一种基于异步到达时间的无线传感器网络目标定位方法

1.本发明涉及一种基于异步到达时间的无线传感器网络目标定位方法，属于无线传感器应用技术领域。


背景技术：

2.无线传感器网络(wireless sensor networks,wsn)由许多传感器节点组成，这些节点部署在特定区域以获取所需的测量值。wsn具有广阔的应用前景，并且已经应用在军事战争、环境监测、健康医疗、智能家居等诸多领域。在wsn的各种实际应用中通常都需要确定事件发生的位置，而且wsn采集到的数据只有包含了位置信息才具有应用价值。
3.典型的无线传感器网络目标定位的原理是指利用多个传感器节点接收目标发出的无线电信号，并从中获取精确的定位参数信息，这些传感器将它们的测量数据发送到信息处理中心进行融合，该中心随后根据接收到的测量数据估计目标的位置。这些接收信号的传感器节点称为锚节点，发送信号的节点称为目标节点或信号源。根据传感器获取的定位参数信息的不同，目标定位技术大致分为：基于到达时间(time of arrival,toa)定位、基于到达时间差(time difference of arrival,tdoa)定位、基于到达角(angle of arrival,aoa)定位、基于接收信号强度(received signal strength,rss)定位以及混合定位等方法。
4.toa和tdoa系统的精度较好，但由于定时和时间同步等要求，系统复杂度较高。aoa系统通常使用天线阵列进行测向，实现的复杂性也很高。rss定位系统具有成本低、实现简单、易于部署等优点。这类系统通常假设rss测量遵循路径损耗模型，且假设发射功率和路径损耗指数是已知的。然而在实践中，这些参数是动态变化的，很难实时估计，导致rss定位的精度往往较差。
5.严格同步的toa定位系统具有高复杂性和昂贵的部署成本，所以不少研究人员开始关注异步toa定位，所谓异步是指需要锚节点之间的同步，而不需要锚节点和目标节点之间的同步，即锚节点不需要知道目标节点的信号发送时刻。研究表明，基于toa的目标定位问题的最大似然函数是高度非凸非线性的。为了处理这种复杂的问题，避免迭代搜索方法陷入局部最优，通常将非凸的优化问题松弛为凸优化问题，这会导致性能损失以及可能导致不合理的计算负担。


