CN103237345B - 一种基于二元量化数据的声源目标迭代定位方法 - Google Patents

Abstract

本发明公开了一种基于二元量化数据的声源目标迭代定位方法，其利用若干无线声传感器节点模块和汇聚节点构成目标定位无线传感器网络，基于声传感器节点接收到的目标声音信号强度二元量化数据，利用粒子滤波器迭代估计目标位置。本发明首先将传感器节点接收到的声源信号强度数据量化压缩为一位二进制数据，然后采用粒子滤波与高斯混合核平滑方法对目标位置进行迭代估计，汇聚节点每次只处理一个传感器节点的一位二进制量化数据，降低了对无线传感器网络带宽和频率的要求，减少了网络能量消耗。本发明通过多传感器信息融合获得较高的目标定位精度，在传感器网络能量和带宽等制约下，实现了实时目标定位。

Description

一种基于二元量化数据的声源目标迭代定位方法

技术领域

本发明属于无线传感器网络技术领域，涉及一种声源目标迭代定位方法，尤其是一种基于二元量化数据的声源目标迭代定位方法。

背景技术

无线传感器网络近年来成为研究热点，其由大量低功耗的无线传感器节点组成，通过节点之间的协同可以完成许多复杂的任务，目标定位是无线传感器网络的一个重要应用，其应用领域包括物流跟踪、环境监测、网络控制等。精确的目标定位在实际中具有非常重要的意义，目前国内已有很多关于目标定位方法的研究。

国内专利号为CN201110435631.2的一种粒子状态估计方法，通过观测数据对目标状态进行估计，得到状态信息，将得到的状态信息用于粒子滤波器的重要性采样过程，对粒子权值进行修正，克服了由于滤波初始阶段先验信息不足而对粒子最初先验状态进行错误估计进而导致滤波不稳定甚至发散的问题，但是该方法在重采样阶段复制高权值的粒子，抛弃低权值的粒子，可能会丧失粒子的多样性，导致定位不准确。

国内专利号为CN200980150679.X的使用粒子滤波估计声源地点的方法，所述方法利用声学传递函数之间的相关性，该相关性可以被用作粒子滤波的测量函数的伪似然函数，确定粒子的权重，将音频信息权重与视频信息权重组合产生多模式的粒子滤波方法，该方法没有考虑到当前可以利用的观测信息，使粒子退化现象比较严重。

国内专利号为CN02150140.8的一种位置估计方法，所述方法利用实时获取的非直视（NLOS）信号误差的均值对到达时间（TOA）测量中的直视（LOS）信号误差进行零均值矫正，然后结合NLOS识别结果，利用由NLOS信号误差的概率密度函数和参数确定NLOS信号误差的方差，对位置估计方法中的加权矩阵进行调整，实现对NLOS信号误差的抑制，最后再对多个位置估计结果进行平均，进一步抑制NLOS信号误差，但是该方法不能有效的抑制测距噪声的影响，不能很好的确定位置估计的准确性。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种基于二元量化数据的声源目标迭代定位方法，该方法利用无线声传感器节点模块和汇聚节点构成目标定位无线传感器网络，将收到声源目标信号强度数据量化压缩为二进制数据，利用粒子滤波器迭代估计目标未知参数的概率分布，从而得到目标位置估计。该方法能够减少通信量，同时提高了目标定位的精度。

本发明的目的是通过以下技术方案来解决的：

这种基于二元量化数据的声源目标迭代定位方法，利用若干无线声传感器节点模块和汇聚节点构成目标定位无线传感器网络，将传感器节点接收到声源目标信号强度数据量化压缩为二进制数据，利用粒子滤波器迭代估计目标位置参数的概率分布，从而得到目标位置估计。

进一步，以上将传感器节点接收到声源目标信号强度数据量化压缩为一位二进制数据。

进一步，以上利用粒子滤波器迭代估计目标位置参数的概率分布的方法包括以下步骤：

（2.1）设未知参数θ=[P₀,x,y]包含未知的声源信号强度参数P₀和目标位置坐标(x,y)；在初始迭代i＝0，从区间[0,P_M]上均匀概率分布函数中采样声源信号强度P₀的样本，其中P_M为声音信号的最大值，在整个无线监测区域内均匀概率分布函数中采样目标位置(x,y)的样本，得到M个目标未知参数样本θ₀ ^(m)，m＝1,2,…,M，给每个粒子分配相等的权值得到初始样本集{θ₀ ^(m),w₀ ^(m)|m＝1,…,M}；

