CN107197519A - 基于改进的最小二乘支持向量机的水下目标定位方法 - Google Patents
基于改进的最小二乘支持向量机的水下目标定位方法 Download PDFInfo
- Publication number
- CN107197519A CN107197519A CN201710607629.6A CN201710607629A CN107197519A CN 107197519 A CN107197519 A CN 107197519A CN 201710607629 A CN201710607629 A CN 201710607629A CN 107197519 A CN107197519 A CN 107197519A
- Authority
- CN
- China
- Prior art keywords
- sub
- mrow
- msub
- sensor network
- node
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000004807 localization Effects 0.000 title claims description 12
- 230000006854 communication Effects 0.000 claims abstract description 58
- 238000004891 communication Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
一种基于改进的最小二乘支持向量机的水下目标定位方法，其内容包括在定位区域部署n个传感器节点，根据节点间距离及节点间层次高低确定子传感网络，构建分布式水声传感网络，得到训练数据集，对LSSVR模型进行初始化；有效节点被提出用于水声传感网络以判断目标节点与其它节点通信是否被障碍物影响，如果被影响，根据水下传感器节点与目标节点通信得到的受影响数据，使用迭代收敛策略对数据进行处理，作为LSSVR模型的输入得到子传感网络的预测值；否则，直接将测量数据作为LSSVR模型的输入，得到子传感网络的预测值；根据权值函数计算得到每个子传感网络的权值；结合子传感网络的预测值和与其对应的子传感网络的权值，最终得到目标的预测位置。
Description
技术领域
本发明涉及水声传感器智能感知技术领域，尤其是一种基于改进的最小二乘支持向量机的水下目标定位方法。
背景技术
水下目标定位，旨在通过水下水声传感网络的通信与计算能力，来获取水下目标的相关位置信息。水下目标定位技术可为海军防卫、海洋生命监测以及地震、台风预测等应用提供理论依据和技术支撑。相比于陆地环境，水下环境更复杂，节点间在水下进行通信会受到大的噪声干扰，同时传感器会受到来自障碍物的干扰。上述弱通信特征，使得水下目标精确定位成为一个挑战性的问题。
经对现有文献检索发现，中国专利申请号为201210082153.6，名称为“一种无线传感网络节点三维定位方法”，该方法通过不共面的四个锚节点与未知节点通信，得到未知节点到锚节点的距离估计值，然后结合距离估计值计算位置节点的位置坐标，实现水下传感器网络节点精确定位。然而，该方法实现精确目标定位的前提是距离估计值足够精确，而水声弱通信特征使得距离估计往往包含着噪声。如果不对干扰噪声进行处理，那么定位精度将大大降低。
另外，中国专利申请号为201510677240.X，名称为“一种基于遗传算法的室内水下目标定位方法”，该方法将水下目标的定位问题转化为优化问题，并应用混合遗传算法求解优化问题，使得测量误差对定位的影响减小，提高了定位精度。然而该学习方法容易得到局部最优解，不能达到理想的全局最优解。
检索还发现，中国专利申请号为201610645052.3，名称为“一种基于信道状态信息和支持向量机的室内被动定位方法”，该方法采用支持向量机回归的方式确定目标精确位置。虽然该方法减小了测量误差对定位带来的影响，但其定位精度依赖于训练数据，当障碍物出现干扰定位过程时，定位精度会大大降低。
因此，在考虑障碍物情况及传感网络弱通信特征的情况下，设计一种能克服测量误差影响的精确定位方法仍是一个待解决的问题。
发明内容
本发明的目的在于克服上述不足，提供一种基于改进的最小二乘支持向量机的水下目标定位方法，以提高对水下目标定位的精度。
为达到上述目的，本发明是采用下面技术方案实现的：
一种基于改进的最小二乘支持向量机的水下目标定位方法，该方法内容包括以下步骤：
步骤1，在定位区域部署n个传感器节点，每个节点与目标节点通过水声通信方式进行信息交互，并根据节点间距离确定子传感网络，以构建分布式水声传感网络；通过构建的分布式水声传感网络得到训练数据集，对最小二乘支持向量回归 (Least squaressupport vector regression,LSSVR)模型进行初始化；
