CN102231910B - 无线传感器网络中基于粒子束优化的支持向量机的定位方法 - Google Patents

Abstract

无线传感器网络中基于粒子束优化的支持向量机的定位方法，涉及一种应用于无线传感器网络中的定位方法。本发明解决了现有定位方法中存在的定位精度低、计算开销大、需要硬件支持的缺点。本发明所基于的无线传感器网络包括多个可通过信号强度测量距离的传感器节点、可收集全部节点信息并计算的网关；应用于上述无线传感器网络中的基于粒子束优化的支持向量机的定位方法为：采用统计学习的方法，结合粒子束优化理论和支持向量机理论，对网络中的待测节点进行定位。本发明利用粒子束优化和支持向量机的方法提高传感器节点自身的定位精度，当网络中存在噪声干扰时，仍能得到良好的定位效果。本发明适用于基于各种应用的集中式无线传感器网络中的定位。

Description

无线传感器网络中基于粒子束优化的支持向量机的定位方法

技术领域

本发明涉及一种应用于无线传感器网络中的定位方法，尤其涉及基于粒子束优化的支持向量机定位方法。

技术背景

无线传感器网络（Wireless Sensor Network,WSN）是近年来得到迅速发展和普遍重视的新型网络技术，它是由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织的网络系统，其目的是协作地感知、采集和处理网络覆盖区域中被感知对象的信息，并发送给观察者。与传统的网络技术不同，无线传感器网络技术将现代无线通信技术、微型传感器技术和网络技术有机地融合为一体，在国防、环境监测、家庭自动化、传输和其他许多领域具有广阔的应用前景和极高的应用价值。

静态的无线传感网络是将大量位置不随时间变化的传感器节点分布到监测区域，并将节点收集的有效信息传送回来进行工作的，而有效信息中节点位置信息是传感器节点采集信息中不可缺少的部分。因此，确定获取有效信息的节点位置是传感器网络最基本的功能之一，对传感器网络应用的有效性起关键作用。例如，在环境监测应用中需要知道采集环境信息对应具体区域；对于火灾等突发事件，需要知道火灾发生现场位置；化工管道泄漏的具体地点等。在这些应用中，只有传感器节点知道自身的地理位置，才能进一步采取相应措施。

在WSN中，传感器节点存在着能量有限、可靠性差、节点规模大且随机布放、无线模块的通信距离有限等特点，传统的定位技术无法很好的适用于传感器网络。全球定位系统(Global Position System，简称GPS)成本和能耗高，限制了它在无线传感器网络中的应用。因而，在WSN中GPS等设备只能应用在个别节点上以减轻网络负担，而大部分传感器节点仍然需要通过定位算法对自身的位置进行预测。

无线传感器网络中的节点定位问题可以描述为：在一个存在多个已知自身位置节点的多跳网络中，通过定位系统、利用可用的信息找到待测节点的位置。现有的静态网络定位算法主要有Range-Based算法和Range-Free两种：前者是利用RSSI、TOA、TDOA、AOA等测距信息定位，具体算法如ROCRSSI等；后者是利用网络的连通度定位，如质心算法等。然而，现有的定位算法大多存在以下问题：（1）定位精度低；（2）计算开销大；（3）需要额外的硬件支持，如天线阵列；（4）需要先验的部署知识。

发明内容

本发明的目的在于解决上述现有定位方法的缺点与不足，而提供一种无线传感器网络中基于粒子束优化的支持向量机的定位方法。

本发明所述的定位方法中，所述无线传感器网络包括多个可通过信号强度测量距离的传感器节点、可收集全部节点信息并计算的网关；

应用于上述无线传感器网络中的基于粒子束优化的支持向量机的定位方法为：采用统计学习的方法，结合粒子束优化理论和支持向量机理论，对网络中的待测节点进行定位。

具体过程为：

步骤一：初始化阶段；

在此阶段中，将无线传感器网络的二维空间[0,D]×[0,D]中各方向做M等分，并建立支持向量机的高斯核函数

$K(x,x_i)=\exp \{-\frac{{|x-x_i|}^2}{{\mathrm{\σ}}^2}\},---\left(1\right)$

在各方向的支持向量机中，任意测试数据按照公式：

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}{y}_{i}K(x,x_i)+b^{*}\};---\left(2\right)$

