CN107466005B - 一种海上搜救无线传感网协同定位方法 - Google Patents
一种海上搜救无线传感网协同定位方法 Download PDFInfo
- Publication number
- CN107466005B CN107466005B CN201710891573.1A CN201710891573A CN107466005B CN 107466005 B CN107466005 B CN 107466005B CN 201710891573 A CN201710891573 A CN 201710891573A CN 107466005 B CN107466005 B CN 107466005B
- Authority
- CN
- China
- Prior art keywords
- node
- representing
- unknown
- unknown node
- time
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004807 localization Effects 0.000 title abstract 2
- 239000002245 particle Substances 0.000 claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012952 Resampling Methods 0.000 claims abstract description 20
- 239000006185 dispersion Substances 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000007850 degeneration Effects 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开一种海上搜救无线传感网协同定位方法,包含:S1、建立拉格朗日模型作为节点的海上运动模型;S2、将基于隐形马尔可夫链描述的未知节点状态模型结合节点的海上运动模型与观测模型得到协同定位的未知节点的系统模型;运用粒子滤波算法来估计后验概率分布,并利用估计得到的后验概率分布对未知节点的位置进行估计;S3、利用KL离散度对粒子滤波算法中的似然函数进行改进,通过优化参数方式来减小海浪遮蔽因子引起的误差;S4、引入优化参数的似然函数,利用残差‑系统重采样方式来更新置信因子和迭代的估计位置进而减轻粒子的退化并对未知节点位置进行估计。其优点是:解决海上无线传感网受到海洋遮蔽效应以及多径效应而引起的定位误差。
Description
技术领域
本发明涉及海洋无线传感网节点定位技术领域,具体涉及一种海上搜救无线传感网协同定位方法。
背景技术
自1912年泰坦尼克号事故以来,海上人命安全(Safty of life at sea,SOLAS)就一直成为人们关注的焦点。随着技术的发展,通过在船上配有先进的设备来减小外界不可抗拒的因素的干扰。然而,由于人为因素,海难事故不可避免。作为人命安全的最后一道防卫线,海上搜救(Marine Search and Rescue,MSR)在SOLAS中扮演着至关重要的角色。传统的搜救方式取决于救援人员,遇难者不得不被动地等待救援。为了改善这一缺点,将海上搜救与无线传感器网络(Wireless Sensor Network,WSN)结合起来,配备有传感器节点的遇难者就可以主动示位,极大地提高了救援的效率。
WSN具有自组织、自适应及鲁棒性较好的特点,其无线传感器节点具有体积小、成本低、功耗低的特点。在监测环境中,网络中的大量传感器节点可迅速自组织为一个适应性较好的监测网络,并且可以在恶劣环境下很好地执行任务。因此WSN广泛应用于环境监控,位置追踪等领域。
传统的海上搜救,遇难者只能被动地等待搜救协调中心(Rescue CoordinateCenter,RCC)的救援,利用无线传感网技术在海上搜救中能够克服这一缺点,使得遇难者能够主动示位,极大的提高了搜救的效率。然而由于海上有着多径效应以及海浪遮蔽效应的影响,使得传统的定位方法在海上的效果差强人意。
协同定位具有广泛的适用范围,不受时空限制,具有较好的动态适应能力,即使在未知地理位置信息的情况下,也可以通过用户间的信息交互实现精确定位。但是针对海洋特殊环境的定位,现有的WSN定位技术仍面临着挑战。首先,海上环境往往易发大风、大浪,海浪的起伏对节点之间的通信产生遮蔽效应,以致节点信号指标测量准确度降低;其次,水上目标随海浪的运动呈现出动态性,使得节点协同定位过程中的动态空间相对位置估计求解(唯一可定位性)分析变得复杂,其所导致的计算复杂性也更为突出。因此,提出一个可靠、可行的针对海上搜救无线传感网的协同定位方法是非常有必要的。
发明内容
