CN103152745A - 一种强自适应性移动节点定位的方法 - Google Patents

Abstract

本发明属于无线传感器定位跟踪技术领域，具体公开了一种强自适应性移动节点定位的方法，包括以下步骤：获取该移动节点的历史位置队列，所述历史位置队列中至少包含该移动节点在定位时刻t之前的三个时刻所在的位置坐标；根据所述历史位置队列预测该移动节点在定位时刻t时的位置坐标（x_t,y_t）；以移动节点在定位时刻t时的运动速度v和运动方向的角度θ形成的采样区域中采集N个样本点，形成采样集合L_t。根据采样集合L_t中的样本计算该移动节点在定位时刻t的位置。本发明通过对移动节点当前的运动速度和运动方向的估计，从而能够估计其大概的运动区域，有效降低了在定位过程中的计算量。

Description

一种强自适应性移动节点定位的方法

技术领域

本发明属于无线传感器定位跟踪技术领域，更具体的说，涉及一种用于无线传感器网络中强自适应性移动节点定位的方法。

背景技术

无线传感器网络(Wireless Sensor Network,WSN)由大量部署在监控区域的传感器节点组成，通过无线通信方式形成一个多跳自组织网络系统，协作感知、采集和处理相关监控信息。对于大多数应用而言，不知道传感器节点的位置而感知的数据是没有意义的。因此，传感器节点必须明确自身位置才能详细说明“在什么位置或者区域发生了特定事件”，实现对外部目标的定位和跟踪。另外一方面，了解传感器节点位置信息还可以提高路由效率，为网络提供命名空间，向部署者报告网络的覆盖质量，实现网络负载均衡等。因此，实现无线传感器网络节点的定位技术在无线传感器网络的规划、设计和应用均是一项非常重要的因素。然而，人工部署和为所有网络节点安装GPS接收器都会受到成本、功耗和扩展性等方面的限制，甚至在某些场合可能根本无法实现。

目前对无线传感器网络定位方法主要分为测距方法和非测距方法两大类。测距方法依赖额外硬件测量节点间的距离信息，如接受信号强度（RSSI）、信号的到达时间（TOA）、信号到达时间差（TDOA）以及信号的到达角度（AOA）；非测距方法主要根据节点的连通性实现节点定位，定位成本较低，例如质心算法、APIT算法，DV-Hop算法，凸规划算法等。

然而，在节点移动的环境中，随着网络结构的实时变化，节点速度的不确定性，运动状态的不可知等因素影响，传统的定位算法并不能满足定位要求。幸运的是，研究人员关于对移动节点定位的研究已经取得了长足的进展，并在许多已经公开或授权的专利文献中得以公开。

例如，中国专利CN101520502A中公开了一种对无线传感器网络移动节点的跟踪定位方法，包括以下步骤：在一个测量定位周期中，近似保持均速直线运动的移动节点以已知的时间间隔发送至少四次低重频脉冲信标信号，由一个主锚节点连续四次接收信标信号，并通过自时差测量而得到三个相对于初始测量时刻的自时差关系式，利用余弦定理从由移动节点的运动轨迹和探测波的运动矢径所构成的定位测量三角形中给出二个三角函数方程，联解方程式，即能确定出所述移动节点和锚节点之间的相对距离和速度。进一步通过采用信标转发技术，由二个辅助锚节点向主锚节点转发所述移动节点最后一次发送的信标信号,实现对移动节点的非同步坐标定位。本发明无需锚节点之间的时间同步即能实现对移动目标的跟踪定位。

另外，中国专利CN101931866A中一种无线通信技术领域的用于移动无线传感器网络的节点定位方法，包括以下步骤：分别给无线传感器网络中的每个节点编号并设置初始位置可信度标志值，初始位置坐标与初始速度矢量；节点以时间T为周期，周期性的广播其定位信息，同时接收其邻居节点广播的定位信息，且通过接收到的邻居节点的信号强度得到这两个节点间的粗估位置；对待定位节点分别进行位置枚举处理、速度更新处理和位置可信度重估处理，得到待定位节点新的位置坐标、新的速度矢量和新的位置可信度标志值；当前周期结束后，开始新的周期，重新对网络中的节点进行定位。本发明只需少数已知具体位置的节点，就可在快速移动的无线传感器网络实现节点定位服务，且定位简单、准确度高。

