CN101216546A - 一种无线传感器网络目标定位的位置估计方法 - Google Patents
一种无线传感器网络目标定位的位置估计方法 Download PDFInfo
- Publication number
- CN101216546A CN101216546A CNA2008100561941A CN200810056194A CN101216546A CN 101216546 A CN101216546 A CN 101216546A CN A2008100561941 A CNA2008100561941 A CN A2008100561941A CN 200810056194 A CN200810056194 A CN 200810056194A CN 101216546 A CN101216546 A CN 101216546A
- Authority
- CN
- China
- Prior art keywords
- location
- target
- estimation
- model
- sensor network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种无线传感器网络目标定位的位置估计方法,包括:首先选取无线传感器网络监测范围内任意数量的位置,利用数学建模方法,对选取的网络监测范围内的任意位置到多个锚节点的直线距离与该位置坐标的非线性关系进行建模,并在目标位置估计时,以目标到多个锚节点的距离矢量作为模型输入,输出得到目标位置的估计值。通过本发明可以极大地抑制测距噪声的影响,明显地提高了位置估计的精度。
Description
技术领域
本发明涉及一种无线传感器网络目标定位的位置估计方法,尤其涉及一种用于无线传感器网络定位系统的位置估计方法。
背景技术
随着无线传感器网络定位系统的应用日益广泛,对定位稳定性、抗噪性和准确度有更高的要求。传统定位系统是由目标获得到多个锚节点的距离值,以通过三边定位法、最小二乘法、和极大似然法估计目标的坐标。由于一般的定位系统采用的是简单的测距技术,所得到的距离值含有较大的噪声,通过三边定位法、最小二乘法、极大似然法估计得出的位置准确度不足且受噪声影响敏感。支持向量回归机是基于统计学习理论发展起来的新型学习机器,它基于结构风险最小化原则,在小样本情况下的非线性回归估计问题中表现出良好的泛化能力,已广泛地应用于非线性系统辨识、预报预测、建模与控制等方面。
其中国内专利号为CN02826868.7的用于确定位置信息的方法,用于为无线装置估计相对位置信号,所述方法为从两个或多个确定相对位置的替换方式中得到各个估计,且估计中至少一个包括第一和第二装置中的一个和一个第三装置之间的相对位置估计,然后再组合这些估计以提供新的估计。国内专利号为CN02829561.7的用于估计移动设备的位置的方法和系统,一种估计移动设备的位置的方法,包括以下步骤:收集位置信息;选择多个不同的定位方法中的至少一个方法来提供位置估计;以及根据至少一个选择的定位方法提供位置估计。国内专利号为CN02150140.8的一种位置估计方法,包括:步骤1:在进行位置估计时,利用实时获取的非可视(NLOS)误差的均值对到达时间(TOA)测量量中包含的均值大于零的NLOS误差进行零均值矫正;步骤2:利用实时获取的NLOS误差的方差对加权最小二乘位置估计中的加权矩阵中的元素进行自适应调整;步骤3:进行定位位置的加权最小二乘估计,获得本次的位置估计值;步骤4:对多次获取的多个位置估计值进行平均,得到最后的位置估计值。
国内专利号200710062845.3的无线传感器网络的加权距离矢量定位方法,该方法是在现有DV-hop定位方法基础上,综合考虑多个锚节点估计的平均每跳距离,对接收的各个锚节点的平均每跳距离进行加权处理,距离越近的锚节点的加权值越大,利用计算的最终平均每跳距离计算未知节点与锚节点之间的距离。
国内专利号200510130687是一种无线传感器网络无锚点定位的分布式实现方法,通过各个网络节点相互测量距离数值来获得各自感知范围内的邻居信息,多次交换彼此的估计坐标。
基于蜂窝网络的无线定位系统采用到达时间定位技术通过测量从目标发出的信号以直线到达基站的时间,根据电磁波在空中的传播速度可以得到移动台与基站之间的距离。移动台即位于以基站为圆心,移动台到基站的电波传播距离为半径的圆上。通过多个基站进行上述测量计算,移动台的二维位置坐标可出三个圆的交点确定。当三个圆无法交于一点时,目标的二维位置坐标难以确定。
综上所述不能有效的抑制侧距噪声的影响,而且也不能很好的确定位置估计的准确度。
发明内容
为解决上述中存在的问题与缺陷,本发明提供了一种无线传感器网络目标定位的位置估计方法。
本发明是通过以下技术方案实现的:
本发明所涉及的一种无线传感器网络目标定位的位置估计方法,包括:
选取无线传感器网络监测范围内任意数量的位置;
选用数学建模方法;
对选取的无线传感器网络监测范围内的任意位置到多个锚节点的直线距离与该位置坐标的非线性关系进行建模;
目标位置估计时以距离矢量作为模型输入,输出得到目标位置的估计值。
其中位置估计方法还包括以下步骤:
对无线传感器网络监测范围进行网格化,且以网格的端点作为位置点;
计算位置点到各个锚节点的直线距离组成距离矢量;
以每个位置点所计算的距离矢量作为位置估计模型的输入样本,以相对应位置点的坐标值作为输出样本;
使用数学建模方法对模型输入、输出样本进行回归学习,得到位置估计模型;
将目标到各个锚节点的测距矢量作为模型输入,模型输出为目标位置的估计值。
本发明提供的技术方案的有益效果是:
通过计算无线传感器网络监测范围内一定数量的位置点到多个锚节点的直线距离作为输入样本,以所述位置点的坐标作为输出样本,采用数学建模方法支持向量回归机对输入、输出样本进行回归学习,得到估计位置的决策函数;然后利用目标到各个锚节点的测距矢量作为决策函数的输入,输出得到目标位置的估计值。使本发明极大地抑制侧距噪声的影响,而且还明显地提高了位置估计的准确度。
附图说明
图1是位置估计方法流程图;
图2是位置估计方法的具体实现流程图;
图3是位置估计模型样本计算示意图;
图4是目标位置估计示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述:
参见图1,本实施例提供了一种无线传感器网络目标定位的位置估计方法,该方法是通过对网络监测范围内的任意位置对多个锚节点的直线距离与该位置坐标的非线性关系进行建模并使用所得模型来实现对目标坐标值进行估计,包括以下步骤:
步骤101:在无线传感器网络监测范围内选取任意数量的位置。
步骤102:选用数学建模方法。
步骤103:对选取的无线传感器网络监测范围内的任意位置到多个锚节点的直线距离与所述位置坐标的非线性关系进行建模。
步骤104:目标位置估计时以距离矢量作为模型输入,输出得到目标位置的估计值。
本实施例首先通过数学运算得到目标轴位置估计模型的输入输出样本,并使用支持向量回归机对样本回归学习得到估计轴的决策函数,则具体步骤参见图2,包括:
步骤201:对无线传感器网络监测范围进行网格化,且以网格的端点作为位置点。
步骤202:计算位置点到各个锚节点的直线距离组成距离矢量。
步骤203:以每个位置点所计算的距离矢量作为位置估计模型的输入样本,以相对应位置点的坐标值作为输出样本。位置点的坐标X作为目标X轴的估计模型输出样本,且位置点的坐标Y作为目标Y轴的估计模型输出样本。
步骤204:使用数学建模方法对模型输入、输出样本进行回归学习,得到位置估计模型。其中采用数学建模方法支持向量回归机对所述目标X、Y轴的估计模型的输入、输出样本进行回归学习,得到估计X、Y轴坐标的决策函数。
步骤205:将目标到各个锚节点的距离矢量作为模型输入,模型输出为目标位置的估计值。其中是将目标到各个锚节点的测距矢量输入到X轴坐标的决策函数获得目标X轴的估计值,输入到Y轴坐标的决策函数获得目标Y轴的估计值。
参见图3,已知无线传感器网络监测范围(xa,ya)-(xb,yb)(0<xa<xb,0<ya<yb),K(K≥3)个锚节点以及坐标(x1 *,y1 *),(x2 *,y2 *),...(xK *,yK *),其中xa<xi *<xb,ya<yi *<yb(i∈K)。首先通过数学运算得到目标X轴估计模型和目标Y轴估计模型的输入输出样本。先对无线传感器网络监测范围进行网格化,以网格的端点作为位置点,得到N个位置点以及坐标(x1′,y1′),(x2′,y2′),...(xN′,yN′),其中xa<xi′<xb,ya<yi′<yb(i∈N)。计算每个位置点到各个锚节点的直线距离组成矩阵D=[d1′,d2′,...dN′]T,其中di′=[di1′,di2′,...diK′](i∈N),比如d12′,则为位置点1到锚节点2的直线距离。目标X轴估计模型输入di′(i=1,2,...N),输出为xi′(i=1,2,...N),则训练样本为Tx={(d1′,x1′),(d2′,x2′),...(dN′,xN′)},目标Y轴估计模型训练样本为Ty={(d1′,y1′)(d2′,y2′),...(dN′,yN′)}。使用支持向量回归机对目标X轴估计模型和目标Y轴估计模型的样本进行回归学习得到估计X轴坐标的决策函数 和估计Y轴坐标的决策函数
参见图4,无线传感器网络监测范围内的目标使用测距技术,如红外、RSSI、声音等,得到与锚节点的测距矢量R=[d1,d2,...dK],其中d1为目标到锚节点1的测量距离。R作为估计X轴坐标的决策函数输入,输出 则为目标的X轴坐标;R作为估计Y轴坐标的决策函数输入,输出 则为目标的Y轴坐标。同理定位系统获得到锚节点到目标的测距矢量,输入决策函数获得位置的估计。
本实施例提供的方法能够采用数学建模方法支持向量回归机对输入、输出样本进行回归学习,得到估计位置的决策函数,并利用目标到各个锚节点的测量距离作为决策函数的输入,输出得到目标位置的估计值。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种无线传感器网络目标定位的位置估计方法,其特征在于,包括:
选取无线传感器网络监测范围内任意数量的位置;
选用数学建模方法;
对选取的无线传感器网络监测范围内的任意位置到多个锚节点的直线距离与该位置坐标的非线性关系进行建模。
2.根据权利要求1所述的位置估计方法,其特征在于,其中目标位置估计时以距离矢量作为模型输入,输出得到目标位置的估计值。
3.根据权利要求1所述的位置估计方法,其特征在于,所述方法还包括以下步骤:
对无线传感器网络监测范围进行网格化,且以网格的端点作为位置点;
计算位置点到各个锚节点的直线距离组成距离矢量;
以每个位置点所计算的距离矢量作为位置估计模型的输入样本,以相对应位置点的坐标值作为输出样本;
使用数学建模方法对模型输入、输出样本进行回归学习,得到位置估计模型;
将目标到各个锚节点的测距矢量作为模型输入,模型输出为目标位置的估计值。
4.根据权利要求3所述的位置估计算法,其特征在于,所述位置点的坐标X作为目标X轴的估计模型输出样本,且位置点的坐标Y作为目标Y轴的估计模型输出样本。
5.根据权利要求3或4所述的位置估计算法,其特征在于,其中采用数学建模方法支持向量回归机对所述目标X、Y轴的估计模型的输入、输出样本进行回归学习,得到估计X、Y轴坐标的决策函数。
6.根据权利要求5所述的位置估计算法,其特征在于,目标位置估计时采用目标与锚节点的测距矢量作为位置估计模型输入所述X轴坐标的决策函数中,并且输出一相应值,则该输出值为目标X轴坐标估计值。
7.根据权利要求6所述的位置估计算法,其特征在于,将所述目标到锚节点的测距矢量输入所述Y轴的决策函数,并输出一相应值,则该输出值为目标Y轴坐标的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100561941A CN101216546B (zh) | 2008-01-15 | 2008-01-15 | 一种无线传感器网络目标定位的位置估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100561941A CN101216546B (zh) | 2008-01-15 | 2008-01-15 | 一种无线传感器网络目标定位的位置估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101216546A true CN101216546A (zh) | 2008-07-09 |
CN101216546B CN101216546B (zh) | 2011-06-01 |
Family
ID=39623021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100561941A Expired - Fee Related CN101216546B (zh) | 2008-01-15 | 2008-01-15 | 一种无线传感器网络目标定位的位置估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101216546B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393260B (zh) * | 2008-11-06 | 2011-04-06 | 华南理工大学 | 一种无线传感器网络目标定位与跟踪方法 |
CN101720056B (zh) * | 2009-09-07 | 2012-12-19 | 广州市香港科大霍英东研究院 | 基于多信道和支持向量回归的多个无设备物体追踪方法 |
CN103079264A (zh) * | 2012-07-25 | 2013-05-01 | 浪潮电子信息产业股份有限公司 | 一种改进的无线传感器网络DV-Hop定位算法 |
CN104640204A (zh) * | 2015-01-26 | 2015-05-20 | 电子科技大学 | 一种非直达波环境下无线传感器网络节点定位方法 |
CN104968047A (zh) * | 2015-06-30 | 2015-10-07 | 中国地质大学(武汉) | 一种面向移动网络中节点网络距离的预测方法 |
WO2017067479A1 (zh) * | 2015-10-23 | 2017-04-27 | 华为技术有限公司 | 一种节点定位的方法及设备 |
CN109640261A (zh) * | 2018-11-22 | 2019-04-16 | 天津理工大学 | 一种基于支持向量回归机的异构无线传感器网络的定位算法 |
CN111708065A (zh) * | 2020-05-22 | 2020-09-25 | 广州杰赛科技股份有限公司 | 一种基于智能网联汽车的定位方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1988550B (zh) * | 2005-12-21 | 2010-08-25 | 中国科学院电子学研究所 | 一种无线传感器网络无锚点定位的分布式实现方法 |
CN1945351B (zh) * | 2006-10-21 | 2010-06-02 | 中国科学院合肥物质科学研究院 | 一种机器人导航定位系统及导航定位方法 |
CN100451673C (zh) * | 2007-01-18 | 2009-01-14 | 北京航空航天大学 | 无线传感器网络的加权距离矢量定位方法 |
-
2008
- 2008-01-15 CN CN2008100561941A patent/CN101216546B/zh not_active Expired - Fee Related
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393260B (zh) * | 2008-11-06 | 2011-04-06 | 华南理工大学 | 一种无线传感器网络目标定位与跟踪方法 |
CN101720056B (zh) * | 2009-09-07 | 2012-12-19 | 广州市香港科大霍英东研究院 | 基于多信道和支持向量回归的多个无设备物体追踪方法 |
CN103079264A (zh) * | 2012-07-25 | 2013-05-01 | 浪潮电子信息产业股份有限公司 | 一种改进的无线传感器网络DV-Hop定位算法 |
CN104640204A (zh) * | 2015-01-26 | 2015-05-20 | 电子科技大学 | 一种非直达波环境下无线传感器网络节点定位方法 |
CN104640204B (zh) * | 2015-01-26 | 2018-03-23 | 电子科技大学 | 一种非直达波环境下无线传感器网络节点定位方法 |
CN104968047A (zh) * | 2015-06-30 | 2015-10-07 | 中国地质大学(武汉) | 一种面向移动网络中节点网络距离的预测方法 |
CN104968047B (zh) * | 2015-06-30 | 2018-06-15 | 中国地质大学(武汉) | 一种面向移动网络中节点网络距离的预测方法 |
WO2017067479A1 (zh) * | 2015-10-23 | 2017-04-27 | 华为技术有限公司 | 一种节点定位的方法及设备 |