本发明的目的在于提供一种海上搜救无线传感网协同定位方法,以解决海上无线传感网受到海洋遮蔽效应以及多径效应而引起的定位误差,该方法适应于海洋无线传感网节点随海浪运动的高动态性,通过迭代的方式减小了定位误差。
为了达到上述目的,本发明通过以下技术方案实现:
一种海上搜救无线传感网协同定位方法,其特征是,包含以下步骤:
S1、建立拉格朗日模型作为节点的海上运动模型;
S2、将基于隐形马尔可夫链描述的未知节点状态模型结合节点的海上运动模型与观测模型得到协同定位的未知节点的系统模型;
运用粒子滤波算法来估计后验概率分布,并利用估计得到的后验概率分布对未知节点的位置进行估计;
S3、利用KL离散度对粒子滤波算法中的似然函数进行改进,通过优化参数方式来减小海浪遮蔽因子引起的误差;
S4、引入优化参数的似然函数,利用残差-系统重采样方式来更新置信因子和迭代的估计位置进而减轻粒子的退化并对未知节点位置进行估计。
上述的海上搜救无线传感网协同定位方法,其中,所述的步骤S2中:
利用估计得到的后验概率分布采取残差-系统重采样方式来对未知节点的置信信息及位置进行估计。
上述的海上搜救无线传感网协同定位方法,其中,所述的步骤S1具体包含:
采用海上漂浮物运动模型拉格朗日轨迹移动模型对海上节点的运动进行描述。
上述的海上搜救无线传感网协同定位方法,其中,所述的步骤S2具体包含:
S21、将未知节点用基于隐形马尔可夫链描述的状态模型表示:
x(t)=f(x(t-1),u(t-1)) (6);
式中,f()表示状态转移函数,xt-1代表上一时刻未知节点的位置信息,u(t-1)表示均值为零方差为Q的高斯状态转移噪声;
S22、将未知节点的状态模型结合节点的海上运动模型,得到:
式中,x(t-1)与x(t)分别表示未知节点上一时刻与此刻的位置,Δt表示上一时刻与此时刻的差值;A表示状态状态转移矩阵B表示噪声矩阵Q表示噪声的方差;表示状态转移噪声;va和vd表示平移速度和扩散速度;
将信号强度指示值作为节点测距的模型:
其中表示在t时刻未知节点n收到的信号强度指示值,power表示节点的发射功率,PL(1)表示参考距离为1m时的信号强度损失值,k表示路径损耗指数,依赖于周围环境,表示路径损失随距离增加而增大的快慢,d表示两节点间的距离;
假设在t时刻,对于收到锚节点s∈S的RSSI值,它们间的距离可表示为:
同样地,对于收到未知节点m∈N,m≠n的RSSI值,它们间的距离可表示为:
式中,ξ(t)与ψ(t)分别表示未知节点与锚节点间通信的噪声以及未知节点间通信的噪声,它们是均值为零的高斯白噪声;||·||表示欧式几何距离;表示未知节点n与锚节点s在t时刻之间的距离;表示未知节点n与未知节点m在t时刻之间的距离;表示锚节点s在t时刻的位置;表示未知节点m(m≠n)在t时刻的位置;
由于实际过程中发射功率是固定的,参考距离损失的能量是已知的,而环境带来的路径损耗指数也是已知,故通过式(2)计算锚节点与未知节点间,未知节点与未知节点间的距离;
S23、由此,协同定位的未知节点的观测模型可表示为:
z(t)=h(x(t),ε(t)) (8);
式中,h()表示测量函数,可表示为式(2),通过它来测出两个节点间的距离;ε(t)表示均值为零方差为R的高斯测量噪声;z(t)表示在t时刻所有节点间观测值矩阵;x(t)表示未知节点在t时刻的位置;
S24、对于协同定位来说,t时刻的未知节点可收到两种类型的观测值,一种是对锚节点的观测值,另一种是对未知节点的观测值,因此,得到:
式中,表示未知节点n∈N与锚节点s∈S之间的的观测值,表示未知节点n∈N与未知节点m∈N间的观测值,β(t)与w(t)分别表示与相对应的测量噪声;表示对于未知节点n在t时刻相对于锚节点s的观测函数;表示对于未知节点n在t时刻相对于其他未知节点m的观测函数;
S25、通过粒子滤波算法估计后验概率分布:
式中,表示t时刻的第n个未知节点的第i个粒子的权值,表示t时刻的第n个未知节点的位置的第i个粒子,M表示粒子的总数;
S26、利用后验概率分布为样本对未知节点的位置进行估计:
式中,表示t时刻的第n个未知节点的第i个粒子的权值,表示t时刻的第n个未知节点的位置的第i个粒子,M表示粒子的总数。
上述的海上搜救无线传感网协同定位方法,其中,所述的步骤S26中:
为避免粒子的退化,在粒子滤波中采用重采样方法通过保留权值大的粒子,剔除权值较小的粒子来解决粒子退化的问题。
上述的海上搜救无线传感网协同定位方法,其中:
采取残差-系统重采样方式作为重采样的方式用来对置信信息更新及位置估计,具体的:
在粒子滤波中,针对每个粒子的测量似然函数可表示为:
式中,τ(t)表示测量噪声;zt表示在t时刻所有节点间观测值矩阵;
对于协同定位中,假设各未知节点测距相互独立,故式(18)表示为:
式中,与分别表示未知节点n在t时刻第i个粒子对于锚节点和其他未知节点的观测值;与分别表示未知节点n在t时刻第i个粒子对于锚节点和其他未知节点的观测函数;β(t)与w(t)分别表示未知节点对于锚节点和其他未知节点的观测噪声,其服从均值为零方差为R的高斯白噪声。
