巢湖特价无线加速度传感器

无线传感器网络的节点定位机制
关于无线传感器网络的定位问题分为两类，一类是无线传感器网络对自身传感器节点的定位，另一类是无线传感器网络对外部目标的定位。本文主要讨论前者。


节点准确地进行自身定位是无线传感器网络应用的重要条件。由于节点工作区域或者是人类不适合进入的区域，或者是敌对区域，传感器节点有时甚至需要通过*行器抛撒于工作区域，因此节点的位置都是随机并且未知的。然而在许多应用中，节点所采集到的数据必须结合其在测量坐标系内的位置信息才有意义，否则，如果不知道数据所对应的地理位置，数据就失去意义。除此之外，无线传感器网络节点自身的定位还可以在外部目标的定位和追踪以及提高路由效率等方面发挥作用。因此，实现节点的自身定位对无线传感器网络有重要的意义。


获得节点位置的一个直接想法是利用**定位系统(GPS)来实现。但是，在无线传感器网络中使用GPS来获得所有节点的位置受到价格、体积、功耗以及可扩展性等因素限制，存在着一些困难。因此目前主要的研究工作是利用传感器网络中少量已知位置的节点来获得其他未知位置节点的位置信息。已知位置的节点称作锚节点，它们可能是被预先放置好的，或者采用GPS或其他方法得知自己的位置。未知位置的节点称作未知节点，它们需要被定位。锚节点根据自身位置建立本地坐标系，未知节点根据锚节点计算出自己在本地坐标系里的相对位置。


根据具体的定位机制，可以将现有的无线传感器网络自身定位方法分为两类：基于测距的(Range-based)方法和不基于测距的(Range-free)方法[6]。基于测距的定位机制需要测量未知节点与锚节点之间的距离或者角度信息，然后使用三边测量法、三角测量法或较大似然估计法计算未知节点的位置。而不基于测距的定位机制*距离或角度信息，或者不用直接测量这些信息，仅根据网络的连通性等信息实现节点的定位。


1.1 基于测距的定位方法
常用的定位方法是基于测距定位方法，在这种定位机制中需要先得到两个节点之间的距离或者角度信息，通常采用以下方法。


1.1.1 信号强度测距法
已知发射功率，在接收节点测量接收功率，计算传播损耗，使用理论或经验的信号传播模型将传播损耗转化为距离。例如，在自由空间中，距发射机d 处的天线接收到的信号强度由下面的公式给出：
Pr(d )=PtGtGrλ2/(4π)2d 2L (1)


其中，Pt为发射机功率；Pr(d )是在距离d 处的接收功率；Gt、Gr分别是发射天线和接收天线的增益；d 是距离，单位为米；L为与传播无关的系统损耗因子；λ是波长，单位为米。由公式可知，在自由空间中，接收机功率随发射机与接收机距离的平方衰减。这样，通过测量接收信号的强度，再利用式(1)就能计算出收发节点间的大概距离。


得到锚节点与未知节点之间的距离信息后，采用三边测量法或较大似然估计法可计算出未知节点的位置。三边计算的理论依据是，在三维空间中，知道了一个未知节点到三个以上锚节点的距离，就可以确定该点的坐标。


三边测量法在二维平面上用几何图形表示出来的意义是：当得到未知节点到一个锚节点的距离时，就可以确定此未知节点在以此锚节点为圆心、以距离为半径的圆上；得到未知节点到3个锚节点的距离时，3个圆的交点就是未知节点的位置。如图3所示。

然而，公式(1)只是电磁波在理想的自由空间中传播的数学模型，实际应用中的情况要复杂的多，尤其是在分布密集的无线传感器网络中。反射、多径传播、非视距(NLOS)、天线增益等问题都会对相同距离产生显著不同的传播损耗。因此这种方法的主要误差来源是环境影响所造成的信号传播模型的复杂性。信号强度测距法通常属于一种粗糙的测距技术。


还有一些其他算法：如文献[7]提出了一种节点位置推测算法，该算法通过一种判决节点，利用收集到的锚节点的位置信息和节点间的距离信息，执行节点位置推测算法，推测出所有位置可确定的待测节点的位置。


1.1.2 到达时间及时间差测距法
到达时间(TOA)技术通过测量信号传播时间来测量距离。在TOA方法中，若电波从锚节点到未知节点的传播时间为t，电波传播速度为c，则锚节点到未知节点的距离为t×c。TOA要求接收信号的锚节点或未知节点知道信号开始传输的时刻，并要求节点有非常精确的时钟。


使用TOA技术比较典型的定位系统是GPS，GPS系统需要昂贵高能耗的电子设备来精确同步卫星时钟。在无线传感器网络中，节点间的距离较小，采用TOA测距难度较大，同时节点硬件尺寸、价格和功耗的限制也决定了TOA技术对无线传感器网络是不可行的。


时间差(TDOA)测距技术在无线传感器网络定位方案中得到了较多的应用[8]。通过记录两种不同信号(常使用无线电信号和超声波信号)的到达时间差异，根据已知的两种信号的传播速度，直接把时间差转化为距离。该技术受到超声波传播距离的限制和非视距问题对超声波信号传播的影响，不仅需要精确的时钟记录两种信号的到达时间差异，还需要传感器节点同时具备感知两种不同信号的能力。


1.1.3 时间差定位法
TDOA测距是通过计算两种不同无线信号到达未知节点的时间差，再根据两种信号传播速度来计算得到未知节点与锚节点之间的距离。TDOA定位与TDOA测距不同，TDOA定位计算两个锚节点信号到达未知节点的时间差，将其转换成到两个锚节点的距离之差，未知节点通过到多组锚节点的距离之差得出自身的位置。


在二维平面上的，双曲线的几何意义是到两个**的距离之差为一个常数的所有点的集合，两个**称作焦点。因此TDOA定位在二维平面上的几何意义为：得到未知节点与两个锚节点的距离之差，即可知未知节点定位于以两个锚节点为焦点的双曲线方程上，通过测量得到未知节点所属的两个以上双曲线方程时，这些双曲线一的交点即为未知节点的位置。由于这种方法不是采用到达的**时间来确定节点的位置，降低了对时间同步的要求，但是仍然需要较精确的计时功能，同时由于无线传感器网络具有分布密集和无线通信范围小的特点，这种方法实现起来难度较大。


1.1.4 到达角定位法
到达角(AOA)定位法通过阵列天线或多个接收器结合来得到相邻节点发送信号的方向，从而构成一根从接收机到发射机的方位线。两根方位线的交点即为未知节点的位置。


图4所示为基本的AOA定位法，未知节点得到与锚节点N1和N2所构成的角度之后就可以确定自身位置。另外，AOA信息还可以与TOA、TDOA信息一起使用成为混合定位法。采用混合定位法或者可以实现更高的精确度，减小误差，或者可以降低对某一种测量参数数量的需求。AOA定位法的硬件系统设备复杂，并且需要两节点之间存在视距(LOS)传输，因此不适合用于无线传感器网络的定位。

1.2 不基于测距的定位算法
基于测量距离和角度的算法的缺点是使传感器节点造价增高，消耗了有限的电池资源，而且在测量距离和角度的准确性方面需要大量的研究。下面介绍不基于测距的定位算法。不基于测距的算法不需要知道未知节点到锚节点的距离或者不需要直接测量此距离，在成本和功耗方面比基于测距的方法具有优势。


下面先介绍4种重要的分布式不基于测距的算法，它们分别为质心法、基于距离矢量计算跳数的算法(DV-Hop)、无定形的(Amorphous)算法和以三角形内的点近似定位(APIT)算法，然后对这4种算法进行分析对比。


1.2.1 质心法
质心法[9]是南加州大学Nirupama Bulusu等学者提出的一种仅基于网络连通性的室外定位算法。该算法的中心思想是：未知节点以所有在其通信范围内的锚节点的几何质心作为自己的估计位置。具体过程为：锚节点每隔一段时间向邻居节点广播一个信标信号，信号中包含有锚节点自身的ID和位置信息。当未知节点在一段侦听时间内接收到来自锚节点的信标信号数量**过某一个预设的门限后，该节点认为与此锚节点连通，并将自身位置确定为所有与之连通的锚节点所组成的多边形的质心。


质心定位算法的较大优点是它非常简单，计算量小，完全基于网络的连通性，但是需要较多的锚节点。


1.2.2 DV-Hop算法
DV-Hop算法[10]是由D.Niculescu和B.Nath等人提出的。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较小跳数值的信标，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(包括其他锚节点)都获得了到每一个锚节点的较小跳数值。图5为一个示意图[6]，表示了网络中的节点到锚节点A的跳数值。

为了将跳数值转换成物理距离，系统需要估计网络中平均每跳的距离。锚节点具有到网络内部其他锚节点的跳数值以及这些锚节点的位置信息，因此锚节点可以通过计算得到距其他锚节点的实际距离。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，就可以估计自己到这个锚节点的距离。


如果一个节点能够获得到3个以上锚节点的估计距离，它就可以利用三边法估计其自身的位置。


DV-Hop算法与基于测距算法具有相似之处，就是都需要获得未知节点到锚节点的距离，但是DV-Hop获得距离的方法是通过网络中拓扑结构信息的计算而不是通过无线电波信号的测量。


在基于测距的方法中，未知节点只能获得到自己射频覆盖范围内的锚节点的距离，而DV-Hop算法可以获得到未知节点无线射程以外的锚节点的距离，这样就可以获得更多的有用数据，提高定位精度。


1.2.3 Amorphous算法
Amorphous定位算法[11]与DV-Hop算法类似。首先，采用与DV-Hop算法类似的方法获得距锚节点的跳数，称为梯度值。未知节点收集邻居节点的梯度值，计算关于某个锚节点的局部梯度平均值。与DV-Hop算法不同的是：Amorphous算法假定预先知道网络的密度，然后离线计算网络的平均每跳距离，最后当获得3个或更多锚节点的梯度值后，未知节点计算与每个锚节点的距离，并使用三边测量法和较大似然估计法估算自身位置。


1.2.4 APIT算法
在APIT算法[6]中，一个未知节点从它所有能够与之通信的锚节点中选择3个节点，测试它自身是在这3个锚节点所组成的三角形内部还是在其外部；然后再选择另外3个锚节点进行同样的测试，直到穷尽所有的组合或者达到所需的精度。如果未知节点在某三角形内部，称此三角形包含未知节点；最后，未知节点将包含自己的所有三角形的相交区域的质心作为自己的估计位置。


APIT算法较关键的步骤是测试未知节点是在3个锚节点所组成的三角形内部还是外部，这一测试的理论基础是三角形内的点(PIT)测试。PIT测试用来测试一个节点是在其他3个节点所组成的三角形内部还是在其外部，其原理如图6所示：假如存在一个方向，沿着这个方向M点会同时远离或者同时接近A、B、C 3个点，那么M位于△ABC外；否则，M位于△ABC内。这就是PIT测试的原理，其证明可以在文献[6]中找到。

在静态网络中，M点固定，不能朝着不同的方向移动，此时无法执行PIT测试，为此定义APIT测试(Approximate PIT)：假如节点M的邻居节点中没有同时远离或同时靠近3个锚节点A、B、C的节点，那么M就在△ABC之内；否则M就在△ABC外，如图7所示。

这种方法是利用网络较高的节点密度来模拟节点移动，根据给定方向上一个节点距离锚节点越远接收信号强度越弱的无线传播特性来判断距锚节点的远近。在无线传感器网络中，邻居节点间互相交换信息，仿效PIT测试的节点移动。如图7中左图所示，节点M通过与邻居节点1交换信息，得知自身如果运动至节点1，将远离锚节点B和C，但会接近锚节点A，与邻居节点2、3、4的通信和判断过程类似，较终确定自身位于△ABC内，而在图7的右图中，节点M可知假如自身运动至邻居节点2处，将同时远离锚节点A、B、C，故判断自身不在△ABC中。


当节点M比较靠近△ABC的一条边，或者M周围的邻居节点分布不均匀时，APIT的判断可能会发生错误，当未知节点密度较大时，APIT判断发生错误的概率较小。
1.2.5 几种不基于测距的定位算法的比较
节点之间的无线通信所消耗的电能比其他部件所消耗的电能要大很多，所以应尽量减少节点之间的无线通信量。由于每个节点的能量十分有限，也不宜将大量的通信和计算固定于某个或者某些节点，否则，这些节点的电能会很快耗尽，出现网络中节点不均衡的情况。因此，在无线传感器网络中，要求尽量采用分布式的节点定位算法，即定位的计算过程分散在每个未知节点上而不是依赖于在某个中心节点进行集中计算。前边介绍的4种不基于测距的定位算法都属于分布式算法，此外，还有很少的几种集中式不基于测距的定位算法，它们的定位精度与分布式算法没有明显区别，并且需要进行集中计算。


质心、DV-Hop、Amorphous和APIT算法是完全分布式的，仅需要少量通信和简单计算，具有良好的扩展性。无线传感器网络自身定位算法的性能对其可用性有直接的影响，如何评价定位算法是一个需要研究的问题。目前已有几个常用的标准，如定位精度、锚节点密度、未知节点密度、计算量、节点之间的通信量等，但这些标准还没有达到完善和统一的程度，需要进一步地模型化和量化。文献[6]中经过大量实验对比了4种分布式不基于测距的定位算法，其结果见表1。表1可以帮助加强对不基于测距的定位算法的理解以及促进完整评估体系的建立。

不规则性的程度(DOI)表示节点无线传播模型的不规则性。当它为0时，无线传播模型为球型，DOI值越大表示节点无线传播模型越不规则。


总的来说，不基于测距的定位机制属于粗精度的定位机制，然而粗精度定位对大多数无线传感器网络的应用已经足够，研究表明，当定位误差小于传感器节点无线通信半径的40%时，定位误差对路由性能和目标追踪精确度的影响不会很大。

无线传感器网络的主要用途
虽然无线传感器网络的大规模商业应用，由于技术等方面的制约还有待时日，但是较近几年，随着计算成本的下降以及微处理器体积越来越小，已经为数不少的无线传感器网络开始投入使用。目前无线传感器网络的应用主要集中在以下领域： 环境的监测和保护
随着人们对于环境问题的关注程度越来越高，需要采集的环境数据也越来越多，无线传感器网络的出现为随机性的研究数据获取提供了便利，并且还可以避免传统数据收集方式给环境带来的侵入式破坏。比如，英特尔研究实验室研究人员曾经将32个小型传感器连进互联网，以读出缅因州“大鸭岛”上的气候，用来评价一种海燕巢的条件。无线传感器网络还可以跟踪候鸟和昆虫的迁移，研究环境变化对农作物的影响，监测海洋、大气和土壤的成分等。此外，它也可以应用在精细农业中，来监测农作物中的害虫、土壤的酸碱度和施肥状况等。
医疗护理
无线传感器网络在医疗研究、护理领域也可以大展身手。罗彻斯特大学的科学家使用无线传感器创建了一个智能医疗房间，使用微尘来测量居住者的重要征兆（血压、脉搏和呼吸）、睡觉姿势以及每天24小时的活动状况。英特尔公司也推出了无线传感器网络的家庭护理技术。该技术是做为探讨应对老龄化社会的技术项目Center for Aging Services Technologies（CAST）的一个环节开发的。该系统通过在鞋、家具以家用电器等家中道具和设备中嵌入半导体传感器，帮助老龄人士、阿尔茨海默氏病患者以及残障人士的家庭生活。利用无线通信将各传感器联网可高效传递必要的信息从而方便接受护理。而且还可以减轻护理人员的负担。英特尔主管预防性健康保险研究的董事Eric Dishman称，“在开发家庭用护理技术方面，无线传感器网络是非常有前途的领域”。
军事领域
由于无线传感器网络具有密集型、随机分布的特点，使其非常适合应用于恶劣的战场环境中，使其非常适合应用于恶劣的战场环境中，包括侦察敌情、监控兵力、装备和物资，判断生物化学攻击等多方面用途。美国*部远景计划研究局已投资几千万美元，帮助大学进行“智能尘埃”传感器技术的研发。哈伯研究公司总裁阿尔门丁格预测：智能尘埃式传感器及有关的技术销售从2004年的1000万美元增加到2013年的几十亿美元。
目标跟踪
DARPA支持的Scnsor IT项目探索如何将WSN技术应用于军事领域，实现所谓“**视距”战场监测。UCB的教授主持的Sensor Web是Sensor IT的一个子项目．原理性地验证了应用WSN进行战场目标跟踪的技术可行性，翼下携带WSN节点的无人机（UAV）飞到目标区域后抛下节点，较终随机布撤落在被监测区域，利用安装在节点上的地震波传感器可以探测到外部日标，如坦克、装甲车等，并根据信号的强弱估算距离，综合多个节点的观测数据，较终定位目标，并绘制出其移动的轨迹。虽然该演示系统在精度等方面还远达不到装备*用于实战的要求，这种战场侦察模式目前还没有真正应用于实战，但随着美国*部将其武器系统研制的主要技术目标从精确制导转向目标感知与定位，相信WSN提供的这种新颖的战场侦察模式会受到军方的关注．
其他用途
无线传感器网络还被应用于其他一些领域。比如一些危险的工业环境如井矿、核电厂等，工作人员可以通过它来实施安全监测。也可以用在交通领域作为车辆监控的有力工具。此外和还可以在工业自动化生产线等诸多领域，英特尔正在对工厂中的一个无线网络进行测试，该网络由40台机器上的210个传感器组成，这样组成的监控系统将可以大大改善工厂的运作条件。它可以大幅降低检查设备的成本，同时由于可以提前发现问题，因此将能够缩短停机时间，提高效率，并延长设备的使用时间。尽管无线传感器技术目前仍处于初步应用阶段，但已经展示出了非凡的应用价值，相信随着相关技术的发展和推进，一定会得到更大的应用。

无线传感器网络中的关键性问题


1、 网络安全协议问题


传感器网络受到的安全威胁和移动ad hoc网络所受到的安全威胁不同，所以现有的网络安全机制不适合此领域，需要开发针对无线传感器网络的专门协议。


一种思想是从维护路由安全的角度出发，寻找尽可能安全的路由以保证网络的安全。文献[1]指出，如果路由协议被破坏导致传送的消息被篡改，那么对于应用层上的数据包来说没有任何的安全性可言。文中介绍了一种方法叫“有安全意识的路由”（SAR），其思想是找出真实值和节点之间的关系，然后利用这些真实值去生成安全的路由。该方法解决了两个问题，即如何保证数据在安全路径中传送和路由协议中的信息安全性。文中假设两个军官利用按需距离矢量路由(Ad Hoc On Demand Distance Vector Routing，AODV)协议通过ad hoc网络来通信，他们的通信基于Bell-La安全模型（PadulaBell-La Padula Confidentiality Model） [2]，这种模型中，当节点的安全等级达不到要求时，其就会自动的从路由选择中退出以保证整个网络的路由安全。文献[3]指出，可以通过多径路由算法改善系统的稳健性（robustness），数据包通过路由选择算法在多径路径中向前传送，在接收端内通过前向纠错技术得到重建。无线传感器网络中传感器的数量众多并且功能有限，移动ad hoc网络中的路由方案不能直接应用到无线传感器网络中，所以该文给出了一种网状多径路由协议。此协议中应用了选择性向前传送数据包和端到端的前向纠错解码技术，配合适合传感器网络的网状多径搜索机制，能减少信号开支（**ing overhead），简化节点数据库，增大系统的吞吐量，相对数据包复制或者有限泛洪法来说，这种方法消耗更少的系统资源(比如信道带宽和电能)。


另一种思想是把着重点放在安全协议方面，在此领域也出现了大量的研究成果。在文献[4]中，作者假定传感器网络的任务是为高级政要人员提供安全保护的，提供一个安全解决方案将为解决这类安全问题带来一个普适的模型。在具体的技术实现上，先假定基站总是正常工作的，并且总是安全的，满足必要的计算速度、存储器容量，基站功率满足加密和路由的要求；通信模式是点到点，通过端到端的加密保证了数据传输的安全性；射频层总是正常工作。基于以上前提，典型的安全问题可以总结为：


（1）信息被非法用户截获；


（2）一个节点遭破坏；
（3）识别伪节点；
（4）如何向已有传感器网络添加合法的节点。


作者提出的方案不采用任何的路由机制。在此方案中，每个节点和基站分享一个一的64位密匙Keyj和一个公共的密匙KeyBS，当节点和基站距离**出了预定距离时，网络会在节点和基站之间选择一个节点作为媒介节点进行接力；发送端会对数据进行加密，接收端接收到数据后根据数据中的地址选择相应的密匙对数据进行解密。这种双加密方式可以防止暴露节点数目和地址，也可以防止数据被非法截获，即使个别节点被破译，也只有它自己的密匙泄漏，整个网络仍然可以正常工作。文献[5]中介绍了无线传感器网络中的两种安全协议：SNEP(Sensor Network Encryption Protocol)和µ;TESLA。SNEP的功能是提供节点到接收机之间数据的鉴权、加密、刷新，µ;TESLA的功能是对广播数据的鉴权。


2、 大规模传感器网络中的节点移动性管理


这个问题实质上就是没有无线基础设施的无线传感器网络中的节点查询问题。较简单的资源查询方式是全局泛洪法，但是对于资源有限的无线传感器网络不适用，因此在设计工作中应该尽量避免使用全局泛洪法。扩展环搜索法（expanding ring search）用增加生存时间（Time-To-Live， TTL）的方式重复泛洪，这种方式和由此派生出来的方式也不适合无线传感器网络。在改善泛洪法的效率方面，文献[6]中提出的方案是通过减少查询每个节点时出现的多余消息去减少泛洪法固有的冗余，在没有出现明显的冗余情况下，这种方案对提高效率没有太多贡献。在ad hoc网络中，查询节点是通过基于簇（clusters）和界标（landmarks）的层次表来实现的，这种方式需要在节点之间设置复杂的协调机制，当节点移动时或者簇头（cluster-head）或界标失败时，层次表需要重新配置。而且，通常簇头会成为一个瓶颈，所以我们通常避免这种分层次的协调表，也避免使用簇头。


GLS[7]中提出的技术是基于一种所有节点都已知的网络网格图。节点使用位置服务器保存它们的位置，并用一种基于ID号的算法去更新它们的位置，当节点寻找*ID号的节点位置时，也用这种算法去服务器寻找目标节点的位置。对于知道网络的网格图和它们自己的位置并且知道目标节点的ID号的节点，这种方法是一个好方法。


文献[8]中介绍了一种针对大规模移动传感器网络的查询方法，这种方法借用了小世界（small worlds）的概念，利用节点的移动性去提高查询效率，并引入了关联（contacts）的概念。其工作原理是首先在相邻节点间建立关联，当它们移动时，再关联新的相邻节点，这样提高了查询的效率。与传统的路由查询方式不同，这种设计基本目标不是去优化路由或者响应延时，而是去减少通信的系统开销，这一点在能量受限的环境中非常重要，特别是对于传感器数量众多的网络中的一次性查询(通信的生存时间很短)。文中给出的协议是可升级的（scalable）、自动配置的，非常适应节点的移动性要求。仿真结果显示它比边缘泛洪法提高效率60-70％，比泛洪法提高效率80-90％，比扩展环搜索法则有更大的改善。


针对无线传感器网络中的分布式定位，文献[9]比较了三种定位算法：ad hoc、鲁棒定位、N跳多向法（N-hop multilateration）。具体选择哪种算法要取决于某些网络参数，比如差错分布和连通性等。


3、 网络的自动配置和自动康复和维持系统能量有效性


无线传感器网络被布置在无人值守的环境中时，更换能源几乎不可能，为了节约能源，发射功率要尽可能小，传输距离要短，节点间通信需要中间节点作为中继。在地震救灾或者是无人*行器中，网络的自动配置和自动康复功能显得异常重要，而大规模的多跳无线传感器网络系统的可测量性（scalability）也是一个关键问题。实现可测量性的一种方法是“分而治之（divide and conquer）”，或者说是分层控制（hierarchical），即用某种簇标准将网络节点分成簇组（clusters），在每个簇中选出一个作为簇头（leader），它在比较高的层次上代表本簇；同样的机制也应用到簇头中，使之形成一个层次，这个层次中，每个级别应用当地控制（local control）去实现某个全局目标。大多数无线网络中的分类思想认为网络与地理位置无关，分类的标准是簇里的节点数量和簇间的逻辑直径（相对于地理直径而言）。但是，当簇头（cluster leader）和簇内其它节点间的链路很长，相邻簇间地理位置交迭很大，且不同的簇间路由消息载荷（routing traffic load）不平衡时，一个非簇头（non-leader）节点和它的簇头节点之间通过它们之间仅有的长链路通信将要消耗更多的能量，并且相邻簇间的并行通信冲突频发，簇间能量消耗不平衡，由此带来的结果是网络的寿命和通信质量与有效性都大幅减小。因此，为了节约能量和改善通信质量和有效性，在设计簇算法时，簇的地理半径应该考虑。文献[10]提出，在传感器节点内用一种简单的细胞聚类结构去构成路由协议，这样可以维持一种可测量的能量有效的系统，其关键的问题是使这种细胞簇结构具有自动康复性。作者针对大规模多跳传感器网络的自动配置和自动康复提出了一种分布式算法，这种算法可以保证网络节点在二维空间里自动配置成细胞簇结构，其细胞单元有紧凑的地理半径，细胞单元之间的交叠也很小。这种结构在各种扰动下是自动康复的，比如节点加入、离开、死亡、移动、被敌方捕获等。文献[11]给出了一种针对簇的分布式算法LEACH，它是通过全局上重复簇操作来处理扰动的，但这种算法既不能保证系统中簇的定位也不能保证簇的数量。文献[12]给出了另外一种簇算法，它仅考虑了簇的逻辑半径，而不考虑地理半径，当簇间存在比较大的交迭时，这种方法会降低无线传输的有效性。另外，它的康复不在本地处理，而是依赖于消息在整个系统中的多次循环。文献[13]中给
出了一种基于访问的簇算法，这种算法注重簇的稳定性，不考虑簇的大小，要求每个节点都有**定位系统（GPS）的支持。


4、 系统功耗问题


无线传感器网络应用于特殊场合时，电源不可更换，因此功耗问题显得至关重要。


在系统的功耗模型中，我们较关心的是：


（1） 微控制器的操作模式（休眠模式、操作模式、，潜在的减慢时钟速率等），无线前端的工作模式（休眠、空闲、接收、发射等）；
（2）在每种模式中，每个功能块的功耗量，及它与哪些参数有关；
（3）在发射功率受限的情况下，发射功率和系统功耗的映射关系；
（4）从一种操作模式转换到另外一种操作模式(假设可以直接转换)的转换时间及其功耗；
（5）无线调制解调器的接收灵敏度和较大输出功率；
（6）附加的品质因数（如发射前端的温漂和频稳度、接收信号场强指示(RSSI)信号的标准等）。


基于以上考虑，文献[14]提出了一种自组织低功耗网络的协议i-Beans，并具体说明了此网络的功耗。比如，用一个220mAh的小纽扣电池供电，网络的平均消耗电流是100µ;A，取样率是每秒1次，则电池可以持续80天；如果抽样率是每两分钟一次，平均消耗电流降到1.92µ;A，则电池寿命可以延长到13.1年。


为了克服远程无线传感器网络面临的电池工作时间短的问题，美国Millennial Net公司已经将其i-Bean无线技术与来自新兴公司Ferro Solutions的“能量获得（energy harvesting）”技术结合在一起，双方较近展示了一个靠感应振荡能量转换器工作的i-Bean无线发射机。这种转换器能由在50mg至100mg力作用下的28Hz至30Hz振荡产生1.2mV至3.6mV的电压，并允许在30m距离上以115Kb/s速率发送数据（无电池）。该公司还与其他公司合作开发太阳能电池板来给无线传感器供电。


在能量优化研究方面，西安交通大学的黄进宏等在文献[15]中提出了一种基于能量优化的无线传感网络自适应组织结构和协议ALEP。与传统的无线微传感器网络协议相比，ALEP更加充分地考虑到实际应用。它将一种高效能量控制算法引入组网协议，提高了网络的能量利用率，显著延长了无线网络的生命周期，增强了网络的健壮性。通过对ALEP协议进行OPNET仿真，结果显示该协议与传统模式的无线微传感器网络协议相比，在传送相同的数据量的条件下有更高效的能量特性和信息传输特性。

在当今信息技术呈爆炸式发展的潮流中,无线传感器以其全新的数据获取与处理技术逐渐进入人们的视线,并且在很多领域得到了广泛的应用与普及。当今国内无线传感器的发展方向大多集中在对于传感器数据接收的网络节点处，并且对用于信息处理的硬件设备也有部分研究。而伴随研究的不断深入与科技创新的不断突破，无线传感器已经开始向着智能式与便携式方向发展，它作为协作技术的核心部分其前景不可**。无线传感器的所有技术是过去单一传感器技术、无线电通信技术的**融合，并且在融合的同时更在操作便捷性上做出了较大的突破。无线电传感器因为其特殊的节点式感应接收模式使得它在通信能力上就会显得十分有限，对一些大规模的数据也很难及时做到处理与响应，而对于这种十分有限的数据处理能力，要想让无线电传感器发挥出其较大的作用，就要根据实际的处理区域情况做出一系列相应的调整对策。作为当今国际学术领域的研究热点，无线电传感器的出现让微电子技术与计算机网络技术**融合在一起。并使得这一技术在军事科技、*科技、城市规划、抢险赈灾、环境保护等方面都体现出了十分重要的价值，**都已无法忽视这一重要的技术。
无线传感器的选用原则


虽然无线传感器的出现时间并不长，但是它依旧有很多的种类，且每个类别所履行的实际任务也不同，在遇到实际的问题时，要根据现场的实际测量目的、测量对象及测量环境来科学的选取合适的无线传感器来进行数据收集。而无线传感器的实际选择应该遵循以下几个重要原则：


灵敏度的选择。一般而言，对于无线电传感器来说设备的灵敏度当然是越高越好，但是在实际的使用中就会发现常常无线传感器的灵敏度会受到很多外界因素的不可抗逆性干扰，这就会使得整个数据测量的精确度受到干扰，此外，在方向性这一方面，传感器的灵敏度也不是越高越好，而是需要根据测量的对象来做进一步的选择，例如，如果选择的测量对象并非单向量，那么传感器的灵感度选择还是越小越好。


稳定性及精度选择。无论何种设备在使用过程中都会出现性能变化，所以对于无线传感器而言，其稳定性还是十分重要的指标。所以在实际的传感器选择时就需要**考虑测量的环境，在对使用环境做出详尽调查之后合理安排传感器的类型。而当一些传感器**龄服役过后还是需要对传感器的性能进一步进行测评，而对于一些环境变量不太稳定的区域，就可以选择一些更为耐用的传感器来应对环境的改变。之所以如此注重传感器的稳定性，是因为无线传感器的稳定性和精度之间是存在着严密的关系，一旦传感器的稳定性出现偏差，那么对于传感器的精度将是致命的打击。在测量时，有时还需要根据测量目的不同来选择无线传感器的类型。一般的测量目的分为定量分析和定性分析两类，对于定性分析而言，有一个概念性的数据结果即可，所以就不必使用精度偏高的传感器；而定量分析需要精确地得出监测数据，此时就需要精度等级较高的传感器来满足对于测量要求。


频率响应。传感器的机械性能和结构不但可以影响其精确度与稳定性，还会对传感器的频率产生影响，只有传感器的频率响应得到十足的保证，传感器的测量范围也才能得到保证。