CN106162869B - 移动自组织网络中高效协作定位方法 - Google Patents

移动自组织网络中高效协作定位方法 Download PDF

Info

Publication number
CN106162869B
CN106162869B CN201610532034.4A CN201610532034A CN106162869B CN 106162869 B CN106162869 B CN 106162869B CN 201610532034 A CN201610532034 A CN 201610532034A CN 106162869 B CN106162869 B CN 106162869B
Authority
CN
China
Prior art keywords
node
target node
iteration
samples
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610532034.4A
Other languages
English (en)
Other versions
CN106162869A (zh
Inventor
徐超杰
刘中令
杨明
俞晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201610532034.4A priority Critical patent/CN106162869B/zh
Publication of CN106162869A publication Critical patent/CN106162869A/zh
Application granted granted Critical
Publication of CN106162869B publication Critical patent/CN106162869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Abstract

本发明提供了一种移动自组织网络中高效协作定位方法，包括步骤A：针对当前的目标节点确定对应的参考节点集合与对应的参考节点进行测距通信；步骤B：根据距离测量值，以及测距误差模型随机生成一定数目的对目标节点位置的估计样本；步骤C：根据权重值对每个参考节点生成的位置估计样本分别进行筛选，将所述样本作为本次迭代得到的自身置信度，并计算出本次迭代中自身估计位置；步骤D：判断当前目标节点的迭代过程是否收敛或达到最大迭代次数，若目标节点的迭代过程收敛，则作为其他待被定位目标节点的参考节点。本发明提出的高效协作定位方法能够做到目标节点定位迭代过程中收敛速度快，同时计算复杂度较低，并能够保证较高的定位精度。

