CN102883430A - 一种基于测距的无线传感网络节点定位方法 - Google Patents

Abstract

本发明公开了一种基于测距的无线传感网络节点定位方法。本发明方法针对现有基于测距的无线传感网络节点定位技术中，由于非视距传播导致的RSSI、TOA、TDOA、AOA等无线测距数据误差较大，进而影响定位精度的问题，利用量子BP神经网络对无线测距数据进行修正，并使用修正后的测距数据进行定位。相比现有技术，本发明方法能够大幅提高无线传感器网络的定位精度，且训练学习时间短，算法收敛速度、鲁棒性好。

Description

一种基于测距的无线传感网络节点定位方法

技术领域

本发明涉及一种无线传感网络节点定位方法，尤其涉及一种基于测距的无线传感网络节点定位方法，属于无线传感网络技术领域。

背景技术

无线传感器网络定位是无线传感器网络通信技术领域中的一个重要分支，它在灾难监控、仓库管理、交互式存储、工厂自动化生产线等众多领域有着重要的地位。

在无线传感网中，只有少数节点知道自身位置，这些节点称为锚节点（或信标节点）。其他节点通过锚节点的位置信息来定位，这些节点被统称为未知节点。传感器网络的节点能量有限、可靠性差、规模较大、通信距离有限的特点制约了位置数据的获得。在满足传感网自组织性、健壮性、能量高效等情况下，如何获得较好的定位测量效果，是一个热点研究课题。

已有的无线传感网的定位方法一般可以分为基于测距(range-based）的定位方法和基于非测距（range-free）的定位方法。基于测距的定位方法由于实际测量节点间的距离或角度，通常定位精度相对较高。其基本原理是首先测量未知节点与一定数量的锚节点间的信号指示强度(received signal strength indicator，RSSI)、信号到达时间（time ofarrival，TOA)/时间差TDOA(time difference of arrival，TDOA)、信号到达角度（angleof arrival，AOA)等测距数据，然后根据这些测距数据，利用三/四边法、三/四角法、极大似然估计法等算法获得未知节点的位置坐标。现有的各种基于测距的定位方法是通过无线信号实际测量RSSI、TOA、TDOA、AOA等测距数据，测量过程中会受到非视距传播(NLOS)的影响，从而影响最终的定位精度。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于测距的无线传感网络节点定位方法，能够有效减少非视距传播对测距数据准确性的影响，提高定位精度。

本发明具体采用以下技术方案解决上述技术问题：

一种基于测距的无线传感网络节点定位方法，在所述无线传感网络中随机撒布至少4个锚节点，然后通过无线信号获得未知节点与所述锚节点间的测距数据，最后根据未知节点与所述锚节点间的测距数据得到未知节点的位置；在获得未知节点与所述锚节点间的测距数据后，利用量子BP神经网络对所述测距数据进行误差修正，并根据误差修正后的测距数据得到未知节点的位置；所述误差修正具体包括以下步骤：

步骤A、构建一个量子BP神经网络；

步骤B、在所述无线传感网络中设置多个位置已知的传感器节点，通过无线信号获取所述位置已知的传感器节点与各锚节点间的测距数据，将其进行量子化后作为训练样本的输入；对所述位置已知的传感器节点与各锚节点间的实际测距数据进行量子化，作为训练样本的输出；对所述量子BP神经网络进行训练；

步骤C、通过无线信号获取未知节点与各锚节点间的测距数据，进行量子化后，将其输入训练好的量子BP神经网络，所得输出即为误差修正后的未知节点与所述锚节点间的测距数据。

相比现有技术，本发明采用量子BP神经网络对信号指示强度、信号到达时间/时间差、信号到达角度等测距数据的测量值进行误差修正，利用量子BP神经网络的更快学习特性和逼近任意非线性映射的能力，有效减小测距数据的测量误差（尤其是非视距传播导致的测量误差），有效提高了无线传感网络的节点定位精度。