上述的海上搜救无线传感网协同定位方法,其中,所述的步骤S3具体包含:
S31、观测噪声不服从高斯分布,其包含有海浪遮蔽效应所引起的噪声,即
式中,e(t)与q(t)服从高斯分布,而与是由于海浪遮蔽效应所引起的噪声;
S32、将式(19)表示为:
理想情况下的似然函数为:
为达到理想情况下的似然函数,减小海浪遮蔽效应引起的误差,引入参数θ,并将式(19)可表示为:
式中,表示在t至t+1时刻第一次播发置信信息后估计的位置,表示在t至t+1时刻通过播发d次置信信息后迭代出的估计位置;
θ表示取值范围为[0,1]的优化参数,当θ=0时,式(24)表示在在t至t+1时刻通过播发d次置信信息后的似然函数;当θ=1时,式(24)表示在在t至t+1时刻第一次播发置信信息后的似然函数;把第一次置信信息播发后的到的位置作为初始估计位置,在t至t+1时刻通过d次播发置信信息进行迭代,最后得出较为准确的位置,以减少海浪遮蔽效应引起的误差;
S33、引入KLD算出理想情况下的似然函数式(23)和实际中的似然函数式式(24)两者分布之间的距离:
式中,DKL(p1||p2)表示计算理想似然函数p1与实际似然函数p2两个不对称分布之间的距离,它是非负的,即DKL(p1||p2)≥0,当DKL(p1||p2)=0表示两个分布相等;p1(x)与p2(x)分别表示以变量x得到的计算理想似然函数与实际似然函数;
S34、利用KLD作为基准,通过计算两个分布PA与PAL之间的最小距离得到优化参数θ,使得两个后验概率分布的距离最小,即:
θ=argminDKL(PA||PAL) (26)
假设PA与PAL基于同一高斯分布函数,故式(24)根据推导可表示为
式中,R和Q分别表示观测噪声的方差和状态转移噪声的方差。
本发明与现有技术相比具有以下优点:解决海上无线传感网受到海洋遮蔽效应以及多径效应而引起的定位误差,该方法适应于海洋无线传感网节点随海浪运动的高动态性,通过迭代的方式减小了定位误差。
附图说明
图1为本发明的方法流程图;
图2为本发明的具体实施例中的海上无线传感网协同定位示意图;
图3为本发明的粒子滤波算法的流程图;
图4为本发明的具体实施例中的无线传感网协同定位方法流程图;
图5A为本发明定位经过迭代后的效果示意图一;
图5B为本发明定位经过迭代后的效果示意图二;
图6~图7为本发明方法与WTCA、PF-CL、CSN在锚节点不同时的定位效果对比图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
图2表示,为无线传感器网络中海上协同定位的示意图。携带未知节点救生衣的人员可以与带有GPS信息的船舶或救生艇伐进行信息交互,同时它们可以与部署在海上的没有固定位置锚节点或其他未知节点进行通信。布洒节点(即所有节点,包括未知节点和锚节点)在搜救海域,节点通过Zigbee协议建立其无线传感网。假设网络中有s个锚节点和n个未知节点。S、N分别表示锚节点组成的集合与未知节点组成的集合,即n∈N,s∈S。锚节点t时刻的位置集合可表示为矢量T表示转置。同样的未知节点t时刻的位置集合可表示为矢量因为节点部署在海上,所以锚节点与未知节点受风、流的影响而运动。
对于协同定位来说,未知节点在通信半径内不仅可以收到来自锚节点发的测距信息,也可与收到来自未知节点发的置信信息。由于海上需要广泛部署节点,考虑到硬件成本与通信开销,故把信号强度指示值(RSSI)作为节点测距的模型:
其中表示在t时刻未知节点n收到的信号强度指示值,power表示节点的发射功率,PL(1)表示参考距离为1m时的信号强度损失值,k表示路径损耗指数,依赖于周围环境,表示路径损失随距离增加而增大的快慢,d表示两节点间的距离。即通过RSSI模型,我们能够计算得到两个节点间的距离,例如得到未知节点间,锚节点与未知节点间的距离。
假设在t时刻,对于收到锚节点s∈S的RSSI值,它们间的距离可表示为:
同样地,对于收到未知节点m∈N,m≠n的RSSI值,它们间的距离可表示为:
式中,ξ(t)与ψ(t)分别表示未知节点与锚节点间通信的噪声以及未知节点间通信的噪声,它们是均值为零的高斯白噪声。||·||表示欧式几何距离。
如图1所示,基于上述海上搜救无线传感网,本发明提出了一种海上搜救无线传感网协同定位方法(Novel Cooperative Localization Algorithm,NCLA),其包含以下步骤:
S1、建立拉格朗日模型作为节点的海上运动模型,因为,针对海上特殊的环境,传统陆地上节点的移动模型并不适用,例如任意移动模型,群体移动模型等。海上节点的运动受到了风、流和浪的影响,因此,本实施例中,利用海上漂浮物运动模型拉格朗日轨迹移动模型对海上节点的运动进行描述,该模型可表示为:
式中,和分别表示节点在海上运动t时刻的平流速度矢量和扩散速度矢量;是海面流速、风速和浪引起的速度的矢量和;