Description

移动自组织网络中高效协作定位方法
技术领域
本发明涉及移动通信技术领域，具体地，涉及一种移动自组织网络中高效协作定位方法。
背景技术
移动自组织网络由于其自组织、不依赖于基础设施等特性而被广泛应用在紧急救援、人员位置管理等领域。其中，对于组网对象节点(以下简称节点)的准确定位是促成这些应用的关键，因而移动自组织网络中节点的高精度定位问题得到了越来越多的关注与研究。在移动自组织网络中，基于距离测量的定位方案能够获得更高的定位精度，在这样的方案中，网络中的节点被分为锚节点与目标节点两种角色，其中锚节点的准确位置已知，且在所有节点中仅占较小的比例；目标节点位置未知，需要通过与锚节点进行距离测量进而对自身位置进行估计。相较于传统的非协作定位方案中目标节点仅可与其通信范围内的锚节点进行距离测量通信，协作定位方案还允许目标节点与其通信范围内的其他目标节点进行协作，从而可以利用目标节点之间的距离测量信息来降低每个目标节点位置估计的模糊性，可以提高定位过程所能达到的定位精度，并增大网络中可被定位目标节点(能够解算出唯一估计位置的目标节点)的比例，并且协作定位方案可以应用于锚节点数量较少且在网络中稀疏分布的情况，具有很好的应用前景。
非参数化置信传播算法是一种被广泛研究的协作定位算法，具有高定位精度、适用于非高斯型不确定度及分布式计算等优点。该算法是一种基于采样与信息传递的迭代算法，在目标节点定位迭代过程的每次迭代中，每个参与该目标节点定位过程的锚节点利用自身的置信度(即节点位置的后验分布)及自身与目标节点之间的距离测量结果，计算出传递给目标节点的信息(即对目标节点位置的一定数目的估计样本)，目标节点可以利用这样的信息对自身的置信度进行计算，并在连续两次迭代过程中其置信度变化满足迭代过程终止条件时，获得自身的最终估计位置。
然而，在移动自组织网络(尤其是节点规模大、部署密集的情况)中，应用非参数化置信传播算法时，其所带来的信息传递路径过多及传递路径存在环路等问题为目标节点的位置估计过程引入了较高的计算复杂度及网络通信负载，同时节点的移动性进一步地恶化了这一情况。若要实现非参数化置信传播算法在实际中的应用，必须改进该算法以降低定位过程中的计算复杂度。
经过对现有的技术检索发现，目前关于降低非参数化置信传播算法中计算复杂度的方案主要包括通过最小生成树算法避免信息传递过程中出现环路、通过使用分层信息传播机制减少计算复杂度等，但是这些方法均做出了一些简化性的假设，如假设网络中节点均静止、假设锚节点静止以及选用简化的测距误差模型等，从而难以保证在移动自组织网络中的实际应用过程中依然可以保持其高效性。
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移动自组织网络中高效协作定位方法。
根据本发明提供的移动自组织网络中高效协作定位方法，包括如下步骤：
步骤A：针对当前的目标节点，根据目标节点的通信范围确定对应的参考节点，所述参考节点包括：锚节点与已定位的目标节点；并将当前的目标节点与对应参考节点进行测距通信；初始化每个参考节点对应的目标节点，生成位置估计样本时的随机方向取值范围；
步骤B：将每个参考节点与当前目标节点之间的距离测量值、测距误差模型随机生成的关于目标节点位置的若干位置估计样本，以及参考节点自身的位置信息一起发送给当前目标节点；
步骤C：更新计算关于目标节点位置的若干位置估计样本所对应的权重值；并根据权重值对每个参考节点生成的位置估计样本分别进行筛选，通过每个参考节点对应的被保留的位置估计样本得到该参考节点在下一次迭代时针对当前目标节点生成位置估计样本时的随机方向取值范围；当前目标节点归一化所有被保留的位置估计样本的权重值之后，将所述被保留的位置估计样本作为本次迭代得到的自身置信度，并计算出本次迭代中目标节点自身的估计位置；
步骤D：判断当前目标节点的迭代过程是否满足收敛或达到最大迭代次数，若满足，则终止迭代过程，且将最后一次迭代得到的估计位置作为该目标节点的最终估计位置。
优选地，所述步骤A包括如下步骤：
步骤A1：若当前目标节点nt与网络中某个节点nt′之间的距离dtt′不大于nt的最大通信距离R，则nt与nt′互为邻近节点，其中，nt′表示第t′个节点(可以为目标节点、锚节点)；进而得到nt的邻近节点集合Γt；
步骤A2：处于Γt中的锚节点或者已定位的目标节点即为nt在协作定位过程中所需要参考的参考节点，这些节点组成nt的参考节点集合
Figure BDA0001043785770000031
步骤A3：将
Figure BDA0001043785770000032
中的每个参考节点
Figure BDA0001043785770000033
针对nt生成位置估计样本时的随机方向取值范围
Figure BDA0001043785770000034
初始化为[0,2π]，其中
Figure BDA0001043785770000035
表示
Figure BDA0001043785770000036
中参考节点的数目，
Figure BDA0001043785770000037
Figure BDA0001043785770000038
与
Figure BDA0001043785770000039
分别为第1次迭代时
Figure BDA00010437857700000310
针对nt生成位置估计样本时的随机方向取值范围的最小值与最大值；另外，将网络中任一个节点ni的二维位置表示为xi＝[xi,yi]T；
步骤A4：进入目标节点位置估计迭代过程，设定最大迭代次数为L。
优选地，所述步骤B包括如下步骤：
步骤B1：在第l次迭代中，当前目标节点nt的邻近参考节点集合
Figure BDA00010437857700000311
中每个参考节点
Figure BDA00010437857700000312
根据当前目标节点nt与nt之间的距离测量值
Figure BDA00010437857700000313
对nt的位置进行估计，并得到M个位置估计样本
Figure BDA00010437857700000314
其中：1≤l≤L；
Figure BDA00010437857700000315
式中，
Figure BDA00010437857700000316
为随机方向值，并服从均匀分布
Figure BDA00010437857700000317
Figure BDA00010437857700000318
与
Figure BDA00010437857700000319
分别为第l次迭代时