附图说明

图1为量子BP神经网络的结构示意图；

图2为具体实施方式中本发明定位方法的流程示意图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明的思路是：在现有基于测距的无线传感网络节点定位方法基础上，利用量子BP神经网络对信号指示强度、信号到达时间/时间差、信号到达角度等测距数据的测量值进行误差修正，从而达到提高定位精度的目的。

量子神经网络是借用人脑中存在的量子力学效应，将人工神经和量子理论结合起来，更好地模拟人脑的信息处理过程。N.B.Karayiannis借用了量子理论中叠加态原理，提出了三层的量子神经网络模型。日本学者Matsui等人提出了用量子态作为神经元的状态，在传统的神经网络拓扑结构的基础上，采用量子比特的信息表示和处理方式，运用一位量子旋转门和两位受控门的特性构造了基于复数的学习算法（MATSUI N,KOUDA N,NISHIMURA H.Neural network based on QBP and itsperformance[C]//Proceedings of the IEEE-INNS-ENNS International Joint Conference onNeural Networks,2000.3:247-252）。本专利运用的一种量子BP神经网络是基于量子态输入，实值输出的新型三层量子神经网络模型（参见文献[李士勇,李盼池.量子计算与量子优化算法[M].2008:118-126.]）

在量子计算中，对量子计算进行一系列的酉变换，可以实现某些逻辑功能，这些变换所起的作用相当于数字电路中的逻辑门所起的作用。因此，在一定的时间间隔内实现逻辑变换的量子装置被称为量子门。量子门是实现量子计算的基础。已经证明，一些通用的量子门组可以构成任意的量子门，最基本的量子门组由一位相移门和两位受控门组成。（参见文献[解光军，周典，范海秋.基于量子门组单元的神经网络及其应用[J].系统工程理论与实践，2005（5）：113-117]）。

一位相移门定义为：

$R\left(\mathrm{\θ}\right)=\left[\begin{array}{cc}\cos \mathrm{\θ}& -\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]$

令量子态：

在R(θ)作用下可得

显然R(θ)起到相位移动的作用。

量子非门的作用在于用概率对量子进行相位旋转，其定义为：

$U=\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]$

由

可知量子非门的作用就是一种相位的旋转。受控非门可构造为：

$C\left(k\right)=\left[\begin{array}{cc}\cos (\frac{\mathrm{k\π}}{2}-{2\mathrm{\θ}}_0)& -\sin (\frac{\mathrm{k\π}}{2}-{2\mathrm{\θ}}_0)\\ \sin (\frac{\mathrm{k\π}}{2}-{2\mathrm{\θ}}_0)& \cos (\frac{\mathrm{k\π}}{2}-{2\mathrm{\θ}}_0)\end{array}\right]$

其中k取值不同代表，受控门的作用不同，具体含义如下：

1.当k=1，表示

翻转。

2.当k=0，表示

未翻转。

3.当0<k<1,

量子BP神经网络是基于量子神经元模型的，而神经元模型包括输入、移相、聚合、翻转、输出。量子相移门的功能是对量子态输入进行移相，聚合运用求和实现，翻转由受控非门实现。量子BP神经网络由若干个神经元按照一定的拓扑规则构建（LI P C,LIS Y.Learning algorithm and application of quantum BP neural networks based on universalquantum gates[J].Journal of Systems Engineering and Electronnics，2008,19（1）：167-174;李飞，赵生妹，郑宝玉.量子神经网络及其在CDMA多用户检测中的应用[J].信号与信息处理，2005,21（6）：555-559）。量子BP神经网络的基本结构如图1所示，是由输入层、隐含层、输出层组成的，类似于BP神经网络的三层结构。设|x_i＞为网络的输入，h_j为隐层输出，y_k为网络输出，R(θ_ij)为更新的隐层量子位的量子旋转门，w_jk为隐层和输出层之间的连接权重，受控非门C(0)和U(α_j)为输入层和隐含层的传递函数，各层输入输出关系可描述为：

