一种新的传感器节点分布式定位算法

　　摘要:大规模无线传感器网络中节点定位问题可以归结为高度非线性非凸的优化问题，该问题在大规模无线传感器网络中难以直接求解。因此提出了一种新的传感器节点分布式定位算法，首先将大规模无线传感器网络构成的全局无向图分解为一系列部分重叠的子图，进而将全局的优化问题分解为一系列小规模的子图内优化问题，每个子图内的优化问题可以独立进行迭代求解。新的传感器节点分布式定位算法每步迭代包含两个步骤，首先使用 Barzilai-Borwein 梯度法估计出划分好的部分重叠子图中节点的位置，使用的 Barzilai-Borwein 梯度法具备收敛速度较快，计算复杂度较低的特点，然后再对不同部分重叠的子图内的同一个传感器节点进行融合求平均。通过理论分析和仿真结果表明，新的传感器节点分布式定位算法与已有算法相比较，新的传感器节点定位算法具有较高的扩展性，可以在大规模无线传感器网络中有较高的定位精度，能满足大规模的无线传感器网络节点的定位需求。

　　徐莎莎; 周芳; 李杨剑; 蒋俊正， 西安电子科技大学学报 发表时间：2021-09-18

　　关键词: 无线传感器网络;定位;分布式算法;图模型;Barzilai-Borwein 梯度法

　　无线传感器网络(Wireless Sensor Networks, WSN)是由大量微小的传感器构成的自组织网络[1]。无线传感器网络中传感器节点可以检测监控区域中的物理信息并进行数据处理，并将处理后的数据以无线通信的方式传送到基站[1]。无线传感器网络有许多应用，如医学应用中的病人检测[2]，环境应用中火山检测[3]，家庭应用中用水检测等[4]。在上述广泛应用中，检测到的信息需要与传感器节点的位置结合起来，才能提供更有效的数据信息。因此，可以在传感器中嵌入中国北斗卫星导航系统(BeiDou Navigation Satellite System, BDS)模块或全球定位系统(Global Positioning System, GPS)模块。但这些模块成本高，功耗大，无法适用于大规模的无线传感器网络。因此，选择少量的传感器节点嵌入中国北斗卫星导航系统或全球定位系统模块，这些传感器节点称为锚节点或已知位置(Location-Aware, LA)节点，可以获得较精确的位置信息，其他传感器节点则称为未知位置(Location-Unaware, LU)节点[5]。之后采用测距技术，如接收信号强度 (Received-Signal-Strength, RSS)、到达时间(Time-Of-Arrival, TOA)、到达角(Angle-Of--Arrival, AOA)等测得无线传感器网络中传感器节点之间的距离[5]。然后使用定位算法估计出无线传感器网络中LU 节点的位置。

　　目前，已有很多定位算法被提出。从数据处理角度，可以将定位算法分为集中式定位算法和分布式定位算法。集中式定位算法将定位所需信息通过多跳的方式传递给存储、计算能力较强的中央处理器进行处理。文献[5]将定位问题归结为无约束的优化问题，并采用修正牛顿法进行求解，得到了较好的定位精度和定位速率[5]。但该算法计算复杂度较高。文献[6]提出了一种集中式定位算法，将定位问题采用半正定规划松弛的方法进行求解，将结果作为初始值，进而采用梯度下降法得出LU 节点的位置，提高了定位精度[6]。总之，集中式定位算法使用了全部的定位信息，定位精度较高，但通信代价也较高。离中央处理器较近的传感器需要传输大量的信息，会较早地消耗完电量，导致整个无线传感器网络无法工作。而且，集中式定位算法计算复杂度较高，导致扩展性较低，无法在大规模无线传感器网络中使用。而分布式定位算法使用传感器节点自带的处理器，对收集到的局部信息进行处理，有效降低了通信代价和计算复杂度，具备良好的扩展性，可用于大规模无线传感器网络。文献[7]将非凸的定位问题松弛为凸的二阶锥规划问题，利用 LU 节点及其邻居信息，设计分布式二阶锥规划定位算法进行求解[7]。该算法可用于大规模无线传感器网络中，但定位精度较低。文献[8]提出了一种分布式定位算法，在每个 LU 节点上，将非凸的定位问题松弛为凸的定位问题，并使用梯度法进行求解，在通信半径较小的情况下也有较好的定位效果，降低了通信代价[8]。但该算法需要将LU 节点部署在LA 节点的凸包中，才能有好的定位精度。文献[9]将WSN 划分为子图，每个子图满足文中提出的刚性条件，用多维标度算法对每个子图定位，再将局部坐标映射到全局坐标系统[9]。该算法所需的LA 节点数目较少，且划分的子图数目较少，定位精度较高。但当通信半径较小，子图无法满足刚性条件时，无法定位。文献[10]提出了一种基于超级节点的分布式传感器节点定位算法，该算法将 LA 节点作为超级节点，对无线传感器网络进行子图划分，并进行求解[10]。该算法有较好的定位精度，但该划分方法难以保证划分的子图能覆盖中所有节点。