Figure BDA00010437857700000320
针对nt生成位置估计样本时的随机方向取值范围的最小值与最大值；
Figure BDA00010437857700000321
表示
Figure BDA00010437857700000322
的二维位置坐标，ri表示第ri个参考节点，下标i的取值范围为
Figure BDA00010437857700000323
下标t表示当前时刻，
Figure BDA00010437857700000324
表示
Figure BDA00010437857700000325
与nt之间的一个带噪声的距离测量值，即
Figure BDA00010437857700000326
其中，
Figure BDA00010437857700000327
为
Figure BDA00010437857700000328
与nt之间的实际距离，xt表示nt的二维位置坐标；
Figure BDA00010437857700000329
为距离测量误差，
Figure BDA00010437857700000330
分布服从
Figure BDA00010437857700000331
pv为测距误差分布模型；
步骤B2：将
Figure BDA00010437857700000332
产生的每个位置估计样本
Figure BDA00010437857700000333
对应的权重值
Figure BDA00010437857700000334
初始化为1/M，并将
Figure BDA00010437857700000335
对应的随机方向值
Figure BDA00010437857700000336
连同
Figure BDA00010437857700000337
及
Figure BDA00010437857700000338
所对应的权重值
Figure BDA00010437857700000339
一起组合为权重样本
Figure BDA00010437857700000340
步骤B3：将
Figure BDA00010437857700000341
产生的所有权重样本
Figure BDA00010437857700000342
连同
Figure BDA00010437857700000343
的位置
Figure BDA00010437857700000344
作为信息发送给nt，其中j＝1,...,M。
优选地，所述步骤C包括如下步骤：
步骤C1：当前目标节点nt对收到每一个权重样本
Figure BDA0001043785770000041
进行权重值更新计算
Figure BDA0001043785770000042
其中，
Figure BDA0001043785770000043
为
Figure BDA0001043785770000044
与参考节点
Figure BDA0001043785770000045
之间的实际距离，且
Figure BDA0001043785770000046
Figure BDA0001043785770000047
为nt与
Figure BDA0001043785770000048
之间带噪声的距离测量值；为了评估
Figure BDA0001043785770000049
与nt的实际位置xt之间的偏差，将
Figure BDA00010437857700000410
假设为nt与
Figure BDA00010437857700000411
之间的实际距离，并假设
Figure BDA00010437857700000412
为nt的实际位置，则
Figure BDA00010437857700000413
作为
Figure BDA00010437857700000414
与nt之间的一个带噪声的距离测量值，
Figure BDA00010437857700000415
即为
Figure BDA00010437857700000416
的距离测量误差值，进而
Figure BDA00010437857700000417
体现了从
Figure BDA00010437857700000418
的角度对
Figure BDA00010437857700000419
与xt之间偏差程度的估计；
步骤C2：nt根据已更新的样本权重值，将每个参考节点发送的样本分别进行筛选：针对由参考节点
Figure BDA00010437857700000420
产生的M个权重样本，选择出
Figure BDA00010437857700000421
个具有最大权重值的样本，其中
Figure BDA00010437857700000422
为
Figure BDA00010437857700000423
的向下取整值；
若
Figure BDA00010437857700000424
则需要在某一个参考节点产生的样本中额外保留出
Figure BDA00010437857700000425
个样本，记录
Figure BDA00010437857700000426
相应被保留的样本中随机方向值，得到这些随机方向值对应的范围Sθ＝[θmin,θmax]，并将
Figure BDA00010437857700000427
在下一次迭代时针对nt生成位置估计样本时的随机方向取值范围
Figure BDA00010437857700000428
设为Sθ；
步骤C3：针对nt，将nt保留的M个位置估计样本，即
Figure BDA00010437857700000429
进行权重值归一化处理，其中：k＝1,...,M，
Figure BDA00010437857700000430
表示第k个位置估计样本的二维位置坐标，
Figure BDA00010437857700000431
表示第k个位置估计样本对应的随机方向值，
Figure BDA00010437857700000432
表示第k个位置估计样本对应的权重值；归一化公式如下：
Figure BDA00010437857700000433
步骤C4：针对目标节点nt，对目标节点nt自身的置信度进行更新计算，并计算在当前迭代中的估计位置
Figure BDA00010437857700000434
计算公式如下：
Figure BDA0001043785770000051
式中：
Figure BDA0001043785770000052
表示第l次迭代中得到的对nt的估计位置。
优选地，所述步骤D包括如下步骤：
步骤D1：若1＜l＜L，判断当前目标节点nt在连续两次迭代中的位置估计变化情况是否满足迭代终止条件