$h_j=\sin (\frac{\mathrm{\&pi;}}{2}f\left({\mathrm{\&alpha;}}_j\right)-\arg \left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}R\left({\mathrm{\&theta;}}_{\mathrm{ij}}\right)\right|x_i>))---\left(1\right)$

$y_k=g\left(\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{w}_{\mathrm{jk}}{h}_j\right)---\left(2\right)$

其中i＝1,2,...,n，j=1,2,...,p，k=1,2,...,m，n、p、m分别为输入层、隐层、输出层的节点数。

调整量子BP神经网络的三组参数：旋转参数θ_ij，翻转参数α_j和连接权w_jk，首先定义误差函数：

$E=\frac{1}{2}{(\tilde{Y}-Y)}^2---\left(3\right)$

其中

是经过训练处理后网络的期望输出；

记

将公式(2)写成：

$y_k=g\left(\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{w}_{\mathrm{jk}}\sin (\frac{\mathrm{\&pi;}}{2}f\left({\mathrm{\&alpha;}}_j\right)-{\mathrm{\&beta;}}_j)\right)---\left(4\right)$

令

根据梯度下降法，得到：

${\mathrm{\&Delta;\&theta;}}_{\mathrm{ij}}=-\frac{\&PartialD;E}{{\&PartialD;\mathrm{\&theta;}}_{\mathrm{ij}}}=-\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}({\tilde{y}}_k-y_k)g^{\&prime;}{w}_{\mathrm{jk}}\cos (\frac{\mathrm{\&pi;}}{2}f\left({\mathrm{\&alpha;}}_j\right)-{\mathrm{\&beta;}}_j)\frac{T_j}{1+S_j^2}---\left(5\right)$

$\mathrm{\&Delta;}{\mathrm{\&alpha;}}_j=-\frac{\&PartialD;E}{\&PartialD;{\mathrm{\&alpha;}}_j}=\frac{\mathrm{\&pi;}}{2}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}({\tilde{y}}_k-y_k)g^{\&prime;}{w}_{\mathrm{jk}}\cos (\frac{\mathrm{\&pi;}}{2}f\left({\mathrm{\&alpha;}}_j\right)-{\mathrm{\&beta;}}_j)f^{\&prime;}---\left(6\right)$

$\mathrm{\&Delta;}{w}_{\mathrm{jk}}=-\frac{\&PartialD;E}{\&PartialD;w_{\mathrm{jk}}}=\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}({\tilde{y}}_k-y_k)g^{\&prime;}{w}_{\mathrm{jk}}\sin (\frac{\mathrm{\&pi;}}{2}f\left({\mathrm{\&alpha;}}_j\right)-{\mathrm{\&beta;}}_j)---\left(7\right)$

三组参数的调整规则分别为

θ_ij(t+1)=θ_ij(t)+ηΔθ_ij(t)                        (8)

α_j(t+1)=α_j(t)+ηΔα_j(t)                           (9)

w_jk(t+1)=w_jk(t)+ηΔw_jk(t)                           (10)

其中η为学习速率，t为迭代步数。

为了使公众更清楚地理解本发明技术方案，下面以基于TDOA的定位方法为例来进行进一步说明。

以服从COST259准则的一般市区模型为无线传感器网络的定位环境，该无线传感网络的覆盖范围为边长10km的正方形区域，其中均匀分布有3000个未知节点。在无线传感网络的覆盖范围内随机撒布有7个锚节点。在进行基于TDOA的定位时，其流程如图2所示，包括：

步骤1、按照如上所述构建一个量子BP神经网络，输入层含有n=6个节点，隐含层有p=20个节点，输出层有m=6个节点；本实施例中，学习速率η=0.2。

步骤2、在所述无线传感网络中设置500个位置真实可靠的已知的传感器节点，通过无线信号获取所述位置已知的传感器节点与各锚节点间的测距数据，这500个节点提供的数据作为已知的训练样本数据。另外的2500个节点提供的数据作为测试样本，用以验证定位效果。

