CN108462993B - 无线传感器网络中基于rss的多目标定位方法与系统 - Google Patents

Abstract

本发明提供一种无线传感器网络中基于RSS的多目标定位方法，通过粗定位和细定位实现多目标定位，在粗定位阶段，采用序贯压缩感知原理选择最优观测次数，当重构误差小于预先给定的门限值时，停止接收观测值；然后，通过求解一个l_p最优化问题重构出稀疏向量，从而确定出目标所在的初始候选网格；在细定位阶段，将粗定位确定的候选网格利用四分法进行细划分，每个候选网格都被划分为四个相等的子网格，利用最小残差准则选择目标所在的候选子网格，再对得到的子网格进行划分选择；经过多次划分、选择之后，每个目标的估计位置被限定在足够小的子网格上。本发明在目标个数未知的场景下具备更优的定位性能，且明显减少了定位时间。

Description

无线传感器网络中基于RSS的多目标定位方法与系统

技术领域

本发明涉及多目标定位技术领域，具体而言涉及一种无线传感器网络中基于RSS的多目标定位方法与 系统。

背景技术

无线传感器网络(Wireless Sensor Network,WSN)是由部署在监测区域内大量的廉价微型传感器节点组 成，通过无线通信方式形成的一个多跳自组织网络。基于MEMS(微机电系统)的微传感技术和无线联网 技术为WSN赋予了广阔的应用前景，使其在军事、航空、反恐、防爆、救灾、环境、医疗、家居、工业、 商业等领域发挥了重要作用。在这些应用中，不仅关心多个监测目标的状态，而且关心这些目标的位置， 只有获取位置信息后才能采取合理的应对措施。特别地，传感器的感知数据只有在获得目标位置信息后才 具有更高的使用价值。例如，反恐行动必须实时掌握恐怖分子的活动轨迹；煤气泄漏必须准确判别泄漏点在居民楼中的位置；商业区火灾报警必须了解火灾的具体位置。因此，没有位置信息的监测消息将毫无意 义，所以多目标定位是WSN的关键技术之一。传统的定位系统往往基于某种特殊信号，如超宽带信号、 红外信号，需要部署专用硬件设备以测量这些信号，导致了较高的成本和巨大的工作量，极大地限制了定 位系统的应用。为了解除硬件的限制，现有技术还指出几乎所有的无线电设备都可以独立测量其接收信号 的强度，而不需要其它设备的辅助。于是，基于接收信号强度(Received Signal Strength,RSS)的技术可以完 成多目标定位任务。但是，传统的RSS定位方法需要测量和处理大量的数据，而传感器节点自身能量受限、 计算能力有限、易受环境影响，若持续进行RSS定位将耗费大量资源，减少网络生命时间，这将严重阻碍 基于WSN的多目标定位技术的应用。

压缩感知理论(Compressive Sensing，CS)为解决上述问题提供了新的思路。在信号具有稀疏性的前提 下[8]，CS提供了一种全新的信号处理方法，它可用远低于奈奎斯特采样率的速率对信号进行采样(或称 为观测)，并实现信号的精确重构。在CS框架下，采样速率不再取决于信号的带宽,而在很大程度上取决 于信号的稀疏性。基于WSN的多目标定位问题具有天然的稀疏性，因而CS理论被广泛应用于其中以大 幅减少各节点的采样数据量，从而大幅减少网络的资源消耗。

近年来，基于CS的多目标定位技术已成为一个研究热点，例如将WSN的监测区域划分成若干个网格， 并在CS框架下将多目标定位问题建模成一个稀疏估计问题，极大地减少了节点之间的通信数据量。然而， 该方法需要在每个节点建立不同的冗余字典，这导致了巨大的工作量和不可避免的误差积累。又如，通过 离散物理空间将每个目标的位置转化成稀疏度为1的向量，从而将多目标定位问题转化成多稀疏向量重 构问题，利用l₁最优化重构稀疏向量，以估计目标所在的网格位置。但是，该方法数据压缩不充分，且需 要事先知道目标个数。在实际应用中，节点无法了解监测区域内目标个数，也就无法确定满足CS重构条件 所需的采样数据量。针对采样数据量未知的问题，采用了序贯压缩感知(SequentialCompressed Sensing,SCS) 算法，在初始观测向量上叠加T个观测值，若重构误差的估计值大于预先给定的门限值，则继续叠加T个观 测值；反之，若重构误差的估计值小于门限值，则停止接收观测值。SCS实现了自适应选择最优观测次数， 克服了因采样数据量未知而导致的不充分或过度采样问题。