技术实现要素：

6.本发明的目的在于克服现有技术中的不足，提供一种基于异步到达时间的无线传感器网络目标定位方法，能够在锚节点无法获取目标节点的信号发送时刻的情况下定位，有效地提高了定位精度，并且计算复杂度较低。
7.为达到上述目的，本发明是采用下述技术方案实现的：
8.本发明提供了一种基于异步到达时间的无线传感器网络目标定位方法，具体包括如下步骤：
9.步骤(1)：获取toa测量值：基于预设网络中锚节点从目标节点获取的无线电信号获取toa测量值；
10.步骤(2)：构建toa定位模型：基于toa测量模型构建toa定位模型；
11.步骤(3)：构建目标函数：引入目标节点的信号发送时刻估计值，并基于toa定位模型构建目标函数；
12.步骤(4)：获取目标节点的估计坐标：基于目标函数采用差分进化算法获取目标节点的估计坐标。
13.可选的，所述预设网络为二维或三维的无线传感器网络，所述无线传感器网络包括传感器节点以及目标节点，所述传感器节点为具有预设坐标的锚节点，所述目标节点为信号发送节点。
14.可选的，所述toa测量模型为：
[0015][0016]
其中，ai为第i个锚节点的坐标，s为目标节点的坐标，‖s-ai‖为目标节点与第i个锚节点的欧几里得距离；c为信号传输速度，t0为目标节点的信号发送时刻，ti为第i个锚节点的信号接收时刻，即toa测量值；∈i为第i个锚节点的测量噪声，为第i个锚节点的测量噪声，为测量噪声标准差。
[0017]
可选的，所述toa定位模型为：
[0018][0019]
其中，和分别为目标节点的坐标s和信号发送时刻t0的估计值，i＝1,2,
…
,n。
[0020]
可选的，所述基于toa定位模型构建目标函数包括：
[0021]
获取信号发送时刻t0的估计值
[0022][0023]
将估计值带入toa定位模型获取目标函数f(s)：
[0024]
。
[0025]
可选的，所述基于目标函数采用差分进化算法获取目标节点的估计坐标包括：
[0026]
初始种群生成：维度为d的l个候选个体
[0027][0028]
其中，d＝1,2,
…
d，维度d表示预设网络的维度，ubd和lbd分别为预设网络中目标节
点坐标第d维的上下界；rand
l,d
～u(0,1)为[0,1]范围内产生的服从均匀分布的随机数；
[0029]
基于l个候选个体利用反向学习理论构建l个反向个体
[0030][0031]
基于l个候选个体和l个反向个体构建个体集合并基于目标函数f(s)计算个体适应度集合
[0032]
从个体适应度集合中取适应度最小的l个个体作为初始种群
[0033]
基于初始种群进行迭代运算直至到达预设的迭代次数g获取种群从种群中取适应度最小的个体作为目标节点的估计坐标：
[0034]
。
[0035]
可选的，所述基于初始种群进行迭代运算直至到达预设的迭代次数g获取种群包括：
[0036]
变异：使用种群产生变异种群变异过程为：
[0037][0038]
其中，f为缩放因子，f∈[0,1]；r1,r2,r3∈{1,2,
…
,l}为随机选取的互不相同的三个值；g为迭代次数，初始为1；
[0039]
交叉：将种群和变异种群以交叉概率cr进行交叉产生试验种群交叉机制为：
[0040][0041]
其中，cr∈[0,1]；
[0042]
自适应重定向：通过试验种群获取重定向种群
过程为：
[0043][0044]
其中，和分别为重定向空间的下界和上界：
[0045][0046][0047]
选择：从种群和重定向种群中取适应度最小的l个个体作为下次迭代的种群
[0048][0049]
将种群带入上述步骤进行迭代运算直至g＝g，获取迭代次数g的种群
[0050]
与现有技术相比，本发明所达到的有益效果：
[0051]
本发明提供的一种基于异步到达时间的无线传感器网络目标定位方法，针对信号发送时刻未知的异步toa定位，首先引入信号发送时刻的估计解决信号发送时刻未知的问题，然后结合定位模型构建目标函数，最后采用具有反向学习和自适应重定向的差分进化算法估计目标节点的坐标；能在锚节点无法获取目标节点的信号发送时刻的情况下定位，有效地提高了定位精度，并且计算复杂度较低。
附图说明
[0052]
图1是本发明提供的一种基于异步到达时间的无线传感器目标定位方法的流程图；
[0053]
图2是本发明提供的具有反向学习和自适应重定向的差分进化算法的流程图；
[0054]
图3为本发明提供的二维无线传感器网络示意图；
[0055]
图4为本发明提供的目标定位方法与其他定位方法在不同测量噪声方差下的均方根误差对比图；
[0056]
图5为本发明提供的目标定位方法与其他定位方法在不同测量噪声方差下的计算时间对比图。
具体实施方式
[0057]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0058]
如图1所示，本发明提供了一种基于异步到达时间的无线传感器网络目标定位方法，具体包括以下步骤：
[0059]
步骤(1)：获取toa测量值：基于预设网络中锚节点从目标节点获取的无线电信号获取toa测量值；
[0060]
预设网络为二维或三维的无线传感器网络，无线传感器网络包括n个传感器节点以及目标节点，传感器节点为具有预设坐标的锚节点，定义为ai,i＝1,2,
…
n。锚节点在二维场景下ai＝[a
i1
,a
i2
]
t
，三维场景下ai＝[a
i1
,a
i2
,a
i3
]
t