由于在本实施例中定义了7个锚节点，那么每个传感器节点对应的TDOA值就是6个。定义向量 $\stackrel{\_}{X}={({\stackrel{\_}{x}}_1,{\stackrel{\_}{x}}_2{,...,\stackrel{\_}{x}}_6)}^T={[{\mathrm{TDOA}}_1,{\mathrm{TDOA}}_2,{\mathrm{TDOA}}_3,{\mathrm{TDOA}}_4,{\mathrm{TDOA}}_5,{\mathrm{TDOA}}_6]}^T.$ 500个传感器节点产生了500组不同的

向量。将500组数据量子化后作为量子BP神经网络的输入。具体而言，对6维实值样本

进行量子化，量子化转换公式如下：

|X＞=(|x₁＞,|x₂＞,...,|x_n＞)^T                    （11）

其中，

$|x_i>=\cos \left(\frac{2\mathrm{\&pi;}}{1+\exp (-x_i)}\right)|0>+\sin \left(\frac{2\mathrm{\&pi;}}{1+\exp (-x_i)}\right)|1>={[\cos \left(\frac{2\mathrm{\&pi;}}{1+\exp (-x_i)}\right),\sin \left(\frac{2\mathrm{\&pi;}}{1+\exp (-x_i)}\right)]}^T---\left(12\right)$

exp()为e的指数次幂，基向量 $|0>=\left(\begin{array}{c}1\\ 0\end{array}\right),$ $|1>=\left(\begin{array}{c}0\\ 1\end{array}\right).$

由于锚节点与这500个传感器节点的位置已知，因此可根据锚节点与传感器节点间的实际距离通过简单的计算得到所述500个位置已知的传感器节点与各锚节点间的理论上（即不存在误差）的TDOA数据，将其作为训练样本的输出；对所述量子BP神经网络进行训练。

步骤3、通过无线信号获取剩余的2500个未知节点与各锚节点间的TDOA数据，利用步骤B中的方法将其构造成6维向量并进行量子化，然后输入到训练好的量子BP神经网络中，那么量子BP神经网络的输出即为误差修正后的未知节点与所述锚节点的TDOA数据。

通过上述方法得到的修正后TDOA数据，已将通过无线信号实际测量TDOA数据时所产生的误差（尤其是非视距传播导致的误差）大幅降低，因此利用修正后的TDOA数据进行定位，可获得更高的定位精度。

步骤4、根据误差修正后的TDOA数据得到未知节点的位置。

利用修正后的TDOA测量数据，采用现有各种基于测距的的定位方法即可得到待定位节点的坐标。本发明优选采用经典Taylor算法，具体如下：

设未知节点坐标(x,y)，参与定位的锚节点坐标为(x_l,y_l)，c为电波传播速度，根据电波传播时间建立以下方程：

$r_l^2={\left({\mathrm{c\&tau;}}_l\right)}^2={(x_l-x)}^2+{(y_l-y)}^2=x_l^2+y_l^2-2x_{l}x-2y_{l}y+x^2+y^2---\left(13\right)$

令r_l，1为未知节点到第l个和第l个锚节点之间的距离差，则有：

$r_{l,1}^2=r_l-r_1=\sqrt{{(x_l-x)}^2+{(y_l-y)}^2}-\sqrt{{(x_1-x)}^2+{(y_1-y)}^2}---\left(14\right)$

在选定的初始位置(x₀,y₀)进行泰勒展开，忽略掉二阶及二阶以上分量的项，在每一次递归中通过求解TDOA测量误差的局部最小二乘解来改进估计，得到下面表达式：

ψ=h_d-G_dδ_d                        (15)