根据CS技术重构出目标所在的网格后，现有技术中均假设目标位于网格中心，若网格尺度较大，网 格中心会明显偏离目标的真实位置，从而导致较大的位置估计误差；若网格尺度较小，网格数量急剧增加， 从而导致较高的计算复杂度。因此，无论怎样选择网格尺度，假设网格中心为目标估计位置的方法都不能 有效地进行精确定位。针对实际应用中目标可以出现在网格内的任何位置，现有技术还提出了一种压缩感 知与多边测量技术相结合的多目标定位算法，该算法选取距离粗定位得到的目标最近的四个节点作为锚节 点，把对目标的搜索范围由粗定位得到的某一个网格扩展到与其临近的三个小网格组成的大网格中，采用 几何算法中的多边测量进行定位。算法虽克服了目标只在网格中心的局限性，但增加了计算复杂度。为了 提高定位精度，现有技术又提出了一种改进的基于压缩感知和接收信号强度的多目标定位算法，其定位过 程分成两个阶段。粗定位阶段利用l₁最优化重构出目标的初始候选网格，但当观测次数不充分时，l₁最优 化的重构误差增大，引起了较大的定位误差；细定位阶段依次实现每个目标在相应初始候选网格内的精确 定位，但当目标个数较多时，计算时间急剧增长，影响了定位的及时性。显然，在目标个数未知的前提下， 必须找到一种更有效的两阶段定位算法，并使之具备更高的定位精度和定位效率。

发明内容

本发明目的在于提供一种无线传感器网络中基于RSS的多目标定位方法与系统，相较于传统的基于l₁最优化的多目标定位算法，本发明在目标个数未知的场景下具备更优的定位性能，且明显减少了定位时间。

为达成上述目的，本发明提出一种无线传感器网络中基于RSS的多目标定位方法，将监测区域离散网 格划分与稀疏判断等效转换，然后包含两个具体的定位阶段：粗定位和细定位。

在粗定位阶段，采用序贯压缩感知原理选择最优观测次数，当重构误差小于预先给定的门限值时，停 止接收观测值；然后，通过求解一个l_p最优化问题重构出稀疏向量，从而确定出目标所在的初始候选网格。

在细定位阶段，将粗定位确定的候选网格同时利用四分法进行细划分，每个候选网格都被划分为四个 相等的子网格，利用最小残差准则选择目标所在的候选子网格，再对得到的子网格利用四分法进行划分、 以及利用最小残差准则进行选择。经过多次划分、选择之后，每个目标的估计位置被限定在足够小的子网 格上，更接近目标的真实位置，大大提高了定位精度。

本发明的有益效果在于：

相比于现有技术在细定位阶段每次只定位一个目标，本发明对多个目标同时实施细定位，明显降低了 计算时间且提高了定位效率。仿真结果表明,与传统的基于CS的多目标定位算法相比,在达到相同定位性 能的情况下,本发明所需的观测次数大大减少,定位精度明显提高，而计算复杂度显著降低。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾 的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开 的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明 的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教 导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的 标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描 述本发明的各个方面的实施例，其中：

图1是多目标定位的系统模型图。

图2是目标细定位示意图。

图3是粗定位阶段重构误差估计值与观测次数关系曲线图。

图4是粗定位阶段基于OMP、GMP、BP和ASM算法的多目标定位图。

图5是粗定位误差与传感器节点个数关系曲线图。

图6是粗定位误差与目标数目关系曲线图。

图7是细定位阶段本发明算法和对比算法的多目标定位图。

图8是细定位阶段平均细定位误差与信噪比关系曲线图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必 定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那 些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任 何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合 来使用。

