CN105392194A - 基于异构网络室内定位框架最优通信的能耗精度均衡方法 - Google Patents

Abstract

本发明提供了一种基于异构网络室内定位框架最优通信的能耗精度均衡方法，包括步骤1：构建异构网络，并对室内的智能设备进行分类和定位，其中，室内的智能设备分为充当簇头节点的智能设备和充当非簇头节点的智能设备；步骤2：根据充当非簇头节点的智能设备的位置变化确定位置状态转移概率矩阵；步骤3：根据位置状态转移概率矩阵，建立相应的约束马尔可夫决策过程，得到异构网络室内的最优通信策略。本发明通过解决此约束马尔可夫决策过程相应的线性问题，得到最优通信策略，能够很好地降低能耗，提高定位精度，从而更好地实现能源消耗和定位精度的均衡。

Description

基于异构网络室内定位框架最优通信的能耗精度均衡方法

技术领域

本发明涉及室内定位的能耗精度均衡实现方法，具体地，涉及一种基于异构网络室内定位框架最优通信的能耗精度均衡方法。

背景技术

室内定位技术因其较高的潜力正在高速发展，目前，多种定位系统已经占据了室内定位服务全球市场的很大比例。相比基于GPS、格洛纳斯、北斗卫星导航系统这些室外定位系统，典型的室内定位系统主要利用无线传感网(WSN)、射频识别设备(RFID)、红外、蓝牙、惯性测量元件(IMU)、超宽带(UWB)或者无线局域网来获取位置。

在所有种类的室内定位技术中，基于WLAN的室内定位系统，尤其是基于WIFI的定位系统，由于其普遍性和方便性，正在引起越来越多的关注。但是，高能耗的问题仍然是基于WLAN室内定位的巨大瓶颈。

经过对现有技术的文献检索发现，K.L.NielsBrouwers与MarcoZuniga于2014年在PerCom(PervasiveComputingandCommunications)发表了“IncrementalWi-Fiscanningforenergy-efficientlocalization”(2014年在IEEE的普适计算与通信的会议，《高效节能定位的增量Wi-Fi扫描》)的文章中提出一种新的增量方法，通过扫描几个选定通道来减少基于WIFI的室内定位系统的能耗，不过，实现这个目标需要在基本的操作系统上做一些改变。D.A.YaoD，YuC和C.Koehler于2014年在FutureGenerationComputerSystems,vol.39发表了“Energyefficientindoortrackingonsmartphones”(2014年在未来一代计算机系统第39卷，《智能手机的节能室内跟踪》)的文章，调查了服务器和智能手机之间相互作用的多重机制，以此挖掘基于WIFI的室内定位系统的最佳机制。M.T.A.R.PailaTarrio，MatteoCesana和L.Borsani于2011年在PerCom(PervasiveComputingandCommunications)发表了“Anenergyefficientstrategyforcombinedrss-pdrindoorlocalization”(2014年在IEEE的普适计算与通信的会议，《一种结合rss-pdr的室内定位节能策略》)的文章，通过融合RSSI和PDR来减少智能设备的能耗，但是它的效果仅仅在行人姿态变化频繁的场景下才会比较显著。A.Neishaboori和K.Harras于2013年在13Proceedingsofthe16thACMinternationalconferenceonModeling,analysisandsimulationofwirelessandmobilesystems发表了“Energysavingstrategiesinwi-fiindoorlocalization”(2013年ACM组织在无线与移动通信系统的建模、分析与仿真的会议，《Wi-Fi室内定位的节能策略》)的文章，提出一种定位系统，该定位系统是通过融合RSSI和蓝牙来实现定位，因此它的定位误差不能被保证。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于异构网络室内定位框架最优通信的能耗精度均衡方法。

根据本发明提供的基于异构网络室内定位框架最优通信的能耗精度均衡方法，包括如下步骤：

步骤1：构建异构网络，并对室内的智能设备进行分类和定位，其中，室内的智能设备分为充当簇头节点的智能设备和充当非簇头节点的智能设备；

步骤2：根据充当非簇头节点的智能设备的位置变化确定位置状态转移概率矩阵；

步骤3：根据位置状态转移概率矩阵，建立相应的约束马尔可夫决策过程，得到异构网络室内的最优通信策略。

优选地，所述步骤1包括：

步骤A：在室内融合无线局域网WLAN和无线个人局域网WPAN，利用服务器基于WLAN的指纹匹配算法获得室内每个智能设备的位置信息，并根据室内智能设备的位置信息对所述智能设备进行聚类处理，并在聚类处理后得到的每个类中选取三个智能设备充当簇头；