Figure BDA0001043785770000053
其中，ε为预设的迭代终止阈值，
Figure BDA0001043785770000054
表示第l-1次迭代中得到的对nt的估计位置；若在第l次迭代中，nt的估计位置满足了迭代终止条件，则迭代过程停止，
Figure BDA0001043785770000055
即为nt的最终估计位置，成为已定位的目标节点，进入步骤D2继续执行；若l等于L，即达到了最大迭代次数，则终止迭代过程，并将第l次迭代中nt的估计位置作为其最终估计位置，流程结束；
步骤D2：设定l自增1，返回步骤B继续执行。
与现有技术相比，本发明具有如下的有益效果：
1、本发明提出的高效协作定位方法中每个位置估计样本的随机方向服从均匀分布，且随机方向的取值范围逐渐缩小，因此本发明提出的方法需要较少的样本数目即可满足目标节点的定位需求，因而能够降低目标节点定位过程的计算复杂度，实现对目标节点的高效协作定位，同时能够保证较高的定位精度。
2、本发明提出的方法中随着当前目标节点协作定位迭代过程的进行能够针对某一参考节点对当前目标节点生成的位置估计样本，利用了其他参考节点对这些样本与该目标节点实际位置的偏差程度进行评估，进而可以获得每个样本的合理权重值，从而有助于筛选出针对该目标节点的合理位置估计样本，即可以使得每个参考节点针对该目标节点生成位置估计样本时的随机方向取值范围快速缩小，进而使得参考节点的估计位置快速地向真实位置靠拢，在满足收敛条件时终止针对该目标节点的协作定位迭代过程并获得对该目标节点的最终估计位置，同时该目标节点成为已定位目标节点，能够成为其他待被定位目标节点的参考节点。
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为移动自组织网络中高效协作定位方法的总体架构示意图；
图2为移动自组织网络中高效协作定位方法与非参数化置信传播算法在不同样本数目条件下定位误差方面结果对比图；
图3为移动自组织网络中高效协作定位方法与非参数化置信传播算法在计算时间消耗方面结果对比图。
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，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的移动自组织网络中高效协作定位方法，针对每个目标节点的协作定位过程为迭代过程，其中每次迭代包括当前目标节点每个参考节点(可以为锚节点或其他已定位目标节点)与目标节点之间距离测量信息以及参考节点自身的位置计算出参考节点针对当前目标节点的位置估计样本，并作为信息发送给该目标节点；当前目标节点根据所接收到的信息，对其中包含的样本对应权重信息进行更新计算；针对每个参考节点产生的样本，依据样本的新权重值进行筛选，并根据每个参考节点对应保留的样本确定在下一次迭代中该参考节点针对当前目标节点生成位置估计样本时的随机方向取值范围；当前目标节点归一化所有保留样本的权重值，并更新当前迭代中自身的置信度情况及对应的估计位置；在连续两次迭代中，当前目标节点判断自身位置估计变化情况是否满足迭代收敛条件，在迭代收敛条件被满足时，该目标节点成为已定位目标节点并终止自身定位迭代过程，进而可以成为其他待定位目标节点的参考节点；若当前目标节点的定位迭代过程达到最大迭代次数，该目标节点的定位迭代过程同样终止并以最后一次迭代得到的位置估计作为其最终估计位置。本发明中提出方法能够使各个参考节点每次迭代过程中生成样本时的随机方向取值范围快速缩小，从而使得目标节点定位迭代过程能够快速收敛，并能够以较少的样本数取得较高的定位精度，同时降低计算复杂度。
具体地，包括如下步骤：
步骤A：针对当前的目标节点，根据其的通信范围，确定其参考节点(包括锚节点与已定位的目标节点)集合，并与其参考节点进行测距通信；初始化每个参考节点针对该目标节点生成位置估计样本时的随机方向取值范围；并在至此之后开始当前目标节点的定位迭代过程；
步骤B：每个参考节点依据其与当前目标节点之间的距离测量值，以及测距误差模型随机生成一定数目的对目标节点位置的估计样本，连同参考节点自身的位置信息一起作为信息发送给当前目标节点；
步骤C：当前目标节点对所接收到信息中的位置估计样本对应的权重值分别进行更新计算，并根据权重值对每个参考节点生成的位置估计样本分别进行筛选，并利用每个参考节点对应被保留的样本，得到该参考节点在下一次迭代时针对当前目标节点生成位置估计样本时的随机方向取值范围；当前目标节点归一化所有被保留样本的权重值之后，将这些样本作为本次迭代得到的自身置信度，并计算出本次迭代中自身估计位置；
步骤D：判断当前目标节点的迭代过程是否收敛或达到最大迭代次数，若二者满足其一，则终止迭代过程，且将最后一次迭代得到的估计位置作为该目标节点的最终估计位置。特别地，若目标节点的迭代过程收敛，则说明其被很好地定位，则可以成为其他待被定位目标节点的参考节点。
所述的步骤A包括如下步骤：
步骤A1：若当前目标节点nt与网络中某个节点nt′之间的距离dtt′不大于nt的最大通信距离R，则nt与nt′互为邻近节点，进而可以得到nt的邻近节点集合Γt；
步骤A2：处于Γt中的锚节点或者已定位的目标节点即为nt在协作定位过程中所需要参考的参考节点，这些节点组成nt的参考节点集合
Figure BDA0001043785770000071
步骤A3：将
Figure BDA0001043785770000072
中的每个参考节点
Figure BDA0001043785770000073
针对nt生成位置估计样本时的随机方向取值范围
Figure BDA0001043785770000074
初始化为[0,2π]，其中
Figure BDA0001043785770000075
表示
Figure BDA0001043785770000076
中参考节点的数目；
Figure BDA0001043785770000077
与
Figure BDA0001043785770000078
分别为第1次迭代时
Figure BDA0001043785770000079
针对nt生成位置估计样本时的随机方向取值范围的最小值与最大值；另外，将网络中任一个节点ni的二维位置表示为xi＝[xi,yi]T；
步骤A4：进入目标节点位置估计迭代过程，设定最大迭代次数为L。
所述的步骤B包括如下步骤：
步骤B1：在第l(1≤l≤L)次迭代中，当前目标节点nt的邻近参考节点集合
Figure BDA00010437857700000710