S2、将基于隐形马尔可夫链描述的未知节点状态模型结合节点的海上运动模型与观测模型(RSSI)得到协同定位的未知节点的系统模型;
运用粒子滤波算法来估计后验概率分布,并利用估计得到的后验概率分布对未知节点的位置进行估计;较佳的,利用估计得到的后验概率分布采取残差-系统重采样方式来对未知节点的置信信息及位置进行估计;
S3、利用KL(Kullback-Leibler divergence,KLD)离散度对粒子滤波算法中的似然函数进行改进,通过优化参数方式来减小海浪遮蔽因子引起的误差;
S4、引入优化参数的似然函数,利用残差-系统重采样方式来更新置信因子和迭代的估计位置进而减轻粒子的退化并对未知节点位置进行估计。
本实施例中,所述的步骤S2具体包含:
S21、通常来说,对于非线性系统的的状态模型是基于隐形马尔可夫链来描述的,即此刻的状态只与上一时刻状态有关,所以将未知节点用基于隐形马尔可夫链描述的状态模型表示:
x(t)=f(x(t-1),u(t-1)) (6);
式中,f()表示状态转移函数,xt-1代表上一时刻未知节点的状态,u(t-1)表示均值为零方差为Q的高斯状态转移噪声;
S22、将未知节点的状态模型结合节点的海上运动模型,式(6)可以表示为:
式中,x(t-1)与x(t)分别表示未知节点上一时刻与此刻的位置,Δt表示上一时刻与此时刻的差值;A表示状态状态转移矩阵B表示噪声矩阵Q表示噪声的方差;表示状态转移噪声;va和vd表示平移速度和扩散速度;
S23、得到协同定位的未知节点的观测模型:
z(t)=h(x(t),ε(t)) (8);
式中,h()表示测量函数,这里用到了RSSI模型,通过它来测出两个节点间的距离;ε(t)表示均值为零方差为R的高斯测量噪声;
S24、对于协同定位来说,t时刻的未知节点可收到两种类型的观测值,一种是对锚节点的观测值,另一种是对未知节点的观测值,因此,得到:
式中,表示未知节点n∈N与锚节点s∈S之间的的观测值,表示未知节点n∈N与未知节点m∈N间的观测值,β(t)与w(t)分别表示与相对应的测量噪声;
对于协同定位算法来说,其最重要的步骤就是计算后验分布,而后验分布的计算通过贝叶斯估计来得到,即式(11):
其中,
对于式(11)中的先验信息可表示为
本实施例中,假设锚节点与未知节点,未知节点与未知节点之间信息的传递是独立的,不相互影响,所以对于式(11)中的似然函数可表示为:
故根据式(12)~(14),后验概率分布(11)可表示为:
式中,和未知节点n在时间1到t时刻收到的来自锚节点和未知节点的测距信息。和未知节点m和n在t时刻的位置。表示锚节点s在t的位置。和表示未知节点n在t时刻与其他未知节点和锚节点的位置。
S25、如图3所示,表示粒子滤波算法的流程图。在实际情况中,后验分布并不容易得到,而粒子滤波算法是基于序列重要性采样的蒙特卡洛方法,它通过一系列带权重的粒子来估计后验概率分布:
式中,表示t时刻的第n个未知节点的第i个粒子的权值,表示t时刻的第n个未知节点的位置的第i个粒子,M表示粒子的总数;
S26、在得到后验概率分布后,利用后验概率分布为样本对未知节点的位置进行估计:
式中,表示t时刻的第n个未知节点的第i个粒子的权值,表示t时刻的第n个未知节点的位置的第i个粒子,M表示粒子的总数。
为了避免粒子的退化,重采样在粒子滤波中是必不可少,重要性重采样是目前最为普遍的一种重采样方法,它通过保留权值大的粒子,剔除权值较小的粒子来解决粒子退化的问题。然而其误差较大,粒子的多样性损坏。故本发明中采取残差-系统重采样方式作为重采样的方式用来对置信信息更新及位置估计,具体的:
在粒子滤波中,针对每个粒子的测量似然函数可表示为:
式中,τ(t)表示测量噪声;
对于协同定位中,假设各未知节点测距相互独立,故式(18)表示为:
式中,与分别表示未知节点n在t时刻第i个粒子对于锚节点和其他未知节点的观测值;与分别表示未知节点n在t时刻第i个粒子对于锚节点和其他未知节点的观测函数;β(t)与w(t)分别表示未知节点对于锚节点和其他未知节点的观测噪声,其服从均值为零方差为R的高斯白噪声。
所述的步骤S3具体包含:
S31、在海上的环境下,观测噪声不服从高斯分布,其包含有海浪遮蔽效应所引起的噪声,即
式中,e(t)与q(t)服从高斯分布,而与是由于海浪遮蔽效应所引起的噪声,实际情况中很难得知其分布;
S32、将式(19)表示为:
理想情况下,假设未存在海浪遮蔽效应的误差,其似然函数应为:
为达到理想情况下的似然函数,减小海浪遮蔽效应引起的误差,引入参数θ,并将式(19)可表示为:
式中,表示在t至t+1时刻第一次播发置信信息后估计的位置,表示在t至t+1时刻通过播发d次置信信息后迭代出的估计位置;
θ表示取值范围为[0,1]的优化参数,当θ=0时,式(24)表示在在t至t+1时刻通过播发d次置信信息后的似然函数;当θ=1时,式(24)表示在在t至t+1时刻第一次播发置信信息后的似然函数;把第一次置信信息播发后的到的位置作为初始估计位置,在t至t+1时刻通过d次播发置信信息进行迭代,最后得出较为准确的位置,以减少海浪遮蔽效应引起的误差;