步骤B：通过指纹匹配算法为所有充当簇头的智能设备进行位置信息解算，并根据三边定位解算算法为所有充当非簇头的智能设备进行位置信息解算。

优选地，所述步骤1还包括：

步骤i：在非闲置时段内，充当非簇头节点的智能设备通过无线个人局域网WPAN与充当簇头节点的智能设备实现通信。

优选地，所述步骤A包括：

步骤A1：室内所有的智能设备实时采集WLAN的AP的接收信号强度信息，并将所述接收信号强度信息发送给服务器，服务器通过指纹匹配算法确定每个智能设备的位置信息；

步骤A2：服务器迭代计算第i个智能设备τ_i和第j个智能设备τ_j之间的欧氏距离d_ij，并在各次迭代中将欧氏距离最小的两个智能设备聚合在一个类中，得到了多个类的集合C，即c_k∈C，k＝1,2,...,N/2，其中，N表示智能设备的个数，c_k表示第k组欧氏距离最小的两个智能设备所聚合的类，第i个智能设备和第j个智能设备的选择是任意的；

步骤A3：迭代计算集合C中的第i个类c_i和第j个类c_j之间的类距离p(c_i,c_j)，i,j＝1,2,...,N/2且i≠j，并在各次迭代中将类距离最小的两个类进行合并，直到最终合并出的类的个数满足设定的要求，其中：

p(c_i,c_j)＝α_pp(c_p,c_j)+α_qp(c_q,c_j)+β_pp(c_p,c_j)；

其中，c_p表示集合，且属于集合c_i的子集；c_q表示集合，且属于c_i的子集；p(c_p,c_j)表示集合c_p与c_j之间的距离，p(c_q,c_j)表示集合c_q与c_j之间的距离，集合c_i由集合c_p和集合c_q合并而成，且距离系数α_p、α_q、β_p的计算公式如下：

${\mathrm{\α}}_p=\frac{m_p+m_j}{m_p+m_q+m_j},{\mathrm{\α}}_q=\frac{m_q+m_j}{m_p+m_q+m_j},{\mathrm{\β}}_p=\frac{-m_j}{m_p+m_q+m_j};$

式中：m_p、m_q、m_j分别表示第p、q、j个类中的智能设备的数目，p、q、j为正整数；

步骤A4：服务器计算每个类中智能设备的剩余能量，选择每个类中剩余能量最高的三个智能设备充当该类的簇头，其中计算智能设备的在初始阶段所耗能量的计算公式如下：

$\begin{array}{c}E{({\mathrm{\&tau;}}_i,CH)}_{setup}=E_{scan}^{wlan}+E_{comm}^{wlan}+E_{Rx}(l_A,d)+E_{Tx}(l_c,d)\\ =\left\{\begin{array}{cc}{\mathrm{\&Delta;t}}_{scan}{P}_{scan}+{\mathrm{\&Delta;t}}_{Rx}{P}_{Rx}+l_A{\mathrm{\&epsiv;}}_{elec}+l_A{\mathrm{\&epsiv;}}_{fs}{d}^2+l_c{\mathrm{\&epsiv;}}_{elec},& d<d_0\\ {\mathrm{\&Delta;t}}_{scan}{P}_{scan}+{\mathrm{\&Delta;t}}_{Rx}{P}_{Rx}+l_A{\mathrm{\&epsiv;}}_{elec}+l_A{\mathrm{\&epsiv;}}_{mp}{d}^4+l_c{\mathrm{\&epsiv;}}_{elec},& d\&GreaterEqual;d_0\end{array}\right.\end{array}$

$\begin{array}{c}E{\left({\mathrm{\&tau;}}_i,non-CH\right)}_{setup}=E_{Tx}\left(l_A,d\right)+E_{Rx}\left(l_c,d\right)\\ =\left\{\begin{array}{cc}{l}_A{\mathrm{\&epsiv;}}_{elec}+l_A{\mathrm{\&epsiv;}}_{fs}{d}^2+l_c{\mathrm{\&epsiv;}}_{elec},& d<d_0\\ l_A{\mathrm{\&epsiv;}}_{elec}+l_A{\mathrm{\&epsiv;}}_{mp}{d}^4+l_c{\mathrm{\&epsiv;}}_{elec},& d\&GreaterEqual;d_0\end{array}\right.\end{array}$