根据本公开的各个方面的实施例，本发明提出一种无线传感器网络中基于RSS的多目标定位方法，将 监测区域离散网格划分与稀疏判断等效转换，然后包含两个具体的定位阶段：粗定位和细定位。

在粗定位阶段，采用序贯压缩感知原理选择最优观测次数，当重构误差小于预先给定的门限值时，停 止接收观测值；然后，通过求解一个l_p最优化问题重构出稀疏向量，从而确定出目标所在的初始候选网格。

在细定位阶段，将粗定位确定的候选网格同时进行细划分，每个候选网格都被划分为四个相等的子网 格，利用最小残差准则选择目标所在的候选子网格，再对此子网格进行划分、选择。经过多次划分、选择 之后，每个目标的估计位置被限定在足够小的子网格上，更接近目标的真实位置，大大提高了定位精度。

奈奎斯特采样定理表明，用两倍于信号带宽的采样速率对其进行采样，可以准确恢复出原信号。但实 际处理宽带信号时，往往因巨大的计算量而难以实现。CS理论表明，如果信号x∈R^N是k-稀疏的，可以 使用观测矩阵Φ∈R^M×N(M＜＜N)以低于奈奎斯特定理的速率对信号采样，并由观测向量y＝Φx∈R^M以高 概率重构出原信号。从y中重构出x需要求解一个欠定方程组，而为了获得一个稀疏解，可以将之转化为 如下的l₀最优化问题

其中Φ满足有限等距性质(Restricted Isometry Property,RIP)。问题(1)是NP问题，通常的求解算法有：正交 匹配追踪算法(Orthogonal Matching Pursuit,OMP)、分段正交匹配追踪算法(Stagewise Orthogonal Matching Pursuit,StOMP)、贪婪匹配追踪算法(Greedy Matching Pursuit,GMP)。但是，这些贪婪算法均依赖于信号稀 疏度的先验信息，且收敛速度慢。将l₀最优化问题松弛为l₁最优化问题：

由基追踪(Basis Pursuit,BP)求解可提高收敛速度，但计算复杂度高。

在实际通信环境下，无法预知信号x的稀疏度，则无法确定成功重构所需的观测次数。若观测次数过 多，对提高重构精度的贡献有限，却大大增加了采样成本；若观测次数过少，则不能成功重构出原信号。 为了选取最优的观测次数，SCS首先根据经验获取一个初始观测向量y^m＝(y₁,…,y_m)′∈R^m，然后接受额外 的T次观测，m次观测的重构向量x^m与m+T次观测形成的仿射空间H_m+T之间的距离为

d(x^m,H_m+T)＝(Φ^m+T)⁺(Φ^m+Tx^m-y^m+T) (3)

其中观测矩阵Φ^m+T∈R^(m+T)×N，(Φ^m+T)⁺是Φ^m+T的伪逆矩阵。于是，由m次观测以1-1/k²的概率得到的重 构误差是

其中

作为重构误差的估计值。如果式(4)中重构误 差的估计值小于预先给定的门限值，则停止接受新的观测值；否则，以T为步长，序贯增加观测次数得到 观测向量y^m+sT(s＝0,1,…,S)，直至重构误差的估计值满足门限要求。

结合图1、图2所示，下面结合附图对前述实施的具体实现进行进一步的更加细致的说明。

对于一个随机部署了M个位置信息已知的传感器节点和K个目标的无线传感器网络监测区域(K未 知)，其中M＜＜N,K＜＜N。我们在系统实现过程中，将监测区域离散为N(N＝n×n)个网格，每个网格只 有一个节点且节点位于网格中心，每个目标出现在相应网格的任何位置，如图1所示。定义K个目标的位 置信息是x＝(x₁,…,x_N)，其中若第j个网格存在目标，则x_j＝1，否则x_j＝0。

于是，基于RSS的多目标定位问题就转化为判断稀疏向量x中非零元素所在位置的问题。

根据强度-距离损耗模型，第i个节点接受到第j个网格中目标发出的RSS值近似为：

P_i,j＝P_t-10ηlg(d_i,j/d₀) (5)

其中P_t表示在参考距离d₀处的接收信号强度，d_i,j为第i个节点与第j个目标之间的欧式距离，路径衰 减指数η一般介于2至5之间。显然，M个节点的观测向量可表示为y＝Px。