S33、引入KLD算出理想情况下的似然函数式(23)和实际中的似然函数式式(24)两者分布之间的距离:
式中,DKL(p1||p2)表示计算两个不对称分布之间的距离,它是非负的,即DKL(p1||p2)≥0,当DKL(p1||p2)=0表示两个分布相等;
S34、利用KLD作为基准,通过计算两个分布PA与PAL之间的最小距离得到优化参数θ,使得两个后验概率分布的距离最小,即:
θ=argminDKL(PA||PAL) (26)
假设PA与PAL基于同一高斯分布函数,故式(24)根据推导可表示为
式中,R和Q分别表示观测噪声的方差和状态转移噪声的方差。
如图4为本发明优选实施例中的海上搜救无线传感网协同定位方法在实施时的整体执行过程的流程示意图,该流程是在得到优化参数θ之后算法具体实施的过程步骤:
步骤一:初始化位置参数,
步骤二:判断时间是否超出预设时间,若超出,则输出估计值,否则执行步骤三至五;
步骤三:通过重要性采样来获取粒子,同时播发带有自身粒子信息的置信消息;
步骤四:未知节点在收到来自锚节点的测距信息,未知节点的测距信息,锚节点的位置以及未知节点播发的置信消息之后进行状态更新,权值归一化计算。在获得归一化权值之后,利用未引入优化参数θ的似然函数计算初始估计位置
步骤五:通过残差-系统重采样的方式进行置信消息的更新以用来进行接下来的迭代;
步骤六:判断迭代次数是否满足预设迭代次数Z,若满足则执行步骤二,否则执行七至十;
步骤七:未知节点播发更新过的置信信息,同时接收来自其他锚节点更新过的置信信息;
步骤八:通过收到的其他位置节点更新过的置信信息,结合引入优化参数θ的似然函数进行权值的归一化计算。以及迭代d次的位置估计并输出;
步骤九:通过残差-系统重采样再次更新置信信息;
步骤十:执行迭代次数加一,即d+1,时间加一,即,t+1。并返回执行步骤六;
为验证本发明的定位效果的有效性与可靠性,我们引入均方根误差作为判断定位效果好坏的标准,即式(28),并设定节点的运动速度V为1~10m/s:
其中和表示未知节点n的实际位置与估计位置。N表示总的节点数。
如图5A与5B为该算法性能的验证,通过仿真图我们可以得知,优化参数θ为0.6时,其定位效果最好,当迭代次数为20次时,本算法收敛。根据图5A与5B所得到的结果,我们用它来与其他算法进行对比。如图6所示,在锚节点越多的情况下,其定位效果越好,而本发明的算法更优于其他算法。为模拟海上的恶劣环境,我们引入参数σ来表示环境所引起的环境噪声方差,参数σ越大表示海上环境越恶劣。从图7仿真对比图中我们可以看出,本发明在环境越恶劣时,定位效果虽然差了,但是还是优于其他几种定位算法。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种海上搜救无线传感网协同定位方法,其特征在于,包含以下步骤:
S1、建立拉格朗日模型作为节点的海上运动模型;
S2、将基于隐形马尔可夫链描述的未知节点状态模型结合节点的海上运动模型与观测模型得到协同定位的未知节点的系统模型;
运用粒子滤波算法来估计后验概率分布,并利用估计得到的后验概率分布对未知节点的位置进行估计;
S3、利用KL离散度对粒子滤波算法中的似然函数进行改进,通过优化参数方式来减小海浪遮蔽因子引起的误差;
S4、引入优化参数的似然函数,利用残差-系统重采样方式来更新置信因子和迭代的估计位置进而减轻粒子的退化并对未知节点位置进行估计。
2.如权利要求1所述的海上搜救无线传感网协同定位方法,其特征在于,所述的步骤S2中:
利用估计得到的后验概率分布采取残差-系统重采样方式来对未知节点的置信信息及位置进行估计。
3.如权利要求1所述的海上搜救无线传感网协同定位方法,其特征在于,所述的步骤S1具体包含:
采用海上漂浮物运动模型拉格朗日轨迹移动模型对海上节点的运动进行描述。
4.如权利要求3所述的海上搜救无线传感网协同定位方法,其特征在于,所述的步骤S2具体包含:
S21、将未知节点用基于隐形马尔可夫链描述的状态模型表示:
x(t)=f(x(t-1),u(t-1)) (6);
式中,f()表示状态转移函数,xt-1代表上一时刻未知节点的位置信息,u(t-1)表示均值为零方差为Q的高斯状态转移噪声;
S22、将未知节点的状态模型结合节点的海上运动模型,得到:
式中,x(t-1)与x(t)分别表示未知节点上一时刻与此刻的位置,Δt表示上一时刻与此时刻的差值;A表示状态状态转移矩阵B表示噪声矩阵Q表示噪声的方差;表示状态转移噪声;va和vd表示平移速度和扩散速度;
将信号强度指示值作为节点测距的模型:
其中表示在t时刻未知节点n收到的信号强度指示值,power表示节点的发射功率,PL(1)表示参考距离为1m时的信号强度损失值,k表示路径损耗指数,依赖于周围环境,表示路径损失随距离增加而增大的快慢,d表示两节点间的距离;