分类，其中，x_i是支持向量，K(x,x_i)是核函数，σ²为高斯核函数方差，α_i ^*是x_i的拉格朗日因子，b^*是分类门限值，l为测试数据向量个数，sgn是符号函数；

建立粒子束优化的目标函数

$f(x,y)=\frac{1}{P}\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{(\sqrt{{(x-x_i)}^2+{(y-y_i)}^2}-\widehat{d_i})}^2;---\left(3\right)$

其中，y_i∈{-1,1}是x_i的分类标注，

是加入高斯白噪声后的实际估计距离，P是待测节点的邻居锚节点数量；

步骤二：支持向量机粗定位；

首先，计算表示锚节点间距离的训练特征向量，并将计算结果代入支持向量机中，计算各方向上的支持向量机参数x_i、α_i ^*和限值b^*；

然后，估计待测节点到锚节点的距离，并将该距离和相应节点信息传到网关，并在网关中生成测试数据向量；

最后通过支持向量机分类判断得到待测节点的初步位置，并将其作为步骤三中的初始位置gbest；

步骤三：粒子束优化定位阶段；

步骤三一、在区域中通过随机生成粒子形成粒子束，并在该区域中选择L个粒子作如下处理；

步骤三二、逐一将每个粒子的位置信息带入到目标函数中获得相应的目标函数值，同时，将初始位置带入到目标函数中获得相应的目标函数值，比较获得的所有目标函数值，获得最优值，并将该最优值对应的位置信息作为更新后的待测节点的初始位置；

步骤三三、更新粒子束中的每个粒子的速度和位置信息，然后返回执行步骤三二，获得更新后的待测节点的初始位置；

循环执行步骤三二和步骤三三，所述循环的终止条件为：

当所述初始位置满足定位精度要求时，循环终止，将该初始位置作为待测节点的估计位置；

或者，当执行步骤三二到指定次数时，循环终止，将最后一次获得的初始位置作为待测结点的估计位置。

本发明的方法中，不断将更新后的速度和位置带入目标函数，并对计算结果进行比较，找到最优函数解对应粒子位置更新为待测节点的估计位置，使得而待测节点的估计位置将不断趋近于其实际位置。

本发明的步骤一中，网络将二维空间[0,D]×[0,D]中各方向做M等分，是指将二维空间[0,D]×[0,D]中x方向和y方向分别分成M等份，在x方向上为{cx₁,cx₂,…,cx_M}；在y方向上为{cy₁,cy₂,…,cy_M}；

此时，步骤二中所述的支持向量机粗定位过程中的训练数据为：支持向量机在x方向的训练特征向量为

{[d(S_i,S₁),d(S_i,S₂),…,d(S_i,S_K)i],cx_i}；

在y方向的训练特征向量为

{[d(S_i,S₁),d(S_i,S₂),…,d(S_i,S_K)_i],cy_i}，

K表示无线传感器网络中存在的锚节点的个数，i=1,2,…,K，d(S_i,S₁)为第i个锚节点S_i与第1个锚节点S₁间的距离，以此类推；

将上述训练特征向量带入公式(2)计算获得每个方向上支持向量机的支持向量x_i、拉格朗日因子α_i ^*和分类门限值b^*。

步骤二中，估计待测节点到锚节点的距离，并将该距离和相应节点信息传到网关，并在网关中生成测试数据向量的过程为：

待测节点S_l与每一个锚节点的距离向量为

[d(S_l,S₁),d(S_l,S₂),…,d(S_l,S_K)]，其中l=K+1,K+2,…,N，

向量中若两节点间距离大于R，则其距离数值记为2R，并将此距离对应的待测节点与锚节点间的距离向量记为支持向量机的测试数据向量，所述R为无线传感器网络中的节点的通信距离。

步骤二中，通过支持向量机分类判断得到待测节点的初步位置的过程为；

将待测节点S_l对应的测试数据向量代入公式（4），计算得到所述待测节点S_l在x和y方向上的分类[cx_i,cy_j]，该待测节点S_l在区域单元

中，则该待测节点S_l的估计位置为(x_c,y_c)，其中

$x_c=(i-\frac{1}{2})\frac{D}{M},---\left(4\right)$

$y_c=(j-\frac{1}{2})\frac{D}{M},---\left(5\right)$

其误差最大值为

所述估计位置为初步位置。

步骤三三中，更新粒子束中的每个粒子的速度和位置信息的方法为：

采用公式

$\left\{\begin{array}{c}{v}_{\mathrm{ix}}(t+1)={\mathrm{\ωv}}_{\mathrm{ix}}\left(t\right)+c_1{r}_1\left(t\right)({\mathrm{pbest}}_{\mathrm{ix}}(t+1)-x_{\mathrm{ix}}\left(t\right))+c_2{r}_2\left(t\right)({\mathrm{gbest}}_x(t+1)-x_{\mathrm{ix}}\left(t\right))\\ v_{\mathrm{iy}}(t+1)={\mathrm{\ωv}}_{\mathrm{iy}}\left(t\right)+c_1{r}_1\left(t\right)({\mathrm{pbest}}_{\mathrm{iy}}(t+1)-x_{\mathrm{iy}}\left(t\right))+c_2{r}_2\left(t\right)({\mathrm{gbest}}_y(t+1)-x_{\mathrm{iy}}\left(t\right))\end{array}\right.---\left(6\right)$

更新第i个粒子pbest_i的速度，其中v_ix(t)和v_iy(t)分别表示t时刻第i个粒子在x方向和y方向的速度，gbest_x(t+1)表示t+1时刻待测节点x方向的初始位置信息，gbest_y(t+1)表示t+1时刻待测节点y方向的初始位置信息，x_ix(t)和x_iy(t)分别表示t时刻第i个粒子在x方向和y方向的位置，ω为惯性加权系数，ω=0.7，c₁,c₂为常数，c₂=c₁=1.494，r₁(t),r₂(t)为[0,1]范围内的随机数；

采用公式

$\left\{\begin{array}{c}{x}_{\mathrm{ix}}(t+1)=x_{\mathrm{ix}}\left(t\right)+v_{\mathrm{ix}}(t+1)\\ x_{\mathrm{iy}}(t+1)=x_{\mathrm{iy}}\left(t\right)+v_{\mathrm{iy}}(t+1)\end{array}\right.---\left(7\right)$

更新第i个粒子pbest_i的位置。

本发明所涉及的无线传感器网络WSN定位技术中的节点分为两类：待测节点和锚节点。

其中，待测节点是指网络初始化阶段节点的位置是未知的节点，需要通过定位方法对其进行定位。锚节点，是指通过GPS等外界设备，在初始化阶段就已知其位置的节点，它是定位系统的定位基础。

本发明所述的定位方法是一种适应于静态二维集中式无线传感器网络的定位方法，该定位方法能够在不增加额外硬件开销的同时，利用粒子束优化和支持向量机的方法提高传感器节点自身的定位精度。本发明所述的定位方法能广泛适用于各种无线传感器网络中。

附图说明

图1是本发明所述方法的总体流程图；图2是支持向量机粗定位的工作流程图。

具体实施方式

具体实施方式一：本实施方式所述的无线传感器网络中基于粒子束优化的支持向量机的定位方法中，所述无线传感器网络包括多个可通过信号强度测量距离的传感器节点、可收集全部节点信息并计算的网关；应用于上述无线传感器网络中的基于粒子束优化的支持向量机的定位方法为：采用统计学习的方法，结合粒子束优化理论和支持向量机理论，对网络中的待测节点进行定位。