为了从观测向量中估计出目标的位置，本发明接下来将分两个阶段完成目标的高精度定位。

粗定位阶段

无线传感器网络WSN的使用者发起目标监测指令，WSN中的接收器Sink节点广播“监测指令”。

按照CS原理，各节点对监测区域的信号进行探测，将其观测值传送给Sink。Sink首先接受到m+T个 节点的观测值，它可根据l₁最优化从m个观测值重构出稀疏向量x。然而，l_p范数对信号稀疏度的度量远 优于l₁范数，因此，建立基于l_p最优化的多目标定位模型：

然后，我们利用仿射尺度方法(Affine Scaling Methodology,ASM)获得重构向量x^m，其中观测矩阵 P^m∈R^m×N。

按照SCS原理，Sink将式(4)中的

作为重构误差的估计值，若此估计值大于预 先给定的门限值ε，则再接收T个观测值，重新计算重构误差的估计值，重复上述操作，直至估计值小于 ε。此时，Sink广播“停止指令”，各节点停止发送观测值。

根据重构向量x^m+ST中非零元素的位置，Sink确定出目标所在的候选网格，以完成目标的粗定位任务。 因为节点的数据传输能耗远远大于数据采样能耗和/或计算能耗，所以序贯地接收观测值，避免了不必要 的数据采样和传输，有利于减少了网络能耗。

细定位阶段

在粗定位阶段，接收器Sink节点只能确定目标所在的候选网格，却无法获知目标在候选网格中的具体 位置。

本发明接下来的步骤中运用四分法，逐步细分候选网格，以逼近目标的真实位置，作为一个示例，具 体过程如图2所示。将粗定位确定的候选网格同时利用四分法进行细划分，每个候选网格都被划分为四个 相等的子网格，利用最小残差准则选择目标所在的候选子网格，再对得到的子网格利用四分法进行划分、 以及利用最小残差准则进行选择。经过多次划分、选择之后，每个目标的估计位置被限定在足够小的子网 格上，更接近目标的真实位置，大大提高了定位精度。

假设WSN的监测区域离散为N＝4个网格，首先经过粗定位确定目标T₁,T₂的候选网格是第二、三个 网格，网格的中心点O₁₀,O₂₀作为2个目标的估计位置。然后，同时四分第二、三个网格，由最小残差准则 确定2个目标所在的子网格分别为B₁₁,D₂₁；再四分子网格B₁₁,D₂₁，确定2个目标在子网格C₁₂,D₂₂内；如此 进行多次划分、选择，不断地缩小2个目标所在的子网格范围，直至满足终止条件，最终确定出目标的估 计位置。

由前述的实施例，我们看到，不失一般性的，本发明提出的多目标定位方法的一个非常具体的实现过 程，其可以是可转换成利用l_p最优化问题。

Sink节点从观测向量y^M＝y^m+ST重构出的稀疏向量x^M,且x^M包含K个非零元素1，其位置分别记为 q₁,…,q_K，它们对应着K个目标的候选网格G_q1,…,G_qK。