假设在t时刻,对于收到锚节点s∈S的RSSI值,它们间的距离可表示为:
同样地,对于收到未知节点m∈N,m≠n的RSSI值,它们间的距离可表示为:
式中,ξ(t)与ψ(t)分别表示未知节点与锚节点间通信的噪声以及未知节点间通信的噪声,它们是均值为零的高斯白噪声;||·||表示欧式几何距离;表示未知节点n与锚节点s在t时刻之间的距离;表示未知节点n与未知节点m在t时刻之间的距离;表示锚节点s在t时刻的位置;表示未知节点m在t时刻的位置,其中m≠n;
由于实际过程中发射功率是固定的,参考距离损失的能量是已知的,而环境带来的路径损耗指数也是已知,故通过式(2)计算锚节点与未知节点间,未知节点与未知节点间的距离;
S23、由此,协同定位的未知节点的观测模型可表示为:
z(t)=h(x(t),ε(t)) (8);
式中,h()表示测量函数,可表示为式(8),通过它来测出两个节点间的距离;ε(t)表示均值为零方差为R的高斯测量噪声;z(t)表示在t时刻所有节点间观测值矩阵;x(t)表示未知节点在t时刻的位置;
S24、对于协同定位来说,t时刻的未知节点可收到两种类型的观测值,一种是对锚节点的观测值,另一种是对未知节点的观测值,因此,得到:
式中,表示未知节点n∈N与锚节点s∈S之间的的观测值,表示未知节点n∈N与未知节点m∈N间的观测值,β(t)与w(t)分别表示与相对应的测量噪声;表示对于未知节点n在t时刻相对于锚节点s的观测函数;表示对于未知节点n在t时刻相对于其他未知节点m的观测函数;
S25、通过粒子滤波算法估计后验概率分布:
式中,表示t时刻的第n个未知节点的第i个粒子的权值,表示t时刻的第n个未知节点的位置的第i个粒子,M表示粒子的总数;表示未知节点n在初始时刻1到t时刻与其他未知节点的观测值矩阵;表示未知节点n在初始时刻1到t时刻与锚节点的观测值矩阵;
S26、利用后验概率分布为样本对未知节点的位置进行估计:
式中,表示t时刻的第n个未知节点的第i个粒子的权值,表示t时刻的第n个未知节点的位置的第i个粒子,M表示粒子的总数。
5.如权利要求4所述的海上搜救无线传感网协同定位方法,其特征在于,所述的步骤S26中:
为避免粒子的退化,在粒子滤波中采用重采样方法通过保留权值大的粒子,剔除权值较小的粒子来解决粒子退化的问题。
6.如权利要求5所述的海上搜救无线传感网协同定位方法,其特征在于:
采取残差-系统重采样方式作为重采样的方式用来对置信信息更新及位置估计,具体的:
在粒子滤波中,针对每个粒子的测量似然函数可表示为:
式中,τ(t)表示测量噪声;zt表示在t时刻所有节点间观测值矩阵;
对于协同定位中,假设各未知节点测距相互独立,故式(18)表示为:
式中,与分别表示未知节点n在t时刻第i个粒子对于锚节点和其他未知节点的观测值;与分别表示未知节点n在t时刻第i个粒子对于锚节点和其他未知节点的观测函数;β(t)与w(t)分别表示未知节点对于锚节点和其他未知节点的观测噪声,其服从均值为零方差为R的高斯白噪声。
7.如权利要求6所述的海上搜救无线传感网协同定位方法,其特征在于,所述的步骤S3具体包含:
S31、观测噪声不服从高斯分布,其包含有海浪遮蔽效应所引起的噪声,即
式中,e(t)与q(t)服从高斯分布,而与是由于海浪遮蔽效应所引起的噪声;
S32、将式(19)表示为:
理想情况下的似然函数为:
为达到理想情况下的似然函数,减小海浪遮蔽效应引起的误差,引入参数θ,并将式(19)可表示为:
式中,表示在t至t+1时刻第一次播发置信信息后估计的位置,表示在t至t+1时刻通过播发d次置信信息后迭代出的估计位置;
θ表示取值范围为[0,1]的优化参数,当θ=0时,式(24)表示在在t至t+1时刻通过播发d次置信信息后的似然函数;当θ=1时,式(24)表示在在t至t+1时刻第一次播发置信信息后的似然函数;把第一次置信信息播发后的到的位置作为初始估计位置,在t至t+1时刻通过d次播发置信信息进行迭代,最后得出较为准确的位置,以减少海浪遮蔽效应引起的误差;
S33、引入KLD算出理想情况下的似然函数式(23)和实际中的似然函数式式(24)两者分布之间的距离:
式中,DKL(p1||p2)表示计算理想似然函数p1与实际似然函数p2两个不对称分布之间的距离,它是非负的,即DKL(p1||p2)≥0,当DKL(p1||p2)=0表示两个分布相等;p1(x)与p2(x)分别表示以变量x得到的计算理想似然函数与实际似然函数;
S34、利用KLD作为基准,通过计算两个分布PA与PAL之间的最小距离得到优化参数θ,使得两个后验概率分布的距离最小,即:
θ=arg minDKL(PA||PAL) (26)
假设PA与PAL基于同一高斯分布函数,故式(24)根据推导可表示为