步骤2，在原传感网络的基础上，设计有效节点策略，以判断目标节点与其它节点通信是否被障碍物影响，如果判定被影响则进行步骤3，否则进行步骤4；
步骤3，根据水下传感器节点与目标节点通信得到的受影响数据，使用迭代收敛策略对数据进行处理，处理后的数据作为最小二乘支持向量回归(LSSVR)模型的输入得到子传感网络的预测值；
步骤4，由步骤2知，此时目标节点与其它节点通信未受影响，直接将测量数据作为最小二乘支持向量回归(LSSVR)模型的输入，对每个子传感网络相对于目标节点的位置进行预测，得到子传感网络的预测值；
步骤5，在有效节点基础上，设计与通信距离和有效节点数目有关的权值函数，根据权值函数计算得到每个子传感网络的权值；
步骤6，根据步骤3或步骤4得到的子传感网络的预测值以及步骤5得到的每个子传感网络的权值，结合子传感网络的预测值和与其对应的子传感网络的权值，最终得到目标的预测位置。
更进一步，在步骤2中，所述判断目标节点与其它节点通信是否被障碍物影响，系采用如下规则进行判断：
式中τ为判断目标是否被影响的临界值，将上述目标节点与其它节点通信得到的测量距离与原先对应的测试数据最小差值|xl-hl|min和τ作比较，如果大于临界值τ则表明目标被影响，则与其进行通信的节点被称为无效节点，否则目标正常未被影响，与其进行通信的节点被定义为有效节点。
更进一步，在步骤3中，所述使用迭代收敛策略对数据进行处理，就是使用如下公式对数据进行处理：
x(k+1)＝δx(k)
式中k为迭代步数，δ为正参数，当满足终止条件时，迭代过程结束得到处理后的数据。
更进一步，在步骤4中，所述直接将测量数据作为最小二乘支持向量回归(LSSVR)模型的输入，对每个子传感网络相对于目标节点的位置进行预测，得到子传感网络的预测值，就是使用最小二乘支持向量回归(LSSVR)模型的下述回归函数获得子传感网络的预测值：
其中Nk为子网络中有效节点数量，和x分别为训练数据和测试数据，αi和b由最小二乘支持向量机模型通过训练数据集训练得到，当测试数据x作为输入后，通过该回归函数能够输出相应的预测值。
更进一步，在步骤5中，所述设计与通信距离和有效节点数目有关的权值函数，其设计步骤如下：
在确定目标是否被影响后，每个子传感网络包含的有效节点数目将被确定，同时所有有效节点的平均位置作为子传感网络的位置；目标节点与子传感网络的距离为该子传感网络与目标节点的通信距离。将有效节点数目和通信距离作为子传感网络权重的决定因素，使得有效节点越多、与目标节点通信距离越小的子传感网络得到更大的权重；权值函数设计如下：
其中yp表示目标的预估位置，ui表示第i个子传感网络的位置，li为第i个子传感网络的传感器节点密度，ni为第i个子传感网络的有效节点数目，K为子传感网络的个数。
更进一步，在步骤6中，所述结合子传感网络的预测值和与其对应的子传感网络的权值，最终得到目标的预测位置，就是当计算出每个子传感网络对目标位置预测的权值(也即贡献值)和子传感网络的预测值后，通过对子传感网络的预测值加权求和获得最终的目标预测值；对子传感网络的预测值加权求和为：
其中Y(x)为目标的最终预测值，y(x)为子预测值，γi为第i个子传感网络的权值，K为子传感网络个数。
与现技术相比较，本发明具有如下优点：
1、通过采用分布式的拓扑结构，实现了短距离通信，减小了通信过程带来的测量误差，避免了集中式算法带来的通信冗余，同时有效节点的引入，使得传感网络具备了对障碍物提前预估的能力；
2、提出基于通信距离和有效节点数目的权值函数，使得有效节点越多、与目标节点通信距离越小的子传感网络得到更大的权重，削弱了测量误差及障碍物对定位过程带来的影响，从而提高了定位精度；
3、通过提出基于迭代方式的新颖的回归函数，对被障碍物影响的测量数据进行处理，避免直接使用带噪声数据带来的大误差情况，进一步提高了定位精度。
附图说明
图1为本发明用于水下目标定位的三维模型示意图；
图2为有效节点机理图；
图3为本发明定位过程流程图；
图4、图5和图6分别为本发明在不同水下环境中，与传统LSSVR方法的仿真对比图。
具体实施方式
下面结合附图对本发明作进一步说明：
本发明的一种基于改进的最小二乘支持向量机的水下目标定位方法，其定位过程流程图如图3所示，该方法内容包括以下步骤：
步骤1，图1所示为本发明用于水下目标定位的三维模型示意图，在水下探测区域，根据需要随机部署数个静态传感器节点来构建水声传感网络，根据节点间距离的远近及节点间层次高低，将距离近且处于相近层次的节点当做同一个子传感网络节点，由此传感网络被分成几个子传感网络。目标节点(如图1中AUV所示)分别与子网络中的节点进行水声通信，由到达时间(ToA)方法获得目标节点与其它节点的距离信息d
d＝v·t
其中v为声速，t为通信时间。