此外，还可以使用蒙特卡罗定位方法（Monte Carlo Localization，MCL)对移动节点进行定位。蒙特卡罗定位方法的核心思想是：在贝叶斯滤波位置估计的基础上，把待定节点可能出现的位置用加权样本集的形式表示，用N个带有权重的离散采样来估计节点位置。主要通过预测阶段和滤波阶段实现节点定位。MCL定位算法计算简单，复杂性低。定位过程中的收敛速度和粒子采样对定位环境依赖性低。算法随机性强，适合解决节点运动的无规律问题。

令人失望的，上述的各种对移动节点的定位方法在定位过程的重复计算量非常大，导致系统反应迟滞，难以获得人们的青睐。本领域技术人员仍然希望出现更多的技术以解决上述的技术问题。

发明内容

针对现有技术的不足，本发明要解决的技术问题在于提供一种强自适应性移动节点定位的方法，期待该方法能够有效降低在对移动节点的定位过程中的计算量，提高系统的反应速度。

为此，本发明提供了一种强自适应性移动节点定位的方法，该方法包括以下步骤：

获取该移动节点的历史位置队列，所述历史位置队列中至少包含该移动节点在定位时刻t之前的三个时刻所在的位置坐标、和；

根据所述历史位置队列预测该移动节点在定位时刻t时的位置坐标（x_t,y_t）；

以移动节点在定位时刻t时的运动速度v和运动方向的角度θ形成的采样区域中采集N个样本点，形成采样集合L_t，其中，

$v=\min (\sqrt{{(x_t-x_{t-1})}^2+{(y_t-y_{t-1})}^2},v_{\max });$

$\mathrm{\θ}=\max (\arctan \left(\frac{y_t-y_{t-1}}{x_t-x_{t-1}}\right),\mathrm{\π}/6);$

根据采样集合L_t中的样本计算该移动节点在定位时刻t的位置，其中，

$\left\{\begin{array}{c}{x}_t=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_t{x_t}^i\\ y_t=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_t{x_t}^i\end{array}\right.;$

其中，为第i个样本点在定位时刻t的权值。

上述技术方案中，所述历史位置队列由三个时刻所在的位置坐标、和构成。该移动节点在定位时刻t之前的三个时刻所在的位置坐标、和可以通过蒙特卡罗方法计算。由于仅仅需要对移动节点的初始的几个位置进行测算，还可以通过人工对移动节点的位置进行测算，或者通过GPS对移动节点进行测算。

上述技术方案中，可以使用灰度预测模块GM（1,1），根据所述历史位置队列预测该移动节点在定位时刻t时的位置坐标（x_t,y_t）。此外，还可以通过牛顿插值公式进行位置预测。

由于运动的连续性，本领域技术人员可以根据上一时刻的位置，在以运动速度v和运动方向的角度θ形成各种各样的采样区域中进行采样。然而，优选的，可以以该移动节点在定位时刻t的前一时刻t_t-1的定位位置为原点，以所述运动速度v的大小为半径，在所述运动速度v方向上的顺时针方向和逆时针方向各展开所述运动方向的角度θ形成的扇形区域为采样区域，进一步提高了采样区域中样本的精确性，降低了重复计算次数。

此外，如果所述采用区域中的样本点的数量少于N，则将在所述运动速度v方向上的顺时针方向和逆时针方向各展开所述运动方向的角度2*θ形成的扇形区域为采样区域。

作为本发明的一种改进的技术方案，其要解决的技术问题是提供一种进一步减少重复计算步骤、定位精度高的对移动节点的定位方法。

为此，在完成采样区域中采集N个样本点，形成采样集合L_t后，还包括滤波步骤，其包括：

提供跳锚节点集合S_t和跳临节点集合T_t，所述跳锚节点集合S_t由所述采样集合L_t中可以被所述移动节点侦听到的跳锚节点组成；所述跳临节点集合T_t由所述采样集合L_t中不能被移动节点侦听到，但是可以被所述跳锚节点侦听到的跳临节点组成；

测量移动节点至跳锚节点集合S_t中的样本s的距离d_s，以及移动节点至跳临节点集合T_t中的样本s的距离为d_t；

计算采样集合L_t中各样本s的分布概率P，

其中，Rs为移动节点至跳锚节点集合S_t中的样本s的最大估计距离；

R_T为移动节点至跳临节点集合T_t中的样本s的最大估计距离。

通过使用估计距离进行滤波步骤，有效提高了定位精度。节点的定位精度与采样本N中粒子的有效性有直接联系，采样粒子有效性越高，定位位置越精确。移动过程中，未知节点必然处于与所有通信锚节点估计距离的相交区域，采样粒子中不在这一区域的就去除掉，这一措施最后将得到高有效性的采样本N，从而提高定位精度。

