CN103260179A - 基于ZigBee的QPSO自校正定位方法 - Google Patents

Abstract

一种基于ZigBee的QPSO定位自校正定位方法，该方法通过结合量子行为和粒子群算法(量子粒子群算法(QPSO))对未知节点收到信标节点一定数量的存在偏差LQI值进行优化，实现对误差进行补偿。再将LQI值转化为RSSI值，从而得到距离。实验结果表明，该方法较直接运用粒子群以及一些传统优化方法得到的定位精度有显著提高，具有普遍应用意义。

Description

基于ZigBee的QPSO自校正定位方法

技术领域

本发明属于无线传感器网络技术领域，具体涉及无线传感器网络自校正定位方法。

背景技术

在WSN(Wireless sensor networks)中，位置信息对传感器网络的监测活动至关重要，事件发生的位置或获取信息的节点位置是传感器节点监测信息中所包含的重要信息，没有位置信息的监测往往毫无意义。目前，全球定位系统GPS(globalposition system)具有定位精度高、实时性好、抗干扰能力强等优点，是应用得最广泛、最成熟的定位系统。但由于GPS系统用户节点通常能耗高、体积大、成本高、需要固定的基础设施等，这使得它在许多应用中(如特别低成本自组织的传感器网络)不可行。目前，国内外研究者已经提出了很多定位方法，都具有各自的特点和适用范围，没有哪种方法是最优的，且大都对信标节点密度和网络部置条件的依赖度较高，虽然可以依靠循环求精度等方法抑制测距误差和提高定位精度，但同时增大通信和计算开销，加大了定位的不确定性。针对不同的实际应用，应该通过综合考虑节点的规模、能耗、成本和对定位精度的要求，来选择最合适的定位方法。

发明内容

本发明的目的在于针对现有技术存在的不足，提出一种基于ZigBee的QPSO自校正定位方法，旨在能够提高无线传感器网络中未知节点的定位精度，减少由于环境等因素造成的误差。

本发明具体采取以下技术方案：

一种基于ZigBee的QPSO自校正定位方法，包括以下步骤：

（1）初始化系统参数

首先启动后台监测中心，配置节点传输时的端口配置以及Rx时间间隔配置，初始化系统中所运用到的路径衰减指数、1米处RSSI参考值无线信号衰减模型中所运用的参数。

（2）确定算法的中心学习点

在系统启动后，未知节点会在每500ms间隔时间内收集到信标节点发送来的LQI值，在收集到多个LQI值之后，运用粒子群优化算法进行处理；在粒子群优化算法迭代一次之后（每一轮QPSO算法中，PSO只计算一次，并非全部迭代完），会产生LQI的个体极值pbest以及全局极值gbest，以这两个极值为基础，产生一个学习点x_p，以x_p为中心建立Delta位势阱，其中：

其中，

为(0,0.5)随机数，p_id与p_gd分别表示个体极值与全局极值；粒子会在不断的向x_p靠近的过程中逐渐达到稳定，得到最理想值。

（3）确定适应度函数

粒子群优化算法中，个体极值以及全局极值都是根据每个粒子的适应度决定的，所述算法运用归一化函数作为适应度函数，对收集到的多个LQI值进行处理。

（4）确定估计参数L

L是体现粒子的创造性的一个重要参数，L的值越大表示粒子找到新知识的可能性越高，通过这个参数，在处理未知节点收集到信标节点的LQI值的过程中，可以有效地找到更优的位置；此外，该参数也是粒子塌缩过程中的一个重要参数，粒子塌缩可以得到这一时刻的位置参数。

确定估计参数L的方法为：让L加入时间元素，即L=L(t)，设t→+∞，L(t)→0；利用蒙特卡洛方法进行测量，对参数L估计方法采用下式：

L(t+1)=2*α*|x_p-x(t)|

其中，t为时间，α表示量子比特处于状态0的概率；

（5）加入全局因素

未知节点接收到的信标节点的多个LQI值，满足高斯分布；运用高斯分布来处理整体粒子群的学习点，当概率在0.8至1之间时，被认为是大概率事件，数据保留，若落在之外的区域，则舍弃；最后得到全局学习点称为Gaubest利用高斯分布对学习点进行处理之后可将（4）中L改写为

L(t+1)=2*β*|Gaubest-x(t)|

其中，β表示量子比特处于状态1的概率；

使粒子在塌缩到位置x(t+1)的过程中能够加入全局因素。

（6）确定距离值

利用自由空间传播模型和对数-常态分布模型将LQI值转化为RSSI(ReceivedSignal Strength Indication接收的信号强度指示)，并最后得到理论的节点间的距离d。