中每个参考节点
Figure BDA00010437857700000711
根据其与nt之间的距离测量值
Figure BDA00010437857700000712
对nt的位置进行估计，并得到M个位置估计样本
Figure BDA00010437857700000713
其中，
Figure BDA0001043785770000081
为随机方向值，并服从均匀分布
Figure BDA0001043785770000082
Figure BDA0001043785770000083
与
Figure BDA0001043785770000084
分别为第l次迭代时
Figure BDA0001043785770000085
针对nt生成位置估计样本时的随机方向取值范围的最小值与最大值；
Figure BDA0001043785770000086
表示
Figure BDA0001043785770000087
与nt之间的一个带噪声的距离测量值，即
Figure BDA0001043785770000088
其中，
Figure BDA0001043785770000089
为
Figure BDA00010437857700000810
与nt之间的实际距离；
Figure BDA00010437857700000811
为距离测量误差，其分布服从
Figure BDA00010437857700000812
pv为测距误差分布模型；
步骤B2：将
Figure BDA00010437857700000813
产生的每个位置估计样本
Figure BDA00010437857700000814
对应的权重值
Figure BDA00010437857700000815
初始化为1/M，并将
Figure BDA00010437857700000816
对应的随机方向值
Figure BDA00010437857700000817
连同
Figure BDA00010437857700000819
及其权重值
Figure BDA00010437857700000820
一起组合为权重样本
Figure BDA00010437857700000821
步骤B3：将
Figure BDA00010437857700000822
产生的所有权重样本
Figure BDA00010437857700000823
连同
Figure BDA00010437857700000824
的位置
Figure BDA00010437857700000825
作为信息发送给nt。
所述的步骤C包括如下步骤：
步骤C1：当前目标节点nt对其收到的信息中每一个权重样本
Figure BDA00010437857700000826
Figure BDA00010437857700000827
进行权重值更新计算
Figure BDA00010437857700000828
其中，
Figure BDA00010437857700000829
为
Figure BDA00010437857700000830
与参考节点
Figure BDA00010437857700000831
之间的实际距离；
Figure BDA00010437857700000832
为nt与
Figure BDA00010437857700000833
之间带噪声的距离测量值；为了评估
Figure BDA00010437857700000834
与nt的实际位置xt之间的偏差，将
Figure BDA00010437857700000835
假设为nt与
Figure BDA00010437857700000836
之间的实际距离，然后假设
Figure BDA00010437857700000837
为nt的实际位置，则
Figure BDA00010437857700000838
可看作
Figure BDA00010437857700000839
与nt之间的一个带噪声的距离测量值，因而
Figure BDA00010437857700000840
即为
Figure BDA00010437857700000841
的距离测量误差值，进而
Figure BDA00010437857700000842
即体现了从
Figure BDA00010437857700000843
的角度对
Figure BDA00010437857700000844
与xt之间偏差程度的估计；
步骤C2：nt根据已更新的样本权重值，将每个参考节点发送的样本分别进行筛选：针对由参考节点
Figure BDA00010437857700000845
产生的M个权重样本，选择出
Figure BDA00010437857700000846
个具有最大权重值的样本，其中
Figure BDA00010437857700000847
为
Figure BDA00010437857700000848
的向下取整值(若
Figure BDA00010437857700000849
则需要在某一个参考节点产生的样本中额外保留出
Figure BDA00010437857700000850
个样本)，记录
Figure BDA00010437857700000851
相应被保留的样本中随机方向值，可以得到这些随机方向值对应的范围Sθ＝[θmin,θmax]，并将
Figure BDA00010437857700000852
在下一次迭代时针对nt生成位置估计样本时的随机方向取值范围
Figure BDA0001043785770000091
设为Sθ；
步骤C3：针对nt，将其保留的M个位置估计样本(所有参考节点对应被保留样本的集合)即
Figure BDA0001043785770000092
进行权重值归一化处理，即
Figure BDA0001043785770000093
步骤C4：针对目标节点nt，对其自身的置信度进行更新计算，并计算其在当前迭代中的估计位置
Figure BDA0001043785770000094
所述的步骤D包括如下步骤：
步骤D1：若1＜l＜L，判断当前目标节点nt在连续两次迭代中的位置估计变化情况是否满足迭代终止条件
Figure BDA0001043785770000095
其中，ε为预设的迭代终止阈值；若在第l次迭代中，nt的估计位置满足了迭代终止条件，则迭代过程停止，
Figure BDA0001043785770000096