上述技术方案中，完成滤波步骤后，还包括加权步骤。其中，所述采样集合L_t中各样本s_i对应的权值为：

w_t ^i’=w_t-1 ^i’p(z_t|x_t ⁱ)；

${w_t}^i=\frac{{w_t}^{i^{,}}}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w_t}^{j^{,}}}.$

作为本发明更进一步改进的技术方案，其要解决的技术问题是提供一种具有定位的自适应和鲁棒性的定位方法。其在上述更进一步改进的技术方案中，如果满足滤波条件的样本的数量大于N/4且小于N/2，则还包括若干次遗传交叉步骤，在所述采用集合L_t中形成新的采样点（x_k，y_k），

$\left\{\begin{array}{c}{x}_k=\mathrm{\α}{x}_i+(1-\mathrm{\α})x_j\\ y_k=\mathrm{\α}{y}_i+(1-\mathrm{\α})y_j\end{array}\right.$

其中，(x_i,y_i)和(x_j,y_j)为采用集合L_t中的任意两个样本；

α为交叉因子，其数值大于0且小于1，所述交叉因子取值范围优选为[0.2,0.8]，所述遗传交叉步骤优选为2-3次。

本发明还取得了如下有益效果：

本发明通过对移动节点当前的运动速度和运动方向的估计，从而能够估计其大概的运动区域，使得对该移动节点的位置的进行预测的样本更为接近，有效降低了在定位过程中的计算量，提高了系统的反应速度。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：

图1是本发明实施例1的流程图；

图2是使用灰度预测模块GM（1,1）预测移动节点的位置坐标的流程图；

图3是采样区域的示意图，在移动节点的运动速度和方向形成的采样区域中进行采样；

图4是扩大的采用区域的示意图，图中的采样区域在移动节点的运动速度v方向上的顺时针方向和逆时针方向各展开所述运动方向的角度2*θ；

图5是本发明实施例2的流程图；

图6是图5中滤波阶段的流程图；

图7是本发明实施例3的流程图；

图8是图7中遗传交叉步骤的示意图；

具体实施方式

图1是本发明实施例1的强自适应性移动节点定位的方法的流程图，该方法包括以下步骤：

步骤S101：获取该移动节点的历史位置队列，所述历史位置队列中至少包含该移动节点在定位时刻t之前的三个时刻所在的位置坐标、和。在历史位置队列的初始阶段还没有位置坐标的情况下，可以使用人工对移动节点的位置进行测量，或者使用GPS等工具获取移动节点的历史位置信息，此外，还优选使用蒙特卡罗方法计算该移动节点在定位初始时刻的三个时刻所在的位置坐标。关于蒙特卡罗计算该移动节点的方法，本领域技术人员可以参阅Hu Ling-xuan和Evans D等人提出的适用于移动传感器网络节点定位跟踪的MCL(Monte CarloLocalization)算法。另外，在某些优选的实施方式中，所述历史位置队列由三个时刻所在的位置坐标x₁ ⁽⁰⁾=x_t-3，x₂ ⁽⁰⁾=x_t-2,x₃ ⁽⁰⁾=x_t-1构成。当在后续的定位过程中产生了新的位置坐标，则将新的位置坐标插入该历史位置队列之中，并将历史位置队列中最早的位置坐标丢弃。

步骤S102：使用灰度预测模型GM（1,1），根据所述历史位置队列预测该移动节点在定位时刻t时的位置坐标（x_t,y_t）。

图2是利用灰度预测模型GM（1,1）预测移动节点在定位时刻t时的位置坐标流程图。其步骤如下：

步骤S201：构造累加生成序列：

x_k ^（1）={x_t-3,x_t-3+x_t-2,x_t-3+x_t-2+x_t-1}

步骤S202：构造数据矩阵B和数据向量Y_n：

$B=\left[\begin{array}{cc}-\frac{1}{2}[{x_1}^{\left(1\right)}+{x_2}^{\left(1\right)}]& 1\\ -\frac{1}{2}[{x_2}^{\left(1\right)}+{x_3}^{\left(1\right)}]& 1\end{array}\right]$ $Y_n=\left[\begin{array}{c}{x_2}^{\left(0\right)}\\ {x_3}^{\left(0\right)}\end{array}\right]$