不妨将网格中心点

的位置

作为目标的初始估计位置。

于是，y^M可由P^M＝P^m+ST的列向量组

线性表示

即y^M可分解为K个非零成分，其中

为分解系数。按照图2的四分法对所有候选网格进行 划分，则观测矩阵扩展为分块对角阵

其中子矩阵

表 示M个节点接收的子网格

中RSS值。如图2所示，计算每个成分

在相应四个子 网格上的分解系数

其中列向量

表示

相应于

的分解系数。于是，上述K个成分在相应四个子网格 上的线性分解式如下

其中

是K个子网格的联合观测向量。我们注意到如果目标在第i(i∈{1,2,3,4})个子 网格内，则其对应着最大分解成分。根据最小残差准则，分别计算

分解时的最大成分

则第

个子网格即为候选子网格，其对应的成分记为

于是，K个子网格的联合观测向量为

取出这些子网格，其中心点

的位置

作为第一次 四分后K个目标的估计位置。不妨定义

其中dw为网格的宽度，τ₁₁,τ₁₂∈{1,2}。

重复上述四分操作，第l次四分后所得的联合观测矩阵为

由最小残差准则计算 出K个目标所在的子网格，这些子网格中心点

的位置

作为目标的估计位 置。此时，K个子网格的联合观测向量为

预先给定门限值δ，当

时，停止第q_k个子网格的划分操作，获得第q_k个目 标的最终估计位置

同时，在联合观测矩阵P_l ^M和联合观测向量Γ^(l)中删除此子网格，即缩减了后续的计算规模。经过L次 划分操作，当所有子网格都满足停止条件后，就可以获得K个目标的最终估计位置

由上可见，本发明利用四分法对K个网格进行联合定位，可大大减少计算时间，实现及时、可靠的目 标细定位。

我们根据上述实施例的实现，对所提出的多目标定位方法进行仿真验证，主要分为两部分：首先验证 在粗定位阶段使用l_p最优化可获得比l₀和l₁最优化更精确的候选网格；然后验证在细定位阶段的联合定位 算方式相较于传统的四分定位法，在定位时间、精度和稳定性方面更具有优越性。

仿真场景

假设无线传感器网络的监测范围为50m×50m的正方形区域，将该监测区域离散成N＝16×16个网格。 为了计算方便，假设传感器节点随机部署在网格中心，K个待定位的目标随机分布在K个网格的任意位 置。式(5)中，RSS模型的参数设置为：P_t＝-40dB,d₀＝1,η＝2。在粗定位阶段，我们只需要确定出目标所 在的候选网格，因此用重构误差作为定位性能指标。定义粗定位误差为

C_err＝||x^*-x^m+ST||₂ (13)

其中x^*表示K个目标的真实位置对应的稀疏向量，x^m+ST表示K个目标的估计位置对应的稀疏向量。

在细定位阶段采用平均细定位误差作为性能指标，即

其中K为监测区域内目标个数，

表示目标真实位置的坐标，

表示目标估计位置的坐 标。

粗定位的性能分析

在粗定位阶段，需要完成两个任务：由SCS选取最优观测次数和由l_p最优化重构出目标的估计位置。 在目标个数分别为K＝4,5,6,7时，均假设初始观测次数m＝10，序贯增加的观测次数T＝5。图3显示当观 测次数持续增加时，式(4)中重构误差估计值越来越小。当重构误差的估计值小于门限值ε＝0.1时，目标个 数K＝4,5,6,7所需的最优观测次数分别为30,35,40,45，有效解决了稀疏度未知时难以选择观测次数的问 题。

在上面实验的基础上，比较K＝6,T＝5,M＝40时OMP、GMP、BP和ASM的定位效果。图4显示利 用OMP、GMP和BP重构稀疏解时，其非零元素的位置出现了偏差，因而多目标定位出现了漏检目标和 虚假目标；然而，ASM能够准确估计出目标个数，且目标的估计位置与真实位置所在的候选网格完全重 合。上述结果说明：当观测次数较少时，l_p最优化可以获得比l₀和l₁最优化更精确的稀疏解。

由图4可知观测次数影响着定位精度，图5显示了参加监测的节点个数对式(13)中粗定位误差的影响。 在监测区域中随机分布5个目标，进行50次重复试验，当节点个数增多，即观测次数增多，OMP、GMP、 BP和ASM的粗定位误差均逐渐减少，其中ASM的观测次数为35时就能完全正确地确定目标所在的候选 网格，而此时OMP、GMP和BP的粗定位误差分别为1.2、0.6和0.9。

传感器节点能量受限，为了减少能耗，网络中的节点会轮流休眠，此时参加监测的节点个数会相应减 少。如图6所示：当目标个数增加时，观测次数会不充分，则定位精度会到影响。固定监测区域中的节点 个数为60个，随着目标个数的增加，OMP、GMP和BP的粗定位误差急速增长，而ASM的粗定位误差 增长非常缓慢，这是因为ASM重构所需的观测次数远远小于OMP、GMP和BP。显然，利用l_p最优化进 行多目标定位，可减少监测节点的个数，从而优化网络能耗。