即为nt的最终估计位置，同时也说明nt在本次协作定位过程中被很好地定位，成为已定位的目标节点，并在接下来的迭代过程中可以作为其他未被定位目标节点的参考节点；若l等于L，即达到了最大迭代次数，则终止迭代过程，并将第l次迭代中nt的估计位置作为其最终估计位置，同时说明nt在本次定位过程中未被很好地定位；
步骤D2：设定l＝l+1，重复执行步骤B-步骤D。
图1示意了本发明的总体流程图。本发明所考虑的移动自组织网络中，锚节点分布已确定。针对网络中每一个目标节点的协作定位迭代过程中，首先当前目标节点的每个参考节点根据其与该目标节点之间的距离测量信息计算出发送给该目标节点的信息(包括带权重的位置估计样本集合及参考节点自身的位置信息)；然后，当前目标节点对所接到信息中的位置估计样本的权重进行更新计算，并对每个参考节点所生成的样本依据权重值分别进行筛选，进而对各个参考节点被保留的样本对应随机方向值进行记录以得到该参考节点在下一次迭代中针对该目标节点生成位置估计样本时的随机方向取值范围；最后，当前目标节点通过归一化所有被保留样本的权重值，对当前迭代中自身置信度进行更新，并计算相应的估计位置；在迭代过程达到最大迭代次数或满足收敛条件时，当前目标节点的协作定位迭代过程终止，并以最后一次迭代得到的估计位置作为其最终估计位置；特别地，在满足迭代条件的情况下，当前目标节点成为已定位目标节点，并成为其他待被定位目标节点的参考节点。
更为具体地，在本发明的一个优选例中，本发明是通过以下技术方案实现的，本发明包括以下步骤：
第一步：执行移动自组织网络中目标节点的协作定位迭代过程相关初始化操作。本优选例中，移动自组织网络由150个节点构成，其中包括18个锚节点与132个目标节点，节点部署区域为100m×100m正方形区域，并选择部署区域内选择近似均匀分布的18个节点作为锚节点；设定网络内节点的最大通信距离为30m，进而根据网络内节点之间的距离，可以获得每个目标节点的初始参考节点集合(参考节点可以为锚节点或已定位目标节点，初始时仅包括锚节点)；初始化每个参考节点针对目标节点生成位置估计样本时的随机方向取值范围为[0,2π]；设置每个目标节点协作定位迭代过程的最大迭代次数为10次，开始针对每个目标节点的协作定位迭代过程。对于网络内每一个目标节点，其协作定位迭代过程是一致的，因而在下面步骤中仅针对一个目标节点的协作定位迭代过程进行说明。
第二步：当前目标节点的参考节点根据其与该目标节点之间的距离测量信息，计算出发送给该目标节点的信息即一定数目的位置估计样本与参考节点自身的位置信息；为了评估每个参考节点针对目标节点产生的位置估计样本数目对本发明提出方法的影响，本优选例中分别选用了50、100、200与500等数值作为样本数目。
第三步：当前目标节点在接收到其所有参考节点发送的信息之后，对其中包含的位置估计样本的权重信息进行更新，其中采用的测距误差模型为文献“New efficientindoor cooperative localization algorithm with empirical rang-ing errormodel”中提出的一种非对称双指数模型(根据实际定位系统中测距数据获得的测距误差模型)，即
Figure BDA0001043785770000101
λP(r)＝aP·r+bP,λN(r)＝aN·r+bN,
其中，r为节点之间的距离测量值；x为该测量值对应的误差值；aP,bP,aN,bN为定位环境相关的参数，在本优选例中选择与该文献中一致的参数，即aP＝0.058，bP＝0.01，aN＝0.19，bN＝0.21。然后该目标节点针对每个参考节点发送的样本根据其权重值分别进行筛选，并利用这些被保留样本，对每个参考节点在下一次迭代针对该目标节点生成位置估计样本时的随机方向取值范围进行更新；另外，该目标节点根据所有被保留的样本计算当前迭代时自身的置信度及对应的估计位置。
第四步：首先判断当前目标节点的定位迭代过程是否达到了最大迭代次数，若达到则终止迭代过程，并将最后一次迭代得到的估计位置作为对该目标节点的最终估计位置，同时说明该目标节点并未被很好地定位；否则，判断该目标节点协作定位迭代过程的收敛条件是否被满足，若满足收敛条件则终止迭代过程，并将最后一次迭代得到的估计位置作为对该目标节点的最终估计位置，同时说明该目标节点被很好地定位，可以成为其他待被定位的目标节点的参考节点。
最后，为了评估本发明提出的移动自组织网络中高效协作定位方法的性能，在本优选例中在不同样本数目(50、100、200及500)的情况下，将其与非参数化置信传播算法在定位误差方面进行了比较，其中，定位误差由均方根误差(root mean square error,RMSE)进行表示，RMSE的定义为
Figure BDA0001043785770000111
其中，Nt为网络中目标节点的数目；St为网络中目标节点的集合；xt为目标节点nt的实际位置；
Figure BDA0001043785770000112
为目标节点nt协作定位过程获得的最终估计位置。图2列举了在样本数目为100、200及500的情况下，本发明提出的方法(图2中简称为本发明方法)与非参数化置信传播算法(图2中简称为NBP)在定位误差(RMSE)方面的累积分布(cumulative distributionfunction,CDF)情况，从图中可以看出在相同的样本数目情况下，本发明提出的方法能够取得比非参数化置信传播算法更低的定位误差，并且样本数目的变化对本发明提出的方法在定位误差方面所造成的影响远小于其对非参数化置信传播算法造成的影响。另外，图2还列举了在样本数目为50的情况下，本发明提出的方法在定位误差方面的表现，结合其他曲线，可以看出本发明提出方法在样本数目较少的情况下取得的定位误差表现比非参数化置信传播算法在样本数目较多的情况下的定位误差表现更好，进而也说明了本发明提出的方法的高效性与高定位精度性能。进一步地，在本优选例中，对本发明提出的方法与非参数化置信传播算法在计算时间消耗方面的性能进行了评估，并以归一化的中央处理器(centralprocessing unit,CPU)运行时间作为评价标准。图3列举了在不同样本数目情况下，两种方法(相应的简称同图2)实现对网络中所有目标节点进行定位所需的归一化CPU运行时间情况，可以看出本发明提出方法的计算时间消耗远低于非参数化置信传播算法，这一结果也更加证实了本发明提出方法的高效性。
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化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (4)