，目标节点为信号发送节点，坐标未知，定义为s，二维场景下s＝[s1,s2]
t
，三维场景下s＝[s1,s2,s3]
t
。
[0061]
步骤(2)：构建toa定位模型：基于toa测量模型构建toa定位模型；
[0062]
toa测量模型为：
[0063][0064]
其中，ai为第i个锚节点的坐标，s为目标节点的坐标，‖s-ai‖为目标节点与第i个锚节点的欧几里得距离；c为信号传输速度(一般取3
×
108m/s)，t0为目标节点的信号发送时刻，ti为第i个锚节点的信号接收时刻，即toa测量值；∈i为第i个锚节点的测量噪声，为第i个锚节点的测量噪声，为测量噪声标准差。
[0065]
toa定位模型为：
[0066][0067]
其中，和分别为目标节点的坐标s和信号发送时刻t0的估计值，i＝1,2,
…
,n。
[0068]
步骤(3)：构建目标函数：基于toa定位模型构建目标函数；
[0069]
为了解决目标节点和锚节点之间需要同步的问题，将发送时刻t0表示为目标节点未知坐标s的相关函数，对于信号模型中0均值噪声∈i，发送时刻t0的估计如下式所示：
[0070][0071]
将估计值带入toa定位模型获取目标函数f(s)：
[0072][0073]
此时定位问题可以表述为：
[0074][0075]
且其中不在包含发送时刻t0。
[0076]
步骤(4)：获取目标节点的估计坐标：基于目标函数采用差分进化算法获取目标节点的估计坐标。
[0077]
差分进化算法为具有反向学习和自适应重定向的差分进化算法。
[0078]
如图2所示：
[0079]
初始种群生成：维度为d的l个候选个体
[0080][0081]
其中，d＝1,2,
…
d，维度d表示预设网络的维度，ubd和lbd分别为预设网络中目标节点坐标第d维的上下界；rand
l,d
～u(0,1)为[0,1]范围内产生的服从均匀分布的随机数；
[0082]
基于l个候选个体利用反向学习理论构建l个反向个体
[0083][0084]
基于l个候选个体和l个反向个体构建个体集合并基于目标函数f(s)计算个体适应度集合
[0085]
从个体适应度集合中取适应度最小的l个个体作为初始种群
[0086]
基于初始种群进行迭代运算直至到达预设的迭代次数g获取种群从种群中取适应度最小的个体作为目标节点的估计坐标：
[0087]
。
[0088]
具体的，基于初始种群进行迭代运算直至到达预设的迭代次数g获取种群包括：
[0089]
变异：使用种群产生变异种群变异过程为：
[0090][0091]
其中，f为缩放因子，f∈[0,1]；r1,r2,r3∈{1,2,
…
,l}为随机选取的互不相同的三
个值；g为迭代次数，初始为1；
[0092]
交叉：将种群和变异种群以交叉概率cr进行交叉产生试验种群交叉机制为：
[0093][0094]
其中，cr∈[0,1]；
[0095]
自适应重定向：通过试验种群获取重定向种群过程为：
[0096][0097]
其中，和分别为重定向空间的下界和上界：
[0098][0099][0100]
选择：从种群和重定向种群中取适应度最小的l个个体作为下次迭代的种群
[0101][0102]
将种群带入上述步骤进行迭代运算直至g＝g，获取迭代次数g的种群
[0103]
下面对本发明的基于异步到达时间的无线传感器网络目标定位方法的定位性能进行仿真验证：
[0104]
使用均方根误差(rmse)评估算法的性能，定义如下：
[0105]
[0106]
其中，m为蒙特卡罗实验的次数，sm和分别表示第m次蒙特卡罗实验时目标节点的真实坐标和估计坐标。
[0107]
实验参数设置如下：
[0108]
如图3所示，以二维场景为例，八个锚节点和一个目标节点随机部署在[-800m,800m]
×
[-800m,800m]的区域内，即下界lb1＝lb2＝-800、上界ub1＝ub2＝800。发送时刻t0从[20,30]ns中随机选取。为了不失一般性，假定每个锚节点的测量噪声具有共同方差σ
t2
，即将时域的噪声转换为距离域的噪声，即σ
dis
＝cσ
t
，并用对数表示，即对于差分进化算法的控制参数，设置种群大小l＝20，缩放因子f＝0.9，交叉概率cr＝0.9，最大迭代次数g＝50。实验次数m设置为1000次。
[0109]
实验1：本发明方法与其他定位方法在不同测量噪声方差下的rmse对比。
[0110]
图4为本发明方法具有反向学习和自适应重定向的差分进化算法(differential evolution with opposition-based learning and adaptive redirection,deor)与临近型交替极小化定位(proximal alternating minimization positioning,pamp)方法、两步最小二乘(2-step least square,2ls)方法在不同测量噪声方差下的rmse对比图。通过图4可以看出，本发明方法的定位误差明显低于其他定位方法
[0111]
实验2：本发明方法与其他定位方法在不同测量噪声方差下的计算时间对比。
[0112]
图5为本发明方法deor与pamp、2ls在不同测量噪声方差下的计算时间对比图。通过图5可以看出，与其他方法相比，本发明方法所需的计算时间最少。
[0113]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。