本实施方式中的无线传感器网络中的N个传感器节点{S₁,S₂,…，S_N}中有K个锚节点{S₁,S₂,…,S_K}，其中K<N，，所述K个锚节点的分布密度为ρ_L，其他节点为待测节点{S_K+1,S₂,…,S_N}，所述待测节点的分布密度为ρ_s，并且ρ_s>>ρ_L，本实施方式中，将待测节点记为S_l，S_l∈{S_K+1,S_K+2,…,S_N}，

本实施方式所述的定位方法的具体过程为：

步骤一：初始化阶段；

在此阶段中，将无线传感器网络的二维空间[0,D]×[0,D]中各方向做M等分，并建立支持向量机的高斯核函数

$K(x,x_i)=\exp \{-\frac{{|x-x_i|}^2}{{\mathrm{\&sigma;}}^2}\},---\left(1\right)$

在各方向的支持向量机中，任意测试数据根据公式：

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{{\mathrm{\&alpha;}}_i}^{*}{y}_{i}K(x,x_i)+b^{*}\};---\left(2\right)$

分类，其中，x_i是支持向量，K(x,x_i)是核函数，σ²为高斯核函数方差，α_i ^*是x_i的拉格朗日因子，b^*是分类门限值，l为测试数据向量个数，sgn是符号函数；

建立粒子束优化的目标函数

$f(x,y)=\frac{1}{P}\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}{(\sqrt{{(x-x_i)}^2+{(y-y_i)}^2}-\widehat{d_i})}^2;---\left(3\right)$

其中，y_i∈{-1,1}是x_i的分类标注，

是加入高斯白噪声后的实际估计距离，P是待测节点的邻居锚节点数量；

步骤二：支持向量机粗定位；

首先，计算表示锚节点间距离的训练特征向量，并将计算结果代入支持向量机中，计算各方向上的支持向量机参数x_i、α_i ^*和限值b^*；

然后，估计待测节点到锚节点的距离，并将该距离和相应节点信息传到网关，并在网关中生成测试数据向量；

最后通过支持向量机分类判断得到待测节点的初步位置，并将其作为步骤三中的初始位置gbest；

步骤三：粒子束优化定位阶段；

步骤三一、在区域

中通过随机生成粒子形成粒子束，并在该区域中选择L个粒子作如下处理；

步骤三二、逐一将每个粒子的位置信息带入到目标函数中获得相应的目标函数值，同时，将初始位置带入到目标函数中获得相应的目标函数值，比较获得的所有目标函数值，获得最优值，并将该最优值对应的位置信息作为更新后的待测节点的初始位置；

步骤三三、更新粒子束中的每个粒子的速度和位置信息，然后返回执行步骤三二，获得更新后的待测节点的初始位置；

循环执行步骤三二和步骤三三，所述循环的终止条件为：

当所述初始位置满足定位精度要求时，循环终止，将该初始位置作为待测节点的估计位置；

或者，当执行步骤三二到指定次数时，循环终止，将最后一次获得的初始位置作为两侧节点的估计位置。

在实际应用中，根据不同应用背景，精度要求和循环次数要求也不尽相同，因此获得最终估计位置的条件是不同的。例如：在桥梁健康检测等环境中，要求定位极为准确，则可以设定定位精度，并将该精度作为该方法的终止条件，而不限定循环次数，例如：可以设定精度小于5米，当计算获得的估计位置的精度达到精度要求时，才终止循环，获得最终结果。在农业应用等开阔环境中，对精度要求不高，则可以通过限制循环次数获得最终估计位置。

本实施方式中，步骤一中，网络将二维空间中各方向做M等分是指将二维空间[0,D]×[0,D]中x方向和y方向分别分成M等份，在x方向上为{cx₁,cx₂,…,cx_M}；在y方向上为{cy₁,cy₂,…,cy_M}；

本实施方式中，步骤二所述的支持向量机粗定位的数据处理过程参见图2所示。

步骤二中所述的支持向量机粗定位过程中的训练数据为：支持向量机在x方向的训练特征向量为

{[d(S_i,S₁),d(S_i,S₂),…,d(S_i,S_K)_i],cx_i}；

在y方向的训练特征向量为

{[d(S_i,S₁),d(S_i,S₂),…,d(S_i,S_K)_i],cy_i}，

K表示无线传感器网络中存在的锚节点的个数，i=1，2，……，K，d(S_i,S₁)为第i个锚节点S_i与第1个锚节点S₁间的距离，以此类推；

将上述训练特征向量带入公式(2)计算获得每个方向上支持向量机的支持向量x_i、拉格朗日因子α_i ^*和分类门限值b^*。

本实施方式中，步骤二中估计待测节点到锚节点的距离，并将该距离和相应节点信息传到网关，并在网关中生成测试数据向量的过程为：

待测节点S_l与每一个锚节点的距离向量为

[d(S_l,S₁),d(S_l,S₂),…,d(S_l,S_K)]，其中l=K+1,K+2,…,N，

向量中若两节点距离大于R，则其距离数值记为2R，并将此距离对应的待测节点与锚节点间的距离向量记为支持向量机的测试数据向量，所述R为无线传感器网络中的节点的通信距离。在无线传感器通信网络中，某节点信息可以到达的最远距离称为通信距离。

本实施方式中的步骤二中，通过支持向量机分类判断得到待测节点的初步位置的过程为；

将待测节点S_l对应的测试数据向量代入公式（4），计算得到所述待测节点S_l在x和y方向上的分类[cx_i,cy_j]，该待测节点S_l在单元

中，则该待测节点S_l的估计位置为(x_c,y_c)，其中

$x_c=(i-\frac{1}{2})\frac{D}{M},---\left(4\right)$

$y_c=(j-\frac{1}{2})\frac{D}{M},---\left(5\right)$

其误差最大值为

所述估计位置为初步位置。

上述过程可以采用下述程序源代码实现：

本实施方式中的步骤三三中，更新粒子束中的每个粒子的速度和位置信息的方法为：

采用公式

$\left\{\begin{array}{c}{v}_{\mathrm{ix}}(t+1)={\mathrm{\&omega;v}}_{\mathrm{ix}}\left(t\right)+c_1{r}_1\left(t\right)({\mathrm{pbest}}_{\mathrm{ix}}(t+1)-x_{\mathrm{ix}}\left(t\right))+c_2{r}_2\left(t\right)({\mathrm{gbest}}_x(t+1)-x_{\mathrm{ix}}\left(t\right))\\ v_{\mathrm{iy}}(t+1)={\mathrm{\&omega;v}}_{\mathrm{iy}}\left(t\right)+c_1{r}_1\left(t\right)({\mathrm{pbest}}_{\mathrm{iy}}(t+1)-x_{\mathrm{iy}}\left(t\right))+c_2{r}_2\left(t\right)({\mathrm{gbest}}_y(t+1)-x_{\mathrm{iy}}\left(t\right))\end{array}\right.---\left(6\right)$

更新第i个粒子pbest_i的速度，其中v_ix(t)和v_iy(t)分别表示t时刻、第i个粒子在x方向和y方向的速度，gbest_x(t+1)表示t+1时刻、待测节点x方向的初始位置信息，gbest_y(t+1)表示t+1时刻、待测节点y方向的初始位置信息，x_ix(t)和x_iy(t)分别表示t时刻第i个粒子在x方向和y方向的位置，ω为惯性加权系数，ω=0.7，c₁,c₂为常数，c₂=c₁=1.494，r₁(t),r₂(t)为[0,1]范围内的随机数；

采用公式

$\left\{\begin{array}{c}{x}_{\mathrm{ix}}(t+1)=x_{\mathrm{ix}}\left(t\right)+v_{\mathrm{ix}}(t+1)\\ x_{\mathrm{iy}}(t+1)=x_{\mathrm{iy}}\left(t\right)+v_{\mathrm{iy}}(t+1)\end{array}\right.---\left(7\right)$

