本發(fā)明涉及一種移動通信技術(shù)領(lǐng)域中錨節(jié)點選擇方法，特別是涉及一種移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇方法。

背景技術(shù)：

移動自組織網(wǎng)絡(luò)具有快速組網(wǎng)、不依賴于基礎(chǔ)設(shè)施等優(yōu)點，在緊急服務(wù)、災(zāi)后搜救、智能交通及工廠自動化等多個領(lǐng)域中得到了廣泛地應(yīng)用。移動自組織網(wǎng)絡(luò)的結(jié)構(gòu)可分為平面型結(jié)構(gòu)與分層結(jié)構(gòu)等，其中分層結(jié)構(gòu)能夠有效地減少平面型結(jié)構(gòu)所帶來的端到端通信時延高、網(wǎng)絡(luò)通信負載不均衡等問題，同時可以提高網(wǎng)絡(luò)的可擴展性。在移動自組織網(wǎng)絡(luò)中，分層結(jié)構(gòu)的提出主要是出于降低網(wǎng)絡(luò)中節(jié)點總能耗與通信負載等目的，需要將網(wǎng)絡(luò)中組網(wǎng)節(jié)點(可以為人、機器人、車輛等，以下簡稱為節(jié)點)進行角色劃分，如典型的兩層結(jié)構(gòu)中將節(jié)點劃分為錨節(jié)點與用戶節(jié)點，即錨節(jié)點組成上層，而用戶節(jié)點組成下層；通過錨節(jié)點可以實現(xiàn)對用戶節(jié)點的合理資源調(diào)度如計算任務(wù)的分配等，用戶節(jié)點依賴于錨節(jié)點來實現(xiàn)功能如通過與錨節(jié)點的測距通信實現(xiàn)對自身的定位等。移動自組織網(wǎng)絡(luò)中多層結(jié)構(gòu)的形成即為兩層結(jié)構(gòu)的擴展形式。因此，對于移動自組織網(wǎng)絡(luò)中錨節(jié)點的合理選擇問題受到了越來越多的關(guān)注。

在移動自組織網(wǎng)絡(luò)中，節(jié)點之間具有相同的特質(zhì)，即每一個節(jié)點均可實現(xiàn)相同的功能，如通過GPS(global positioning system，全球定位系統(tǒng))進行自我定位等。若要在移動自組織網(wǎng)絡(luò)中形成分層結(jié)構(gòu)以提高網(wǎng)絡(luò)的性能，則需要從這些節(jié)點中選擇出一定數(shù)目的節(jié)點作為錨節(jié)點。而錨節(jié)點的分布情況影響著移動自組織網(wǎng)絡(luò)的性能，如網(wǎng)絡(luò)中節(jié)點總能耗、網(wǎng)絡(luò)中可與錨節(jié)點通信的用戶節(jié)點比例以及錨節(jié)點的通信負載，以及網(wǎng)絡(luò)提供的服務(wù)相應(yīng)的實現(xiàn)情況；因此，選擇出分布合理的錨節(jié)點有利于提高移動自組織網(wǎng)絡(luò)中的性能以及改善網(wǎng)絡(luò)提供的服務(wù)質(zhì)量；例如，在以定位用戶節(jié)點作為主要業(yè)務(wù)的移動自組織網(wǎng)絡(luò)中，合理的錨節(jié)點分布能夠提高網(wǎng)絡(luò)中可被定位的用戶節(jié)點數(shù)目以及針對用戶節(jié)點的定位過程所能達到的定位精度，由此可見移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇問題的重要性。