式中：E(τ_i,CH)_setup表示充当簇头的智能设备τ_i在初始阶段setup的能耗，表示智能设备τ_i扫描WLAN的AP时的能耗，表示智能设备τ_i通过WLAN进行数据传输时的能耗，E_Rx(l_A,d)表示智能设备τ_i接收确认信息数据帧的能耗，E_Tx(l_c,d)表示智能设备τ_i发送聚类信息数据帧的能耗，E(τ_i,non-CH)_setup表示充当非簇头的智能设备τ_i在初始阶段的能耗，E_Tx(l_A,d)表示智能设备τ_i发送确认信息数据帧的能耗，E_Rx(l_c,d)表示智能设备τ_i接收聚类信息数据帧的能耗，Δt_scan表示智能设备搜索AP的时间，P_scan表示智能设备在搜索AP时的发送功率，Δt_Rx表示智能设备通过WLAN接收信息的时间，P_Rx表示智能设备通过WLAN接收信息时的功率；l_A表示确认信息数据帧的长度；l_c表示聚类信息数据帧的长度；ε_elec表示发送每比特信息的能量损耗；ε_fs表示信号增益造成的能量损耗；ε_mp表示在多径信道下信号增益造成的能量损耗；d表示智能设备τ_i与簇头之间的距离；

步骤A5：服务器完成聚类后，选择每个类中剩余能量最高的三个智能设备充当簇头，并将每个类中的簇头接收到的信息通过WLAN发送给剩余能量最高的智能设备，该智能设备将该簇头接收到的信息通过WPAN发送给类中的其他智能设备。

优选地，所述步骤2包括：

步骤2.1：在异构网络下，定义智能设备的行动空间为A，智能设备的行动为a，寻找充当非簇头节点的智能设备在行动空间A内位置状态f_i移动到位置状态f_j的概率非零的配对状态的概率指数集，记为集合I；

若在行动空间A内位置状态f_j是最接近位置状态f_i，即位置状态f_j为满足判断条件的任一位置，则从位置状态f_i移动到位置状态f_j的概率非零，其中，判断条件的几何意义是以f_i为中心、2·a_max+1为边长、相邻点间距离为单位距离的矩形点阵，判断条件的计算公式如下：

M_i＝(2·a_max+1)²-1；

式中：M_i表示概率非零的位置状态的总个数，a_max表示最大行动距离；

步骤2.2：计算集合I中成对位置状态的欧氏距离，将位置状态f_i与位置状态f_j之间的欧氏距离记为d_ij，i＝1,2,...,M,j＝1,2,...,N且i≠j，M×N表示整个位置状态空间的范围；集合I由步骤2.1得到。

步骤2.3：根据集合I中成对位置状态的欧氏距离计算对应的高斯变换值，计算公式如下：

$d_{ij}^{g,a}=\frac{1}{\mathrm{\&sigma;}\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{{(d_{ij}-d_{ij}^a)}^2}{2{\mathrm{\&sigma;}}^2});$

式中：表示d_ij的高斯变换，表示位置状态f_i和该位置状态f_i的周围第a个位置状态f_j之间的欧氏距离，σ表示高斯变换中的标准差，且σ的值等于1；

步骤2.4：计算行动a下充当非簇头节点的智能设备从位置状态f_i移动到位置状态f_j的转移概率构建在行动空间A内的关于所有成对位置状态的充当非簇头节点的智能设备的位置状态转移概率矩阵，所述转移概率的计算公式如下：

$P_{ij}^a=\frac{d_{ij}^{g,a}}{{\&Sigma;}_{j=1}^{M_i}{d}_{ij}^{g,a}};$

位置状态转移概率矩阵的表达式如下：

其中，矩阵P^a表示在行动a下的状态转变概率矩阵；矩阵为M×N阶，表示整个位置状态空间的范围。

优选地，所述步骤3包括：

步骤3.1：根据位置状态转移概率矩阵，建立约束马尔可夫决策过程，得到异构网络能耗精度问题的近似线性问题，计算公式如下：

$\arg \underset{s,a}{\min }\underset{s\&Element;S}{\&Sigma;}\underset{a\&Element;A}{\&Sigma;}\mathrm{\&rho;}(s,a)\&CenterDot;e(s,a);$

其中：

$\underset{s\&Element;S}{\&Sigma;}\underset{a\&Element;A}{\&Sigma;}\mathrm{\&rho;}(s,a)=1;$

$\mathrm{\&rho;}(s,a)\&GreaterEqual;0,\&ForAll;s,a;$

$\underset{s\&Element;S}{\&Sigma;}\underset{a\&Element;A}{\&Sigma;}\mathrm{\&rho;}(s,a)\left({\mathrm{\&delta;}}_t\right(s)-p_{st}^a)=0,\&ForAll;t\&Element;S;$

$\frac{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&Sigma;}}_{a\&Element;A}\mathrm{\&rho;}(s,a)}{{\mathrm{\&Sigma;}}_{s\&Element;S}{\mathrm{\&Sigma;}}_{a\&Element;A}\mathrm{\&rho;}(s,a)\&CenterDot;a}\&le;\frac{\mathrm{\&epsiv;}}{T};$

式中：ρ(s,a)表示智能设备在位置状态s、行动为a的概率，e(s,a)表示智能设备位置状态为s、行动为a的定位误差，S表示位置状态空间，δ_t(s)表示冲击函数，表示行动a下充当非簇头节点的智能设备从位置状态f_s移动到位置状态f_t的转移概率，ε表示最大允许能耗，T表示全部定位时长，t表示位置状态f_t；