更新第i个粒子pbest_i的位置。

以上所述定位方法中，均基于集中式WSN静态定位情况，但本发明并不局限于此种情况。在本发明技术范围内，对于利用支持向量机SVM和粒子束优化PSO的动态定位或分布式网络及相关可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。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 (5)

1.无线传感器网络中基于粒子束优化的支持向量机的定位方法，其特征在于：

所述无线传感器网络包括N个可通过信号强度测量距离的传感器节点{S₁,S₂,…,S_N}、可收集全部节点信息并计算的网关；

应用于上述无线传感器网络中的基于粒子束优化的支持向量机的定位方法为：采用统计学习的方法，结合粒子束优化理论和支持向量机理论，对网络中的待测节点进行定位；

所述无线传感器网络中基于粒子束优化的支持向量机的定位方法的具体过程为：

步骤一：初始化阶段；

在此阶段中，将无线传感器网络的二维空间[0,D]×[0,D]中各方向做M等分，并建立支持向量机的高斯核函数

$K(x,x_i)=\exp \{-\frac{{|x-x_i|}^2}{{\mathrm{\&sigma;}}^2}\},---\left(1\right)$

在各方向的支持向量机中，任意测试数据根据公式：

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{{\mathrm{\&alpha;}}_i}^{*}{y}_{i}K(x,x_i)+b^{*}\};---\left(2\right)$

分类，其中，x_i是支持向量，K(x,x_i)是核函数，σ²为高斯核函数方差，α_i ^*是x_i的拉格朗日因子，b^*是分类门限值，m为测试数据向量个数，sgn是符号函数；

建立粒子束优化的目标函数

$f(x,y)=\frac{1}{P}\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}{(\sqrt{{(x-x_i)}^2+{(y-y_i)}^2}-\widehat{d_i})}^2;---\left(3\right)$

其中，y_i∈{-1,1}是x_i的分类标注，

是加入高斯白噪声后的实际估计距离，P是待测节点的邻居锚节点数量；

步骤二：支持向量机粗定位；

首先，计算表示锚节点间距离的训练特征向量，并将计算结果代入支持向量机中，计算各方向上的支持向量机参数x_i、α_i ^*和限值b^*；

然后，估计待测节点到锚节点的距离，并将该距离和相应节点信息传到网关，并在网关中生成测试数据向量；

最后通过支持向量机分类判断得到待测节点的初步位置，并将其作为步骤三中的初始位置gbest；

步骤三：粒子束优化定位阶段；

步骤三一、在区域

中通过随机生成粒子形成粒子束，并在该区域中选择L个粒子作如下处理；

步骤三二、逐一将每个粒子的位置信息带入到目标函数中获得相应的目标函数值，同时，将初始位置带入到目标函数中获得相应的目标函数值，比较获得的所有目标函数值，获得最优值，并将该最优值对应的位置信息作为更新后的待测节点的初始位置；

步骤三三、更新粒子束中的每个粒子的速度和位置信息，然后返回执行步骤三二，获得更新后的待测节点的初始位置；

循环执行步骤三二和步骤三三，所述循环的终止条件为：

当所述初始位置满足定位精度要求时，循环终止，将该初始位置作为待测节点的估计位置；

或者，当执行步骤三二到指定次数时，循环终止，将最后一次获得的初始位置作为待测结点的估计位置。

2.根据权利要求1所述的无线传感器网络中基于粒子束优化的支持向量机的定位方法，其特征在于步骤一中，网络将二维空间[0,D]×[0,D]中各方向做M等分，是指将二维空间[0,D]×[0,D]中x方向和y方向分别分成M等份，在x方向上为{cx₁,cx₂,…,cx_M}；在y方向上为{cy₁,cy₂,…,cy_M}；