步骤S203：构造预测模型：

${x_{k+1}}^{\left(1\right)}=({x_0}^{\left(1\right)}-\frac{b}{a})l^{-\mathrm{ak}}+\frac{b}{a}$ （x₀ ⁽¹⁾=x₁ ⁽⁰⁾=x_t-3)

其中，

$\∂=\left[\begin{array}{c}a\\ b\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^T{Y}_n$

将计算出来的a,b代入微分方程得：

${x_{k+1}}^{\left(1\right)}=({x_0}^{\left(1\right)}-\frac{b}{a})l^{-\mathrm{ak}}+\frac{b}{a}$

其中，x₀ ⁽¹⁾=x₁ ⁽⁰⁾=x_t-3

步骤S204：计算当前时刻t的位置坐标的：

x_t=x₄ ⁽⁰⁾=x₅ ⁽¹⁾-x₄ ⁽¹⁾

同理，可以计算出当前时刻t的纵位置坐标，从而可估算出当前时刻位置（x_t，y_t）。

步骤S103：以移动节点在定位时刻t时的运动速度v和运动方向的角度θ形成的采样区域中采集N个样本点，形成采样集合L_t，其中，

$\mathrm{\θ}=\max (\arctan \left(\frac{y_t-y_{t-1}}{x_t-x_{t-1}}\right),\mathrm{\π}/6);$

$v=\min (\sqrt{{(x_t-x_{t-1})}^2+{(y_t-y_{t-1})}^2},v_{\max });$

因此，可以利用运动的连续性，根据上一时刻的位置来进行采样。本领域技术人员可以任意使用运动速度和运动方向来确定采用区域，或者也可以通过有限次实验了得到最佳的采用区域。然而，采样区域优选为如图3所示的区域，以该移动节点在定位时刻t的前一时刻t_t-1的定位位置为原点，以所述运动速度v的大小为半径，在所述运动速度v方向上的顺时针方向和逆时针方向各展开所述运动方向的角度θ形成的扇形区域为采样区域，形成采样集合L_t。

此外，如果所述采用区域中的样本点的数量少于N，则可以如图4所示，将在所述运动速度v方向上的顺时针方向和逆时针方向各展开所述运动方向的角度2*θ形成的扇形区域为采样区域，形成采样集合L_t。

步骤S104：根据采样集合L_t中的样本计算该移动节点在定位时刻t的位置，其中，

$\left\{\begin{array}{c}{x}_t=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_t{x_t}^i\\ y_t=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_t{x_t}^i\end{array}\right.$

其中，为第i个样本点在定位时刻t的权值。

其中的权值可以根据样本的重要性进行设置，如果样本的重要性均衡，例如可以是对各样本设置均等的权值。

图5所示为本发明实施例2的定位方法的流程图，在该实施例中，步骤S501-S503，以及S505与实施例1中的步骤S101-S103，以及S104一致，不同之处在于，完成采样区域中采集N个样本点，形成采样集合L_t的步骤S503后，还包括滤波步骤S504，对样本进行滤波后在进行计算，从而降低了重复计算率。

图6所示为图5中步骤S504的步骤，其包括：

步骤S601：提供跳锚节点集合S_t和跳临节点集合T_t，所述跳锚节点集合S_t由所述采样集合L_t中可以被所述移动节点侦听到的跳锚节点组成；所述跳临节点集合T_t由所述采样集合L_t中不能被移动节点侦听到，但是可以被所述跳锚节点侦听到的跳临节点组成；

步骤S602：测量移动节点至跳锚节点集合S_t中的样本s的距离d_s，以及移动节点至跳临节点集合T_t中的样本s的距离为d_t；

步骤S603：计算采样集合L_t中各样本s的分布概率P，

其中，Rs为移动节点至跳锚节点集合S_t中的样本s的最大估计距离；

R_T为移动节点至跳临节点集合T_t中的样本s的最大估计距离。

在某些优选的实施例中，完成滤波步骤后，还包括加权步骤，其中，所述采样集合L_t中各样本s_i对应的权值为：

w_t ^i’=w_t-1 ^i’p(z_t|x_t ⁱ)；

${w_t}^i=\frac{{w_t}^{i^{,}}}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w_t}^{j^{,}}}.$

本实施例通过对样本进行滤波后在进行计算，从而降低了重复计算率。

图7所示为本发明实施例3的定位方法的流程图，在该实施例中，步骤S701-S704，以及S707与实施例1中的步骤S501-S504，以及S505一致，此处不再进行赘述。不同之处在于，在步骤S704后，还包括步骤S705和若干次步骤S706。

步骤S705：判断满足滤波条件的样本的数量，如果满足滤波条件的样本数量大于N/4且小于N/2，则进入步骤S706，否则，返回步骤S703。

步骤S706：遗传交叉步骤，在所述采用集合L_t中形成新的采样点（x_k，y_k），

$\left\{\begin{array}{c}{x}_k=\mathrm{\α}{x}_i+(1-\mathrm{\α})x_j\\ y_k=\mathrm{\α}{y}_i+(1-\mathrm{\α})y_j\end{array}\right.$

其中，(x_i,y_i)和(x_j,y_j)为采用集合L_t中的任意两个样本；

α为交叉因子，其数值大于0且小于1，优选取值范围为[0.2,0.8]。

如图8所示，在进行遗传交叉步骤时，可以对同一对粒子与它们交叉生成的新粒子归为一个团，团内进行2-3次遗传交叉步骤后将不再进行交叉，只能与其他团进行交叉操作，以防止遗传交叉的收敛速度。图8中，圆点表示采样集合中的样本（又称粒子），四边形表示移动节点的真实位置，三角形是遗传交叉步骤后新生成的粒子，椭圆形称为团，团与团之间可以进行交叉，经过限制后的线性交叉方法已经不再容易收敛，同时能保持粒子的多样性。

下面通过一具体实施例进行详细描述，以使本领域技术人员进一步领会本发明的精神及实质。

设定移动节点通信半径为25m，最大运动速度为10m/s,样本集大小为25。移动节点在第6个时刻所保存的历史队列为：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{ccc}36.3091& 34.4598& 34.6691\\ 122.8939& 121.7595& 119.9339\end{array}\right]$

通过历史队列中的位置信息，利用GM(1,1)模型先预测下一时刻（即第7个时刻）的横坐标：

构造累加生成序列：x₇ ^（1）={36.3091  70.7689  105.4379}

构造数据矩阵B和数据向量Y_n：

$B=\left[\begin{array}{cc}-53.5390& 1.0000\\ -88.1034& 1.0000\end{array}\right]$ $Y_n=\left[\begin{array}{c}34.4598\\ 34.6691\end{array}\right]$

计算参数a,b：

$\∂=\left[\begin{array}{c}a\\ b\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^T{Y}_n=\left[\begin{array}{c}-0.0061\\ 34.1357\end{array}\right]$

得出预测模型：

将计算出来的a,b带入，解微分方程可计算出x₇ ⁽¹⁾、x₈ ⁽¹⁾,根据x7=x7⁽⁰⁾=x₈ ⁽¹⁾-x₇ ⁽¹⁾可估算出当前时刻横坐标位置，纵坐标用同样的步骤可计算出来，则得到：

$v=\min (\sqrt{{(x_t-x_{t-1})}^2+{(y_t-y_{t-1})}^2},v_{\max })=3.596524$

$\mathrm{\θ}=\max (\arctan \left(\frac{y_t-y_{t-1}}{x_t-x_{t-1}}\right),\mathrm{\π}/6)=1.453124$

在采样区域：

进行初采样：

第7时刻移动未知节点与锚节点的估计距离信息：

R_S=[6.565233  14.360346…12.470657]_1×7

R_T=[26.713267  34.286600…30.354155]_1×6

过滤之后符合条件的样本点集为

经过遗传交叉最终生成的样本集N为：

$N={\left[\begin{array}{cccc}34.6030& 30.4872& ...& 34.6030\\ 120.9554& 119.2758& ...& 117.4554\end{array}\right]}_{2\×25}$

最终计算出来的位置：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{c}34.567587\\ 120.062615\end{array}\right]$

与真实位置的误差为：

$\mathrm{error}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{{(x_i-x)}^2+{(y_i-y)}^2}}{R}=0.092425$

真实坐标为：

（x_i，y_i）=（31.000000,123.000000）

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种强自适应性移动节点定位的方法，其特征在于其包括以下步骤：

获取该移动节点的历史位置队列，所述历史位置队列中至少包含该移动节点在定位时刻t之前的三个时刻所在的位置坐标；

根据所述历史位置队列预测该移动节点在定位时刻t时的位置坐标（x_t,y_t）；

以移动节点在定位时刻t时的运动速度v和运动方向的角度θ形成的采样区域中采集N个样本点，形成采样集合L_t，其中，

$v=\min (\sqrt{{(x_t-x_{t-1})}^2+{(y_t-y_{t-1})}^2},v_{\max });$

$\mathrm{\θ}=\max (\arctan \left(\frac{y_t-y_{t-1}}{x_t-x_{t-1}}\right),\mathrm{\π}/6);$

根据采样集合L_t中的样本计算该移动节点在定位时刻t的位置，其中，

$\left\{\begin{array}{c}{x}_t=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_t{x_t}^i\\ y_t=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_t{x_t}^i\end{array}\right.;$

其中，为第i个样本点在定位时刻t的权值。

2.如权利要求1所述的强自适应性移动节点定位的方法，其特征在于：所述历史位置队列由三个时刻所在的位置坐标x₁ ⁽⁰⁾=x_t-3，x₂ ⁽⁰⁾=x_t-2,x₃ ⁽⁰⁾=x_t-1构成。

3.如权利要求1所述的强自适应性移动节点定位的方法，其特征在于：使用蒙特卡罗方法计算该移动节点在初始定位时刻前三个时刻所在的位置坐标，形成初始历史队列，之后采用本专利方法计算出来的位置进行更新。

4.如权利要求1所述的强自适应性移动节点定位的方法，其特征在于：使用灰度预测模块GM（1,1），根据所述历史位置队列预测该移动节点在定位时刻t时的位置坐标（x_t,y_t）。

5.如权利要求1所述的强自适应性移动节点定位的方法，其特征在于：以该移动节点在定位时刻t的前一时刻t_t-1的定位位置为原点，以估算出来的运动速度v的大小为半径，在运动速度v方向上的顺时针方向和逆时针方向各展开所述运动方向的角度θ形成的扇形区域为采样区域。

6.如权利要求5所述的强自适应性移动节点定位的方法，其特征在于：如果所述采用区域中的样本点的数量少于N，则将在所述运动速度v方向上的顺时针方向和逆时针方向各展开所述运动方向的角度2*θ形成的扇形区域为采样区域。

7.如权利要求1所述的强自适应性移动节点定位的方法，其特征在于：完成采样区域中采集N个样本点，形成采样集合L_t后，还包括滤波步骤，其包括：

提供跳锚节点集合S_t和跳临节点集合T_t，所述跳锚节点集合S_t由所述采样集合L_t中可以被所述移动节点侦听到的跳锚节点组成；所述跳临节点集合T_t由所述采样集合L_t中不能被移动节点侦听到，但是可以被所述跳锚节点侦听到的跳临节点组成；

测量移动节点至跳锚节点集合S_t中的样本s的距离d_s，以及移动节点至跳临节点集合T_t中的样本s的距离为d_t；

计算采样集合L_t中各样本s的分布概率P，

其中，Rs为移动节点至跳锚节点集合S_t中的样本s的最大估计距离；

R_T为移动节点至跳临节点集合T_t中的样本s的最大估计距离。

8.如权利要求7所述的强自适应性移动节点定位的方法，其特征在于：完成滤波步骤后，还包括加权步骤，其中，所述采样集合L_t中各样本s_i对应的权值为：

w_t ^i’=w_t-1 ^i’p(z_t|x_t ⁱ)；

${w_t}^i=\frac{{w_t}^{i^{,}}}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w_t}^{j^{,}}}.$

9.如权利要求8所述的强自适应性移动节点定位的方法，其特征在于：如果满足滤波条件的样本的数量大于N/4且小于N/2，则还包括若干次遗传交叉步骤，在所述采用集合L_t中形成新的采样点（x_k，y_k），

$\left\{\begin{array}{c}{x}_k=\mathrm{\α}{x}_i+(1-\mathrm{\α})x_j\\ y_k=\mathrm{\α}{y}_i+(1-\mathrm{\α})y_j\end{array}\right.$

其中，(x_i,y_i)和(x_j,y_j)为采用集合L_t中的任意两个样本；

α为交叉因子，其数值大于0且小于1。

10.如权利要求9所述的强自适应性移动节点定位的方法，其特征在于：所述交叉因子取值范围为[0.2,0.8]。

Images