1.一种移动自组织网络中高效协作定位方法，其特征在于，包括如下步骤：
步骤A：针对当前的目标节点，根据目标节点的通信范围确定对应的参考节点，所述参考节点包括：锚节点与已定位的目标节点；并将当前的目标节点与对应参考节点进行测距通信；初始化每个参考节点对应的目标节点，生成位置估计样本时的随机方向取值范围；
步骤B：将每个参考节点与当前目标节点之间的距离测量值、测距误差模型随机生成的关于目标节点位置的若干位置估计样本，以及参考节点自身的位置信息一起发送给当前目标节点；
步骤C：更新计算关于目标节点位置的若干位置估计样本所对应的权重值；并根据权重值对每个参考节点生成的位置估计样本分别进行筛选，通过每个参考节点对应的被保留的位置估计样本得到该参考节点在下一次迭代时针对当前目标节点生成位置估计样本时的随机方向取值范围；当前目标节点归一化所有被保留的位置估计样本的权重值之后，将所述被保留的位置估计样本作为本次迭代得到的自身置信度，并计算出本次迭代中目标节点自身的估计位置；
步骤D：判断当前目标节点的迭代过程是否满足收敛或达到最大迭代次数，若满足，则终止迭代过程，且将最后一次迭代得到的估计位置作为该目标节点的最终估计位置；
所述步骤B包括如下步骤：
步骤B1：在第l次迭代中，当前目标节点nt的邻近参考节点集合
Figure FDA0002269845390000011
中每个参考节点
Figure FDA0002269845390000012
根据其自身与nt之间的距离测量值
Figure FDA0002269845390000013
对nt的位置进行估计，并得到M个位置估计样本
Figure FDA0002269845390000014
其中：1≤l≤L；
Figure FDA0002269845390000015
式中，
Figure FDA0002269845390000016
为随机方向值，并服从均匀分布
Figure FDA0002269845390000017
Figure FDA0002269845390000018
与
Figure FDA0002269845390000019
分别为第l次迭代时
Figure FDA00022698453900000110
针对nt生成位置估计样本时的随机方向取值范围的最小值与最大值；
Figure FDA00022698453900000111
表示
Figure FDA00022698453900000112
的二维位置坐标，ri表示第ri个参考节点
Figure FDA00022698453900000113
的节点序号，下标i的取值范围为
Figure FDA00022698453900000114
下标t表示当前时刻，
Figure FDA00022698453900000115
表示
Figure FDA00022698453900000116
与nt之间的一个带噪声的距离测量值，即
Figure FDA00022698453900000117
其中，
Figure FDA0002269845390000021
为
Figure FDA0002269845390000022
与nt之间的实际距离，xt表示nt的二维位置坐标；
Figure FDA0002269845390000023
为距离测量误差，
Figure FDA0002269845390000024
分布服从
Figure FDA0002269845390000025
pv为测距误差分布模型；
步骤B2：将
Figure FDA0002269845390000026
产生的每个位置估计样本
Figure FDA0002269845390000027
对应的权重值
Figure FDA0002269845390000028
初始化为1/M，并将
Figure FDA0002269845390000029
对应的随机方向值
Figure FDA00022698453900000210
连同
Figure FDA00022698453900000211
及
Figure FDA00022698453900000212
所对应的权重值
Figure FDA00022698453900000213
一起组合为权重样本
Figure FDA00022698453900000214
步骤B3：将
Figure FDA00022698453900000215
产生的所有权重样本
Figure FDA00022698453900000216
连同
Figure FDA00022698453900000217
的位置
Figure FDA00022698453900000218
作为信息发送给nt，其中j＝1,...,M；
当前目标节点的参考节点根据其与该目标节点之间的距离测量信息，计算出发送给该目标节点的信息即一定数目的位置估计样本与参考节点自身的位置信息；
当前目标节点在接收到其所有参考节点发送的信息之后，对其中包含的位置估计样本的权重信息进行更新，其中采用的测距误差模型为一种非对称双指数模型：根据实际定位系统中测距数据获得的测距误差分布模型，即
Figure FDA00022698453900000219
λP(r)＝aP·r+bP,λN(r)＝aN·r+bN,
其中，r为节点之间的距离测量值；x为该测量值对应的误差值；aP,bP,aN,bN为定位环境相关的参数，然后该目标节点针对每个参考节点发送的样本根据其权重值分别进行筛选，并利用这些被保留样本，对每个参考节点在下一次迭代针对该目标节点生成位置估计样本时的随机方向取值范围进行更新；另外，该目标节点根据所有被保留的样本计算当前迭代时自身的置信度及对应的估计位置。
2.根据权利要求1所述的移动自组织网络中高效协作定位方法，其特征在于，所述步骤A包括如下步骤：
步骤A1：若当前目标节点nt与网络中某个节点nt′之间的距离dtt′不大于nt的最大通信距离R，则nt与nt′互为邻近节点，其中，nt′表示第t′个节点，所述nt′包括：目标节点或锚节点；进而得到nt的邻近节点集合Γt；
步骤A2：处于Γt中的锚节点或者已定位的目标节点即为nt在协作定位过程中所需要参考的参考节点，这些节点组成nt的临近参考节点集合
Figure FDA0002269845390000031
步骤A3：将
Figure FDA0002269845390000032
中的每个参考节点
Figure FDA0002269845390000033
针对nt生成位置估计样本时的随机方向取值范围
Figure FDA0002269845390000034
初始化为[0,2π]，其中
Figure FDA0002269845390000035
表示
Figure FDA0002269845390000036
中参考节点的数目，
Figure FDA0002269845390000037
Figure FDA0002269845390000038
与
Figure FDA0002269845390000039
分别为第1次迭代时
Figure FDA00022698453900000310
针对nt生成位置估计样本时的随机方向取值范围的最小值与最大值；另外，将网络中任一个节点ni的二维位置表示为xi＝[xi,yi]T；
步骤A4：进入目标节点位置估计迭代过程，设定最大迭代次数为L。
3.根据权利要求1所述的移动自组织网络中高效协作定位方法，其特征在于，所述步骤C包括如下步骤：
步骤C1：当前目标节点nt对收到每一个权重样本
Figure FDA00022698453900000311
进行权重值更新计算
Figure FDA00022698453900000312
其中，
Figure FDA00022698453900000313
为
Figure FDA00022698453900000314
与参考节点
Figure FDA00022698453900000315
之间的实际距离，且
Figure FDA00022698453900000316
Figure FDA00022698453900000317
为nt与
Figure FDA00022698453900000318
之间带噪声的距离测量值；为了评估
Figure FDA00022698453900000319
与nt的实际位置xt之间的偏差，将
Figure FDA00022698453900000320
假设为nt与
Figure FDA00022698453900000321
之间的实际距离，并假设
Figure FDA00022698453900000322
为nt的实际位置，则
Figure FDA00022698453900000323
作为
Figure FDA00022698453900000340
与nt之间的一个带噪声的距离测量值，
Figure FDA00022698453900000324
即为
Figure FDA00022698453900000325
的距离测量误差值，进而
Figure FDA00022698453900000326
体现了从
Figure FDA00022698453900000327
的角度对
Figure FDA00022698453900000328
与xt之间偏差程度的估计；
步骤C2：nt根据已更新的样本权重值，将每个参考节点发送的样本分别进行筛选：针对由参考节点
Figure FDA00022698453900000329
产生的M个权重样本，选择出
Figure FDA00022698453900000330
个具有最大权重值的样本，其中
Figure FDA00022698453900000331
为
Figure FDA00022698453900000332
的向下取整值；
若
Figure FDA00022698453900000333
则需要在某一个参考节点产生的样本中额外保留出
Figure FDA00022698453900000334
个样本，记录
Figure FDA00022698453900000335
相应被保留的样本中随机方向值，得到这些随机方向值对应的范围Sθ＝[θmin,θmax]，并将
Figure FDA00022698453900000341
在下一次迭代时针对nt生成位置估计样本时的随机方向取值范围
Figure FDA00022698453900000336
设为Sθ；
步骤C3：针对nt，将nt保留的M个位置估计样本，即
Figure FDA00022698453900000337
进行权重值归一化处理，其中：k＝1,...,M，
Figure FDA00022698453900000338
表示第k个位置估计样本的二维位置坐标，
Figure FDA00022698453900000339
表示第k个位置估计样本对应的随机方向值，
Figure FDA0002269845390000041
表示第k个位置估计样本对应的权重值；归一化公式如下：
Figure FDA0002269845390000042
步骤C4：针对目标节点nt，对目标节点nt自身的置信度进行更新计算，并计算在当前迭代中的估计位置
Figure FDA0002269845390000043
计算公式如下：
Figure FDA0002269845390000044
式中：
Figure FDA0002269845390000045
表示第l次迭代中得到的对nt的估计位置。
4.根据权利要求1所述的移动自组织网络中高效协作定位方法，其特征在于，所述步骤D包括如下步骤：
步骤D1：若1＜l＜L，判断当前目标节点nt在连续两次迭代中的位置估计变化情况是否满足迭代终止条件
Figure FDA0002269845390000046
其中，ε为预设的迭代终止阈值，
Figure FDA0002269845390000047
表示第l-1次迭代中得到的对nt的估计位置；若在第l次迭代中，nt的估计位置满足了迭代终止条件，则迭代过程停止，
Figure FDA0002269845390000048
即为nt的最终估计位置，成为已定位的目标节点，进入步骤D2继续执行；若l等于L，即达到了最大迭代次数，则终止迭代过程，并将第l次迭代中nt的估计位置作为其最终估计位置，流程结束；
步骤D2：设定l自增1，返回步骤B继续执行。
CN201610532034.4A 2016-07-07 2016-07-07 移动自组织网络中高效协作定位方法 Active CN106162869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610532034.4A CN106162869B (zh) 2016-07-07 2016-07-07 移动自组织网络中高效协作定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610532034.4A CN106162869B (zh) 2016-07-07 2016-07-07 移动自组织网络中高效协作定位方法