步骤3.2：计算充当非簇头节点的智能设备闲置时位置状态为s、行动为a的定位误差的定位误差；

步骤3.3：根据得到的定位误差，以及步骤3.1中的近似线性问题，求解最优的ρ(s,a)，从而得到最优通信策略。

优选地，所述步骤3.2包括：

步骤3.2.1：计算充当非簇头节点的智能设备在闲置时段a内、从位置状态s移动到位置状态v的过程中，节点在时隙t时位置状态为u的概率P_u，计算公式如下：

$\begin{array}{c}{P}_u=p\&lsqb;s_t=u|s_0=s,s_a=v\&rsqb;\\ =\frac{p\&lsqb;s_t=u,s_a=v|s_0=s\&rsqb;}{p\&lsqb;s_a=v|s_0=s\&rsqb;}\\ =\frac{p\&lsqb;s_t=u|s_0=s\&rsqb;\&CenterDot;p\&lsqb;s_a=v|s_t=u,s_0=s\&rsqb;}{p\&lsqb;s_a=v|s_0=s\&rsqb;}\\ \&ap;\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a}\end{array};$

式中：s_t表示充当非簇头节点的智能设备在时隙t的位置状态，s₀表示充当非簇头节点的智能设备在闲置前的位置状态，s_a表示充当非簇头节点的智能设备在结束闲置重新通信时的位置状态，表示行动t下充当非簇头节点的智能设备从位置状态s移动到位置状态u的概率，表示行动a-t下充当非簇头节点的智能设备从位置状态u移动到位置状态v的概率，表示行动a下充当非簇头节点的智能设备从位置状态s移动到位置状态v的概率；

步骤3.2.2：获得时隙t_u最可能的位置状态计算公式如下：

$s_u^{*}=\arg \underset{u}{max}\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a};$

式中：表示使得函数取得最大值所对应的变量u；

步骤3.2.3：计算位置状态的概率计算公式如下：

$p_u^{*}=\underset{u}{max}\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a};$

步骤3.2.4：计算时隙t的定位误差e_u，计算公式如下：

$e_u=\left|\right|s-s_u^{*}\left|\right|\&CenterDot;p_u^{*}=\sqrt{{(x_s-x_{u^{*}})}^2+{(y_s-y_{u^{*}})}^2}\&CenterDot;\underset{u}{max}\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a};$

式中：(x_s,y_s)表示位置状态s的坐标，表示时隙t时估算的位置状态的坐标；

步骤3.2.5：计算充当非簇头节点的智能设备闲置时位置状态为s、行动为a的定位误差的定位误差e(s,a)，计算公式如下：

$e(s,a)=\underset{v\&Element;S}{\&Sigma;}{P}_{sv}^a\&CenterDot;e_{sv}^a=\underset{v\&Element;S}{\&Sigma;}{P}_{sv}^a\&CenterDot;\underset{t=1}{\overset{t=a-1}{\&Sigma;}}\&lsqb;d_{{\mathrm{su}}^{*}}\&CenterDot;\underset{u}{\max }\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a}\&rsqb;;$

其中： $d_{{\mathrm{su}}^{*}}=\sqrt{{(x_s-x_{u^{*}})}^2+{(y_s-y_{u^{*}})}^2}$

式中：表示行动a下充当非簇头节点的智能设备从位置状态s移动到位置状态v的定位误差。

与现有技术相比，本发明具有如下的有益效果：

1、本发明提供的基于异构网络室内定位框架最优通信的能耗精度均衡方法，根据确定位置状态转移概率矩阵，建立一个约束马尔可夫决策过程，通过解决此约束马尔可夫决策过程相应的线性问题，得到最优通信策略，能够很好地降低能耗。

2、本发明提供的基于异构网络室内定位框架最优通信的能耗精度均衡方法，能够有效提高定位精度，从而更好地实现能源消耗和定位精度的均衡。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的基于异构网络室内定位框架最优通信的能耗精度均衡方法的原理框图；

图2为本发明提供的基于异构网络室内定位框架最优通信的能耗精度均衡方法的系统结构示意图；

图3为根据本发明中的方法实现的最优通信策略的定位误差散点图；

图4为统一通信策略的定位误差散点图；

图5为最优通信策略和统一通信策略的定位误差累积分布函数结构示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

本发明提出一种基于异构网络室内定位框架最优通信的能耗精度均衡方法，主要包括：融合无线局域网(WLAN)和无线个人局域网(WPAN)，确定位置状态转移概率矩阵，计算定位误差，建立约束马尔可夫决策过程，解决约束马尔可夫决策过程相应的线性问题。