經(jīng)對現(xiàn)有技術(shù)的檢索發(fā)現(xiàn)，目前關(guān)于移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇的方案中包括均勻分布、隨機分布等方案。均勻分布是指在已知網(wǎng)絡(luò)中所有節(jié)點初始位置的情況下，規(guī)劃出所需數(shù)目的錨節(jié)點在網(wǎng)絡(luò)中均勻分布時的位置，并將網(wǎng)絡(luò)中最接近這些位置的節(jié)點選擇為錨節(jié)點；隨機分布是指隨機地從所有節(jié)點中選擇出所需數(shù)目的節(jié)點作為錨節(jié)點；這兩種方案需要網(wǎng)絡(luò)中存在中央控制器對錨節(jié)點選擇過程進行統(tǒng)籌控制，而在所有節(jié)點初始角色相同的移動自組織網(wǎng)絡(luò)中，選擇出符合均勻分布或者隨機分布的錨節(jié)點難以實現(xiàn)，因此需要一種分布式的方法來選擇出在網(wǎng)絡(luò)中分布合理的錨節(jié)點。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇方法，其能夠在網(wǎng)絡(luò)中選擇出分布合理的錨節(jié)點，進而有利于提高網(wǎng)絡(luò)的性能，操作簡單。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題的：一種移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇方法，其包括以下步驟：

步驟一，根據(jù)需要的錨節(jié)點數(shù)目，確定需要在移動自組織網(wǎng)絡(luò)中形成的聚類數(shù)目以及需要額外選擇的錨節(jié)點數(shù)目，將網(wǎng)絡(luò)中所有節(jié)點分布式地進行合理聚類，獲得所需數(shù)目的聚類；

步驟二，基于步驟一中所獲得的聚類情況，在每一個聚類中，其簇頭節(jié)點根據(jù)該聚類中每一個節(jié)點與聚類質(zhì)心之間距離值情況，選擇出與聚類質(zhì)心之間距離適中的一些節(jié)點，作為該聚類中所選擇出的錨節(jié)點待選集合；

步驟三，根據(jù)步驟二中得到的各個聚類對應(yīng)的錨節(jié)點待選集合，針對每一個聚類，其簇頭節(jié)點從對應(yīng)的錨節(jié)點待選集合中，選擇出分布最接近正三角形的三個節(jié)點作為該聚類中所選擇出的錨節(jié)點；

步驟四，存在需要額外選擇的錨節(jié)點，則需要通過網(wǎng)絡(luò)中每個聚類的簇頭節(jié)點之間的通信，匯集處于節(jié)點部署區(qū)域邊界處的各個聚類中最接近部署區(qū)域邊界的節(jié)點，從這些節(jié)點中隨機選擇出需要額外選擇的錨節(jié)點，至此，獲得指定數(shù)目且在整個網(wǎng)絡(luò)中具有合理分布的錨節(jié)點。

優(yōu)選地，所述步驟一包括以下步驟：

步驟十，移動自組織網(wǎng)絡(luò)中節(jié)點總數(shù)為N，根據(jù)所需選擇的錨節(jié)點數(shù)目N_a，計算出需要形成的聚類數(shù)目如下式所示：其中為的向下取整值；同時計算出需要額外選擇的錨節(jié)點數(shù)目如下式所示：N_a′＝N_a-3×N_cluster；

步驟十一，利用相似度傳播聚類算法對移動自組織網(wǎng)絡(luò)中節(jié)點進行聚類，該聚類算法為分布式算法，僅依賴于不同節(jié)點之間的相似度值及節(jié)點自身的相似度值，其中，將節(jié)點i與節(jié)點j(i,j＝1,...,N,j≠i)之間的歐式距離的負值作為二者之間的相似度值，節(jié)點i與節(jié)點j之間距離如下式所示：其中，初始時刻節(jié)點i的二維位置如下式所示：P_i＝[x_i,y_i]^T，節(jié)點i與節(jié)點j之間的相似度如下式所示：s(i,j)＝-d_ij.，對于節(jié)點_i，通過與網(wǎng)絡(luò)內(nèi)其他節(jié)點分別進行測距通信，獲得其與其他節(jié)點之間的距離集合為D_i，d_median為D_i的中值，將節(jié)點i自身的相似度置如下式所示：s(i,i)＝-d_median·f_scale,，其中，f_scale為乘積因子，通過調(diào)節(jié)f_scale的取值，可以改變s(i,i)的取值，進而在聚類過程中可以得到不同數(shù)目的聚類；