细定位的性能分析

因为目标分布在候选网格的任意位置，所以粗定位阶段后还需估计目标在候选网格中的确切位置。下 面的实验主要评测本发明提出的细定位算法在不同信噪比情况下的定位精度，并选择按次序对候选网格进 行细定位的算法(称为对比算法)进行性能对比。为了便于说明，不妨假设本发明算法和对比算法在粗定 位阶段都能正确地判别目标所在的候选网格。由图7可见，本发明的细定位算法可以准确定位偏离网格中 心点的5个目标，因此在细定位准确性上比对比算法表现出更大优势。为检验两种算法的时间复杂度，更 换5个目标的位置，重复执行100次目标细定位算法，计算其平均细定位时间并进行比较，结果如表1所 示。相较于对比算法每次只对一个候选网格进行定位操作，本发明算法让所有候选网格同时参与定位，所 以它的平均细定位时间只有对比算法的13.3％，能更好地满足多目标定位及时性的要求。

表1两种细定位算法的时间复杂度比较

算法	平均细定位时间(s)
		对比算法	0.456334
本发明算法	0.065794

基于RSS的多目标定位易受环境的影响，图8显示了不同信噪比下两种算法实施粗定位和细定位后的定 位精度。在图8的实验场景下，随着信噪比的增加，节点接收到的目标信号强度准确性显著提高，两种定 位算法的平均细定位误差均逐渐减小。但是，本发明在粗定位阶段l_p最优化算法的抗噪性能优于对比算法 的l₁最优化算法，这保证了本发明的细定位结果受噪声影响小于对比算法，其平均细定位误差比对比算法 最多小0.6，定位精度更高。由此可见，在复杂的无线环境下本发明的定位算法仍然是一个较好的选择。

由上述实施例和仿真过程可见，本发明提出的基于RSS的多目标定位方法，粗定位阶段确定目标所在的 候选网格；细定位阶段估计目标在相应候选网格中的确切位置。与传统的基于CS的定位算法相比，本发明 降低了重构误差对定位准确度的影响，克服了只能假设未知目标在网格中心的局限性。仿真结果表明，本 发明在提高定位精度的同时能有效降低定位的时间开销，并能更好地适应复杂多变的无线环境。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知 识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要 求书所界定者为准。

Claims (4)

1.一种无线传感器网络中基于RSS的多目标定位方法，其特征在于，所述多目标定位方法首先将监测区域离散网格划分与稀疏判断等效转换，然后通过两个具体的定位阶段实现多目标定位，即粗定位和细定位，其中：

在粗定位阶段，采用序贯压缩感知原理选择最优观测次数，当重构误差小于预先给定的门限值时，停止接收观测值；然后，通过求解一个l_p最优化问题重构出稀疏向量，从而确定出目标所在的初始候选网格；

在细定位阶段，将粗定位确定的初始候选网格利用四分法进行细划分，每个初始候选网格都被划分为四个相等的子网格，利用最小残差准则选择目标所在的候选子网格，再对得到的子网格利用四分法进行划分、以及利用最小残差准则进行选择；经过多次划分、选择之后，每个目标的估计位置被限定在足够小的子网格上；

所述粗定位阶段确定初始候选网格的具体实现包括：

无线传感器网络WSN的使用者发起目标监测指令，WSN中的接收器Sink节点广播“监测指令”；

按照CS原理，各节点对监测区域的信号进行探测，将其观测值传送给接收器Sink节点，接收器Sink节点首先接受到m+T个节点的观测值，利用l_p范数度量信号的稀疏度，建立基于l_p最优化的多目标定位模型：

然后，利用仿射尺度方法获得重构向量x^m，其中观测矩阵P^m∈R^m×N；

按照SCS原理，接收器Sink节点将

作为重构误差的估计值，若此估计值大于预先给定的门限值ε，则再接收T个观测值，重新计算重构误差的估计值，重复上述操作，直至估计值小于ε；接收器Sink节点广播“停止指令”，各节点停止发送观测值；