此时，步骤二中所述的支持向量机粗定位过程中的训练数据为：支持向量机在x方向的训练特征向量为

{[d(S_i,S₁),d(S_i,S₂),…,d(S_i,S_K)_i],cx_i}；

在y方向的训练特征向量为

{[d(S_i,S₁),d(S_i,S₂),…,d(S_i,S_K)_i],cy_i}，

K表示无线传感器网络中存在的锚节点的个数，i=1,2,…,K，d(S_i,S₁)为第i个锚节点S_i与第1个锚节点S₁间的距离，以此类推；

将上述训练特征向量带入公式(2)计算获得每个方向上支持向量机的支持向量x_i、拉格朗日因子α_i ^*和分类门限值b^*。

3.根据权利要求1所述的无线传感器网络中基于粒子束优化的支持向量机的定位方法，其特征在于步骤二中，估计待测节点到锚节点的距离，并将该距离和相应节点信息传到网关，并在网关中生成测试数据向量的过程为：

待测节点S_l与每一个锚节点的距离向量为

[d(S_l,S₁),d(S_l,S₂),…,d(S_l,S_K)]，其中l=K+1,K+2,…,N，

向量中若两节点间距离大于R，则其距离数值记为2R，并将此距离对应的待测节点与锚节点间的距离向量记为支持向量机的测试数据向量，所述R为无线传感器网络中的节点的通信距离。

4.根据权利要求1所述的无线传感器网络中基于粒子束优化的支持向量机的定位方法，其特征在于步骤二中，通过支持向量机分类判断得到待测节点的初步位置的过程为；

将待测节点S_l对应的测试数据向量代入公式（4），计算得到所述待测节点S_l在x和y方向上的分类[cx_i,cy_j]，该待测节点S_l在区域单元

中，则该待测节点S_l的估计位置为(x_c,y_c)，其中

$x_c=(i-\frac{1}{2})\frac{D}{M},---\left(4\right)$

$y_c=(j-\frac{1}{2})\frac{D}{M},---\left(5\right)$

其误差最大值为所述估计位置为初步位置。

5.根据权利要求1所述的无线传感器网络中基于粒子束优化的支持向量机的定位方法，其特征在于步骤三三中，更新粒子束中的每个粒子的速度和位置信息的方法为：

采用公式

$\left\{\begin{array}{c}{v}_{\mathrm{ix}}(t+1)={\mathrm{\&omega;v}}_{\mathrm{ix}}\left(t\right)+c_1{r}_1\left(t\right)({\mathrm{pbest}}_{\mathrm{ix}}(t+1)-x_{\mathrm{ix}}\left(t\right))+c_2{r}_2\left(t\right)({\mathrm{gbest}}_x(t+1)-x_{\mathrm{ix}}\left(t\right))\\ v_{\mathrm{iy}}(t+1)={\mathrm{\&omega;v}}_{\mathrm{iy}}\left(t\right)+c_1{r}_1\left(t\right)({\mathrm{pbest}}_{\mathrm{iy}}(t+1)-x_{\mathrm{iy}}\left(t\right))+c_2{r}_2\left(t\right)({\mathrm{gbest}}_y(t+1)-x_{\mathrm{iy}}\left(t\right))\end{array}\right.---\left(6\right)$

更新第i个粒子pbest_i的速度，其中v_ix(t)和v_iy(t)分别表示t时刻第i个粒子在x方向和y方向的速度，gbest_x(t+1)表示t+1时刻待测节点x方向的初始位置信息，gbest_y(t+1)表示t+1时刻待测节点y方向的初始位置信息，x_ix(t)和x_iy(t)分别表示t时刻第i个粒子在x方向和y方向的位置，ω为惯性加权系数，ω=0.7，c₁,c₂为常数，c₂=c₁=1.494，r₁(t),r₂(t)为[0,1]范围内的随机数；

采用公式

$\left\{\begin{array}{c}{x}_{\mathrm{ix}}(t+1)=x_{\mathrm{ix}}\left(t\right)+v_{\mathrm{ix}}(t+1)\\ x_{\mathrm{iy}}(t+1)=x_{\mathrm{iy}}\left(t\right)+v_{\mathrm{iy}}(t+1)\end{array}\right.---\left(7\right)$

更新第i个粒子pbest_i的位置。

Images