所述整个量子例子群优化算法的迭代次数设定为200，所述高斯分布中概率p<0.2的数据舍去。

在粒子群优化算法中，经过一次迭代，产生pbest和gbest，但是，由于可能会陷入局部最优，且pbest和gbest可能并不是一次迭代后最理想的点，所以以x_p点作为学习点，粒子自身有学习能力，向x_p点逼近，这样就扩大了移动范围；其中：

其中，

为(0,0.5)随机数，p_id与p_gd分别表示个体极值与全局极值，由式可以看出，学习点会更偏向全局最优点，使得搜索范围更大，避免了之前直接运用粒子群算法可能会导致陷入局部最优的缺陷。

在粒子群优化算法中，个体极值以及全局极值都是根据每个粒子的适应度决定的。LQI是反映链路指示的一个重要指标，LQI的范围为0～255，LQI值越大，则信号强度越好。在一个LQI样本空间中，所采集的样本个体基本在一个概率出现较多的值附近波动。据此分析，如果LQI值很小就给其一个较差的适应值，这样在迭代计算时就不会被选为极值。而某些小概率出现的LQI值比出现概率较多的LQI值大，其适应值初始较高，但在迭代过程中通过位置变化，也会被更优位置的粒子取代，不影响粒子群的正常进化。适应度函数如下：

$\mathrm{fitness}\left(l_i\right)=256\&times;\frac{l_i-l_{\min }}{l_{\max }-l_{\min }}$

其中l_i为所测得的LQI值样本空间中的一个样本，l_min为LQI值样本空间中的最小值，l_max为LQI值样本空间中的最大值。

进一步，利用蒙特卡洛方法可实现测量的过程，参数L被估计如式：

L(t+1)=2*α*|x_p-x(t)|

其中，t为时间，α表示量子比特处于状态0的概率，β表示量子比特处于状态1的概率。

在给出粒子在第k步的位置为x_k，在第k+1步粒子可能出现在区域(-|y_k|,y_k|)，其概率为p_a，由此可知出现在区域之外的概率为1-p_a，为了让x收敛于x_p，其必须满足的条件为p_a>0.5，也就是说在y_k+1左边的部分|y_k|必须大于0.75，故有如下推导：

$1>\underset{-\&infin;}{\overset{\left|y_k\right|}{\&Integral;}}|\mathrm{\&psi;}\left(y\right){|}^2\mathrm{dy}$

$=\underset{-\&infin;}{\overset{\left|y_k\right|}{\&Integral;}}\frac{1}{L}{e}^{-2\left|y\right|/L}\mathrm{dy}=\underset{0}{\overset{\left|y_k\right|}{\&Integral;}}\frac{1}{L}{e}^{-2\left|y\right|/L}\mathrm{dy}=1-\frac{1}{2}{e}^{-2\left|y_k\right|/L}>0.75$

由此可以得到下式：

$L<\frac{1}{1n\sqrt{2}}\left|y_k\right|=\frac{1}{1n\sqrt{2}}|x_k-x_p|$

在对量子粒子群优化算法加入全局因素时，利用高斯分布对粒子群中的粒子的学习点x_p进行处理，高斯分布的均值和标准方差分别为：

$\mathrm{\&mu;}=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\left(x_p\right)}_i}{k}$

${\mathrm{\&sigma;}}^2=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{(x_p-\mathrm{\&mu;})}^2}{(k-1)}$

其中k表示粒子的个数。

当概率在0.8至1之间时，被认为是大概率事件，数据保留，若落在之外的区域，则舍弃。最后得到全局学习点称为Gaubest。

参数L为：

L(t+1)=2*β*|Gaubest-x(t)|

改进过的量子粒子群优化算法，即得到粒子的位置x改进如下式所示：

x(t+1)＝x_p±β*|Gaubest-x(t)|*ln(1/u)

由上式即可由搜索空间塌缩到解空间。经过实验验证，改进后的量子粒子群优化算法收敛性与精度都有明显的提高。

本发明通过结合量子行为和粒子群算法(量子粒子群算法QPSO(QuantumParticle Swarm Optimum))对未知节点收到信标节点一定数量的存在偏差LQI值进行优化，实现对误差进行补偿。再将LQI值转化为RSSI值，从而得到距离。实验结果表明，该方法较直接运用粒子群以及一些传统优化方法得到的定位精度有显著提高，具有普遍应用意义。

附图说明

图1为量子与概率之间关系图示；

图2为QPSO结合采集LQI值算法流程图；

图3为0至20米LQI实际距离与理论距离对比图；

图4为LQI10次优化对比图；

图5为PSO收敛图；

图6为QPSO收敛图。

具体实施方式

下面根据说明书附图，详细地介绍本发明的基于ZigBee的QPSO自校正定位方法的实现过程。

一种基于ZigBee的QPSO自校正定位方法，实现该方法的系统主要包括了至少三个信标节点以及多个未知节点以及后台监测中心，系统采用基于Jennic公司的JN5139-Z01-M02模块的ZigBee节点，通过结合量子行为和粒子群算法(量子粒子群算法(QPSO))对未知节点收到信标节点一定数量的存在偏差LQI值进行优化，实现对误差进行补偿。再将LQI值转化为RSSI值，从而得到距离。方法实现的步骤以下：

（1）确定个体极值与全体极值

首先将信标节点与未知节点放置于运用环境中，开启系统，通过后台中心可以读取到未知节点收到的信标节点的多个LQI值，将这些LQI值由粒子群优化算法进行相应处理。

粒子群优化算法是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域。然而它不对个体使用演化算子，而是将每个个体看作是D维搜索空间中的一个没有体积的微粒（点），在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。第i个微粒表示为Z_i=(z_i1,z_i2,...,z_iD)，它经历过的最好位置记为P_i=(p_i1,p_i2,...,p_iD)，称为pbest，即个体极值。在群体所有微粒经历过的最好位置称为gbest，即全体极值。微粒i的速度用V_i=(υ_i1,υ_i2,...,υ_iD)表示。对每一代，它的第d维(1≤d≤D)根据下式进行变化：

${\mathrm{\&upsi;}}_{\mathrm{id}}^{k+1}=\mathrm{\&omega;}{\mathrm{\&upsi;}}_{\mathrm{id}}^k+c_1{r}_1(p_{\mathrm{id}}-z_{\mathrm{id}}^k)+c_2{r}_2(p_{\mathrm{gd}}-z_{\mathrm{id}}^k)$

其中，i=1,2,…m，d=1,2,…,D，p_id为个体最优，p_gd为全局最优。k为迭代次数，r₁和r₂为[0,1]之间的随机数，这两个参数用以保持群体的多样性。c₁和c₂为学习因子，也成为加速因子，通常c₁=c₂=2，其使粒子具有自我总结和向群体中优秀个体学习的能力，从而向自己的历史最优点以及群体内历史最优点靠近。这两个参数对粒子群的收敛起的作用不是很大，但适当调整这两个参数，可减少局部最小值的困扰和使收敛速度加快。式中的第二项是“认知”部分(cognitionpart)，代表了粒子对自身的学习；第三项(socialpart)，代表着粒子间的协作。该式正是粒子根据它上一次迭代的速度、它当前位置和自身最好经验与群体最好经验之间的距离来更新速度。

其中i=1,2,...,m，d=1,2,...,D，k是迭代次数

由该式飞向新的位置。ω为惯性权重，起着权衡局部最优能力和全局最优能力的作用，其计算如式：

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{\max }-\frac{{\mathrm{\&omega;}}_{\max }-{\mathrm{\&omega;}}_{\min }}{k_{\max }}$

其中，ω_max为初始权重；ω_min为最终权重；k_max为最大迭代次数；k为当前迭代次数。

通过一次迭代即可得到个体极值与全局极值。

（2）量子优化结合粒子群优化算法（此步骤包含了确定中心学习点及估计参数L）

在上述第（1）步中，在量子优化与Delta位势阱结合的基础上再结合粒子群优化算法。

在粒子群算法里，经过一次迭代，产生pbest和gbest，但是，由于可能会陷入局部最优，且pbest和gbest可能并不是一次迭代后最理想的点，所以以x_p点作为学习点，粒子自身有学习能力，向x_p点逼近，这样就扩大了移动范围。这里给出结合粒子群算法的x_p点公式如下式所示：

其中，

为(0,0.5)随机数，p_id与p_gd分别表示个体极值与全局极值。由上式可以看出，学习点会更偏向全局最优点，使得搜索范围更大，避免了之前直接运用粒子群算法可能会导致陷入局部最优的缺陷。

由概率幅的平方，即概率满足均匀分布的性质，可以推导得到：

$x=x_p\&PlusMinus;\frac{L}{2}\ln (1/u)$

其中

通过上式粒子即塌缩至位置x。

蒙特卡洛方法可以在计算机上实现测量的过程，参数L被估计为

L(t+1)=2*β*|x_p-x(t)|

再将粒子群算法与量子行为相结合，把每一个粒子当作量子，满足量子的性质。即可得到位置参数x的完整公式为：

x(t+1)＝x_p±β*|x_p-x(t)|*ln(1/u)

（3）确定适应度函数

在粒子群优化算法中，个体极值以及全局极值都是根据每个粒子的适应度决定的。LQI是反映链路指示的一个重要指标，LQI的范围为0～255，LQI值越大，则信号强度越好。在一个LQI样本空间中，所采集的样本个体基本在一个概率出现较多的值附近波动。据此分析，如果LQI值很小就给其一个较差的适应值，这样在迭代计算时就不会被选为极值。而某些小概率出现的LQI值比出现概率较多的LQI值大，其适应值初始较高，但在迭代过程中通过位置变化，也会被更优位置的粒子取代，不影响粒子群的正常进化。适应度函数如下：

$\mathrm{fitness}\left(l_i\right)=256\&times;\frac{l_i-l_{\min }}{l_{\max }-l_{\min }}$

其中l_i为所测得的LQI值样本空间中的一个样本，l_min为LQI值样本空间中的最小值，l_max为LQI值样本空间中的最大值。

（4）加入全局因素

由上述第（2）步可知，参数L代表了一个粒子的创造性，是QPSO中的重要参数，L的控制方法对粒子的收敛及算法的表现至关重要。但是以上步骤只考虑到个体的学习点，且x_p点是局部波动点，因此当群体规模过大时，算法显得不成熟。

改进的QPSO加入全局因素。

这里运用高斯分布来处理整体粒子群的x_p。x_p符合高斯分布，有

X～N(μ,σ²)，其中，

$\mathrm{\&mu;}=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\left(x_p\right)}_i}{k}$

${\mathrm{\&sigma;}}^2=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{(x_p-\mathrm{\&mu;})}^2}{(k-1)}$

式中，k表示粒子的个数。

当概率在0.8至1之间时，认为是大概率事件，可以保留，然后取保留下来的值的平均值，最后得到全局学习点称为Gaubest。

于是，参数L改写为下式：

L(t+1)=2*β*|Gaubest-x(t)|

最后得到x的位置如下式所示：

x(t+1)＝x_p±β*|Gaubest-x(t)|*ln(1/u)。

参见图1，其中x轴为粒子的位置，x_p点称为学习点，而在处理过程中，量子会不断的向点x_p靠近，而x_p点即为Delta位势阱的中心，即势能最大的点，量子会在不断的向点x_p靠近的过程中逐渐达到稳定，得到最理想值。

（4）确定距离值

利用自由空间传播模型和对数-常态分布模型将RSSI值转化为距离d,公式如下：

Loss=32.4+10nlg(d)+10nlg(f)

$\mathrm{PL}\left(d\right)\left[\mathrm{dBm}\right]=\mathrm{PL}\left(d_0\right)\left[\mathrm{dBm}\right]-10n\log (d/d_0)\left\{\begin{array}{c}\mathrm{nW}\&times;\mathrm{WAF},\mathrm{nW}<C\\ C\&times;\mathrm{WAF},\mathrm{nW}\&GreaterEqual;C\end{array}\right.\begin{array}{}\end{array}$

RSSI=P+G-PL(d)

上述三式中，d为距离信标节点的距离（km），f为频率(MHz)，n为路径衰减因子。PL(d)为基站接收到用户节点的信号强度；PL(d₀)表示基站接收到在参考点d₀发送信号强度，假设所有节点的发送信号强度相同；n表示路径长度和路径损耗之间的比例因子，依赖于建筑物的结构和使用的材料；d₀表示参考节点和基站间的距离；d表示需要计算的节点和基站间距离；nW表示节点和基站间墙壁个数；C表示信号穿过墙壁个数的阈值。WAF取决于定位环境建筑的布局和材料，通常WAF=3.1。P为发射功率；G为天线增益。

参见图2，QPSO采集LQI值算法实现步骤如下：

（1）实验时，采用基于Jennic公司的JN5139-Z01-M02模块的ZigBee节点进行数据采集，在通信时通过相应的程序可以直接获得LQI值。实验地点选择在一个室外大院子，人员来往较多的时段进行。利用串口调试工具记录未知节点接收到信标节点的200个LQI值。

（2）初始化适应度函数，通过粒子群优化算法的两个公式，完成一次粒子群优化算法得到pbest和gbest。

（3）确定学习点x_p点，在x_p点建立Delta位势阱(x_p点即为Delta位势阱的中心)，在束缚态下来模拟粒子的倾斜性，粒子向x_p点倾斜。(经过多次迭代后最终伴随粒子动量变为0达到稳定)。

（4）估计参数L，该参数体现了现有的位置和其x_p之间的差距，L越大，粒子找到新知识的可能性越高（最后与pbest比较的准备步骤）。

（5）这里运用高斯分布来处理整体粒子群的x_p。x_p符合高斯分布，有X～N(μ,σ²)，得到全局学习点称为Gaubest。

（6）由（5），参数L改写为：

L(t+1)=2*β*|Gaubest-x(t)|

最后，得到位置x如下式所示：

x(t+1)＝x_p±β*|Gaubest-x(t)|*ln(1/u)

如果x(t+1)比pbest好，那么x(t+1)将取代pbest。

（7）循环（2）至（6），直到得到最优解gbest。

参见图3，在小于5米的范围内，理论值与实际值的误差很小；在大于5米时，随着距离的增加，LQI值的误差逐渐增大。

参见图4，运用QPSO优化得到的LQI值更接近于理论值，且得到的数值非常稳定，而PSO优化虽然大部分值要比求均值法效果好，但是某些因为陷入局部最优等原因造成了有的全局最优值很差，效果不稳定。

参见图5，利用PSO算法收敛次数为50次左右。

参见图6，利用QPSO算法收敛次数仅在5次以内，比利用PSO算法的收敛速度快的多。

以其中一个未知节点为例，采集到200个LQI值分布在(66，108)。通过MATLAB仿真得到全局极值为78.0533。在得到了全局极值LQI之后，将该值转化为RSSI值，转换公式如下：

$u16\mathrm{RSSI}=[\frac{(u8\mathrm{LQI}\&times;880000000)}{(2^8-1)}/10000000]-98$

其中，将得到的LQI全局极值为78.0533代入上式，得到RSSI的值为-71.064dBm。

最后再利用自由空间传播模型和对数-常态分布模型将RSSI值转化为距离d,公式如下：

Loss=32.4+10nlg(d)+10nlg(f)

$\mathrm{PL}\left(d\right)\left[\mathrm{dBm}\right]=\mathrm{PL}\left(d_0\right)\left[\mathrm{dBm}\right]-10n\log (d/d_0)\left\{\begin{array}{c}\mathrm{nW}\&times;\mathrm{WAF},\mathrm{nW}<C\\ C\&times;\mathrm{WAF},\mathrm{nW}\&GreaterEqual;C\end{array}\right.\begin{array}{}\end{array}$

RSSI=P+G-PL(d)

上述三式中，d为距离信标节点的距离（km），f为频率(MHz)，n为路径衰减因子。PL(d)为基站接收到用户节点的信号强度；PL(d₀)表示基站接收到在参考点d₀发送信号强度，假设所有节点的发送信号强度相同；n表示路径长度和路径损耗之间的比例因子，依赖于建筑物的结构和使用的材料；d₀表示参考节点和基站间的距离；d表示需要计算的节点和基站间距离；nW表示节点和基站间墙壁个数；C表示信号穿过墙壁个数的阈值。WAF取决于定位环境建筑的布局和材料，通常WAF=3.1。P为发射功率；G为天线增益。

通过计算得到距离d=20.89m。实际距离的测量为20m，误差仅为0.89m。直接利用粒子群优化算法得到的距离为d=18.77m，误差为1.23m，比运用QPSO的优化效果要差。

Claims (7)

1.一种基于ZigBee的QPSO自校正定位方法，包括以下步骤：

（1）初始化系统参数

（2）确定算法的中心学习点

在系统启动后，未知节点会在每一间隔时间内收集到信标节点发送来的LQI值，收集200个LQI值作为样本，运用粒子群优化算法进行处理；在粒子群优化算法迭代一次之后，会产生LQI的个体极值pbest以及全局极值gbest，以这两个极值为基础，产生一个学习点x_p，以x_p为中心建立Delta位势阱，其中：

其中，

为(0,0.5)随机数，p_id与p_gd分别表示个体极值与全局极值；粒子会在不断的向x_p靠近的过程中（t→+∞，x→x_p）逐渐达到稳定，得到最理想值；

（3）确定适应度函数

在粒子群优化算法中，个体极值以及全局极值都是根据每个粒子的适应度决定的，所述算法运用归一化函数作为适应度函数，对收集到的多个LQI值进行处理；

（4）确定估计参数L

让L加入时间元素，即L=L(t)，设t→+∞，L(t)→0

利用蒙特卡洛方法进行测量，对参数L估计方法采用下式：

L(t+1)=2*α*|x_p-x(t)|

其中，t为时间，α表示量子比特处于状态0的概率；

（5）加入全局因素

未知节点接收到的信标节点的多个LQI值，以满足全局因素，这些值满足高斯分布，当概率在0.8至1之间时，被认为是大概率事件，数据保留，若落在之外的区域，则舍弃；最后得到全局学习点称为Gaubest利用高斯分布对学习点进行处理之后可将（4）中L改写为

L(t+1)=2*β*|Gaubest-x(t)|

其中，β表示量子比特处于状态1的概率；

使粒子在塌缩到位置x(t+1)的过程中能够加入全局因素；

（6）确定距离值

再利用自由空间传播模型和对数-常态分布模型将LQI值转化为接收的信号强度指示RSSI，并最后得到理论的节点间的距离d。

2.根据权利要求1所述的基于ZigBee的QPSO自校正定位方法，其特征在于，在量子粒子群优化算法完成一次后，若未达到最大迭代次数，重新返回步骤（2）得到新的个体极值pbest和全局极值gbest；整个方法迭代次数设定为200，所述高斯分布中概率p<0.2的数据舍去。

3.根据权利要求1所述的基于ZigBee的QPSO自校正定位方法，其特征在于，粒子群优化算法中，LQI值的范围为0～255，LQI值越大，则信号强度越好。

4.根据权利要求1所述的基于ZigBee的QPSO自校正定位方法，其特征在于，所述适应度函数如下：

$\mathrm{fitness}\left(l_i\right)=256\&times;\frac{l_i-l_{\min }}{l_{\max }-l_{\min }}$

其中l_i为所测得的LQI值样本空间中的一个样本，l_min为LQI值样本空间中的最小值，l_max为LQI值样本空间中的最大值。

5.根据权利要求1所述的基于ZigBee的QPSO自校正定位算法，其特征在于，所述（4）步中，在给出粒子在第k步的位置为x_k，在第k+1步粒子可能出现在区域(-|y_k|,|y_k|)，其概率为p_a，由此可知出现在区域之外的概率为1-p_a，为了让x收敛于x_p，其必须满足的条件为p_a>0.5，也就是说在y_k+1左边的部分|y_k|必须大于0.75，故有如下推导：

$1>\underset{-\&infin;}{\overset{\left|y_k\right|}{\&Integral;}}|\mathrm{\&psi;}\left(y\right){|}^2\mathrm{dy}$

$=\underset{-\&infin;}{\overset{\left|y_k\right|}{\&Integral;}}\frac{1}{L}{e}^{-2\left|y\right|/L}\mathrm{dy}=\underset{0}{\overset{\left|y_k\right|}{\&Integral;}}\frac{1}{L}{e}^{-2\left|y\right|/L}\mathrm{dy}=1-\frac{1}{2}{e}^{-2\left|y_k\right|/L}>0.75$

由此可以得到下式：

$L<\frac{1}{1n\sqrt{2}}\left|y_k\right|=\frac{1}{1n\sqrt{2}}|x_k-x_p|$

6.根据权利要求1所述的基于ZigBee的QPSO自校正定位方法，其特征在于，对算法加入全局因素，利用高斯分布对粒子群中的粒子的学习点x_p进行处理，高斯分布的均值和标准方差分别为：

$\mathrm{\&mu;}=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\left(x_p\right)}_i}{k}$

${\mathrm{\&sigma;}}^2=\frac{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{(x_p-\mathrm{\&mu;})}^2}{(k-1)}$

其中k表示粒子的个数；

当概率在0.8至1之间时，被认为是大概率事件，数据保留，若落在之外的区域，则舍弃，最后得到全局学习点称为Gaubest:

参数L为：

L(t+1)=2*β*|Gaubest-x(t)|。

7.根据权利要求1所述的基于ZigBee的QPSO自校正定位方法，其特征在于，所述初始化系统参数是：启动后台监测中心，配置节点传输时的端口配置以及Rx时间间隔配置，初始化系统中所运用到的路径衰减指数、1米处RSSI参考值无线信号衰减模型中所运用的参数。

Images