CN109257699B - 一种利用梯度提升树的无线传感器网络定位方法 - Google Patents

Abstract

本发明属于通信技术领域，特别是一种利用梯度提升树的无线传感器网络定位方法。本发明的目的在于不增加额外的测距设备以及不大幅增加定位时间的前提下，提高定位精度。首先，所有信标节点与所有未知节点进行通信，该步骤与DV‑hop中第一步完全相同，然后以每个信标节点到其余各信标节点的跳段数构成的向量与实际距离分别作为输入特征与输出，利用推荐参数，训练每个信标节点对应的梯度提升树模型，最终，各未知节点以其到各信标节点的跳段数作为输入，利用每个信标节点的梯度提升树模型得到未知节点到各个信标节点的距离。

Description

一种利用梯度提升树的无线传感器网络定位方法

技术领域

本发明属于通信技术领域，特别是一种利用梯度提升树的无线传感器网络定位方法。

背景技术

无线传感器网络具有可扩张性强、自组织、能耗低、造价低以及易于部署等优点，无线传感器网络的核心问题之一就是对网络节点的定位，节点的定位过程即利用部分已知位置信息的信标节点，根据某种机制或算法确定未知节点的位置。常用节点定位技术分为两大类分别是基于距离的定位算法和距离无关的定位算法，基于距离的定位算法虽然精度高，但考虑到成本、能耗等问题，并不适合大面积推广，从而距离无关的定位算法更具吸引力。DV-hop定位算法由于其易实现性与可行性已经成为距离无关定位中最受关注的算法。

DV-hop算法的主要缺点是定位精度不高,传统的DV-hop算法包括以下步骤：

1，通过与未知节点的通信以及典型的距离适量交换协议，信标节点向未知节点广播自身的坐标以及到其余每一个信标节点的最小跳段数。

2，在获得其他信标节点位置和相隔跳段数后，各个信标节点计算其对应的平均跳段距离，然后将其广播至网络中，未知节点根据到各个信标节点的跳段数与对应信标节点的平均跳段距离计算与各个信标节点之间的距离。

3，当未知节点计算获得3个以上信标节点的距离时，利用三边测量法或极大似然估计法计算出未知节点的坐标。

DV-hop算法存在的不足：

1，DV-Hop算法将节点之间的最小跳段路径理想化为一条直线，但在实际应用场景并非如此。

2，网络中每个节点的通信半径在各个方向上有所不同，不能简单的以标准圆形所谓其通信模型。

发明内容

本发明的目的在于不增加额外的测距设备以及不大幅增加定位时间的前提下，提高定位精度。首先，所有信标节点与所有未知节点进行通信，该步骤与DV-hop中第一步完全相同，然后以每个信标节点到其余各信标节点的跳段数构成的向量与实际距离分别作为输入特征与输出，利用推荐参数，训练每个信标节点对应的梯度提升树模型，最终，各未知节点以其到各信标节点的跳段数作为输入，利用每个信标节点的梯度提升树模型得到未知节点到各个信标节点的距离。

本发明采用的技术方案如下，一种利用梯度提升树的无线传感器网络定位方法，其特征在于，包括以下步骤：

S1、无线传感器网络中的每一个信标节点向整个网络广播一个信标数据包，包含初始值为1的跳段数，数据包每传输一次，跳段数加1，每个节点保留跳段数最小的相应各个信标节点的数据包；

S2、利用信标节点间的跳段信息与其GPS位置计算出的距离信息分别作为输入变量与输出变量，训练每个信标节点对应的梯度提升树距离估计模型；

S3、以未知节点到各个信标节点间的跳段信息作为输入，利用步骤S2得到的各个信标节点的距离估计模型求得未知节点到各信标节点的估计距离；

S4、结合未知节点到各信标节点的估计距离与信标节点的GPS坐标，利用极大似然估计法计算出未知节点坐标位置。

本发明中，所述梯度提升树距离估计模型的建立过程为：

设定输入为训练集T＝{(x₁,y₁),(x₂,y₂)...(x_N,y_N)},x_i∈χ∈Rⁿ,y_i∈γ∈R；χ为属性，γ为标签，将属性划分为多个互不相交的区域R₁,R₂,...,R_J，且每个区域上的输出常量为c_j，则决策树表示为