更为具体地，本发明包括以下步骤：

第一步：搭建无线局域网(WLAN)，智能设备通过WLAN连接至服务器，依靠周围接入节点的RSSI建立指纹库。

对于纯基于WLAN的阶段，所有的智能设备都依靠收集周围的接入节点(AP)的RSSI和构建RSSI指纹库实现定位，然后每个智能设备通过WLAN将这些数据传输至服务器端。收到相关的RSSI的指纹后，服务器端利用定位算法，挖掘指纹库中最匹配的指纹。

第二步：搭建无线个人局域网(WPAN)，将智能设备分为簇头节点和非簇头节点。

在融合WLAN和WPAN的异构网络框架中，所有智能设备被分为两种职能：簇头节点、非簇头节点。首先，使用聚类算法探索物体移动模式，然后在聚类中将三个相应的智能设备设为簇头。簇头节点的定位与纯基于WLAN的阶段一样，非簇头节点的定位是通过匹配使用指纹库中位置信息的三边测量法的结果。为了更加精确的定位非簇头节点，非簇头节点需要在特定时间段内通过WPAN中与三个簇头节点通信。

第三步：在非通信时隙中，根据行动空间中不同的行动a，确定非簇头节点的位置状态转移概率矩阵。

第四步：计算非簇头节点闲置时的某个时隙且节点从位置状态S移动到位置状态v的最可能位置，再计算这个时隙、位置状态从S移动到v的定位误差，最后计算节点在位置状态s、行动为a的定位误差。

第五步：根据第三步中获得的位置状态转移概率矩阵，建立一个约束马尔可夫决策过程，通过解决此约束马尔可夫决策过程相应的线性问题，得到最优通信策略。本领域技术人员理解，此处所述的最优通信策略的得到方式，是利用作为最优决策过程的马尔可夫决策过程得到的，本领域技术人员可以参照现有技术实现该最优决策过程，在此不予赘述。

图1示意了基于异构网络室内定位框架最优通信策略的能耗精度均衡实现方法的总体框架图。本发明所述的基于异构网络室内定位框架最优通信策略的能耗精度均衡实现方法主要包含三个层面：首先，融合无线局域网(WLAN)和无线个人局域网(WPAN)，在WLAN中智能设备的接入并搭建指纹库，在WPAN中将智能设备分为簇头节点和非簇头节点，分别对其运用不同方法进行定位解算；其次，确定位置状态转移概率矩阵，在非通信时隙对智能设备进行位置推测；最后，根据位置状态转移概率矩阵，建立约束马尔可夫决策过程(CMDP)，通过解决此约束马尔可夫决策过程相应的线性问题，得到最优通信策略。

图2所示的是基于异构网络的室内定位框架的系统架构，包括两个阶段：纯基于WLAN的定位阶段和融合基于异构网络的定位阶段。

为了测试本发明提出的能耗精度均衡实现方法的性能，在仿真过程中，将基于本发明提出的最优通信策略的实现方法与另一种基于统一通信策略的实现方法进行比较，并从能耗和定位误差两方面进行分析。统一通信策略在定位过程中的每个位置状态的通信间隔是相同的，通信间隔为：

${\mathrm{\&Gamma;}}_i=\frac{T}{\mathrm{\&epsiv;}},\&ForAll;f_i\&Element;S$

其中，T表示所需的定位时隙，∈表示最大总能量消耗。

如图3、图4所示两种通信策略的定位误差散点图，从图中可以看出，在统一通信策略的仿真结果中，存在一些突变误差，而在最优通信策略中没有突变误差，说明最优通信策略可以缓解定位误差的波动，从而提高定位性能。图中的实线带表示平均误差，最优通信策略的平均误差为0.6296米，统一定位策略的定位误差为0.7059米。从图5的定位误差累积分布函数也可以得到上述分析。

通过仿真，最优通信策略的能耗低于统一通信策略，若统一通信策略的能耗为100％，那么相比之下，最优通信策略的能耗为86.7％。

表1

策略	定位误差(米)	能源消耗
			最优通信策略	0.6296	86.7％
统一定位策略	0.7059	100％

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (7)

1.一种基于异构网络室内定位框架最优通信的能耗精度均衡方法，其特征在于，包括如下步骤：

步骤1：构建异构网络，并对室内的智能设备进行分类和定位，其中，室内的智能设备分为充当簇头节点的智能设备和充当非簇头节点的智能设备；

步骤2：根据充当非簇头节点的智能设备的位置变化确定位置状态转移概率矩阵；

步骤3：根据位置状态转移概率矩阵，建立相应的约束马尔可夫决策过程，得到异构网络室内的最优通信策略。

2.根据权利要求1所述的基于异构网络室内定位框架最优通信的能耗精度均衡方法，其特征在于，所述步骤1包括：

步骤A：在室内融合无线局域网WLAN和无线个人局域网WPAN，利用服务器基于WLAN的指纹匹配算法获得室内每个智能设备的位置信息，并根据室内智能设备的位置信息对所述智能设备进行聚类处理，并在聚类处理后得到的每个类中选取三个智能设备充当簇头；