步骤2，在原传感网络的基础上，设计有效节点策略，采用下式判断目标节点与其它节点通信是否被障碍物影响，如果判定被影响则进行步骤3，否则进行步骤4；
若目标未被影响则节点为有效节点，如图1中白色节点，在图2所示的有效节点机理图中使用二维平面形式简单地描述了有效节点的形成和定义过程，当目标节点与某节点进行通信获得距离信息后，通过分析该距离信息，解析上述方程判断是否被影响，如果被影响则该节点被标记为无效节点。
步骤3，根据水下传感器节点与目标节点通信得到的受影响数据，使用迭代收敛策略对数据进行处理，处理后的数据作为最小二乘支持向量回归(LSSVR)模型的输入得到子传感网络的预测值；其过程如下：
首先采用下述迭代公式对数据进行处理，
x(k+1)＝δx(k)
式中k为迭代步数，x为测量值，参数δ是一个N×N维矩阵对角，其元素值被设计如下：
xl为测量数据x的第l个元素，为所有训练数据第l个元素的平均值，这意味着所有与目标节点通信中被影响的节点即无效节点得到的测量数据都将以迭代方式获得最终的子传感网络预测值，而有效节点得到的测量数据则直接使用原始LSSVR模型的回归函数得到预测值；
子传感网络预测值由下式得到：
y(k+1)(x)＝y(k)(δx)
式中y(·)为LSSVR模型的回归函数，其形式表达如下
αi和b通过将训练数据用于LSSVR模型训练得到，为了输出优异的迭代结果，终止条件被设计如下：
式中yp为初始粗略位置由等式得到，yc表示有效节点与目标节点通信得到的距离。
步骤4，当目标节点正常未被影响时，相当于步骤3中δ＝1，因此最小二乘支持向量机回归函数被用于每个子传感网络对目标节点位置进行预测，得到子预测值，即
步骤5，每个子传感网络使用支持向量机训练后，在不同的情况下通过不同的方法获得了其预测值后，合适的权值被分别赋予所有的子传感网络将它们联系起来；考虑到通信距离及有效节点数对通信的影响，与通信距离和有效节点数有关的权值函数被提出来决定每个子传感网络的权值大小；该权值函数使得有效节点越多、与目标节点通信距离越小的子传感网络得到更大的权重，其权值函数如下
其中函数ψ(·)表示如下：
ui和li分别表示子传感网络的位置及子传感网络传感器节点密度，表示如下：
ym和yn代表节点的固定位置，|Di|表示第i个子传感网络中传感器节点的个数。
步骤6，结合子预测值与其对应子网络的权值，最终得到目标的预测位置。
综上所述，本发明是一种基于机器学习策略处理测量误差提高定位精度的优化策略，适用于水下多径、长延时及障碍物干扰的水声通信环境，通过构建权值函数弱化了测量误差的影响，同时，新的回归函数对测量数据进行优化，解决了障碍物带来的影响。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。
实施例1
该例适用于无障碍物情形，仅仅考虑由于弱通信特征带来的测量误差对定位性能的影响。
步骤1，20个锚节点被部署于30m×15m×30m的水下空间，根据距离近、相近层次节点归于同一子传感网络的节点分配策略，4个子传感网络集被得到并分别与目标节点进行通信获得相关距离信息，由距离信息构成训练数据集，对LSSVR模型进行初始化；
步骤2，由于没有障碍物影响，因此步骤1中部署的所有的锚节点均为有效节点，进行步骤4；
步骤4，使用最小二乘支持向量回归算法，对每个子传感网络相对于目标节点的位置进行预测，得到子预测值
步骤5，在通过步骤4得到每个子传感网络对目标位置的子预测值基础上，考虑有效节点数目及通信距离，计算得到每个子传感网络在对目标节点进行预测过程所具备的权重值γi
在权重中有效节点数目和通信距离作为子传感网络权重的决定因素，使得有效节点越多、与目标节点通信距离越小的子传感网络得到更大的权重；
步骤6，根据上述步骤得到的子预测值及子权重值，通过对子预测值加权求和获得最终的目标预测值Y(x)
通过仿真验证了本发明在考虑传统噪声干扰的情况下，与传统LSSVR算法的性能对比。如图4所示，总体上本发明较传统LSSVR算法在定位性能上得到了提高。
实施例2
该例适用于一障碍物情形，在考虑弱通信带来测量误差的同时，一障碍物出现在定位区域的情形被考虑。
步骤1，20个锚节点被放置于30m×15m×30m的空间，根据距离近、相近层次节点归于同一子传感网络的节点分配策略，4个子传感网络集被得到并分别与目标节点进行通信获得相关距离信息，由距离信息构成训练数据集，对LSSVR模型进行初始化；
步骤2，由于障碍物影响，因此锚节点可被区分为有效节点和无效节点。根据有效节点策略：
被障碍物影响的节点被判断为无效节点，通过该节点得到的测量数据有较大误差。
步骤3，针对步骤2中受影响数据，首先设计迭代策略对数据进行如下处理
x(k+1)＝δx(k)
式中k为迭代步数，x为测量值，参数δ是一个N×N维矩阵对角，其元素值被设计如下