步驟十二，在將節(jié)點聚類的過程中，形成聚類的同時也獲得了每個聚類中的簇頭節(jié)點，針對每個聚類中的錨節(jié)點選取過程由該聚類的簇頭節(jié)點控制進行，通過各個聚類的簇頭節(jié)點之間的通信，獲得需要額外選擇的錨節(jié)點。

優(yōu)選地，所述步驟二包括以下步驟：

步驟二十，基于步驟一中得到的聚類情況，針對聚類C_m(m＝1,...,N_cluster)，其中第k個節(jié)點表示為C_mk(k＝1,...,N_m)，N_m為C_m中節(jié)點數(shù)目；聚類的質(zhì)心為o_m；簇頭節(jié)點收集聚類內(nèi)所有節(jié)點的初始位置，根據(jù)下式所示：計算出下式所示

步驟二十一，C_m的簇頭節(jié)點計算聚類內(nèi)每個節(jié)點C_mk與o_m之間距離值d_ko，并組成集合D_o，d_med與d_max分別為D_o中的中值與最大值；

步驟二十二，提取出D_o中處于如下式所示：(d_med,(d_max+d_med)/2)區(qū)間的距離值，這些距離值對應(yīng)的節(jié)點集合即為C_m中的錨節(jié)點待選集合S_m。

優(yōu)選地，步驟三包括以下步驟：

步驟三十，根據(jù)步驟二中獲得的聚類C_m(m＝1,...,N_cluster)的錨節(jié)點待選集合S_m，計算S_m中每兩個節(jié)點之間的距離

步驟三十一，從S_m中選擇三個不同節(jié)點與其位置分布所組成的三角形面積的通過海倫公式計算如下式所示：其中，p如下式所示：是節(jié)點與節(jié)點之間的距離；

步驟三十二，一個三角形，其質(zhì)心到其三個頂點的距離分別被賦值為與則該三角形在成為正三角形時能達到其最大面積，該最大面積計算如下式所示：

步驟三十三，為了評價節(jié)點與所組成三角形接近正三角形的程度，定義正三角形相似度如下式所示：

步驟三十四，重復(fù)步驟十一、步驟十二和步驟十三，直至將S_m中所有節(jié)點以三個節(jié)點為組合遍歷完成，并得到具有最大正三角形相似度的節(jié)點組合，其中包含的三個節(jié)點即為聚類C_m中選擇出的錨節(jié)點；

步驟三十五，設(shè)定m＝m+1，重復(fù)步驟重復(fù)步驟十一、步驟十二、步驟十三和步驟十四，直至所有聚類均完成錨節(jié)點選擇。

優(yōu)選地，所述步驟四包括以下步驟：

步驟四十，步驟十中得到的N_a′不為0，則繼續(xù)進行步驟四十一和步驟四十二，否則，至此完成移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇過程；

步驟四十一，將每個處于節(jié)點部署區(qū)域邊界處的聚類中最接近節(jié)點部署區(qū)域邊界的節(jié)點通過這些聚類對應(yīng)簇頭節(jié)點之間的通信匯集到接近部署區(qū)域中央位置的聚類對應(yīng)的簇頭節(jié)點處；

步驟四十二，該簇頭節(jié)點從匯集到的節(jié)點中隨機地選擇出N_a′個錨節(jié)點，至此，完成移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇過程。

本發(fā)明的積極進步效果在于：本發(fā)明能夠根據(jù)需要獲得的錨節(jié)點數(shù)目，對需要在網(wǎng)絡(luò)中形成的聚類數(shù)目及需要額外選擇的錨節(jié)點數(shù)目進行規(guī)劃；基于網(wǎng)絡(luò)中各個節(jié)點已知的自身初始位置，能夠應(yīng)用分布式聚類方法將整個網(wǎng)絡(luò)中的節(jié)點進行合理的聚類，得到所需數(shù)目的聚類，并在每個聚類中選擇出具有相對均勻分布的三個節(jié)點作為錨節(jié)點；在節(jié)點部署區(qū)域邊界附近選擇出需要額外選擇的錨節(jié)點，從而得到整個網(wǎng)絡(luò)中具有合理分布的錨節(jié)點集合。通過大量的計算機仿真以及實際實驗證實，由于合理的聚類分布以及各個聚類中所選擇節(jié)點在相應(yīng)聚類中分布均勻等，本發(fā)明中提出的錨節(jié)點選擇方法能夠在節(jié)點初始位置已知的移動自組織網(wǎng)絡(luò)中分布式地選擇出針對具有合理分布的錨節(jié)點，有利于提高網(wǎng)絡(luò)的性能。

附圖說明

圖1是移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇方法的總體架構(gòu)示意圖；

圖2是移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇方法中所獲得的錨節(jié)點分布示例圖；

圖3是基于移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇方法所獲得的錨節(jié)點分布、錨節(jié)點均勻分布及錨節(jié)點隨機分布，利用非參數(shù)化置信傳播算法對網(wǎng)絡(luò)中用戶節(jié)點進行協(xié)作定位時所獲得的定位精度結(jié)果對比。

具體實施方式

下面結(jié)合附圖給出本發(fā)明較佳實施例，以詳細說明本發(fā)明的技術(shù)方案。

如圖1所示，本發(fā)明移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇方法包括以下步驟：

步驟一，根據(jù)需要的錨節(jié)點數(shù)目，確定需要在移動自組織網(wǎng)絡(luò)中形成的聚類數(shù)目(在每個聚類中需要選擇出三個錨節(jié)點)以及需要額外選擇的錨節(jié)點數(shù)目，將網(wǎng)絡(luò)中所有節(jié)點分布式地進行合理聚類，獲得所需數(shù)目的聚類；

步驟二，基于步驟一中所獲得的聚類情況，在每一個聚類中，其簇頭節(jié)點根據(jù)該聚類中每一個節(jié)點與聚類質(zhì)心之間距離值情況，選擇出與聚類質(zhì)心之間距離適中的一些節(jié)點，作為該聚類中所選擇出的錨節(jié)點待選集合；

步驟三，根據(jù)步驟二中得到的各個聚類對應(yīng)的錨節(jié)點待選集合，針對每一個聚類，其簇頭節(jié)點從對應(yīng)的錨節(jié)點待選集合中，選擇出分布最接近正三角形的三個節(jié)點作為該聚類中所選擇出的錨節(jié)點；

步驟四，若存在需要額外選擇的錨節(jié)點，則需要通過網(wǎng)絡(luò)中每個聚類的簇頭節(jié)點之間的通信，匯集處于節(jié)點部署區(qū)域邊界處的各個聚類中最接近部署區(qū)域邊界的節(jié)點(不包括步驟三中已選擇出的錨節(jié)點)，從這些節(jié)點中隨機選擇出需要額外選擇的錨節(jié)點，至此，獲得指定數(shù)目且在整個網(wǎng)絡(luò)中具有合理分布的錨節(jié)點。

所述步驟一包括以下步驟：

步驟十，移動自組織網(wǎng)絡(luò)中節(jié)點總數(shù)為N，根據(jù)所需選擇的錨節(jié)點數(shù)目N_a，計算出需要形成的聚類數(shù)目N_cluster如下式(1)所示，其中為的向下取整值；同時計算出需要額外選擇的錨節(jié)點數(shù)目N′_a如下式(2)所示；

N_a′＝N_a-3×N_cluster......(2)

步驟十一，利用相似度傳播聚類算法對移動自組織網(wǎng)絡(luò)中節(jié)點進行聚類，該聚類算法為分布式算法，僅依賴于不同節(jié)點之間的相似度值及節(jié)點自身的相似度值，其中，將節(jié)點i與節(jié)點j(i,j＝1,...,N,j≠i)之間的歐式距離(以下簡稱距離)的負值作為二者之間的相似度值，節(jié)點i與節(jié)點j之間距離如下式(3)所示：

其中，初始時刻節(jié)點i的二維位置P_i如下式(4)所示，

P_i＝[x_i,y_i]^T......(4)

節(jié)點i與節(jié)點j之間的相似度如下式(5)所示，

s(i,j)＝-d_ij.......(5)

對于節(jié)點i，通過與網(wǎng)絡(luò)內(nèi)其他節(jié)點分別進行測距通信，獲得其與其他節(jié)點之間的距離集合為D_i，d_median為D_i的中值，將節(jié)點i自身的相似度置如下式(6)所示，

s(i,i)＝-d_median·f_scale,......(6)

其中，f_scale為乘積因子，通過調(diào)節(jié)f_scale的取值，改變s(i,i)的取值，進而在聚類過程中得到不同數(shù)目的聚類；

步驟十二，在將節(jié)點聚類的過程中，形成聚類的同時也獲得了每個聚類中的簇頭節(jié)點，針對每個聚類中的錨節(jié)點選取過程由該聚類的簇頭節(jié)點控制進行，通過各個聚類的簇頭節(jié)點之間的通信，獲得需要額外選擇的錨節(jié)點。

所述步驟二包括以下步驟：

步驟二十，基于步驟一中得到的聚類情況，針對聚類C_m(m＝1,...,N_cluster)，其中第k個節(jié)點表示為C_mk(k＝1,...,N_m)，N_m為C_m中節(jié)點數(shù)目；聚類的質(zhì)心為o_m；簇頭節(jié)點收集聚類內(nèi)所有節(jié)點的初始位置，根據(jù)下式(7)所示計算出下式(8)所示；

步驟二十一，C_m的簇頭節(jié)點計算聚類內(nèi)每個節(jié)點C_mk與o_m之間距離值d_ko，并組成集合D_o，d_med與d_max分別為D_o中的中值與最大值；

步驟二十二，提取出D_o中處于如下式(9)所示區(qū)間的距離值，這些距離值對應(yīng)的節(jié)點集合即為C_m中的錨節(jié)點待選集合S_m。

(d_med,(d_max+d_med)/2)......(9)

步驟三包括以下步驟：

步驟三十，根據(jù)步驟二中獲得的聚類C_m(m＝1,...,N_cluster)的錨節(jié)點待選集合S_m，計算S_m中每兩個節(jié)點之間的距離

步驟三十一，從S_m中選擇三個不同節(jié)點與其位置分布所組成的三角形面積的通過海倫公式計算如下式(10)所示，

其中，p如下式(11)所示，是節(jié)點與節(jié)點之間的距離；

步驟三十二，假設(shè)一個三角形，其質(zhì)心到其三個頂點的距離分別被賦值為與(為節(jié)點與C_m的質(zhì)心o_m之間的距離)，則該三角形在成為正三角形時能達到其最大面積，該最大面積計算如下式(12)所示；

步驟三十三，為了評價節(jié)點與所組成三角形接近正三角形的程度，定義正三角形相似度如下式(13)所示；

步驟三十四，重復(fù)步驟十一、步驟十二和步驟十三，直至將S_m中所有節(jié)點以三個節(jié)點為組合遍歷完成，并得到具有最大正三角形相似度的節(jié)點組合，其中包含的三個節(jié)點即為聚類C_m中選擇出的錨節(jié)點；

步驟三十五，設(shè)定m＝m+1，重復(fù)步驟十一、步驟十二、步驟十三和步驟十四，直至所有聚類均完成錨節(jié)點選擇。

所述步驟四包括以下步驟：

步驟四十，若步驟十中得到的N_a′不為0，則繼續(xù)進行步驟四十一和步驟四十二，否則，至此完成移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇過程；

步驟四十一，將每個處于節(jié)點部署區(qū)域邊界處的聚類中最接近節(jié)點部署區(qū)域邊界的節(jié)點通過這些聚類對應(yīng)簇頭節(jié)點之間的通信匯集到接近部署區(qū)域中央位置的聚類對應(yīng)的簇頭節(jié)點處；

步驟四十二，該簇頭節(jié)點從匯集到的節(jié)點中隨機地選擇出N_a′個錨節(jié)點，至此，完成移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇過程。

本發(fā)明所考慮的移動自組織網(wǎng)絡(luò)中，所有節(jié)點的初始位置已知，首先根據(jù)需要的錨節(jié)點數(shù)目，規(guī)劃出需要在網(wǎng)絡(luò)中形成的聚類數(shù)目以及需要額外選擇的錨節(jié)點數(shù)目；網(wǎng)絡(luò)內(nèi)節(jié)點之間互相進行測距通信以得到二者之間的距離，以節(jié)點之間距離的負值作為節(jié)點之間的相似度；利用相似度傳播聚類算法對網(wǎng)絡(luò)內(nèi)節(jié)點進行聚類，其中通過對節(jié)點自身相似度的合理賦值能夠使聚類過程中得到所需的聚類數(shù)目，同時聚類過程中能夠得到每個聚類中的簇頭節(jié)點，每個簇頭節(jié)點需要負責(zé)其所在聚類中的錨節(jié)點選取過程等；針對網(wǎng)絡(luò)中形成的每一個聚類，其簇頭節(jié)點匯集聚類內(nèi)節(jié)點的初始位置，通過計算這些節(jié)點與聚類質(zhì)心之間的距離，可以從中選擇出距離質(zhì)心適中的節(jié)點形成該聚類中的錨節(jié)點待選集合；進一步地，在每個聚類中的錨節(jié)點待選集合中選擇出分布最接近正三角形的三個節(jié)點作為在該聚類中選擇出的錨節(jié)點；若有需要額外選擇的錨節(jié)點，通過各個聚類對應(yīng)簇頭節(jié)點之間進行通信，匯集處于節(jié)點部署區(qū)域邊界處的各個聚類中最接近部署區(qū)域邊界的節(jié)點(不包括各聚類中已選擇出的錨節(jié)點)，并在這些節(jié)點中隨機選擇出需要額外選擇的錨節(jié)點；至此，移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇過程完成。

更為具體地，在本發(fā)明的一個優(yōu)選例中，考慮一個以定位用戶節(jié)點作為主要業(yè)務(wù)的移動自組織網(wǎng)絡(luò)，選擇錨節(jié)點作為用戶節(jié)點在協(xié)作定位過程時的參考節(jié)點，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，本發(fā)明包括以下步驟：

步驟五十，根據(jù)需要選擇出的錨節(jié)點數(shù)目，計算出需要在網(wǎng)絡(luò)中形成的聚類數(shù)目及需要額外選擇的錨節(jié)點數(shù)目；本實施例中所考慮的移動自組織網(wǎng)絡(luò)包含150個節(jié)點，節(jié)點部署在100m×100m的正方形區(qū)域，需要選擇出的錨節(jié)點為19個，因此需要在網(wǎng)絡(luò)中形成6個聚類(每個聚類中選擇出3個錨節(jié)點)以及1個需要額外選擇的錨節(jié)點，網(wǎng)絡(luò)內(nèi)節(jié)點之間進行測距通信，利用相似度傳播聚類算法，以節(jié)點之間的距離的負值作為對應(yīng)節(jié)點之間的相似度，同時通過給予每個節(jié)點合理的自身相似度(f_scale＝4)以便獲得所需的6個聚類；