步骤B：通过指纹匹配算法为所有充当簇头的智能设备进行位置信息解算，并根据三边定位解算算法为所有充当非簇头的智能设备进行位置信息解算。

3.根据权利要求2所述的基于异构网络室内定位框架最优通信的能耗精度均衡方法，其特征在于，所述步骤1还包括：

步骤i：在非闲置时段内，充当非簇头节点的智能设备通过无线个人局域网WPAN与充当簇头节点的智能设备实现通信。

4.根据权利要求2所述的基于异构网络室内定位框架最优通信的能耗精度均衡方法，其特征在于，所述步骤A包括：

步骤A1：室内所有的智能设备实时采集WLAN的AP的接收信号强度信息，并将所述接收信号强度信息发送给服务器，服务器通过指纹匹配算法确定每个智能设备的位置信息；

步骤A2：服务器迭代计算第i个智能设备τ_i和第j个智能设备τ_j之间的欧氏距离d_ij，并在各次迭代中将欧氏距离最小的两个智能设备聚合在一个类中，得到了多个类的集合C，即c_k∈C，k＝1,2,...,N/2，其中，N表示智能设备的个数，c_k表示第k组欧氏距离最小的两个智能设备所聚合的类，第i个智能设备和第j个智能设备的选择是任意的；

步骤A3：迭代计算集合C中的第i个类c_i和第j个类c_j之间的类距离p(c_i,c_j)，i,j＝1,2,...,N/2且i≠j，并在各次迭代中将类距离最小的两个类进行合并，直到最终合并出的类的个数满足设定的要求，其中：

p(c_i,c_j)＝α_pp(c_p,c_j)+α_qp(c_q,c_j)+β_pp(c_p,c_j)；

其中，c_p表示集合，且属于集合c_i的子集；c_q表示集合，且属于c_i的子集；p(c_p,c_j)表示集合c_p与c_j之间的距离，p(c_q,c_j)表示集合c_q与c_j之间的距离，集合c_i由集合c_p和集合c_q合并而成，且距离系数α_p、α_q、β_p的计算公式如下：

${\mathrm{\&alpha;}}_p=\frac{m_p+m_j}{m_p+m_q+m_j},{\mathrm{\&alpha;}}_q=\frac{m_q+m_j}{m_p+m_q+m_j},{\mathrm{\&beta;}}_p=\frac{-m_j}{m_p+m_q+m_j};$

式中：m_p、m_q、m_j分别表示第p、q、j个类中的智能设备的数目，p、q、j为正整数；

步骤A4：服务器计算每个类中智能设备的剩余能量，选择每个类中剩余能量最高的三个智能设备充当该类的簇头，其中计算智能设备的在初始阶段所耗能量的计算公式如下：

$\begin{array}{c}E{\left({\mathrm{\&tau;}}_i,CH\right)}_{setup}=E_{scan}^{wlan}+E_{comm}^{wlan}+E_{Rx}\left(l_A,d\right)+E_{Tx}\left(l_c,d\right)\\ =\left\{\begin{array}{cc}{\mathrm{\&Delta;t}}_{scan}{P}_{scan}+{\mathrm{\&Delta;t}}_{Rx}{P}_{Rx}+l_A{\mathrm{\&epsiv;}}_{elec}+l_A{\mathrm{\&epsiv;}}_{fs}{d}^2+l_c{\mathrm{\&epsiv;}}_{elec},& d<d_0\\ {\mathrm{\&Delta;t}}_{scan}{P}_{scan}+{\mathrm{\&Delta;t}}_{Rx}{P}_{Rx}+l_A{\mathrm{\&epsiv;}}_{elec}+l_A{\mathrm{\&epsiv;}}_{mp}{d}^4+l_c{\mathrm{\&epsiv;}}_{elec},& d\&le;d_0\end{array}\right.\end{array}$

$\begin{array}{c}E{({\mathrm{\&tau;}}_i,non-CH)}_{setup}=E_{Tx}(l_A,d)+E_{Rx}(l_c,d)\\ =\left\{\begin{array}{cc}{l}_A{\mathrm{\&epsiv;}}_{elec}+l_A{\mathrm{\&epsiv;}}_{fs}{d}^2+l_c{\mathrm{\&epsiv;}}_{elec},& d<d_0\\ l_A{\mathrm{\&epsiv;}}_{elec}+l_A{\mathrm{\&epsiv;}}_{mp}{d}^4+l_c{\mathrm{\&epsiv;}}_{elec},& d\&GreaterEqual;d_0\end{array}\right.\end{array}$