xl为测量数据x的第l个元素，为所有训练数据第l个元素的平均值，这意味着所有与目标节点通信中被影响的节点即无效节点得到的测量数据都将以迭代方式获得最终的子传感网络预测值，子传感网络预测值由下式得到：
y(k+1)(x)＝y(k)(δx)
式中y(·)为LSSVR回归函数，其形式表达如下
αi和b通过将训练数据用于LSSVR模型训练得到，为了输出优异的迭代结果，终止条件被设计如下：
式中yp为初始粗略位置由等式得到，yc表示有效节点与目标节点通信得到的距离。
步骤4，对于未受影响的子网络，直接使用最小二乘支持向量机回归算法，让每个子传感网络对目标节点位置进行预测，得到子预测值。
步骤5，在通过上述步骤得到每个子传感网络对目标位置的子预测值基础上，考虑有效节点数目及通信距离，计算得到每个子传感网络在对目标节点进行预测过程所具备的权重值γi
在权重中有效节点数目和通信距离作为子传感网络权重的决定因素，使得有效节点越多、与目标节点通信距离越小的子传感网络得到更大的权重；
步骤6，根据上述步骤得到的子预测值及子权重值，通过对子预测值加权求和获得最终的目标预测值Y(x)
图5描述了在该情况下分别使用传统LSSVR方法和本发明对50个目标进行定位后得到的误差率。目标18为被障碍物影响目标，本发明相较于传统LSSVR方法大大提高了定位精度。
实施例3
实例2对一障碍物情形进行了描述及仿真验证，考虑到多障碍物情况更贴近一般情形。该实例验证了本发明在多障碍物情况下的定位性能，实验步骤如实例2所述。图6描述了在多障碍物情形下，分别使用本发明和传统LSSVR方法得到的误差率，目标6、20、41为被障碍物影响目标，本发明对被影响的目标得到了较好的定位精度。
本领域的技术人员容易理解，以上所述仅为本发明较佳实施方案而已，并不用以限制本发明，凡是在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于改进的最小二乘支持向量机的水下目标定位方法，其特征在于：该方法内容包括以下步骤：
步骤1，在定位区域部署n个传感器节点，每个节点与目标节点通过水声通信方式进行信息交互，并根据节点间距离确定子传感网络，以构建分布式水声传感网络；通过构建的分布式水声传感网络得到训练数据集，对最小二乘支持向量回归模型进行初始化；
步骤2，在原传感网络的基础上，设计有效节点策略，以判断目标节点与其它节点通信是否被障碍物影响，如果判定被影响则进行步骤3，否则进行步骤4；
步骤3，根据水下传感器节点与目标节点通信得到的受影响数据，使用迭代收敛策略对数据进行处理，处理后的数据作为最小二乘支持向量回归模型的输入得到子传感网络的预测值；
步骤4，由步骤2知，此时目标节点与其它节点通信未受影响，直接将测量数据作为最小二乘支持向量回归模型的输入，对每个子传感网络相对于目标节点的位置进行预测，得到子传感网络的预测值；
步骤5，在有效节点基础上，设计与通信距离和有效节点数目有关的权值函数，根据权值函数计算得到每个子传感网络的权值；
步骤6，根据步骤3或步骤4得到的子传感网络的预测值以及步骤5得到的每个子传感网络的权值，结合子传感网络的预测值和与其对应的子传感网络的权值，最终得到目标的预测位置。
2.根据权利要求1所述的基于改进的最小二乘支持向量机的水下目标定位方法，其特征在于：在步骤2中，所述判断目标节点与其它节点通信是否被障碍物影响，系采用如下规则进行判断：
式中τ为判断目标是否被影响的临界值，将上述目标节点与其它节点通信得到的测量距离与原先对应的测试数据最小差值|xl-hl|min和τ作比较，如果大于临界值τ则表明目标被影响，则与其进行通信的节点被称为无效节点，否则目标正常未被影响，与其进行通信的节点被定义为有效节点。
3.根据权利要求1所述的基于改进的最小二乘支持向量机的水下目标定位方法，其特征在于：在步骤3中，所述根据水下传感器节点与目标节点通信得到的受影响数据，使用迭代收敛策略对数据进行处理，处理后的数据作为最小二乘支持向量回归模型的输入得到子传感网络的预测值；其过程如下：
首先采用下述迭代公式对数据进行处理，
x(k+1)＝δx(k)
式中k为迭代步数，x为测量值，参数δ是一个N×N维矩阵对角，其元素值被设计如下：
xl为测量数据x的第l个元素，为所有训练数据第l个元素的平均值，这意味着所有与目标节点通信中被影响的节点即无效节点得到的测量数据都将以迭代方式获得最终的子传感网络预测值，而有效节点得到的测量数据则直接使用原始LSSVR模型的回归函数得到预测值；
子传感网络预测值由下式得到：
y(k+1)(x)＝y(k)(δx)
式中y(·)为LSSVR模型的回归函数，其形式表达如下
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>i</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mi>&kappa;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>i</mi>
<mi>k</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
αi和b通过将训练数据用于LSSVR模型训练得到，为了输出优异的迭代结果，终止条件被设计如下：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mo>|</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>|</mo>
<mo>&GreaterEqual;</mo>
<mi>&upsi;</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>|</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>-</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>|</mo>
<mo><</mo>
<mi>&epsiv;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
式中yp为初始粗略位置由等式得到，yc表示有效节点与目标节点通信得到的距离。
4.根据权利要求1所述的基于改进的最小二乘支持向量机的水下目标定位方法，其特征在于：在步骤4中，所述直接将测量数据作为最小二乘支持向量回归模型的输入，对每个子传感网络相对于目标节点的位置进行预测，得到子传感网络的预测值，就是使用最小二乘支持向量回归模型的下述回归函数获得子传感网络的预测值：
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>i</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mi>&kappa;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<msub>
<mi>i</mi>
<mi>k</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
其中Nk为子网络中有效节点数量，和x分别为训练数据和测试数据，αi和b由最小二乘支持向量机模型通过训练数据集训练得到，当测试数据x作为输入后，通过该回归函数能够输出相应的预测值。
5.根据权利要求1所述的基于改进的最小二乘支持向量机的水下目标定位方法，其特征在于：在步骤5中，所述设计与通信距离和有效节点数目有关的权值函数，其设计步骤如下：
在确定目标是否被影响后，每个子传感网络包含的有效节点数目将被确定，同时所有有效节点的平均位置作为子传感网络的位置；目标节点与子传感网络的距离为该子传感网络与目标节点的通信距离。将有效节点数目和通信距离作为子传感网络权重的决定因素，使得有效节点越多、与目标节点通信距离越小的子传感网络得到更大的权重；权值函数设计如下：
<mrow>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
</mrow>
</msub>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
2
其中yp表示目标的预估位置，ui表示第i个子传感网络的位置，li为第i个子传感网络的传感器节点密度，ni为第i个子传感网络的有效节点数目，K为子传感网络的个数。
6.根据权利要求1所述的基于改进的最小二乘支持向量机的水下目标定位方法，其特征在于：在步骤6中，所述结合子传感网络的预测值和与其对应的子传感网络的权值，最终得到目标的预测位置，就是当计算出每个子传感网络对目标位置预测的权值，也即贡献值，和子传感网络的预测值后，通过对子传感网络的预测值加权求和获得最终的目标预测值；对子传感网络的预测值加权求和为：
<mrow>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
其中Y(x)为目标的最终预测值，y(x)为子预测值，γi为第i个子传感网络的权值，K为子传感网络个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710607629.6A CN107197519B (zh) | 2017-07-24 | 2017-07-24 | 基于改进的最小二乘支持向量机的水下目标定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710607629.6A CN107197519B (zh) | 2017-07-24 | 2017-07-24 | 基于改进的最小二乘支持向量机的水下目标定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107197519A true CN107197519A (zh) | 2017-09-22 |
| CN107197519B CN107197519B (zh) | 2020-09-11 |
Family
ID=59884715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710607629.6A Active CN107197519B (zh) | 2017-07-24 | 2017-07-24 | 基于改进的最小二乘支持向量机的水下目标定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107197519B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108548533A (zh) * | 2018-04-25 | 2018-09-18 | 山东爱泊客智能科技有限公司 | 一种用于红点实时定位的锚节点的定位方法及定位装置 |
| CN113671443A (zh) * | 2021-08-16 | 2021-11-19 | 西北工业大学 | 基于掠射角声线修正的水声传感器网络深海目标定位方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102162733A (zh) * | 2011-01-11 | 2011-08-24 | 哈尔滨工程大学 | 一种基于svm的auv舰位推算导航误差实时修正方法 |
| CN105050168A (zh) * | 2015-06-17 | 2015-11-11 | 上海海事大学 | 基于非测距的水下无线传感器网络节点定位方法及系统 |
| CN105242275A (zh) * | 2015-09-29 | 2016-01-13 | 燕山大学 | 基于一致性估计与休眠调度的水下目标协同追踪方法 |
| CN106501774A (zh) * | 2016-09-29 | 2017-03-15 | 南京邮电大学 | 一种水下声传感器网络节点定位方法 |
-
2017
- 2017-07-24 CN CN201710607629.6A patent/CN107197519B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102162733A (zh) * | 2011-01-11 | 2011-08-24 | 哈尔滨工程大学 | 一种基于svm的auv舰位推算导航误差实时修正方法 |
| CN105050168A (zh) * | 2015-06-17 | 2015-11-11 | 上海海事大学 | 基于非测距的水下无线传感器网络节点定位方法及系统 |
| CN105242275A (zh) * | 2015-09-29 | 2016-01-13 | 燕山大学 | 基于一致性估计与休眠调度的水下目标协同追踪方法 |
| CN106501774A (zh) * | 2016-09-29 | 2017-03-15 | 南京邮电大学 | 一种水下声传感器网络节点定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| MOHAMMADREZA BAYAT, NAVEENA CRASTA, ANTÓNIO PEDRO AGUIAR: "Range-Based Underwater Vehicle Localization in", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 * |
| XIUZHEN CHENG，HAINING SHU，QILIAN LIANG，DAVID HUNG-CHANG DU: "Silent Positioning in Underwater", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108548533A (zh) * | 2018-04-25 | 2018-09-18 | 山东爱泊客智能科技有限公司 | 一种用于红点实时定位的锚节点的定位方法及定位装置 |
| CN113671443A (zh) * | 2021-08-16 | 2021-11-19 | 西北工业大学 | 基于掠射角声线修正的水声传感器网络深海目标定位方法 |
