成本低和测量精度高的优点。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明所述基于聚类的rssi的主用户定位方法仿真主用户和认知用户初始位置分布图;
图2为本发明所述基于聚类的rssi的主用户定位方法仿真k-means聚类算法的圆交点图;
图3为本发明所述基于聚类的rssi的主用户定位方法仿真结果图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
基于聚类的rssi的主用户定位方法,所述步骤具体包括:
步骤a:设定已知认知用户节点位置和识别信息;
步骤b:通过信息融合中心收集认知用户节点信息,并建立rssi值与节点到认知用户节点距离的映射;
步骤c:以第i个认知用户节点为圆心ri为半径画圆;
步骤d:对集合c进行1个目标的k-means聚类。
步骤a中所述认知用户收到来自主用户发射机的rssi信息后,对该认知用户节点的接收到rssi进行采样,当样本稳定后对其求平均。
进一步地,步骤b中所述认知用户节点到主用户发射机距离集合为:
d_set={r1,r2,...,rn};
认知用户节点位置的集合:
p_set={(x1,y1),(x2,y2),...,(xn,yn)}。
所述步骤c后得到n个圆,找出所有圆的交点并将交点的位置保持到集合c中。
所述步骤d后求出交点集合的聚类中心,即得到主用户发射机的近似位置坐标信息。
为了方便仿真单个主用户定位算法,我们假设认知无线电环境结构图中有1个主用户发射机和多个认知用户节点。并且,主用户发射机和认知用户节点随机分布在一个1千米×1千米的平面区域内,信道参数ξi=1,p0=1,如下图1所示:其中蓝色的*表示的是认知用户节点的位置,红色的○表示的是主用户的真实位置。
如下图2所示,图中的大圆是以认知用户节点为圆心,估计出的每个认知节点到主用户的距离为半径画的圆,找出所有圆的交点并对这些点做k-means聚类算法,如图3所示最后聚类中心也就是由绿色的△表示的是由定位算法估计出的主用户的位置坐标信息。
至少可以达到以下有益效果:
本发明的基于聚类的rssi的主用户定位方法,主要包括:步骤a:设定已知认知用户节点位置和识别信息;步骤b:通过信息融合中心收集认知用户节点信息,并建立rssi值与节点到认知用户节点距离的映射;步骤c:以第i个认知用户节点为圆心ri为半径画圆;步骤d:对集合c进行1个目标的k-means聚类,可以实现测量准确、成本低和测量精度高的优点。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。