　　为了使定位算法有较高的扩展性和定位精度，能够有效用于大规模无线传感器网络中，笔者提出了一种新的分布式定位算法。首先将无线传感器网络看作一个图模型，将整个图分解为部分重叠的子图，进而将定位问题分解为一系列子图中的优化问题。然后提出一种分布式定位算法，迭代地求解 LU 节点位置，每次迭代包含两个关键步骤：一是LU 节点位置估计，使用Barzilai-Borwein 梯度法求解子图中小规模优化问题，得到子图中 LU 节点的估计位置;二是子图融合，对部分重叠的子图进行融合，从而得到 LU 节点的估计位置。笔者所提算法与集中式定位算法相比，有近似的定位精度，并通过对算法计算复杂度分析，表明这种算法计算复杂度更低，可用于大规模无线传感器网络中。与分布式定位算法相比，笔者提出的算法有更高的定位精度，而且对部署区域边界的LU 节点也有较好的定位效果。

　　1 定位问题的描述

　　1.1 图模型

　　无线传感器网络是自组织网络，可以通过无向图 G V E = ( , ) 来描述。其中， V V V = 1 2 ， 1 V n ={1,2,3, , } 表示无线传感器网络中LU 节点集合; 2 V m ={1,2,3, , } 表示无线传感器网络中LA 节点集合; { , } E e e = i ij  ，i j n m , 1,2,3, , , 1,2,3, , = = 表示节点之间边的集合，其中， i e 表示LU 节点 i 与 LA 节点之间可以直接通信， ij e 表示LU 节点 i 和LU 节点 j 之间可以直接通信。由于受到传感器节点功率的限制，传感器节点只能与通信半径 R 内的节点直接通信。这样可以将无线传感器网络构成的无向图划分为部分重叠的子图，采用以LU 节点为中心将WSN 划分为部分重叠的子图： 1 = s s V G  G (1) ( , ) G V E s s s = (2) 其中， V V V s s s = 1 2，Vs1 表示子图 Gs 中LU 节点的集合， Vs2 表示子图 Gs 中LA 节点集合， E s 表示子图 Gs 中节点之间边的集合。如图1 所示，传感器节点分布在 2 [ 0.5,0.5] − 单位区域内，其中，圆圈表示LU 节点，实心菱形表示LA 节点，虚线圆表示以LU 节点为圆心， R 为半径，划分出的部分重叠的子图。

　　1.2 定位问题的归结

　　在监控区域 ( 1) d R d 维空间中部署大量的传感器节点，这些节点构成无线传感器网络。无线传感器网络中共有 N 个节点，其中有 m 个 LA 节点， n 个 LU 节点。考虑传感器节点部署在 d = 2 的二维欧几里得空间中。LA 节点位置表示为 a , 1,2,3, ,  = m ;LU 位置表示为 , 1,2,3, , i x i n = 。LU 节点 i 与节点 j 之间的欧氏距离表示为 ij d ，d d ij ji = [8];LU 节点 i 与 LA 节点之间的欧式距离表示为 i d 。假设传感器节点的最大通信半径为 R ，则对于每个 LU 节点 i 定义两个集合: { , , 1,2,3, , } N j d R j n i ij =  = 和 { , , 1,2,3, , } M d R m i i =  =   ，其中 Ni 表示在通信半径 R 内，可以直接和节点 i 通信的 LU 节点邻居集合; Mi 表示在通信半径 R 内，可以直接和节点 i 通信的LA 节点邻居集合。定位问题可以描述为：利用 m 个 LA 节点的位置信息，节点的邻居信息和节点之间带噪声的距离信息，估计出 n 个 LU 节点 xi , 1,2,3, , i n = 的位置。因此，WSN 中节点定位问题可以归结为一个无约束的优化问题[5,6]： 2 2 2 2 2 2 2 2 2 2 , 1,2,3, , 1 1 minimize i i i n n ij i j ij i i i i n i j N i M d d     = =  =     − − + − − x x x x a (3) 其中，ij 和i是权重。因为 ij d 和 i d 是带噪声的测距，因此给可信度较高的测距设置较大的权重;反之，给可信度较低的测距设置较小的权重[5,6]。