US10356744B2 (en) | 2015-10-23 | 2019-07-16 | Huawei Technologies Co., Ltd. | Node localization method and device |
CN109640261A (zh) * | 2018-11-22 | 2019-04-16 | 天津理工大学 | 一种基于支持向量回归机的异构无线传感器网络的定位算法 |
CN111708065A (zh) * | 2020-05-22 | 2020-09-25 | 广州杰赛科技股份有限公司 | 一种基于智能网联汽车的定位方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101216546B (zh) | 2011-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101216546B (zh) | 一种无线传感器网络目标定位的位置估计方法 | |
Franceschini et al. | A review of localization algorithms for distributed wireless sensor networks in manufacturing | |
Razavi et al. | Using reference RFID tags for calibrating the estimated locations of construction materials | |
CN101923118B (zh) | 建筑物影响估计装置及建筑物影响估计方法 | |
KR20190053470A (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN101378592A (zh) | 一种基于rssi的无线传感网络节点定位方法 | |
CN105578417A (zh) | 一种移动中的人员的室内定位方法 | |
CN103905992A (zh) | 一种基于指纹数据的无线传感器网络的室内定位方法 | |
Bekcibasi et al. | Increasing RSSI localization accuracy with distance reference anchor in wireless sensor networks | |
CN102883428A (zh) | 基于ZigBee无线传感器网络的节点定位方法 | |
CN104363649B (zh) | 带有约束条件的ukf的wsn节点定位方法 | |
CN103338509A (zh) | 一种基于隐含马尔可夫模型的wsn室内定位方法 | |
Huang et al. | Minimum cost localization problem in wireless sensor networks | |
CN103929717A (zh) | 一种基于权重Voronoi图的无线传感器网络定位方法 | |
CN107708202A (zh) | 一种基于DV‑Hop的无线传感器网络节点定位方法 | |
CN103249144A (zh) | 一种基于c型的无线传感器网络节点定位方法 | |
Liu et al. | Trilateration positioning optimization algorithm based on minimum generalization error | |
CN103630876A (zh) | 基于RSSI的ZigBee节点定位方法 | |
Wu et al. | Cooperative motion parameter estimation using RSS measurements in robotic sensor networks | |
Skibniewski et al. | Simulation of accuracy performance for wireless sensor‐based construction asset tracking | |
Yang et al. | Research on 3D positioning of handheld terminal based on particle swarm optimization | |
Ren et al. | Improved extended Kalman filter based on fuzzy adaptation for SLAM in underground tunnels | |
Soleimanifar et al. | Applying received signal strength based methods for indoor positioning and tracking in construction applications | |
Arai et al. | Color radiomap interpolation for efficient fingerprint wifi-based indoor location estimation | |
Farmani et al. | A hybrid localization approach in wireless sensor networks using a mobile beacon and inter-node communication |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110601 Termination date: 20150115 |
|
EXPY | Termination of patent right or utility model |