参数Θ＝{(R₁,c₁),(R₂,c₂),...,(R_J,c_J)}表示各个区域上的常数和区域划分，J为叶节点个数，参数损失函数L(y,f(x))＝(y-f(x))²；

初始化：

对m＝1,2,...,M，M为决策树数量：

(1)对i＝1,2,..,N，N为样本数量，计算

(2)对r_mi拟合一个提升树，得到第m棵数的叶节点区域R_mj,j＝1,2,...,J，J为叶节点的个数；

(3)对j＝1,2,...,J，计算：

(4)更新模型：

得到提升树：

其中，c_mj为R_mj上的输出值，I为决策函数。

本发明的有益效果为，本发明提出了根据机器学习理论的距离估算方法。仿真结果表明此方法的识别率优于现有的距离无关定位方法，并无额外测距硬件要求。本发明的方法在信标节点比例为0.1～0.3的情况下，对总共300个节点进行100次定位所得到的定位误差均小于现有的定位方法。

附图说明

图1：总节点数为N，信标节点数为n本发方法与DV-hop算法进行定位时收发数据包数详情；

图2：总共300个节点，信标节点数量30-90时本算法与DV-hop算法的平均定位误差对比。

具体实施方式

实施例：

1，在100*100的正方形区域内随机均匀分布300个节点，信标节点数量为30-90,每次仿真信标节点数量依次递增15，仿真结果对应图2。

2，画出节点分布图，根据通信半径计算出节点之间的邻居关系(是否可通信)，画出节点分布图以及节点邻居关系图。

3，选择常规通信模型，利用Dijkstra算法计算出节点之间的最短路径，即节点之间的实际跳段数。

4，利用公式(1)(2)(3)(4)(5)计算各信标节点的梯度提升树距离估计模型。

5，用最大释然估计法进行定位。

在上述步骤中，需要补充说明的是，利用最大释然估计法进行定位的具体方法为：

a)用训练好的各个信标节点的距离估计模型得到各未知节点距离各信标节点的距离。

b)1,2,3等n个信标节点的坐标分别为(x₁,y₁),(x₂,y₂),(x₃,y₃)……(x_n,y_n)，它们到待定位节点D的距离分别为d₁，d₂，d₃，……d_n，则存在如下公式：

c)将上式的第一个方程分别减去最后一个方程得：

d)式(7)的线性方程表示式为AX＝b，其中：

使用标准的最小均方误差估计法可得到未知节点D的坐标

Claims (1)

1.一种利用梯度提升树的无线传感器网络定位方法，其特征在于，包括以下步骤：

S1、无线传感器网络中的每一个信标节点向整个网络广播一个信标数据包，包含初始值为1的跳段数，数据包每传输一次，跳段数加1，每个节点保留跳段数最小的相应各个信标节点的数据包；

S2、利用信标节点间的跳段信息与其GPS位置计算出的距离信息分别作为输入变量与输出变量，训练每个信标节点对应的梯度提升树距离估计模型；所述梯度提升树距离估计模型的建立过程为：

设定输入为训练集T＝{(x₁,y₁),(x₂,y₂)...(x_N,y_N)},x_i∈χ∈Rⁿ,y_i∈γ∈R；χ为属性，γ为标签，将属性划分为多个互不相交的区域R₁,R₂,...,R_J，且每个区域上的输出常量为c_j，则决策树表示为

参数Θ＝{(R₁,c₁),(R₂,c₂),...,(R_J,c_J)}表示各个区域上的常数和区域划分，J为叶节点个数，参数损失函数L(y,f(x))＝(y-f(x))²；

初始化：

对m＝1,2,...,M，M为决策树数量：

(1)对i＝1,2,..,N，N为样本数量，计算

(2)对r_mi拟合一个提升树，得到第m棵数的叶节点区域R_mj,j＝1,2,...,J，J为叶节点的个数；

(3)对j＝1,2,...,J，计算：

(4)更新模型：

得到提升树：

其中，c_mj为R_mj上的输出值，I为决策函数；

S3、以未知节点到各个信标节点间的跳段信息作为输入，利用步骤S2得到的各个信标节点的距离估计模型求得未知节点到各信标节点的估计距离；

S4、结合未知节点到各信标节点的估计距离与信标节点的GPS坐标，利用极大似然估计法计算出未知节点坐标位置。

Images