　　2 分布式定位算法

　　2.1 子图内定位问题的描述

　　根据节1.1，将无线传感器网络构成的无向图以LU 节点为中心划分为部分重叠的子图后，可以将定位问题式(3)近似地重新构造为

　　其中，E s 为子图 Gs 中节点之间边的集合， ij d 和 i d 分别为子图 Gs 中 LU 节点之间以及 LU 节点与 LA 节点之间的距离。使用 RSS 技术测得的距离包含噪声，噪声模型如式(5)、(6)所示[6-8]。而且 LA 节点即使加上GPS 模块，由于受到电离层误差、对流层误差等多种误差的影响，得到的LA 位置也是有噪声的，噪声模型如式(7)所示[7]。 1 2 = −  + x x 1   ij i j ij d (5) 2 1 x a 1    = −  +  i i i d (6) 2 1    a a =  +  (7) 其中， 1  [0,1] 是距离噪声因子，用于控制测距之间的噪声强度; a 是LA 节点的真实位置; 2  [0,1] 是 LA 节点位置噪声因子，用于控制 LA 节点位置的噪声强度; ij  、 i和是随机噪声，是一个正态随机变量 N(0,1) 。

　　式(4)中ij 和i是子图 Gs 中根据节点之间距离的反比取的归一化权重。两个节点之间相距越近，使用 RSS 技术测得的距离可信度越高[11]，应该赋予较高的权重，反之，应该赋予较低的权重[5,10]。权重分别为： 1 1 1 ( , ) ( , ) s s ij ij ij i i j E i E d d d  − − −   =   + (8) 1 1 1 ( , ) ( , ) s s i i ij i i j E i E d d d  − − −   =   + (9) 使用 1 1s n V = 表示子图 Gs 中 LU 节点数目; 2 2s n V = 表示子图 Gs 中 LA 节点数目; 1 2 [ , ] i i i x = x x 表示 LU 节点 i x 的坐标; 1 2 [ , ] a a a   = 表示LA 节点 a的坐标; 1 T 2 1 1 2 3 1 [ , , , , ] n n R  x x x x x = 表示子图 Gs 中所有 LU 节点坐标构成的列向量; 2 T 2 1 1 2 3 2 [ , , , , ] n n R  a a a a a = 表示子图 Gs 中所有 LA 节点坐标构成的列向量; 1 2n I 表示 1 1 2 2 n n 的单位矩阵; 2 2n I 表示 2 2 2 2 n n 的单位矩阵; i1 e 和 i2 e 分别表示 1 2n I 的第 2 1 i − 列和第 2i 列;1 e 和 2 e 分别表示 2 2n I 的第 2 1  − 列和第 2列。根据上述定义， T i i 1 1 x = e x ， T i i 2 2 x = e x ， T 1 1 a  = e a ， T 2 2 a  = e a 。则节点间的真实距离可写为 2 T 2 x x x Ax i j − = (10) 2 T T T T i  2 x a x Bx x Ca a Dx a Ea − = − − + (11) 其中， T T 1 1 1 1 2 2 2 2 A e e e e e e e e = − − + − − ( )( ) ( )( ) i j i j i j i j (12) T T B e e e e = + i i i i 1 1 2 2 (13) T T C e e e e = + i i 1 1 2 2   (14) T T D e e e e = +   1 1 2 2 i i (15) T T E e e e e = +     1 1 2 2 (16) 式(4)可以写为 1 2 T 2 2 2 T T T T 2 2 , ( , ) ( , ) minimize ( ) ( ) ( ) i s s s s ij ij i i i V i j E i E f d d     x x x Ax x Bx x Ca a Dx a Ea = − + − − + −   (17) ( ) s f x 的梯度向量 ( ) x s f 为 2 T 2 2 T T T T 2 T ( , ) ( , ) ( ) 4 ( )( ) 2 ( )(2 ) s s s ij ij i i i j E i E f d d     = − + − − + − − − x x Ax Ax x Bx x Ca a Dx a Ea Bx Ca D a 

　　2.2 子图求解

　　2.2.1 初始定位 

　　在获得 WSN 中节点之间测距信息后，采用简单的极大似然估计法获得 LU 节点的估计值[12]。目的是为了得到好的初始值。

　　假设D 点为LU 节点，坐标为 ( , ) x y ，在D 点的通信半径 R 内有 m 个LA 节点 1,2,3, ,m ，坐标分别为 1 1 2 2 3 3 ( , ),( , ),( , ), ,( , ) m m x y x y x y x y 。使用 RSS 测距法测得 D 点至 m 个 LA 节点的测距分别为 1 2 3 , , , , m d d d d 。则测得的距离与D 点坐标和 m 个LA 节点坐标之间有以下关系： 2 2 2 1 1 1 2 2 2 2 2 2 2 2 2 ( ) ( ) ( ) ( ) ( ) ( ) m m m d x x y y d x x y y d x x y y = − + −  = − + −  = − + −  (19) 将前 m−1 个方程与第 m 分方程相减，得到以下方程组： 2 2 2 1 1 1 1 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2( ) 2( ) 2( ) 2( ) m m m m m m m m m m x x x y y y x x y y d d x x x y y y x x y y d d − + − = − + − − + − + − = − + − − + 2 2 1 1 1 2 2 2 2 1 1 2( ) 2( ) m m m m m m m m m m x x x y y y x x y y d d − − − − −  − + − = − + − − +  ( 20) 式(20)可写为矩阵形式： AX b = (21) 最小二乘解即为LU 节点D 的估计值： T 1 T ˆ X A A A b ( )− = (22) 在实际情况中，传感器节点随机部署，且受到通信半径 R 的限制，很难保证每个LU 节点都有3 个及以上的 LA 邻居。因此，本文使用以下规则估计 LU 节点的初始位置：(1) 当LU 节点有 3 个及以上的 LA 邻居时，使用最大似然估计法计算LU 节点的初始位置;(2)当LU 节点有低于3 个LA 邻居时，将距离LU 节点最近的 LA 节点的位置作为其初始位置;(3)当 LU 节点没有 LA 邻居时，将传感器节点分布区域的中心作为LU 节点的初始位置，这样最大的初始定位误差为区域对角线的一半。

　　2.2.2 Barzilai-Borwein 梯度法

　　将无线传感器网络划分为部分重叠的子图后，子图中定位问题式(4)规模远小于原定位问题式(3)的规模，而且使用极大似然估计法可以得到较好的初始值。因此，可以用简单的梯度法进行优化求解，梯度法中步长的选择会影响收敛速度[13]。采用Barzilai-Borwein 梯度法，此方法不需要进行线性搜索，仅使用当前点和前一次迭代点的信息确定步长。在每次迭代中，只需要少量的存储和简单的梯度计算，降低了计算量。而且与传统的最速下降法相比，很大程度上加快了梯度法的收敛速度[13]。梯度法迭代公式如下： 1 ( ) k k k k  f x x x + = −  (23) 可将上式写为 1 ( ) k k k k f x x F x + = −  (24) 其中，F I k k = 。利用拟牛顿法割线方程的性质[14]，求解以下最小二乘问题可以得到步长： 2 1 1 1 2 minimize ( ) ( ( ) ( )) k k k k k k f f  − F x x x x − −  −  − − (25) 步长为 T 1 1 T 1 1 ( ) ( ) ( ) ( ( ) ( )) x x x x x x x x  − − − − − − = −  −  k k k k k k k k k f f (26)