式中：E(τ_i,CH)_setup表示充当簇头的智能设备τ_i在初始阶段setup的能耗，表示智能设备τ_i扫描WLAN的AP时的能耗，表示智能设备τ_i通过WLAN进行数据传输时的能耗，E_Rx(l_A,d)表示智能设备τ_i接收确认信息数据帧的能耗，E_Tx(l_c,d)表示智能设备τ_i发送聚类信息数据帧的能耗，E(τ_i,non-CH)_setup表示充当非簇头的智能设备τ_i在初始阶段的能耗，E_Tx(l_A,d)表示智能设备τ_i发送确认信息数据帧的能耗，E_Rx(l_c,d)表示智能设备τ_i接收聚类信息数据帧的能耗，Δt_scan表示智能设备搜索AP的时间，P_scan表示智能设备在搜索AP时的发送功率，Δt_Rx表示智能设备通过WLAN接收信息的时间，P_Rx表示智能设备通过WLAN接收信息时的功率；l_A表示确认信息数据帧的长度；l_c表示聚类信息数据帧的长度；ε_elec表示发送每比特信息的能量损耗；ε_fs表示信号增益造成的能量损耗；ε_mp表示在多径信道下信号增益造成的能量损耗；d表示智能设备τ_i与簇头之间的距离；

步骤A5：服务器完成聚类后，选择每个类中剩余能量最高的三个智能设备充当簇头，并将每个类中的簇头接收到的信息通过WLAN发送给剩余能量最高的智能设备，该智能设备将该簇头接收到的信息通过WPAN发送给类中的其他智能设备。

5.根据权利要求1所述的基于异构网络室内定位框架最优通信的能耗精度均衡方法，其特征在于，所述步骤2包括：

步骤2.1：在异构网络下，定义智能设备的行动空间为A，智能设备的行动为a，寻找充当非簇头节点的智能设备在行动空间A内位置状态f_i移动到位置状态f_j的概率非零的配对状态的概率指数集，记为集合I；

若在行动空间A内位置状态f_j是最接近位置状态f_i，即位置状态f_j为满足判断条件的任一位置，则从位置状态f_i移动到位置状态f_j的概率非零，其中，判断条件的几何意义是以f_i为中心、2·a_max+1为边长、相邻点间距离为单位距离的矩形点阵，判断条件的计算公式如下：

M_i＝(2·a_max+1)²-1；

式中：M_i表示概率非零的位置状态的总个数，a_max表示最大行动距离；

步骤2.2：计算集合I中成对位置状态的欧氏距离，将位置状态f_i与位置状态f_j之间的欧氏距离记为d_ij，i＝1,2,...,M,j＝1,2,...,N且i≠j，M×N表示整个位置状态空间的范围；集合I由步骤2.1得到。

步骤2.3：根据集合I中成对位置状态的欧氏距离计算对应的高斯变换值，计算公式如下：

$d_{ij}^{g,a}=\frac{1}{\mathrm{\&sigma;}\sqrt{2\mathrm{\&pi;}}}\exp (-\frac{{(d_{ij}-d_{ij}^a)}^2}{2{\mathrm{\&sigma;}}^2});$

式中：表示d_ij的高斯变换，表示位置状态f_i和该位置状态f_i的周围第a个位置状态f_j之间的欧氏距离，σ表示高斯变换中的标准差，且σ的值等于1；

步骤2.4：计算行动a下充当非簇头节点的智能设备从位置状态f_i移动到位置状态f_j的转移概率构建在行动空间A内的关于所有成对位置状态的充当非簇头节点的智能设备的位置状态转移概率矩阵，所述转移概率的计算公式如下：

$P_{ij}^a=\frac{d_{ij}^{g,a}}{{\&Sigma;}_{j=1}^{M_i}{d}_{ij}^{g,a}};$

位置状态转移概率矩阵的表达式如下：

其中，矩阵P^a表示在行动a下的状态转变概率矩阵；矩阵为M×N阶，表示整个位置状态空间的范围。

6.根据权利要求1所述的基于异构网络室内定位框架最优通信的能耗精度均衡方法，其特征在于，所述步骤3包括：

步骤3.1：根据位置状态转移概率矩阵，建立约束马尔可夫决策过程，得到异构网络能耗精度问题的近似线性问题，计算公式如下：

$\arg \underset{s,a}{min}\underset{s\&Element;S}{\&Sigma;}\underset{a\&Element;A}{\&Sigma;}\mathrm{\&rho;}(s,a)\&CenterDot;e(s,a);$

其中：

$\underset{s\&Element;S}{\&Sigma;}\underset{a\&Element;A}{\&Sigma;}\mathrm{\&rho;}(s,a)=1;$

$\mathrm{\&rho;}(s,a)\&GreaterEqual;0,\&ForAll;s,a;$

$\underset{s\&Element;S}{\mathrm{\&Sigma;}}\underset{a\&Element;A}{\mathrm{\&Sigma;}}\mathrm{\&rho;}(s,a)({\mathrm{\&delta;}}_t\left(s\right)-p_{\mathrm{st}}^a)=0,\&ForAll;t\&Element;S;$

$\frac{{\&Sigma;}_{s\&Element;S}{\&Sigma;}_{a\&Element;A}\mathrm{\&rho;}(s,a)}{{\&Sigma;}_{s\&Element;S}{\&Sigma;}_{a\&Element;A}\mathrm{\&rho;}(s,a)\&CenterDot;a}\&le;\frac{\mathrm{\&epsiv;}}{T};$

式中：ρ(s,a)表示智能设备在位置状态s、行动为a的概率，e(s,a)表示智能设备位置状态为s、行动为a的定位误差，S表示位置状态空间，δ_t(s)表示冲击函数，表示行动a下充当非簇头节点的智能设备从位置状态f_s移动到位置状态f_t的转移概率，ε表示最大允许能耗，T表示全部定位时长，t表示位置状态f_t；

步骤3.2：计算充当非簇头节点的智能设备闲置时位置状态为s、行动为a的定位误差的定位误差；

步骤3.3：根据得到的定位误差，以及步骤3.1中的近似线性问题，求解最优的ρ(s,a)，从而得到最优通信策略。

7.根据权利要求6所述的基于异构网络室内定位框架最优通信的能耗精度均衡方法，其特征在于，所述步骤3.2包括：

步骤3.2.1：计算充当非簇头节点的智能设备在闲置时段a内、从位置状态s移动到位置状态v的过程中，节点在时隙t时位置状态为u的概率P_u，计算公式如下：

$\begin{array}{c}{P}_u=p\&lsqb;s_t=u|s_0=s,s_a=v\&rsqb;\\ =\frac{p\&lsqb;s_t=u,s_a=v|s_0=s\&rsqb;}{p\&lsqb;s_a=v|s_0=s\&rsqb;}\\ =\frac{p\&lsqb;s_t=u|s_0=s\&rsqb;\&CenterDot;p\&lsqb;s_a=v|s_t=u,s_0=s\&rsqb;}{p\&lsqb;s_a=v|s_0=s\&rsqb;}\\ \&ap;\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a}\end{array};$

式中：s_t表示充当非簇头节点的智能设备在时隙t的位置状态，s₀表示充当非簇头节点的智能设备在闲置前的位置状态，s_a表示充当非簇头节点的智能设备在结束闲置重新通信时的位置状态，表示行动t下充当非簇头节点的智能设备从位置状态s移动到位置状态u的概率，表示行动a-t下充当非簇头节点的智能设备从位置状态u移动到位置状态v的概率，表示行动a下充当非簇头节点的智能设备从位置状态s移动到位置状态v的概率；

步骤3.2.2：获得时隙t_u最可能的位置状态计算公式如下：

$s_u^{*}=\arg \underset{u}{max}\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a};$

式中：表示使得函数取得最大值所对应的变量u；

步骤3.2.3：计算位置状态的概率计算公式如下：

$p_u^{*}=\underset{u}{max}\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a};$

步骤3.2.4：计算时隙t的定位误差e_u，计算公式如下：

$e_u=\left|\right|s-s_u^{*}\left|\right|\&CenterDot;p_u^{*}=\sqrt{{(x_s-x_{u^{*}})}^2+{(y_s-y_{u^{*}})}^2}\&CenterDot;\underset{u}{max}\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a};$

式中：(x_s,y_s)表示位置状态s的坐标，表示时隙t时估算的位置状态的坐标；

步骤3.2.5：计算充当非簇头节点的智能设备闲置时位置状态为s、行动为a的定位误差的定位误差e(s,a)，计算公式如下：

$e(s,a)=\underset{v\&Element;S}{\&Sigma;}{P}_{sv}^a\&CenterDot;e_{sv}^a=\underset{v\&Element;S}{\&Sigma;}{P}_{sv}^a\&CenterDot;\underset{t=1}{\overset{t=a-1}{\&Sigma;}}\&lsqb;d_{{\mathrm{su}}^{*}}\&CenterDot;\underset{u}{\max }\frac{P_{su}^t\&CenterDot;P_{uv}^{a-t}}{P_{sv}^a}\&rsqb;;$

其中： $d_{{\mathrm{su}}^{*}}=\sqrt{{(x_s-x_{u^{*}})}^2+{(y_s-y_{u^{*}})}^2}$

式中：表示行动a下充当非簇头节点的智能设备从位置状态s移动到位置状态v的定位误差。