式中,R和Q分别表示观测噪声的方差和状态转移噪声的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710891573.1A CN107466005B (zh) | 2017-09-27 | 2017-09-27 | 一种海上搜救无线传感网协同定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710891573.1A CN107466005B (zh) | 2017-09-27 | 2017-09-27 | 一种海上搜救无线传感网协同定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107466005A CN107466005A (zh) | 2017-12-12 |
CN107466005B true CN107466005B (zh) | 2019-10-29 |
Family
ID=60553419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710891573.1A Expired - Fee Related CN107466005B (zh) | 2017-09-27 | 2017-09-27 | 一种海上搜救无线传感网协同定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107466005B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108337639B (zh) * | 2018-05-02 | 2019-07-26 | 巢湖学院 | 一种基于牛顿插值的蒙特卡罗移动节点定位算法 |
CN108814601B (zh) * | 2018-05-04 | 2021-12-07 | 浙江工业大学 | 基于动态对比增强mri的生理参数定量统计优化方法 |
CN113938826A (zh) * | 2021-10-15 | 2022-01-14 | 北京邮电大学 | 一种分布式无线协作定位方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694521A (zh) * | 2009-10-12 | 2010-04-14 | 茂名学院 | 一种基于概率图模型的目标预测跟踪方法 |
CN102938876B (zh) * | 2012-12-07 | 2015-01-07 | 李云鹏 | 基于无线传感器网络接收信号强度的无源目标追踪方法 |
US10451708B2 (en) * | 2015-04-01 | 2019-10-22 | Tata Consultancy Services Limited | Backtracking indoor trajectories using mobile sensors |
CN105721084B (zh) * | 2016-01-19 | 2019-07-02 | 上海海事大学 | 一种海上无线传感器网络信号传播的海浪遮蔽方法 |
-
2017
- 2017-09-27 CN CN201710891573.1A patent/CN107466005B/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
A Fine Resampling Algorithm for General Particle Filters;Bei Cao;《2011 4th International Congress on Image and Signal Processing》;20111212;全文 * |
A tutorial on particle filters for online nonlinear non-Gaussian Bayesian tracking;M. Sanjeev Arulampalam;《IEEE Transactions on Signal Processing》;20020807;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107466005A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Witrisal et al. | High-accuracy localization for assisted living: 5G systems will turn multipath channels from foe to friend | |
CN110764053B (zh) | 一种基于水下传感器网络的多目标被动定位方法 | |
Leitinger et al. | Evaluation of position-related information in multipath components for indoor positioning | |