　　如果 k = 0 ，则通过回溯直线搜索法确定步长0 ，设置参数 = 0.2， = 0.5 ， 0  =1 ，若下式成立，则令  0 0 = ，继续循环直到下式不成立。 T 0 0 ( ) ( ) ( ) s k k s k s k k f f f x x x x x +   +     (27) 综上所述，子图中使用Barzilai-Borwein 梯度法进行优化求解的步骤如下： (1)使用极大似然估计法，粗略获得 LU 节点的初始值，提取子图 Gs 中 LU 节点的位置 xk ，作为初始值。设 k = 0 ，表示第 k 次迭代; (2)计算搜索方向 qk ：q x = − ( ) k s k f ; (3)计算步长：如果 k = 0 ，通过回溯直线搜索法确定步长0 ;否则通过式(27)计算步长k ; (4)更新子图 Gs 中LU 节点位置： 1 x x q k k k k + = +; (5)判断迭代终止条件：如果满足 1 ( ) ( ) 1 ( ) x x x  + −  + s k s k s k f f f ( 是一个很小的正数，设置为 = − 1 10 e )，或 k 100 ，则终止迭代， k+1 x 即为迭代结果，否则令 k k = +1 返回到(2)。

　　2.3 子图融合

　　在构建图模型时，将 WSN 构成的无向图 G 以 LU 节点为中心分解为 n 个部分重叠的子图。如图 1 所示，同一个 LU 节点会位于不同的子图中。因此，对每个子图优化求解后，对于相同的 LU 节点会有不同的估计值。需要对子图进行融合，从而得到每个 LU 节点的估计值。而且可能会出现某个子图由于可用的信息较少，导致估计出的 LU 节点位置误差较大的问题，子图融合可以有效的降低这部分节点的误差，从而提高整体WSN 的定位精度。子图融合公式如下： , 1 ( 1,2,3, , ) i i i s i s N i n N  x x = =  (28) 其中， Ni 表示包含LU 节点 i 的子图索引集合; is, x 表示子图 Gs 中LU 节点 i 的坐标; i x 表示LU 节点 i 融合之后的坐标。经过上述分析，分布式定位算法的整体流程如算法1 所示。

　　算法1 分布式定位算法。准备工作：将 N 个传感器随机部署在检测区域内，其中有 m 个LA 节点， n 个LU 节点，通信半径为 R 。以 LU 节点为中心，通信半径内与 LU 节点直接相连的节点为邻居节点，构成一个子图。从而将 WSN 划分为 n 个部分重叠的子图。令 t = 0 。输入：使用节2.2.1 中采用的极大似然估计法及相关规则，对LU 节点进行粗略的初始定位，定位结果为 ()t p 。将其作为步骤(1)中进行优化求解的初始值; (1) 采用节2.2.2Barzilai-Borwein 梯度法对划分好的子图进行优化求解; (2) 采用节2.3 提出的子图融合的方法，对部分重叠的子图进行融合，得到第 t +1 次迭代的定位结果 ( 1) t+ p ; (3) 判断迭代终止条件。若 ( 1) ( ) 2 max t t i i  + p p −  ( 是一个很小的正数，本文设置为 1 2 e − )，其中， i n =1,2,3, , ， ( 1) t i + p 表示LU 节点 i 在第 t +1 次迭代的估计值， ()t i p 表示LU 节点 i 在第 t 次迭代的估计值，则 ( 1) t+ p 为最终估计出的 LU 节点坐标。否则，将 ( 1) t+ p 作为新的初始值，令 t t = +1 ，返回至步骤(1)继续迭代。输出： ( 1) t+ p 作为最终定位结果。

　　2.4 计算复杂度分析

　　采用Barzilai-Borwein 梯度法对子图进行优化求解，由于该算法是迭代算法且每个子区域的节点个数可能不同，设 max{ }s s d N = ，因此文中算法的计算复杂度为 O dnK ( ) ，其中 d n  ，n 表示LU 节点个数， K 表示算法收敛时的迭代次数。文献[5]是集中式算法，采用修正牛顿法对定位问题进行优化求解，此算法的计算复杂度为 3 O n K ( ) 。文献[8]是分布式算法，采用梯度下降法对 LU 节点进行优化求解，此算法的计算复杂度为 ( ) O d nK G ，其中 Gd 表示节点的平均度。通过对计算复杂度的分析，可以看出文中算法的计算复杂度远小于文献[5]中集中式算法的计算复杂度，并且，文中算法的计算复杂度与文献[8]的分布式算法的计算复杂度同一个数量级。因此，笔者提出的分布式定位算法可以有效地适用于大规模 WSN 中的节点定位问题。