（2.2）在后续迭代步骤中，汇聚节点依次序贯激活每一个传感器节点；设在第i+1次迭代中，节点i+1被激活，将其观测到的目标声音强度数据量化压缩为d_i+1＝0或者d_i+1＝1，并传递给汇聚节点；

（2.3）基于高斯混合核平滑方法，汇聚节点利用蒙特卡洛方法从核密度函数的M个高斯分量N(μ_i ^(m),b²V_i)中分别采样得到M个新的目标参数样本其中：N(μ,V)代表均值为μ，协方差矩阵为V的高斯分布概率密度函数，为高斯混合分布中第m个核函数的均值，为样本集合{θ_i ^(m),w_i ^(m)|m＝1,…,M}的协方差矩阵，常数α和b分别表示高斯混合分布的收缩和分散程度，其取值依赖于折衷因子δ，b²＝1-[(3δ-1)2δ]²，0.95≤δ≤0.99，为上次迭代获得的样本集合{θ_i ^(m),w_i ^(m)|m＝1,…,M}的均值；

（2.4）汇聚节点利用传感器节点i+1的量化数据d_i+1＝0或者d_i+1＝1计算每个样本的权值

（2.5）汇聚节点利用权值对所得样本集合进行重采样，得到一组加权样本集合{θ_i+1 ^(m),w_i+1 ^(m)|m＝1,…,M}；

（2.6）汇聚节点利用重采样后的加权样本集合{θ_i+1 ^(m),w_i+1 ^(m)|m＝1,…,M}，迭代计算目标参数估计值：

（2.7）重复上述步骤（2.1）至（2.6），直到遍历完所有传感器节点。

进一步，设在第i次迭代中，汇聚节点得到的加权样本集为{θ_i ^(m),w_i ^(m)|m＝1,…,M}，利用高斯混合核平滑方法，第i次迭代中目标未知参数θ的概率分布表示为高斯混合分布：

进一步，所述目标参数样本权值的迭代计算公式为：

$w_{i+1}^{\left(m\right)}\∝p\left(d_{i+1}\right|{\mathrm{\θ}}_{i+1}^{\left(m\right)})w_i^{\left(m\right)}$

其中：代表二元量化观测数据d_i+1的似然函数。

$p(d_{i+1}=1|{\mathrm{\θ}}_{i+1}^{\left(m\right)})=Q\left(\frac{\mathrm{\η}-a_{i+1}\left({\mathrm{\θ}}_{i+1}^{\left(m\right)}\right)}{\mathrm{\σ}}\right),$

$p(d_{i+1}=0|{\mathrm{\θ}}_{i+1}^{\left(m\right)})=1-Q\left(\frac{\mathrm{\η}-a_{i+1}\left({\mathrm{\θ}}_{i+1}^{\left(m\right)}\right)}{\mathrm{\σ}}\right),$

$a_{i+1}\left({{\mathrm{\θ}}_{i+1}}^{\left(m\right)}\right)=\sqrt{\frac{P_0}{{(s_{x(i+1)}-x)}^2+{(s_{y(i+1)}-y)}^2}},$

其中参数[P₀,x,y]＝θ_i+1 ^(m)，η为预先设定好的量化阈值，σ为传感器观测噪声的协方差，Q(·)为高斯分布的补分布函数，(s_x(i+1),s_y(i+1))为第i+1个传感器节点的位置坐标。

进一步，在目标定位前，首先建立声音信号强度随目标距离衰减的数学模型：

$a_i^2=\frac{G_i{P}_0^{\′}}{{\left(\frac{d_i}{d_0}\right)}^n}$

其中：a_i代表第i个声传感器节点接收到的声源信号强度，G_i是第i个传感器节点的增益，P₀'为在参考距离d₀处声源的信号强度，d_i为目标和第i个传感器节点的距离，(s_xi,s_yi)和(x,y)分别为第i个传感器节点和目标的位置坐标，n=2为声源信号强度衰减指数。

进一步，以上汇聚节点对每个节点的量化数据进行序贯处理，在每次迭代中，汇聚节点只处理一个传感器节点的二元量化数据，其他传感器节点处于休眠状态。

以上所述基于二元量化数据的声源目标迭代定位方法具体包括下列步骤：

步骤A，建立声音信号强度随目标距离衰减的数学模型：

步骤B，各传感器节点对实际接受到的目标信号强度进行量化压缩处理，只传递一个二进制数字信号到汇聚节点；每个传感器节点的观测数据与一个阈值η进行比较，如果高过阈值，传感器发送信号1到融合中心，否则传感器保持静默，不发送信号；在每次迭代中，汇聚节点序贯激活每个传感器节点，为了节约能量，其余节点处于休眠状态；

步骤C，基于高斯混合核平滑方法，利用蒙特卡洛方法从核密度的高斯分量中分别采样新的声源目标参数样本

步骤D，汇聚节点利用接收到的传感器节点二元量化观测数据，计算观测数据的似然函数作为样本的权值并归一化；

步骤E，汇聚节点利用样本权值对所得的样本集合进行重采样；

步骤F，汇聚节点利用所得到的加权样本集合，以序贯方式迭代计算目标的位置估计。

本发明具有以下有益效果：

本发明基于二元量化数据的声源目标迭代定位方法，其传感器观测模式简单，讯通量小，具有较小的计算量，对通讯带宽和频率要求低，具有较高的定位精度。利用粒子滤波算法以及高斯混合核平滑方法，能有效克服粒子的退化现象，加速滤波器收敛，能够完全满足传感器网络目标定位的实时性要求。

附图说明

图1为本发明基于量化数据的声源目标迭代定位方法流程图；

图2为监测区域内无线传感器节点的部署及目标的真实位置示意图；

图3为利用本发明的目标定位方法进行迭代定位的效果图。

图4为利用本发明的目标定位方法对目标位置估计的均方根误差（RMSE）图。

具体实施方式

本发明基于二元量化数据的声源目标迭代定位方法，是利用若干无线声传感器节点模块和汇聚节点构成目标定位无线传感器网络，将传感器节点接收到声源目标信号强度数据量化压缩为二进制数据，利用粒子滤波器迭代估计目标位置参数的概率分布，从而得到目标位置估计。其中，利用粒子滤波器迭代估计目标位置参数的概率分布的方法包括以下步骤：

（2.1）设未知参数q=[P₀,x,y]包含未知的声源信号强度参数P₀和目标位置坐标(x,y)；在初始迭代i＝0，从区间[0,P_M]上均匀概率分布函数中采样声源信号强度P₀的样本，其中P_M为声音信号的最大值，在整个无线监测区域内均匀概率分布函数中采样目标位置(x,y)的样本，得到M个目标未知参数样本θ₀ ^(m)，m＝1,2,…,M，给每个粒子分配相等的权值得到初始样本集{θ₀ ^(m),w₀ ^(m)|m＝1,…,M}；

（2.2）在后续迭代步骤中，汇聚节点依次序贯激活每一个传感器节点；设在第i+1次迭代中，节点i+1被激活，将其观测到的目标声音强度数据量化压缩为d_i+1＝0或者d_i+1＝1，并传递给汇聚节点；

（2.3）基于高斯混合核平滑方法，汇聚节点利用蒙特卡洛方法从核密度函数的M个高斯分量N(μ_i ^(m),b²V_i)中分别采样得到M个新的目标参数样本其中：N(μ,V)代表均值为μ，协方差矩阵为V的高斯分布概率密度函数，为高斯混合分布中第m个核函数的均值，为样本集合{θ_i ^(m),w_i ^(m)|m＝1,…,M}的协方差矩阵，常数α和b分别表示高斯混合分布的收缩和分散程度，其取值依赖于折衷因子δ，b²＝1-[(3δ-1)2δ]²，0.95≤δ≤0.99，为上次迭代获得的样本集合{θ_i ^(m),w_i ^(m)|m＝1,…,M}的均值；

（2.4）汇聚节点利用传感器节点i+1的量化数据d_i+1＝0或者d_i+1＝1计算每个样本的权值

（2.5）汇聚节点利用权值对所得样本集合进行重采样，得到一组加权样本集合{θ_i+1 ^(m),w_i+1 ^(m)|m＝1,…,M}；

（2.6）汇聚节点利用重采样后的加权样本集合{θ_i+1 ^(m),w_i+1 ^(m)|m＝1,…,M}，迭代计算目标参数估计值：

（2.7）重复上述步骤（2.1）至（2.6），直到遍历完所有传感器节点。

以下结合附图对本发明进行详细说明：

本发明的基于二元量化数据的声源目标迭代定位方法的具体实施步骤如下：

步骤A，建立声音信号强度随目标距离衰减的数学模型，

$a_i^2=\frac{G_i{P}_0^{\′}}{{\left(\frac{d_i}{d_0}\right)}^n}$

其中a_i是第i个声传感器节点接收到的声源信号幅度，G_i是第i个传感器节点的增益，P₀'为在参考距离d₀处声源的强度，d_i为目标和第i个传感器节点的距离，(s_xi,s_yi)和(x,y)分别为第i个传感器节点和声源目标的坐标，n=2为信号衰减指数。为了简单起见，假设对所有的传感器G_i＝G，且P₀＝GP₀',d₀＝1。所以信号强度衰减模型可以简化为

$a_i^2=\frac{P_0}{d_i^2}$

考虑进建模误差和背景噪声，第i个传感器实际观测到的来自目标的声信号强度观测值为：

z_i＝a_i+w_i（3）

这里假设噪声w_i对所有的传感器节点是独立同分布的，且服从高斯分布，即w_i～N(0,σ²)，σ为观测噪声的协方差。设目标未知参数θ=[P₀,x,y]，三个分量包含未知待估计的声源信号强度参数P₀和目标位置坐标(x,y)。

步骤B，为了减少网络通讯量从而减少能量消耗和带宽，各传感器节点对实际接受到的目标信号强度进行量化压缩处理，只传递一个二进制数字信号到汇聚节点。每个传感器节点的观测数据与一个设定的阈值η进行比较，如果高过阈值，传感器发送信号1到融合中心，否则传感器保持静默，不发送信号。由观测模型可知，传感器的观测值在区间范围内，将量化阈值设为设传感器节点i的实际观测值为z_i，则量化后的二元观测数据为：

$d_i=\left\{\begin{array}{cc}1& z_i>\mathrm{\η}\\ 0& z_i\≤\mathrm{\η}\end{array}\right.$

在每次迭代中，汇聚节点序贯激活每个传感器节点，为了节约能量，其余节点处于休眠状态。

步骤C，在迭代开始时刻i=0，从区间[0,P_M]（P_M为声源信号的最大值）上均匀概率分布函数中采样声源信号强度P₀的样本，在整个无线监测区域内均匀概率分布函数中采样目标位置坐标(x,y)的样本，得到M个样本粒子θ₀ ^(m)，并且分配相等的权值得到初始样本集{θ₀ ^(m),w₀ ^(m)|m＝1,…,M}。设在第i次迭代中得到的加权样本集合为在i+1次迭代中，汇聚节点基于高斯混合核平滑方法，利用蒙特卡洛方法从核密度的高斯分量中分别采样得到新的声源参数样本具体方法如下：

使用上一次迭代的样本计算高斯混合核函数的参数：

${\stackrel{\‾}{\mathrm{\θ}}}_i={\mathrm{\Σ}}_{m=1}^M{w_i}^{\left(m\right)}{\mathrm{\θ}}_i^m$

$V_i={\mathrm{\Σ}}_{m=1}^M{w_i}^{\left(m\right)}({\mathrm{\θ}}_i^m-{\stackrel{\‾}{\mathrm{\θ}}}_i){({\mathrm{\θ}}_i^m-{\stackrel{\‾}{\mathrm{\θ}}}_i)}^T$

${{\mathrm{\μ}}_i}^{\left(m\right)}={\mathrm{\α\θ}}_i^m+(1-\mathrm{\α}){\stackrel{\‾}{\mathrm{\θ}}}_i$

从核密度的高斯分量N(μ_i ^(m),b²V_i)中分别采样目标位置的样本m＝1,2,…,M。其中：为高斯混合分布中第m个核函数的均值，为上次迭代获得的样本集合{θ_i ^(m),w_i ^(m)|m＝1,…,M}的均值，为样本集合{θ_i ^(m),w_i ^(m)|m＝1,…,M}的协方差矩阵；

步骤D，汇聚节点利用接收到的传感器节点i+1的二元量化数据d_i+1，迭代计算每个样本的权值并归一化

$w_{i+1}^{\left(m\right)}\∝p\left(d_{i+1}\right|{\mathrm{\θ}}_{i+1}^{\left(m\right)})w_i^{\left(m\right)},$

其中：代表二元量化观测数据d_i+1的似然函数。

$p(d_{i+1}=1|{\mathrm{\θ}}_{i+1}^{\left(m\right)})=Q\left(\frac{\mathrm{\η}-a_{i+1}\left({\mathrm{\θ}}_{i+1}^{\left(m\right)}\right)}{\mathrm{\σ}}\right),$

$p(d_{i+1}=0|{\mathrm{\θ}}_{i+1}^{\left(m\right)})=1-Q\left(\frac{\mathrm{\η}-a_{i+1}\left({\mathrm{\θ}}_{i+1}^{\left(m\right)}\right)}{\mathrm{\σ}}\right),$

$a_{i+1}\left({{\mathrm{\θ}}_{i+1}}^{\left(m\right)}\right)=\sqrt{\frac{P_0}{{(s_{x(i+1)}-x)}^2+{(s_{y(i+1)}-y)}^2}},$

其中参数[P₀,x,y]＝θ_i+1 ^(m)，η为预先设定好的量化阈值，σ为传感器观测噪声的协方差，Q(·)为高斯分布的补分布函数，(s_x(i+1),s_y(i+1))为第i+1个传感器节点的位置坐标。

步骤E，汇聚节点利用样本权值对所得的样本集合进行重采样，重采样后的加权样本集合为

步骤F，汇聚节点利用所得到的重采样后的加权样本集合 $\{{\mathrm{\θ}}_{i+1}^{\left(m\right)},w_{i+1}^{\left(m\right)}|m=\mathrm{1,}\·\·\·,M\},$ 迭代计算目标的参数估计值： ${\widehat{\mathrm{\θ}}}_{i+1}=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\stackrel{\‾}{w}}_{i+1}^{\left(m\right)}{\mathrm{\θ}}_{i+1}^{\left(m\right)}.$

转入步骤B，进入下次迭代循环，直到遍历完所有传感器节点。

本发明采用粒子滤波器与高斯混合核平滑方法对目标位置进行迭代估计，汇聚节点每次只需处理一个传感器节点的一位二进制量化数据，降低了对无线传感器网络带宽和频率的要求，减少了网络能量消耗。与传统的目标定位方法相比，本发明通过多传感器信息融合获得较高的目标定位精度，在传感器网络能量和带宽等制约下，实现了实时目标定位。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明的基于量化数据的声源目标迭代定位方法进一步进行详细说明。

参见图1，为基于量化数据的声源目标迭代定位方法流程图，该方法主要包括以下步骤：

步骤S101，在初始迭代i＝0，从区间[0,P_M]上均匀概率分布函数中采样声源信号强度P₀的样本，其中P_M为声音信号的最大值，在整个无线监测区域内均匀概率分布函数中采样目标位置(x,y)的样本，得到M个目标未知参数样本θ₀ ^(m)，m＝1,2,…,M，给每个粒子分配相等的权值得到初始样本集{θ₀ ^(m),w₀ ^(m)|m＝1,…,M}。设在第i次迭代中，粒子滤波器得到的加权样本集为{θ_i ^(m),w_i ^(m)|m＝1,…,M}，利用高斯混合核平滑方法，第i次迭代中目标未知参数θ的概率分布可以表示为高斯混合和分布：

$\hat{P}\left(\mathrm{\θ}\right)={\mathrm{\Σ}}_{m=1}^M{w}_i^{\left(m\right)}N({\mathrm{\μ}}_i^{\left(m\right)},b^2{V}_i)$

其中：N(μ,V)代表均值为μ，协方差矩阵为V的高斯分布密度函数， ${\mathrm{\μ}}_i^{\left(m\right)}=\mathrm{\α}{\mathrm{\θ}}_i^{\left(m\right)}+(1-\mathrm{\α}){\stackrel{\‾}{\mathrm{\θ}}}_i,$ ${\stackrel{\‾}{\mathrm{\θ}}}_i={\mathrm{\Σ}}_{m=1}^M{w}_i^{\left(m\right)}{\mathrm{\θ}}_i^{\left(m\right)},$ $V_i={\mathrm{\Σ}}_{m=1}^M{w}_i^{\left(m\right)}({\mathrm{\θ}}_i^{\left(m\right)}-{\stackrel{\‾}{\mathrm{\θ}}}_i){({\mathrm{\θ}}_i^{\left(m\right)}-{\stackrel{\‾}{\mathrm{\θ}}}_i)}^T,$ 常数α和b分别表示高斯混合的收缩和分散程度，其取值依赖于一个折衷因子0.95≤δ≤0.99，并且b²＝1-[(3δ-1)2δ]²，N(μ_i ^(m),b²V_i)为高斯混合分布中的高斯分量核函数。

步骤S102，在后续迭代步骤中，汇聚节点依次序贯激活每一个传感器节点；设在第i+1次迭代中，传感器节点i+1被激活，获得原始观测数据z_i+1，设定量化阈值则量化后的二元观测数据为：

$d_{i+1}=\left\{\begin{array}{cc}1& z_{i+1}>\mathrm{\η}\\ 0& z_{i+1}\≤\mathrm{\η}\end{array}\right.$

并将其二元量化观测数据传递给汇聚节点。

步骤S103，基于高斯混合核平滑方法，汇聚节点利用蒙特卡洛方法从核密度函数的M个高斯分量N(μ_i ^(m),b²V_i)中分别采样得到M个新的目标参数样本

具体如下：

使用上一次迭代的样本集计算高斯混合核函数的参数：

${\stackrel{\‾}{\mathrm{\θ}}}_i={\mathrm{\Σ}}_{m=1}^M{w_i}^{\left(m\right)}{\mathrm{\θ}}_i^m,$

$V_i={\mathrm{\Σ}}_{m=1}^M{w_i}^{\left(m\right)}({\mathrm{\θ}}_i^m-{\stackrel{\‾}{\mathrm{\θ}}}_i){({\mathrm{\θ}}_i^m-{\stackrel{\‾}{\mathrm{\θ}}}_i)}^T,$

${{\mathrm{\μ}}_i}^{\left(m\right)}={\mathrm{\α\θ}}_i^m+(1-\mathrm{\α}){\stackrel{\‾}{\mathrm{\θ}}}_i,$

其中，为样本的均值，V_i为样本方差。从而得到M个高斯分量核密度函数N(μ_i ^(m),b²V_i)，从每个高斯分量N(μ_i ^(m),b²V_i)中分别采样得到新的目标参数的样本 ${\mathrm{\θ}}_{i+1}^{\left(m\right)},m=1,\·\·\·,M.$

步骤S104，汇聚节点利用传感器节点i+1的量化数据d_i+1＝0或者d_i+1＝1计算目标参数的样本的权值并归一化：

$w_{i+1}^{\left(m\right)}\∝p\left(d_{i+1}\right|{\mathrm{\θ}}_{i+1}^{\left(m\right)})w_i^{\left(m\right)},$

其中：代表二元量化观测数据d_i+1的似然函数。

$p(d_{i+1}=1|{\mathrm{\θ}}_{i+1}^{\left(m\right)})=Q\left(\frac{\mathrm{\η}-a_{i+1}\left({\mathrm{\θ}}_{i+1}^{\left(m\right)}\right)}{\mathrm{\σ}}\right),$

$p(d_{i+1}=0|{\mathrm{\θ}}_{i+1}^{\left(m\right)})=1-Q\left(\frac{\mathrm{\η}-a_{i+1}\left({\mathrm{\θ}}_{i+1}^{\left(m\right)}\right)}{\mathrm{\σ}}\right),$

$a_{i+1}\left({{\mathrm{\θ}}_{i+1}}^{\left(m\right)}\right)=\sqrt{\frac{P_0}{{(s_{x(i+1)}-x)}^2+{(s_{y(i+1)}-y)}^2}},$

其中参数[P₀,x,y]＝θ_i+1 ^(m)，η为预先设定好的量化阈值，σ为传感器观测噪声的协方差，Q(·)为高斯分布的补分布函数，(s_x(i+1),s_y(i+1))为第i+1个传感器节点的位置坐标。

步骤S105，汇聚节点利用权值对所得样本集合进行重采样，得到一组加权样本集合{θ_i+1 ^(m),w_i+1 ^(m)|m＝1,…,M}；

步骤S106，汇聚节点利用重采样后的加权样本集合{θ_i+1 ^(m),w_i+1 ^(m)|m＝1,…,M}，迭代计算目标参数估计值：

步骤S107，重复步骤S101～S106，迭代估计目标未知参数，直到遍历完所有传感器节点。

以下以一实例详细说明本发明的基于二元量化数据的声源目标迭代定位方法：

如图2所示，设25个麦克风声传感器节点均匀部署在100×100m²方形区域内，每个传感器节点的位置由自身携带的GPS获得，声源目标的真实位置坐标为（60,60），我们利用所有声传感器节点的量化数据对声源进行定位。

为了节约汇聚节点的能量、带宽和频率，延长网络使用寿命，对每个节点的原始观测量化压缩为一位二进制数据，汇聚节点对二元量化数据进行序贯处理，每次只激活一个传感器节点，其余节点处于休眠状态，直到遍历完所有传感器节点，迭代结束，完成对目标的定位。

设粒子滤波器的样本个数为M=2000，传感器节点观测噪声方差σ²＝1。在初始迭代中，声源信号强度P₀的初始样本来自于均匀分布U[0,500]（U[a,b]代表区间[a,b]上的均匀概率分布函数），目标位置坐标(x,y)的初始样本来自于二维均匀分布U[(0,100),(0,100)]，并均匀分配权值为w₀ ^(m)=1/2000。按照本发明所述声源目标定位方法，在整个迭代定位过程中对目标位置估计的效果如图3所示。

经过50次蒙特卡洛仿真，目标位置估计的均方根误差（RMSE）如图4所示，从图中可以看出，随着迭代次数的增加，误差越来越小，实现了精确的目标定位。

以上所述，仅为本发明较佳的具体实施方式，并不用于对本发明进行限制，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于二元量化数据的声源目标迭代定位方法，其特征在于，利用若干无线声传感器节点模块和汇聚节点构成目标定位无线传感器网络，将传感器节点接收到声源目标信号强度数据量化压缩为二进制数据，利用粒子滤波器迭代估计目标位置参数的概率分布，从而得到目标位置估计；

利用粒子滤波器迭代估计目标位置参数的概率分布的方法包括以下步骤：

(2.1)设未知参数θ＝[P₀,x,y]包含未知的声源信号强度参数P₀和目标位置坐标(x,y)；在初始迭代i＝0，从区间[0,P_M]上均匀概率分布函数中采样声源信号强度P₀的样本，其中P_M为声音信号的最大值，在整个无线监测区域内均匀概率分布函数中采样目标位置(x,y)的样本，得到M个目标未知参数样本θ₀ ^(m)，m＝1,2,…,M，给每个粒子分配相等的权值得到初始样本集{θ₀ ^(m),w₀ ^(m)|m＝1,…,M}；

(2.2)在后续迭代步骤中，汇聚节点依次序贯激活每一个传感器节点；设在第i+1次迭代中，节点i+1被激活，将其观测到的目标声音强度数据量化压缩为d_i+1＝0或者d_i+1＝1，并传递给汇聚节点；

(2.3)基于高斯混合核平滑方法，汇聚节点利用蒙特卡洛方法从核密度函数的M个高斯分量N(μ_i ^(m)，b²V_i)中分别采样得到M个新的目标参数样本其中：N(μ,V)代表均值为μ，协方差矩阵为V的高斯分布概率密度函数，为高斯混合分布中第m个核函数的均值，为样本集合{θ_i ^(m)，w_i ^(m)|m＝1，…，M}的协方差矩阵，常数α和b分别表示高斯混合分布的收缩和分散程度，其取值依赖于折衷因子δ，b²＝1-[(3δ-1)/2δ]²，0.95≤δ≤0.99，为上次迭代获得的样本集合{θ_i ^(m),w_i ^(m)|m＝1,…,M}的均值；

(2.4)汇聚节点利用传感器节点i+1的量化数据d_i+1＝0或者d_i+1＝1计算每个样本的权值

(2.5)汇聚节点利用权值对所得样本集合进行重采样，得到一组加权样本集合{θ_i+1 ^(m)，w_i+1 ^(m)|m＝1，…，M}；

(2.6)汇聚节点利用重采样后的加权样本集合{θ_i+1 ^(m)，w_i+1 ^(m)|m＝1，…，M}，迭代计算目标参数估计值：

(2.7)重复上述步骤(2.1)至(2.6)，直到遍历完所有传感器节点；

所述目标参数样本权值的迭代计算公式为：

$w_{i+1}^{\left(m\right)}\∝p\left(d_{i+1}\right|{\mathrm{\θ}}_{i+1}^{\left(m\right)})w_i^{\left(m\right)}$

其中：代表二元量化观测数据d_i+1的似然函数：

$p(d_{i+1}=1|{\mathrm{\θ}}_{i+1}^{\left(m\right)})=Q\left(\frac{\mathrm{\η}-a_{i+1}\left({\mathrm{\θ}}_{i+1}^{\left(m\right)}\right)}{\mathrm{\σ}}\right),$

$p(d_{i+1}=0|{\mathrm{\θ}}_{i+1}^{\left(m\right)})=1-Q\left(\frac{\mathrm{\η}-a_{i+1}\left({\mathrm{\θ}}_{i+1}^{\left(m\right)}\right)}{\mathrm{\σ}}\right),$

$a_{i+1}\left({{\mathrm{\θ}}_{i+1}}^{\left(m\right)}\right)=\sqrt{\frac{P_0}{{(s_{x(i+1)}-x)}^2+{(s_{y(i+1)}-y)}^2}},$

其中参数[P₀,x,y]＝θ_i+1 ^(m)，η为预先设定好的量化阈值，σ为传感器观测噪声的协方差，Q(·)为高斯分布的补分布函数，(s_x(i+1),s_y(i+1))为第i+1个传感器节点的位置坐标。

2.根据权利要求1所述的基于二元量化数据的声源目标迭代定位方法，其特征在于，将传感器节点接收到声源目标信号强度数据量化压缩为一位二进制数据。

3.根据权利要求1或2所述的基于二元量化数据的声源目标迭代定位方法，其特征在于，设在第i次迭代中，汇聚节点得到的加权样本集为{θ_i ^(m)，w_i ^(m)|m＝1，…，M}，利用高斯混合核平滑方法，第i次迭代中目标未知参数θ的概率分布表示为高斯混合分布：

4.根据权利要求1或2所述的基于二元量化数据的声源目标迭代定位方法，其特征在于，在目标定位前，首先建立声音信号强度随目标距离衰减的数学模型：

$a_i^2=\frac{G_i{P}_0^{\′}}{{\left(\frac{d_i}{d_0}\right)}^n}$

其中：a_i代表第i个声传感器节点接收到的声源信号强度，G_i是第i个传感器节点的增益，P′₀为在参考距离d₀处声源的信号强度，d_i为目标和第i个传感器节点的距离，(s_xi,s_yi)和(x,y)分别为第i个传感器节点和目标的位置坐标，n＝2为声源信号强度衰减指数。

5.根据权利要求1或2所述的一种基于二元量化数据的声源目标迭代定位方法，其特征在于，汇聚节点对每个节点的量化数据进行序贯处理，在每次迭代中，汇聚节点只处理一个传感器节点的二元量化数据，其他传感器节点处于休眠状态。

6.一种基于二元量化数据的声源目标迭代定位方法，其特征在于，所述方法具体包括下列步骤：

步骤A，建立声音信号强度随目标距离衰减的数学模型：其中a_i是第i个声传感器节点接收到的声源信号幅度，G_i是第i个传感器节点的增益，P′₀为在参考距离d₀处声源的强度，d_i为目标和第i个传感器节点的距离，(s_xi,s_yi)和(x,y)分别为第i个传感器节点和声源目标的坐标，n＝2为信号衰减指数；

步骤B，各传感器节点对实际接受到的目标信号强度进行量化压缩处理，只传递一个二进制数字信号到汇聚节点；每个传感器节点的观测数据与一个阈值η进行比较，如果高过阈值，传感器发送信号1到融合中心，否则传感器保持静默，不发送信号；在每次迭代中，汇聚节点序贯激活每个传感器节点，为了节约能量，其余节点处于休眠状态；

步骤C，基于高斯混合核平滑方法，利用蒙特卡洛方法从核密度的高斯分量中分别采样新的声源目标参数样本

步骤D，汇聚节点利用接收到的传感器节点二元量化观测数据，计算观测数据的似然函数作为样本的权值并归一化；

步骤E，汇聚节点利用样本权值对所得的样本集合进行重采样；

步骤F，汇聚节点利用所得到的加权样本集合，以序贯方式迭代计算目标的位置估计。