Isik et al. | A three dimensional localization algorithm for underwater acoustic sensor networks | |
Wu et al. | A novel cooperative localization algorithm using enhanced particle filter technique in maritime search and rescue wireless sensor network | |
CN107466005B (zh) | 一种海上搜救无线传感网协同定位方法 | |
Emokpae et al. | UREAL: Underwater reflection-enabled acoustic-based localization | |
Saeed et al. | Underwater optical sensor networks localization with limited connectivity | |
CN104320845B (zh) | 一种基于传感器和量子智能计算的主用户定位方法 | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
US12045699B2 (en) | Estimating direction of arrival of electromagnetic energy using machine learning | |
Bhuvaneswari et al. | An efficient mobility based localization in underwater sensor networks | |
CN104602191B (zh) | 一种海上搜救无线传感网节点定位方法 | |
Fan et al. | A time-varying acoustic channel-aware topology control mechanism for cooperative underwater sonar detection network | |
Owfi et al. | A Meta-learning based Generalizable Indoor Localization Model using Channel State Information | |
CN112346010B (zh) | 基于尺度差和时差的双机无源定位方法 | |
Zhu et al. | Localization optimization algorithm of maximum likelihood estimation based on received signal strength | |
Li et al. | Detection and tracking of multipath channel parameters using belief propagation | |
Luo | Anti-attack and channel aware target localization in wireless sensor networks deployed in hostile environments | |
CN113030853B (zh) | 基于rss和aoa联合测量的多辐射源无源定位方法 | |
Mei et al. | A computationally efficient target localization algorithm in underwater wireless sensor networks | |
CN106713191B (zh) | 一种多级搜索sage方法 | |
Liu et al. | D-Fi: Domain adversarial neural network based CSI fingerprint indoor localization | |
Manikas et al. | Positioning in wireless sensor networks using array processing | |
Pahlavani et al. | An indoor positioning technique based on a feed-forward artificial neural network using Levenberg-Marquardt learning method |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191029 |
|
CF01 | Termination of patent right due to non-payment of annual fee |