| CN113671443B (zh) * | 2021-08-16 | 2024-04-16 | 西北工业大学 | 基于掠射角声线修正的水声传感器网络深海目标定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107197519B (zh) | 2020-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Phoemphon et al. | Fuzzy weighted centroid localization with virtual node approximation in wireless sensor networks | |
| CN106912105B (zh) | 基于pso_bp神经网络的三维定位方法 | |
| JP6596516B2 (ja) | 人工ニューラルネットワークの測位性能を改善するための方法および装置 | |
| CN107484123B (zh) | 一种基于集成HWKNN的WiFi室内定位方法 | |
| CN107202976B (zh) | 低复杂度的分布式麦克风阵列声源定位系统 | |
| CN110082717A (zh) | 一种水下无线传感器节点定位方法 | |
| Cheng et al. | Node selection algorithm for underwater acoustic sensor network based on particle swarm optimization | |
| CN106412828A (zh) | 基于apit的无线传感器网络节点定位方法 | |
| Risteska Stojkoska | Nodes localization in 3D wireless sensor networks based on multidimensional scaling algorithm | |
| Tomic et al. | Improved DV-Hop localization algorithm for wireless sensor networks | |
| CN107197519B (zh) | 基于改进的最小二乘支持向量机的水下目标定位方法 | |
| Jia et al. | A high accuracy localization algorithm with DV-Hop and fruit fly optimization in anisotropic wireless networks | |
| Akhil et al. | RSSI based positioning system for WSN with improved accuracy | |
| CN108759846B (zh) | 自适应扩展卡尔曼滤波噪声模型建立方法 | |
| CN109061652B (zh) | 一种水声组网探测系统的探测效能评估方法 | |
| CN113720333B (zh) | 一种基于图注意力网络的室内多点协同定位方法 | |
| Chen et al. | DeepMetricFi: Improving Wi-Fi fingerprinting localization by deep metric learning | |
| CN107422326A (zh) | 基于贝叶斯估计的水下目标追踪方法 | |
| Yu et al. | Distributed single target tracking in underwater wireless sensor networks | |
| Cheerla et al. | RSS based Wi-Fi positioning method using multi layer neural networks | |
| Singh et al. | Optimized localization using naked mole‐rat algorithm in dynamic wireless sensor networks | |
| CN118445753A (zh) | 一种基于图卷积神经网络的水下无人潜航器航迹融合方法及系统 | |
| KR20210043209A (ko) | Rss 신호 보정 방법 | |
| CN114173281B (zh) | 室内nlos环境下基于toa的定位系统信标节点的优化布局方法 | |
| CN108564171A (zh) | 一种基于快速全局k均值聚类的神经网络声源角度估计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |