无线传感器节点定位的方法、装置、设备和存储介质

技术领域

本发明涉及节点定位技术领域，特别涉及一种无线传感器节点定位的方法、装置、设备和存储介质。

背景技术

无线传感器网络是一种通过无线通信技术把数以万计的传感器节点组织到一起而构成的网络。通过组件无线传感器网络，可以实时采集到网络覆盖范围内包括电磁、温度、湿度、噪声、光强度、压力、土壤成分等多种参数。因此，无线传感器网络在气象预测、环境监控、光伏阵列监控等领域被普遍应用。

由于无线传感器网络(以下简称网络)包含海量的传感器节点，因此如何确定网络中每一传感器节点的位置，即传感器节点的定位，就成了一个亟待解决的问题。

现有的一种无线传感器节点定位的方法是，采用DV-hop(为Distance-Vector-Hop的缩写，中文表示为距离-向量-跳)算法估算一个未知节点，即未确定位置的传感器节点，相对于若干个预设的信标节点的距离，其中信标节点为预先标定了所在位置的传感器节点，由此确定出传感器节点的位置。

DV-hop算法在估算节点之间的距离时误差较大，导致基于DV-hop算法进行定位时确定出的未知节点的位置的误差也较大，因此，上述现有的方法的精确度较低。

发明内容

针对上述现有技术的缺点，本发明提供一种无线传感器节点定位的方法、装置、设备和存储介质，以提高无线传感器节点定位的精确度。

本申请第一方面提供一种无线传感器节点定位的方法，用于确定无线传感器网络中待定位节点的位置，包括：

针对每一信标节点，根据传感器节点之间的距离，确定所述信标节点到每一其他传感器节点的最小跳数；其中，所述信标节点为所述无线传感器网络中预设的多个传感器节点，所述其他传感器节点，包括除针对的所述信标节点以外的每一个传感器节点；

针对每一所述信标节点，根据所述信标节点到所述其他信标节点的最小跳数和距离计算所述信标节点的平均跳距离；

基于改进灰狼算法对每个所述信标节点的平均跳距离进行修正；

利用所述信标节点修正后的所述平均跳距离，所述信标节点到待定位节点的最小跳数，基于三维双曲线改进最小二乘法计算得到所述待定位节点的位置；其中，所述待定位节点包括除所述信标节点以外的每一个传感器节点。

本申请第二方面提供一种无线传感器节点定位的装置，用于确定无线传感器网络中待定位节点的位置，包括：

确定单元，用于针对每一信标节点，根据传感器节点之间的距离，确定所述信标节点到每一其他传感器节点的最小跳数；其中，所述信标节点为所述无线传感器网络中预设的多个传感器节点，所述其他传感器节点，包括除针对的所述信标节点以外的每一个传感器节点；

第一计算单元，用于针对每一所述信标节点，根据所述信标节点到所述其他信标节点的最小跳数和距离计算所述信标节点的平均跳距离；

修正单元，用于基于改进灰狼算法对每个所述信标节点的平均跳距离进行修正；

第二计算单元，用于利用所述信标节点修正后的所述平均跳距离，所述信标节点到待定位节点的最小跳数，基于三维双曲线改进最小二乘法计算得到所述待定位节点的位置；其中，所述待定位节点包括除所述信标节点以外的每一个传感器节点。

本申请第三方面提供一种电子设备，包括存储器和处理器；

其中，所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序，具体用于实现本申请第一方面任意一项所提供的无线传感器节点定位的方法。

本申请第四方面提供一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，具体用于实现本申请第一方面任意一项所提供的无线传感器节点定位的方法。

本申请提供一种无线传感器节点定位的方法、装置、设备和存储介质，包括：针对每一信标节点，根据传感器节点之间的距离，确定信标节点到每一其他传感器节点的最小跳数；并根据信标节点到其他信标节点的最小跳数和距离计算信标节点的平均跳距离；基于改进灰狼算法修正每个信标节点的平均跳距离；利用修正后的平均跳距离，信标节点到待定位节点的最小跳数，基于三维双曲线改进最小二乘法计算得到待定位节点的位置。本方案根据节点间的实际距离以及灰狼算法获得更精确的平均跳距离，并利用三维双曲线改进最小二乘法提高最后根据平均跳距离计算待定位节点位置的精确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种无线传感器节点定位的方法的流程图；

图2为本申请实施例提供的一种跳数分析示意图；

图3为本申请实施例提供的一种随机节点分布模型；

图4为本申请实施例提供的一种实验结果示意图；

图5为本申请实施例提供的另一种实验结果示意图；

图6为本申请实施例提供的又一种实验结果示意图；

图7为本申请实施例提供的一种无线传感器节点定位的装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于理解本申请实施例提供的无线传感器节点定位的方法，首先对现有的DV-hop算法的实现原理进行简要说明。

DV-hop算法主要可以包括以下三个步骤。

步骤一，每个信标节点按照贝尔曼-福特路由交换协议(一种现有的路由协议，属于距离矢量路由协议)向网络中每一个其他节点(指除自身以外的节点)传播自身的节点数据，以便记录本信标节点到每一个其他节点的最小跳数(可以记为hop)，具体的，信标节点发出的节点数据的格式可以为(信标节点编号，信标节点位置，跳数)，其中信标节点位置可以用三维坐标(x，y，z)表示。跳数，是指这条节点数据从信标节点传播到网络中某个其他节点的过程中这条节点数据被发送的次数，或者说，一个节点到另一个节点的最小跳数，反映了这两个节点之间传输数据时至少要经过几个节点转发，如果跳数为1，则不需要转发，两个节点直接连接，如果跳数为2，则至少要经过一个节点转发才能通信，以此类推。

示例性的，信标节点首先向网络中和自身直接连接的节点A发送节点数据，此时节点数据中跳数为0。

节点A收到后，节点数据被发送了一次，于是将节点数据中的跳数递增1，然后将该节点数据反馈给信标节点，同时向节点A直接连接的节点B发送给节点数据。信标节点收到节点A反馈的节点数据后，就可以确定节点A到自身的最小跳数为1。

节点B收到节点A的节点数据后，节点数据又被发送了一次，于是节点B在节点数据原本的跳数1的基础上又递增1，然后将跳数为2的节点数据反馈给信标节点，于是信标节点确定节点B到自身的最小跳数为2。同时节点B又将跳数为2的节点数据发给节点B直接连接的节点C，以此类推，最终信标节点可以确定自身和每一个节点的跳数。

步骤二，根据每两个信标节点之间的最小跳数和距离，按照如下公式(1)计算平均跳距离D_ave。

公式(1)中，分子表示对于每两个信标节点j和k，计算这两个信标节点之间的距离，然后将每两个信标节点的距离求和。(x

可以理解的，每一个信标节点都会记录自身到其他信标节点的最小跳数，因此每一个信标节点都可以按照公式(1)计算得到一个平均跳距离，不同信标节点之间计算的平均跳距离可能相同也可能不同，为便于区分，可以将任一信标节点AN

步骤三，对于每一待定位节点，根据步骤一中该待定位节点到每一信标节点的最小跳数，以及步骤二中的平均跳距离，使用最小二乘法根据距离确定待定位节点的位置。

首先设待定位节点M的位置为(x

D

公式(2)中hopmi表示待定位节点M到信标节点AN

接着，根据已知的每一信标节点的位置，以及按公式(2)计算的每一信标节点到待定位节点的距离，可以确定如下方程组(3)。

公式(3)中，D

将方程组(3)进行等式运算后得到的结果可以转换成相应矩阵等式AX＝B。

其中矩阵X表示待定位节点M的坐标，具体为：X＝[x

矩阵A可以表示为：

矩阵B可以表示为：

通过最小二乘法将上述矩阵等式AX＝B转换为如下等式(4)，进而可以求解得到待定位节点M的坐标，即求解得到矩阵X。

X＝(A

由上述算法的运算过程可得出，影响DV-hop算法定位精确度的因素主要为平均跳距的计算以及预估未知节点算法的性能。因此本申请从计算平均跳距与上述步骤三的执行过程进行改进。

针对上述现有的DV-hop算法精确度较低的问题，本申请实施例提供一种无线传感器节点定位的方法。

请参见图1，为该方法的流程图，该方法可以包括如下步骤。

S101，针对每一信标节点，根据传感器节点之间的距离，确定该信标节点到每一其他传感器节点的最小跳数。

请参见图2，为本申请实施例提供的一种三维空间中多个节点之间的距离关系示例图。

以图2中的节点g为例，现有DV-hop算法在统计信标节点到每个其他节点的最小跳数时，节点g到节点s和节点p的距离均为r，节点g到节点j的距离为0.5r，然而在统计最小跳数时，节点g传播数据到节点s，以及节点g传播数据到节点j，均被视为一跳，即最小跳数均增加1，这就造成极大的误差。

为此，本实施例的步骤S101中，每个信标节点在统计自身到其他节点的最小跳数时，根据节点之间的距离进行区分。

具体的，每个信标节点所发出的节点数据中，除了前述信标节点编号，信标节点位置，跳数以外，还可以携带距离阈值，其中距离阈值包括第一距离阈值r1和第二距离阈值r2，r1等于r2的一半。

基于上述节点数据，在统计最小跳数期间，每个节点可以按以下规则更新节点数据中的跳数：

一个节点(相当于第一传感器节点)收到另一个节点(相当于第二传感器节点)发来的节点数据后，确定另一个节点到自身的距离，如果另一个节点到自身的距离小于或等于r1，就在收到的节点数据的跳数上递增0.5，而非递增1，如果另一个节点到自身的距离大于r1，且小于或等于r2，就在收到的节点数据的跳数上递增1。

可选的，如果另一个节点到自身的距离大于r2，也可以在收到的节点数据的跳数上递增1。

按照上述统计最小跳数的方式，可以使每个信标节点统计的最小跳数能更精确的反映信标节点到其他各个节点的距离，使得最终获得的待定位节点的位置更加精确。

一个节点确定另一个节点到自身的距离的方式可以有多种，本实施例对此不作限定。示例性的，一种可选的方式可以是，每一个节点在向其他节点传播节点数据时，均按预设的标准信号强度发出节点数据，在此基础上，一个节点收到另一个节点发出的节点数据后，可以将接收时的信号强度和标准信号强度进行比对，确定节点数据从另一个节点传播到自身的过程中强度衰减的幅度，进而根据衰减的幅度估算另一个节点到自身的距离。

S102，针对每一信标节点，根据该信标节点到其他信标节点的最小跳数和距离计算该信标节点的平均跳距离。

步骤S102的具体实施方式和上述现有的DV-hop算法中的步骤二一致，不再赘述。

S103，基于改进灰狼算法对每个信标节点的平均跳距离进行修正。

灰狼算法，又称灰狼优化算法，是现有一种通过模拟自然界灰狼的领导层级和狩猎机制而设计的优化算法。

步骤S103的具体实施方式可以包括如下步骤：

首先需要说明，如下步骤A1至A5的优化算法，可以用于优化一个信标节点的平均跳距离，也就是说，在具体执行步骤S103时，可以针对每一个信标节点执行如下步骤A1至A5的流程，以优化每一信标节点的平均跳距离。

A1，初始化狼群中每一个体的位置。

本实施例中，狼群中每一个体的位置为一维向量，即每一个体的位置就是一个实数，该实数表示当前优化的信标节点的平均跳距离。

在步骤A1中，可以根据佳点集方法进行初始化。佳点集方法是一种现有的能够有效且均匀地选点的方法，与随机方法相比，利用佳点集方法取点能够使初始化后的个体更均匀地分布在搜索空间中，目前，佳点集方法已经在包括灰狼算法在内的多种群体智能优化算法中得到了成功的应用。

根据佳点集方法进行种群初始化的具体实施方式可以参见相关的现有技术文献，不再赘述。

佳点集方法基于佳点集理论设计。在佳点集理论中，定义Gs为s维欧式空间中的单位立方体，如果对于一个属于Gs的点F，构建如下的集合：

上述定义中，

如果该集合的偏差

A2，根据狼群中每一个体的适应度确定第一灰狼(也可以记为α灰狼)，第二灰狼(β灰狼)和第三灰狼(δ灰狼)。

定义对于狼群中任一个体i，其适应度Fit(i)的计算公式为如下公式(5)：

公式(5)中，distance

为求出优化后的平均跳距，使用函数Positions将灰狼种群维度设为一维，而后设定灰狼算法最大迭代次数与狼群数量。

在步骤A2中，可以计算当前狼群中每一个体的适应度，将其中适应度最小的个体确定为第一灰狼，适应度仅大于第一灰狼的个体确定为第二灰狼，适应度仅大于第一灰狼和第二灰狼的个体确定为第三灰狼。

A3，更新狼群中每一个体的位置。

在步骤A3中，可以按照如下公式(6)至(8)来更新狼群中每一个体的位置。

/>

公式(6)中，t表示当前迭代次数，本实施例中，当前迭代次数可以视为步骤A3已经执行过的次数。示例性的，首次执行步骤A3时，由于之前步骤A3并未执行过，故当前迭代次数为0，第二次执行A3时，由于之前已执行过一次A3，故当前迭代次数为1。

表示哈达玛乘积操作。哈达玛乘积操作是机器学习中常用的一种矩阵计算操作，定义为，对两个矩阵进行哈达玛乘积操作，得到结果矩阵时，将这两个矩阵中位于相同位置的元素对应相乘，获得的乘积作为结果矩阵中相同位置的元素。

Y

公式(7)中，Y

为提高灰狼算法的全局寻优能力，本实施例每次执行步骤A3时，按照公式(8)进行一次levy飞行的位置优化。

公式(8)中，

S表示服从Levy飞行分布Levy～μ＝v

A4，更新第一灰狼，第二灰狼和第三灰狼。

在步骤A4中，在可以根据更新后狼群中每一个体新的位置，重新计算每一个体的适应度，然后按照步骤A2中确定第一灰狼，第二灰狼和第三灰狼的规则重新确定第一灰狼，第二灰狼和第三灰狼。

A5，判断是否结束迭代。

在步骤A5中，如果存在如下任意一种情况，则可以结束迭代，否则不结束迭代。

情况一，第一灰狼的适应度小于或等于预设的适应度阈值。

情况二，迭代次数大于或等于预设的收敛阈值。

步骤A5，相当于判断狼群是否满足预设的结束迭代条件。上述情况一和情况二相当于结束迭代条件。

收敛阈值表示最多进行多少次迭代后就结束。收敛阈值和适应度阈值均可以按需设定，不做限定。

如果不结束迭代，则返回执行步骤A3，如果结束迭代，就将第一灰狼，第二灰狼和第三灰狼的位置相加取平均，获得的结果作为当前优化的信标节点的平均跳距离，也就是输出修正后的平均跳距离。

S104，利用信标节点的平均跳距离和信标节点到待定位节点的最小跳数，基于三维双曲线改进最小二乘法计算得到待定位节点的位置。

经典DV-hop算法在步骤三使用最小二乘法进行待定位节点地在网格空间中的位置预估，其预估结果的误差偏大，造成这一现象的主要原因是由于最小二乘法使用AX＝B进行预估待定位结点坐标时，矩阵B中有些待定位节点与锚节点距离差距大，直接使用会出现将求解精度降低。

为解决这一问题，本申请在步骤S104中在原本DV-hop算法使用最小二乘法估算待定位节点的基础上，基于是三维双曲线对最小二乘法进行改进，获得三维双曲线改进最小二乘法，然后根据三维双曲线改进最小二乘法计算出待定位节点的位置。

步骤S104的具体实施方式如下：

假定某一信标节点AN

设

将公式(11)按照最小二乘法的思路可以转换成：Za＝(Va

公式(12)中，n为信标节点的总数。

信标节点AN

本实施例的有益效果在于：

根据节点间的实际距离以及灰狼算法优化平均跳距离的计算过程，获得更精确的平均跳距离，并利用三维双曲线改进最小二乘法提高最后根据平均跳距离计算待定位节点位置的精确度。

为验证本文改进算法在传感器节点定位中的精确度，构建用于模拟山地节点分布状况的随机节点分布模型，请参见图3，为该模型中多个传感器节点的位置分布示意图。

基于上述模型，将图1所示的实施例提供的算法，经典DV-hop算法，仅使用灰狼算法改进的DV-hop算法，以及仅使用二维双曲线改进的三维DV-hop算法这4种算法在仿真软件(例如Matlab2016a)上进行仿真实验。并在不同的信标节点数量、节点总数以及通讯半径的三种不同数据条件下，记录4种算法在三维节点分布模型中的平均定位精确度Ave_er，以此验证本发明算法的精确性。

如图3所示，在边长为100的正方体三维立体空间，将信标节点与待定位节点随机投放在空间中，以模型中待定位节点的平均定位精度作为实验不同算法的误差大小的比较。平均定位精度的具体计算公式(13)如下：

式(13)中，x

实验仿真结果解析如下：

基本实验设定：最大迭代次数(即收敛阈值)设定为350次，狼群数量为100，在随机节点分布模型中将无线传感器节点总数以及通讯半径分别设定为400跟50，统计在信标节点数量分别为120、140、160、180、200、220以及240的条件下，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop算法这4种算法的Ave_er。

上述四种算法以信标节点数量为变量，以Ave_er为误差标准的变化情况如图4所示。

将经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop算法在表1中分别表示为算法1、算法2以及算法3。

表1

由表1可知，当信标节点个数为120时，本文算法(即图1所示实施例提供的算法)与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop相比对，Ave_er分别降低了0.2466、0.1718、0.1018；当信标节点个数为180时，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop相比对，Ave_er分别降低了0.1956、0.1610、0.0897；当信标节点个数为240时，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop相比对，Ave_er分别降低了0.1893、0.1656、0.0903。

在随机节点分布模型中将无线传感器节点总数以及信标节点数量分别设定为400跟200，通讯半径分别为40、45、50、55、60、65以及70的条件，其他参数和前文一致，在此条件下统计本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop算法这4种算法的Ave_er。

上述四种算法以通讯半径为变量，以Ave_er为误差标准的变化情况如图5所示。

将经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop算法在表2中分别表示为算法1、算法2以及算法3，由表2可知，当通讯半径r为40时，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop相比对，Ave_er分别降低了0.1745、0.1660、0.0907；当r为55时，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop相比对，Ave_er分别降低了0.1845、0.1695、0.1025；当r为70时，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop相比对，Ave_er分别降低了0.1274、0.1203、0.0453。

表2

以节点总数为变量，在节点总数分别设定为300、350、400、450、500、550以及600，其他参数和前文一致，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法上述四种算法以节点总数为变量，以Ave_er为误差标准的变化情况如图6所示。

将经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop算法在表3中分别表示为算法1、算法2以及算法3，由表3可知，当节点总数设为300时，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop相比对，Ave_er分别降低了0.1708、0.1577、0.0830；当节点总数设为450时，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop相比对，Ave_er分别降低了0.1731、0.1610、0.0887；当节点总数为600时，本文算法与经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop相比对，Ave_er分别降低了0.1858、0.1640、0.0952。

表3

根据上述实验结果表明，在本实施例的随机节点分布模型中，以不同信标节点数、不同节点总数以及不同通讯半径为自变量，本文算法误差明显比经典DV-hop算法、仅使用灰狼算法改进的DV-hop算法以及仅使用二维双曲线改进的DV-hop算法低，降低的未知节点定位误差区间分别为12％～20％、12％～18％、4％～10％，表明了本文算法的定位精确度更高，验证了本文改进算法在面向无线传感器网络节点故障点位置定位的精确度。

根据本申请实施例提供的无线传感器节点定位的方法，本申请实施例还提供一种无线传感器节点定位的装置，请参见图7，该装置可以包括如下单元。

确定单元701，用于针对每一信标节点，根据传感器节点之间的距离，确定信标节点到每一其他传感器节点的最小跳数；其中，信标节点为无线传感器网络中预设的多个传感器节点，其他传感器节点，包括除针对的信标节点以外的每一个传感器节点；

第一计算单元702，用于针对每一信标节点，根据信标节点到其他信标节点的最小跳数和距离计算信标节点的平均跳距离；

修正单元703，用于基于改进灰狼算法对每个信标节点的平均跳距离进行修正；

第二计算单元704，用于利用信标节点修正后的平均跳距离，信标节点到待定位节点的最小跳数，基于三维双曲线改进最小二乘法计算得到待定位节点的位置；其中，待定位节点包括除信标节点以外的每一个传感器节点。

可选的，第一计算单元702针对第一传感器节点，确定信标节点到第一传感器节点的最小跳数的过程包括：

第一传感器节点收到第二传感器节点发送的节点数据后，确定第一传感器节点到第二传感器节点的距离；其中，节点数据由信标节点发出，第二传感器节点发送的节点数据携带有信标节点到第二传感器节点的最小跳数；

若第一传感器节点到第二传感器节点的距离小于或等于预设的第一距离阈值，在节点数据携带的最小跳数的基础上增加0.5，获得信标节点到第一传感器节点的最小跳数；

若第一传感器节点到第二传感器节点的距离大于第一距离阈值且小于或等于第二距离阈值，在节点数据携带的跳数的基础上增加1，获得信标节点到第一传感器节点的最小跳数；其中，第一距离阈值为第二距离阈值的一半。

可选的，修正单元703基于改进灰狼算法对每个信标节点的平均跳距离进行修正时，具体用于：

初始化狼群中每一个体的位置；

根据狼群中每一个体的适应度确定第一灰狼，第二灰狼和第三灰狼；

更新狼群中每一个体的位置；

更新第一灰狼，第二灰狼和第三灰狼。

判断狼群是否满足预设的结束迭代条件，若是，输出修正后的平均跳距离，若否，返回执行更新狼群中每一个体的位置步骤，直至满足结束迭代条件为止。

可选的，第二计算单元704利用信标节点修正后的平均跳距离，信标节点到待定位节点的最小跳数，基于三维双曲线改进最小二乘法计算得到待定位节点的位置时，具体用于：

根据信标节点的平均跳距离和信标节点到待定位节点的最小跳数计算得到信标节点到待定位节点的距离；

根据信标节点到待定位节点的距离，信标节点的位置，确定第一公式：

将第一公式按最小二乘法转换为第二公式：Za＝(Va

其中：

n为信标节点的总数。

本实施例提供的无线传感器节点定位的装置，其具体工作原理可以参见本申请任一实施例提供的无线传感器节点定位的方法中的相关步骤，不再赘述。

本申请实施例还提供一种电子设备，请参见图8，包括存储器801和处理器802。

其中，存储器801用于存储计算机程序；

处理器802用于执行计算机程序，具体用于实现本申请任一实施例所提供的无线传感器节点定位的方法。

本申请实施例还一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，具体用于实现本申请任一实施例所提供的无线传感器节点定位的方法。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。