　　3 仿真结果及分析

　　为了表明笔者所提分布式算法的性能，这一节做了一系列仿真实验。使用软件 MATLAB R2016a 进行仿真实验，并在3.60 GHz 的Intel i7-7700 处理器和8 GB RAM 的PC 机上运行。为了表明算法的鲁棒性，都随机进行5 次实验取平均。具体的实验参数设置及说明如表1 所示。为了客观地评价该分布式定位算法的性能，采用与文献[7]相同的评价指标，即平均定位误差( err )： 2 1 err n i i i n = − =  p p (29) 其中， i p 表示定位算法估计出来的LU 节点位置; i p 表示LU 节点的真实位置; n 表示LU 节点的数目。

　　实验 1 为了研究 LA 节点数目对定位精度的影响，文中算法与文献[5]中的集中式定位算法以及文献 [7-8]中的分布式定位算法在表2 所示的仿真参数设置下做对比试验。在本例中节点数目 m n + =200，距离噪声因子 1=0.10，LA 节点位置噪声因子 2=0.0 ，在固定通信半径 R = 0.20 的情况下，改变 WSN 中的 LA 节点所占比例 p 。仿真结果如图2 所示，可以看出，随着LA 数目所占比例 p 的增加，本文算法的定位精度得到提高。这是因为 LA 数目的增加，能够提供更多的已知位置的信息，使得 LU 节点有更好的初始位置和更多更准确的邻居信息，从而提高了定位精度。文中算法与文献[5]相比，在相同的 p 下，有近似的定位精度。与文献[7-8]相比，在相同的 p 下，文中算法的 err 更小，定位精度更高。这意味着，在大规模 WSN 中，文中算法可以利用较少的LA 节点数目，达到较好的定位效果，从而降低WSN 的部署成本。

　　实验2 为了研究通信半径 R 对定位精度的影响，文中算法与文献[5]中的集中式定位算法以及文献[7-8] 中的分布式定位算法在表2 所示的仿真参数设置下做对比试验。在本例中节点数目 m n + =200，距离噪声因子 1=0.10，LA 节点位置噪声因子 2=0.0 ，在固定无线传感器网络中LA 节点所占比例 P=0.15 的情况下，改变通信半径 R 进行仿真。仿真结果如图3 所示，可以看出，随着通信半径 R 的增加，文中算法的定位精度会得到提高。这是因为 R 的增加，使得每个LU 节点有更多邻居信息可以使用，从而提高了定位精度。文中算法与另外三种算法相比，在相同的 R 下， err 更小，定位精度更高。这意味着，在大规模WSN 中，文中算法可以使用较小的 R ，达到较好的定位效果。同时，较小的 R 可以降低传感器节点的能量消耗，从而提高整个无线传感器网络的使用寿命。

　　实验 3 为了研究文中算法在不同网络规模和噪声情况下的定位效果，本次实验节点分布区域为 2 [ 0.5,0.5] − ，改变节点总数 N ，通信半径 R ，LA 位置噪声因子 2 进行仿真，并与文献[5,7-8]进行对比。仿真参数设置和定位结果如表 2 所示。可以看出，在相同规模的 WSN 中，对 LA 位置添加噪声后，各算法的定位精度均会下降。在小规模无线传感器网络( N  500 )中，文中算法与文献[5]提出的集中式定位算法相比，有近似的定位精度，但在大规模无线传感器网络( N  500 )中，集中式定位算法便无法定位，而文中算法仍有较好的定位精度，而且与文献[7-8]提出的分布式定位算法相比，在相同的仿真参数下，始终有更好的定位精度。综上所述，笔者提出的分布式定位算法有良好的扩展性，可有效用于大规模的无线传感器网络中，并且有较高的定位精度。

　　4 结束语

　　针对无线传感器网络定位精度较低、扩展性不高问题，笔者提出了一种分布式定位算法。首先将整个无线传感器网络构成的无向图分解为部分重叠的子图，并构造出子图的优化问题，然后采用笔者所提算法进行优化求解，求解的过程包括：子图内的位置估计和部分重叠子图的融合。仿真实验证明，与现有集中式定位算法相比，有较高的扩展性，可有效用于大规模无线传感器网络。与现有分布式定位算法相比，有更高的定位精度。可见笔者提出的算法具备一定的优势，可以为无线传感器网络的经济、高效、实用性发展提供了可靠的技术支持，进而促进无线传感器网络在环境科学、医疗健康等多个领域的应用。