根据重构向量x^m+ST中非零元素的位置，接收器Sink节点确定出目标所在的候选网格，以完成目标的粗定位任务。

2.根据权利要求1所述的无线传感器网络中基于RSS的多目标定位方法，其特征在于，所述将监测区域离散网格划分与稀疏判断等效转换具体包括：

对于一个随机部署了M个位置信息已知的传感器节点和K个目标的无线传感器网络监测区域，其中，K未知，M＜＜N,K＜＜N，将监测区域离散为N个网格，N＝n×n，每个网格只有一个节点且节点位于网格中心，每个目标出现在相应网格的任何位置，定义K个目标的位置信息是x＝(x₁,…,x_N)，其中若第j个网格存在目标，则x_j＝1，否则x_j＝0；

将基于RSS的多目标定位就转化为判断稀疏向量x中非零元素所在位置；

根据强度-距离损耗模型，第i个节点接受到第j个网格中目标发出的RSS值近似为：

P_i,j＝P_t-10ηlg(d_i,j/d₀)

其中，P_t表示在参考距离d₀处的接收信号强度，d_i,j为第i个节点与第j个目标之间的欧式距离，路径衰减指数η的取值介于2至5之间；M个节点的观测向量表示为y＝Px。

3.一种无线传感器网络中基于RSS的多目标定位系统，其特征在于，包括：

用于将监测区域离散网格划分与稀疏判断等效转换的模块；

用于粗定位的模块，被设置成用于在粗定位阶段，采用序贯压缩感知原理选择最优观测次数，当重构误差小于预先给定的门限值时，停止接收观测值；然后，通过求解一个l_p最优化问题重构出稀疏向量，从而确定出目标所在的初始候选网格；

用于细定位的模块，被设置成在细定位阶段，将粗定位确定的初始候选网格利用四分法进行细划分，每个初始候选网格都被划分为四个相等的子网格，利用最小残差准则选择目标所在的候选子网格，再对得到的子网格利用四分法进行划分、以及利用最小残差准则进行选择；经过多次划分、选择之后，每个目标的估计位置被限定在足够小的子网格上；

所述用于粗定位的模块被设置成按照下述方式确定初始候选网格：

无线传感器网络WSN的使用者发起目标监测指令，WSN中的接收器Sink节点广播“监测指令”；

按照CS原理，各节点对监测区域的信号进行探测，将其观测值传送给接收器Sink节点，接收器Sink节点首先接受到m+T个节点的观测值，利用l_p范数度量信号的稀疏度，建立基于l_p最优化的多目标定位模型：

然后，利用仿射尺度方法获得重构向量x^m，其中观测矩阵P^m∈R^m×N；

按照SCS原理，接收器Sink节点将

作为重构误差的估计值，若此估计值大于预先给定的门限值ε，则再接收T个观测值，重新计算重构误差的估计值，重复上述操作，直至估计值小于ε；接收器Sink节点广播“停止指令”，各节点停止发送观测值；

根据重构向量x^m+ST中非零元素的位置，接收器Sink节点确定出目标所在的候选网格，以完成目标的粗定位任务。

4.根据权利要求3所述的无线传感器网络中基于RSS的多目标定位系统，其特征在于，所述用于将监测区域离散网格划分与稀疏判断等效转换的模块被设置成按照下述方式实现监测区域离散网格划分与稀疏判断等效转换：

对于一个随机部署了M个位置信息已知的传感器节点和K个目标的无线传感器网络监测区域，其中，K未知，M＜＜N,K＜＜N，将监测区域离散为N个网格，N＝n×n，每个网格只有一个节点且节点位于网格中心，每个目标出现在相应网格的任何位置，定义K个目标的位置信息是x＝(x₁,…,x_N)，其中若第j个网格存在目标，则x_j＝1，否则x_j＝0；

将基于RSS的多目标定位就转化为判断稀疏向量x中非零元素所在位置；

根据强度-距离损耗模型，第i个节点接受到第j个网格中目标发出的RSS值近似为：

P_i,j＝P_t-10ηlg(d_i,j/d₀)

其中，P_t表示在参考距离d₀处的接收信号强度，d_i,j为第i个节点与第j个目标之间的欧式距离，路径衰减指数η的取值介于2至5之间；M个节点的观测向量表示为y＝Px。

Images