Publications (2)

Publication Number Publication Date
CN106162869A CN106162869A (zh) 2016-11-23
CN106162869B true CN106162869B (zh) 2020-03-06

Family

ID=58062116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610532034.4A Active CN106162869B (zh) 2016-07-07 2016-07-07 移动自组织网络中高效协作定位方法

Country Status (1)

Country Link
CN (1) CN106162869B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108156658B (zh) * 2016-12-06 2021-05-14 华为技术有限公司 基于协作节点的定位方法、待定位节点及协作节点
CN108134640B (zh) * 2017-12-12 2020-11-06 浙江大学 一种基于节点运动状态约束的协作定位系统和方法
CN108414974B (zh) * 2018-01-26 2022-04-01 西北工业大学 一种基于测距误差矫正的室内定位方法
CN108347694B (zh) * 2018-02-10 2020-03-17 北京理工大学 一种基于边界条件的节点定位方法及系统
CN108810840B (zh) * 2018-04-18 2021-02-19 天津大学 协作定位中基于efim和距离协作的节点选择方法
CN109951855B (zh) * 2019-01-18 2020-09-29 清华大学 利用非视距状态空间相关性的定位方法及装置
CN110267198B (zh) * 2019-06-26 2021-03-30 河南大学 一种基于双层因子图置信度传递的分布式协作定位方法
CN114501310B (zh) * 2022-01-17 2023-04-25 中国科学院国家授时中心 一种同时定位和跟踪的协同定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711244A (zh) * 2012-06-18 2012-10-03 北京中防视信科技有限公司 一种基于无线传感器网络的协作节点定位方法
CN103826298A (zh) * 2014-03-05 2014-05-28 浙江农林大学 一种协作式迭代优化的无线传感器网络定位计算方法
CN104394573A (zh) * 2014-11-26 2015-03-04 北京邮电大学 一种无线传感器网络协作定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2584849B1 (en) * 2011-10-17 2019-02-27 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Method for node positioning for a wireless network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711244A (zh) * 2012-06-18 2012-10-03 北京中防视信科技有限公司 一种基于无线传感器网络的协作节点定位方法
CN103826298A (zh) * 2014-03-05 2014-05-28 浙江农林大学 一种协作式迭代优化的无线传感器网络定位计算方法
CN104394573A (zh) * 2014-11-26 2015-03-04 北京邮电大学 一种无线传感器网络协作定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Sensor localization using nonparametric generalized belief propagation in network with loops;Vladimir Savic, et al.;《IEEE 12th International Conference on Information Fusion 2009》;20090709;第1966-1973页 *

Also Published As

Publication number Publication date
CN106162869A (zh) 2016-11-23

Similar Documents

Publication Publication Date Title
CN106162869B (zh) 移动自组织网络中高效协作定位方法
Oreshkin et al. Asynchronous distributed particle filter via decentralized evaluation of Gaussian products
CN108848449B (zh) 基于DV-Hop改进的无线传感器网络节点定位算法
Lavanya et al. Swarm intelligence based localization in wireless sensor networks
CN111556454B (zh) 一种基于最小均方误差准则的加权DV_Hop节点定位方法
KR101213363B1 (ko) 수신신호강도의 거리추정방식에 의거하여 4개 이상의 앵커노드를 이용한 실내 무선 측위 방법 및 이 방법을 실시하기 위한 프로그램이 기록된 기록매체
WO2016187746A1 (zh) 提高人工神经网络定位性能的方法和装置
CN104392426A (zh) 一种自适应的无标志点三维点云自动拼接方法
CN109379780B (zh) 基于自适应差分进化算法的无线传感器网络定位方法
WO2010000465A1 (en) System and method for position estimation
CN109581281B (zh) 基于到达时间差和到达频率差的移动目标定位方法
WO2016112758A1 (zh) 终端的定位方法及装置
CN108307498B (zh) 一种wsn节点的定位方法及装置
CN104066179A (zh) 一种改进的自适应迭代ukf的wsn节点定位方法
CN109195110A (zh) 基于层次聚类技术和在线极限学习机的室内定位方法
CN115776724B (zh) 面向电磁频谱地图测绘的传感器节点布局优化方法及系统
CN110996388B (zh) 基于锚节点选择及随机抽样粒子群的DV-Hop定位方法
Zain et al. Distributed localization for wireless sensor networks using binary particle swarm optimization (BPSO)
Lim et al. Distributed localization for anisotropic sensor networks
Chen et al. CWDV-Hop: A hybrid localization algorithm with distance-weight DV-Hop and CSO for wireless sensor networks
Numan et al. DNN-based indoor fingerprinting localization with WiFi FTM
Eckert et al. Distributed mass-spring-relaxation for anchor-free self-localization in sensor and actor networks
CN112153564B (zh) 基于集中式与分布式计算相结合的高效多跳定位方法
CN110536410B (zh) 非视距环境下基于rss和tdoa测量的定位方法
Jia et al. Collaborative position location for wireless networks using iterative parallel projection method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant