一种基于信标筛选的MSVR-DV-Hop定位算法的制作方法

一种基于信标筛选的msvr
‑
dv
‑
hop定位算法
技术领域
1.本发明属于无线传感器网络节点定位领域,具体涉及一种基于信标筛选的msvr
‑
dv
‑
hop定位算法。


背景技术：

2.无线传感器网络作为一个系统级的工程，被分为多个领域进行研究，其中，因为许多位置感知协议和应用程序需要获取位置信息的支持，所以确定未知节点的位置作为一项非常关键的技术，一直是一个研究的热点。依据定位时测距与否的原则，wsn定位算法可以分为基于测距和无需测距两类，dv
‑
hop算法作为经典的无需测距算法，因其网络通信开销小、能量损耗小等优点被广泛应用，但是dv
‑
hop算法在计算最小跳数、平均跳距以及估计未知节点坐标时都会产生误差累积，导致算法误差较大。因此，降低dv
‑
hop定位算法的定位累计误差是进行准确定位的重要问题之一。
3.许多研究针对这一问题在算法的各阶段提出了改进方法，在获取节点间跳数阶段，通常利用通信距离来更正跳数，此外在研究中采用较多的是基于rssi(received signal strength indication)的改进。rssi是一种根据无线信号随距离衰减的特性，从接受的信号强度中获取距离信息的方法，因其成本低、易实现，在dv
‑
hop改进中是常用的结合距离的改进方法。在获取未知节点到信标节点距离阶段，改进方法多以对平均跳距不同形式的加权修正为主。在估计未知节点坐标阶段，由于传统dv
‑
hop算法中使用的是最小二乘法估计未知节点的坐标，其估计结果极易受到信标节点与未知节点之间估计距离的误差影响。主要的改进方法有加权最小二乘法、二维双曲算法、差分进化算法、模拟退火算法、粒子群优化算法等。另外，近年来有学者提出将机器学习理论与定位算法相结合，lmsvr(localization based on multidimensional support vector regression)通过节点间的跳数信息估计未知节点的坐标，该方法相较于传统dv
‑
hop有一定提升，但算法的提升效果并不明显，并且这种直接通过跳数估计坐标的方式无法充分利用网络中节点的位置信息，其定位精度提升受到限制，未能达到最佳效果。


技术实现要素：

4.本发明提出一种基于信标筛选的msvr
‑
dv
‑
hop节点定位方法，该方法可以有效提高定位精度，对网络的拓扑分布要求低。
5.本发明采用以下技术方案：
6.一种基于信标筛选的msvr
‑
dv
‑
hop节点定位方法，包括以下步骤：
7.步骤1：各节点获取彼此间的最小跳数，信标节点将跳数表发送至汇聚节点；
8.步骤2：汇聚节点训练msvr模型；
9.步骤3：汇聚节点计算信标验证误差；
10.步骤4：汇聚节点广播模型参数和信标验证误差至各节点；
11.步骤5：未知节点筛选可用信标节点，计算自身坐标。
12.其中，所述步骤1中获取跳数采用基于rssi的首跳分级细化，
13.首跳分n级，分级方式如下：
[0014][0015]
首跳分级细化h表示为：
[0016][0017]
式中，d为两节点间的距离，r为通信半径，n为首跳级数，i为n级中的第i级，a为无线收发节点相距1m时接收节点接收无线信号强度值，k0为无线信号的传播因子，p
r
为距离d时测得的rssi功率。
[0018]
所述步骤2中，msvr模型利用信标节点的训练数据对(h
i
，i
i
)构造回归模型，并利用该模型输出未知节点的估计坐标，其中h
i
为节点到信标节点的跳数向量，i
i
为节点坐标；在根据训练数据集构造回归模型时，其多维回归函数为
[0019][0020]
其中，ω为权重矩阵，b为二维回归偏差向量，为非线性函数，n为信标节点数。
[0021]
定义ε不敏感二次损耗函数l
ε
为
[0022][0023]
其中，z为函数自变量，ε为不敏感度。
[0024]
过渡变量α为
[0025][0026]
其训练过程可以等价为一个优化问题
[0027][0028]
约束条件为
[0029][0030]
ξ
i
≥0
[0031]
其中c为软边界参数，ξ
i
为松弛变量，正则化参数λ＝1/c，h
i
为节点到信标节点的跳数向量，i
i
为节点坐标，k(h
i
,h
j
)为核函数，i,j为节点下标。
[0032]
可以通过等价后的优化问题得到α,ξ的最优解作为模型参数。
[0033]
所述步骤3，在汇聚节点中，依次选取信标节点i，其到其他信标节点的实际距离向量为(d1,d2,...,d
n
)，用除i外的信标节点的跳数和距离信息训练msvr模型，并预测i到其他信标节点的预测距离向量为通过实际距离向量与预测距离向量的差值绝对值累加，得到每个信标节点的验证误差。
[0034]
所述步骤5中，利用可用的信标节点构造方程，并用加权最小二乘法求解，
[0035][0036]
其中(x,y)为要估计的坐标，(x
i
,y
i
)为第i个信标节点坐标，n为可用信标节点数，权值公式为：
[0037][0038]
所述步骤(5)中，当未知节点到某信标的距离和该信标的验证误差同时大于该参考量所在列表的平均值时，该未知节点估计自身坐标时不采用该信标的距离信息进行方程求解，修正因少数高误差信标节点引起的定位偏差。
[0039]
本发明的有益效果在于：本发明采用rssi跳数分级细化、n维msvr模型与dv
‑
hop算法相结合的方法，基于信标节点间的细化后跳数和距离训练回归模型，预测未知节点到各信标的距离，结合dv
‑
hop算法计算未知节点的坐标，以充分利用网络中的潜在信息，达到良好的定位精度。应用本发明节点的定位精度明显提高，算法受网络拓扑的影响较小，适用于各向异性网络；不易受网络规模影响，在小规模各向异性网络中仍表现出较高精度，具有高稳定性；在信标节点数量较少的场景下表现出良好的性能。
附图说明
[0040]
图1传感器节点分布示意图，其中(a)、(b)、(c)、(d)和(e)分别是各向同性、x型、h
型、s型、c型网络。
[0041]
图2不同网络类型下通信半径对定位误差影响的仿真对比图，其中(a)、(b)、(c)、(d)和(e)分别是各向同性、x型、h型、s型、c型网络。
[0042]
图3不同网络类型下信标数量对定位误差影响的仿真对比图，其中(a)、(b)、(c)、(d)和(e)分别是各向同性、x型、h型、s型、c型网络。
[0043]
图4不同网络类型下节点总数对定位误差影响的仿真对比图，其中(a)、(b)、(c)、(d)和(e)分别是各向同性、x型、h型、s型、c型网络。
具体实施方式
[0044]
下面结合附图及具体实施例对本发明作进一步详细的说明。
[0045]
一种基于信标筛选的msvr
‑
dv
‑
hop节点定位方法，包括以下步骤：
[0046]
步骤1：各节点获取彼此间的最小跳数，信标节点将跳数表发送至汇聚节点。
[0047]
每个锚节点向邻节点广播数据包，通过转发机制，各节点获取到锚节点的最小跳数值。转发过程中，利用rssi值将通信半径分为n级，节点间先根据接收到邻节点的rssi值进行单跳细化，再将细化后的单跳累加更新到转发的数据包中。汇聚节点根据数据包id接收信标节点间的跳数和距离，保存为跳数矩阵和距离矩阵。
[0048]
获取跳数采用基于rssi的首跳分级细化。利用两节点间的距离d与通信半径r的关系，将首跳分n级，分级方式如下
[0049][0050]
利用接收到的rssi值表示两节点间的距离，由于高斯噪声的功率远小于首跳邻节点接收到的信号强度，所以可以忽略不计，首跳分级细化可以表示为：
[0051][0052]
步骤2：汇聚节点训练msvr模型。
[0053]
汇聚节点以跳数矩阵为输入，距离矩阵为输出，训练msvr模型，计算最优模型参数。
[0054]
msvr模型利用信标节点的训练数据对(h
i
，i
i
)构造回归模型，并利用该模型输出未知节点的估计坐标，其中h
i
为节点到信标节点的跳数向量，i
i
为节点坐标。在根据训练数据集构造回归模型时，其多维回归函数为
[0055][0056]
其中，ω为权重矩阵，b为二维回归偏差向量，φ为非线性函数，n为信标节点数。
[0057]
定义ε不敏感二次损耗函数l
ε
为
[0058][0059]
其中，z为函数自变量，ε为不敏感度。
[0060]
过渡变量α为
[0061][0062]
其训练过程可以等价为一个优化问题
[0063][0064]
约束条件为
[0065][0066]
ξ
i
≥0
[0067]
其中c为软边界参数，ξ
i
为松弛变量，正则化参数λ＝1/c，h
i
为节点到信标节点的跳数向量，i
i
为节点坐标，k(h
i
,h
j
)为核函数，i,j为节点下标。
[0068]
可以通过等价后的优化问题得到α,ξ的最优解作为模型参数。
[0069]
步骤3：计算信标验证误差。
[0070]
汇聚节点分别以剔除单个信标节点后的跳数矩阵和距离矩阵训练msvr模型，再用剔除的单个节点进行验证，得到各信标节点的验证误差。
[0071]
信标节点的验证误差用于修正因少数高误差信标节点引起的定位偏差。在汇聚节点中，选取信标节点i，其到其他信标节点的距离向量为(d1,d2,
…
,d
n
)，用除i外的信标节点的跳数和距离信息训练msvr模型，并预测i到其他信标节点的距离向量通过实际距离向量与预测距离向量的比对，计算该验证误差如下。
[0072][0073]
步骤4：汇聚节点广播模型参数和信标验证误差至各节点。
[0074]
步骤5：未知节点筛选可用信标节点，计算自身坐标。
[0075]
未知节点收到汇聚节点的广播包后，以本节点到各信标的跳数矩阵为输入，通过msvr模型预测到各信标的距离，在综合各信标的验证误差，当本节点到大验证误差的信标距离较远时，标记为不可用信标。未知节点利用自身到可用信标节点间的距离、可用信标的坐标解加权最小二乘方程，计算本节点坐标。
[0076]
未知节点在筛选信标节点后，利用可用的信标节点构造方程，并用加权最小二乘法求解。
[0077][0078]
其中(x,y)为要估计的坐标，(x
i
,y
i
)为第i个信标节点坐标，n为可用信标节点数。本文提出的算法中，采用的加权方式为基于距离的加权，即权值公式为
[0079][0080]
本发明是一种基于信标筛选的msvr
‑
dv
‑
hop算法，在跳数获取阶段，引入rssi分级细化以获取更精确的跳数信息，在训练msvr模型时为训练集提供了更符合实际情况的数据；在距离计算阶段利用多维msvr获得未知节点与信标节点之间的距离，将利用跳数估计节点坐标的过程拆分为两个部分，在后续算法中对msvr模型造成的误差进行进一步修正，以增加算法的精度；在坐标的估计阶段，根据信标节点间互相验证，设计了一种信标节点验证误差，未知节点基于信标节点验证误差和到信标节点的距离剔除误差较大的信标节点，利用加权最小二乘法计算自身的估计坐标。通过筛选信标节点，使大误差信标节点不参与方程求解，以减轻信标节点误差在求解坐标方程时的影响。
[0081]
本实施例中分别以各向同性网络、x型网络、h型网络、s型网络和c型网络5种网络类型，对经典dv
‑
hop算法、lmsvr算法、基于模拟退火算法的dv
‑
hop和本发明基于信标筛选的msvr
‑
dv
‑
hop算法4种算法进行比较研究，5种网络类型的的节点分布如图1所示，从通信半径的变化定位误差(如图2所示)、信标节点数的变化定位误差(如图3所示)和节点总数的变化定位误差(如图4所示)三个方面比较结果可知，本发明可以更好的挖掘和利用隐藏的网络信息，在应对实际情况下未知的各向异性网络时更具有优势；且受网络拓扑的影响较小，在复杂情况下仍能达到较高精度；在小规模各向异性网络中仍表现出较高精度，改善只有lmsvr算法时信标减少造成精度下降严重的问题，且不易受网络规模影响，具有更高的稳定性。
[0082]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳的实施例对本发明进行了详细的说明，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的修改或等同替换，而不脱离本发明技术方案的精神和范围，都应涵盖在本发明的保护范围之内。