其中， $h_d=\left[\begin{array}{c}{r}_{\mathrm{2,1}}-(r_2-r_1)\\ r_{\mathrm{3,1}}-(r_3-r_1)\\ .\\ .\\ .\\ r_{M,1}-(r_M-r_1)\end{array}\right],$ ${\mathrm{\&delta;}}_d=\left[\begin{array}{c}\mathrm{\&Delta;x}\\ \mathrm{\&Delta;y}\end{array}\right],$ $G_d=\left[\begin{array}{cc}\frac{x_1-x_0}{r_1}-\frac{x_2-x_0}{r_2}& \frac{y_1-y_0}{r_1}-\frac{y_2-y_0}{r_2}\\ \frac{x_1-x_0}{r_1}-\frac{x_3-x_0}{r_3}& \frac{y_{1-}{y}_0}{r_1}-\frac{y_3-y_0}{r_3}\\ .& .\\ .& .\\ .& .\\ \frac{x_1-x_0}{r_1}-\frac{x_M-x_0}{r_M}& \frac{y_1-y_0}{r_1}-\frac{y_M-y_0}{r_M}\end{array}\right]$

则上式的加权最小二乘解(WLS)为：

${\mathrm{\&delta;}}_d=\left[\begin{array}{c}\mathrm{\&Delta;x}\\ \mathrm{\&Delta;y}\end{array}\right]={\left(G_d^T{Q}^{-1}{G}_d\right)}^{-1}{G}_d^T{Q}^{-1}{h}_d---\left(16\right)$

其中，Q为修正后TDOA测量值误差的协方差矩阵，则待定位节点的初始值更新为：

x₀′=x₀+Δx,y₀′=y₀+Δy            (17)

对公式（13）~（16）所述Taylor算法进行递归，直到Δx,Δy满足|Δx|+|Δy|<ε，迭代结束，其中ε=30m为设定的门限值；此时(x₀′,y₀′)即为待定位节点的位置(x,y)。

以上的实施例仅以基于信号到达时间差（TDOA）的定位方法为例对本发明方法进行了说明，类似地，本发明方法也适用于基于RSSI、TOA、AOA等其它无线测距数据的定位方法，利用量子BP神经网络对无线测距数据进行修正，从而提高定位精度。

相比现有技术，本发明方法能够大幅提高无线传感器网络的定位精度，且训练学习时间短，算法收敛速度、鲁棒性好。

Claims (5)

1.一种基于测距的无线传感网络节点定位方法，在所述无线传感网络中随机撒布至少4个锚节点，然后通过无线信号获得未知节点与所述锚节点间的测距数据，最后根据未知节点与所述锚节点间的测距数据得到未知节点的位置；其特征在于，在获得未知节点与所述锚节点间的测距数据后，利用量子BP神经网络对所述测距数据进行误差修正，并根据误差修正后的测距数据得到未知节点的位置；所述误差修正具体包括以下步骤：

步骤A、构建一个量子BP神经网络；

步骤B、在所述无线传感网络中设置多个位置已知的传感器节点，通过无线信号获取所述位置已知的传感器节点与各锚节点间的测距数据，将其进行量子化后作为训练样本的输入；计算所述位置已知的传感器节点与各锚节点间的实际测距数据，将其作为训练样本的输出；对所述量子BP神经网络进行训练；

步骤C、通过无线信号获取未知节点与各锚节点间的测距数据，进行量子化后，将其输入训练好的量子BP神经网络，所得输出即为误差修正后的未知节点与所述锚节点间的测距数据。

2.如权利要求1所述基于测距的无线传感网络节点定位方法，其特征在于，所述测距数据为信号到达时间差。

3.如权利要求2所述基于测距的无线传感网络节点定位方法，其特征在于，所述量子BP神经网络的输入层节点数与输出层节点数均为：（锚节点数-1）。

4.如权利要求3所述基于测距的无线传感网络节点定位方法，其特征在于，所述量子BP神经网络的学习速率为0.2。

5.如权利要求1所述基于测距的无线传感网络节点定位方法，其特征在于，使用经典Taylor 算法，根据误差修正后的测距数据得到未知节点的位置。

Images