步驟五十一，獲得每個聚類中的錨節(jié)點待選集合。針對每個聚類C_m(m＝1,...,6)，計算出C_m的質(zhì)心o_m，然后計算出C_m中每個節(jié)點與o_m之間的距離，獲得距離集合D_o，并得到D_o中的中間值d_med與最大值d_max，選擇出那些與o_m之間的距離處于(d_med,(d_max+d_med)/2)區(qū)間內(nèi)的節(jié)點作為C_m中的錨節(jié)點待選集合；

步驟五十二，選擇出每個聚類中的錨節(jié)點。針對每個聚類C_m(m＝1,...,6)，將其對應(yīng)的錨節(jié)點待選集合S_m中的每三個節(jié)點形成組合，并選擇出分布最接近正三角形的節(jié)點組合，則該組合中的三個節(jié)點即為C_m中所選擇出的錨節(jié)點；

步驟五十三，選擇出需要額外選擇的錨節(jié)點。由于本實施例中有1個需要額外選擇的錨節(jié)點，則將每個處于節(jié)點部署區(qū)域邊界處的聚類中最接近節(jié)點部署區(qū)域邊界的節(jié)點(不包括步驟三中已選擇出的錨節(jié)點)匯集起來，并從其中隨機選擇出一個節(jié)點作為額外選擇出的錨節(jié)點，本實施例中選擇最接近部署區(qū)域左側(cè)邊界的節(jié)點作為錨節(jié)點。至此，移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇過程完成；圖2示例了本優(yōu)選例中得到的錨節(jié)點分布以及在網(wǎng)絡(luò)中形成的各個聚類，其中，“○”表示用戶節(jié)點，“▲”表示所選擇出的錨節(jié)點，各個聚類由虛線以及部署區(qū)域邊界圍著；從圖中可以看出，本優(yōu)選例中選擇出的錨節(jié)點在整個部署區(qū)域中分布較為均勻。

為了評估本發(fā)明提出的移動自組織網(wǎng)絡(luò)中錨節(jié)點選擇方法所選擇出的錨節(jié)點在本實施例中所能達到的性能，本實施例中選擇了一種被廣泛研究的協(xié)作定位算法——非參數(shù)化置信傳播算法作為針對用戶節(jié)點的定位算法，并以整個網(wǎng)絡(luò)中所有用戶節(jié)點的定位誤差情況作為性能指標，其中所述的定位誤差由均方根誤差(root mean square error，RMSE)進行表示，RMSE的定義為如下式(14)所示，

其中，N_a為網(wǎng)絡(luò)中用戶節(jié)點的數(shù)目；S_a為網(wǎng)絡(luò)中用戶節(jié)點的集合；x_a為用戶節(jié)點n_a的實際位置；為用戶節(jié)點n_a在協(xié)作定位過程中得到的估計位置。

圖3列舉了在本發(fā)明中提出方法得到的錨節(jié)點分布、錨節(jié)點隨機分布以及錨節(jié)點均勻分布情況下，利用非參數(shù)化置信傳播算法在200個樣本條件下對網(wǎng)絡(luò)中用戶節(jié)點進行定位時所能達到的定位誤差的累積分布(cumulative distribution function,CDF)情況。從圖中可以看出，相比于錨節(jié)點隨機分布的情形，非參數(shù)化置信傳播算法在基于本發(fā)明提出方法得到的錨節(jié)點分布時在定位精度方面的性能接近其基于錨節(jié)點均勻分布時的定位精度性能，而錨節(jié)點均勻分布可被認為是錨節(jié)點的最優(yōu)分布情況，因此可以說明本發(fā)明提出的方法能夠為以定位用戶節(jié)點作為主要業(yè)務(wù)的移動自組織網(wǎng)絡(luò)選擇出合理的錨節(jié)點分布，提高定位算法在定位精度方面的性能。

以上所述的具體實施例，對本發(fā)明的解決的技術(shù)問題、技術(shù)方案和有益效果進行了進一步詳細說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。