CN109257699B - 一种利用梯度提升树的无线传感器网络定位方法 - Google Patents
一种利用梯度提升树的无线传感器网络定位方法 Download PDFInfo
- Publication number
- CN109257699B CN109257699B CN201811357195.XA CN201811357195A CN109257699B CN 109257699 B CN109257699 B CN 109257699B CN 201811357195 A CN201811357195 A CN 201811357195A CN 109257699 B CN109257699 B CN 109257699B
- Authority
- CN
- China
- Prior art keywords
- beacon
- node
- nodes
- lifting tree
- hop
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- 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
- 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)
- Position Fixing By Use Of Radio Waves (AREA)
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
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)...(xN,yN)},xi∈χ∈Rn,yi∈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,...,RJ,且每个区域上的输出常量为cj,则决策树表示为参数Θ={(R1,c1),(R2,c2),...,(RJ,cJ)}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rmi拟合一个提升树,得到第m棵数的叶节点区域Rmj,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,cmj为Rmj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)……(xn,yn),它们到待定位节点D的距离分别为d1,d2,d3,……dn,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:
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)...(xN,yN)},xi∈χ∈Rn,yi∈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,...,RJ,且每个区域上的输出常量为cj,则决策树表示为参数Θ={(R1,c1),(R2,c2),...,(RJ,cJ)}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rmi拟合一个提升树,得到第m棵数的叶节点区域Rmj,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,cmj为Rmj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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811357195.XA CN109257699B (zh) | 2018-11-15 | 2018-11-15 | 一种利用梯度提升树的无线传感器网络定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811357195.XA CN109257699B (zh) | 2018-11-15 | 2018-11-15 | 一种利用梯度提升树的无线传感器网络定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109257699A CN109257699A (zh) | 2019-01-22 |
CN109257699B true CN109257699B (zh) | 2020-06-16 |
Family
ID=65043720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811357195.XA Expired - Fee Related CN109257699B (zh) | 2018-11-15 | 2018-11-15 | 一种利用梯度提升树的无线传感器网络定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109257699B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097188B (zh) * | 2019-04-30 | 2021-07-06 | 科大讯飞股份有限公司 | 一种模型训练方法、工作节点及参数更新服务器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105704672A (zh) * | 2016-04-08 | 2016-06-22 | 电子科技大学 | 一种基于跳段估算的无线传感器网络定位方法 |
CN108307339A (zh) * | 2018-01-12 | 2018-07-20 | 北京天元创新科技有限公司 | 用户终端定位方法、系统、电子设备及存储介质 |
CN108732559A (zh) * | 2018-03-30 | 2018-11-02 | 北京邮电大学 | 一种定位方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108627798B (zh) * | 2018-04-04 | 2022-03-11 | 北京工业大学 | 基于线性判别分析和梯度提升树的wlan室内定位算法 |
-
2018
- 2018-11-15 CN CN201811357195.XA patent/CN109257699B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105704672A (zh) * | 2016-04-08 | 2016-06-22 | 电子科技大学 | 一种基于跳段估算的无线传感器网络定位方法 |
CN108307339A (zh) * | 2018-01-12 | 2018-07-20 | 北京天元创新科技有限公司 | 用户终端定位方法、系统、电子设备及存储介质 |
CN108732559A (zh) * | 2018-03-30 | 2018-11-02 | 北京邮电大学 | 一种定位方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
基于GBDT 的Wi-Fi 室内定位算法研究;刘付杰,冯 涛,高秀敏;《数字通信世界》;20181030;全文 * |
基于差分进化的DV-Hop定位改进算法;杨楚皙;《吉林大学硕士学位论文》;20150630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109257699A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | An RSSI based DV-hop algorithm for wireless sensor networks | |
Shang et al. | Localization from connectivity in sensor networks | |
CN104125538B (zh) | 基于wifi网络的rssi信号强度的二次定位方法及装置 | |
WO2016187746A1 (zh) | 提高人工神经网络定位性能的方法和装置 | |
CN107426817B (zh) | 距离修正混沌粒子群多维标度无线传感器网络定位方法 | |
CN106412821A (zh) | 一种基于通信距离估计及其在线评估的最小二乘定位方法 | |
CN106714296B (zh) | 一种基于最速下降法的室内定位方法 | |
CN102395193B (zh) | 一种用于无线传感器网络的定位方法 | |
CN110062327A (zh) | 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法 | |
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 | |
CN113411213B (zh) | 基于物联网的自组网拓扑控制方法及协同监测方法 | |
CN113411766B (zh) | 智慧物联网综合感知系统及方法 | |
CN112469115A (zh) | 一种基于fc-mds改进的无线传感器网络定位算法 | |
CN103813450A (zh) | 一种优化的移动无线传感器网络节点定位方法 | |
CN109257699B (zh) | 一种利用梯度提升树的无线传感器网络定位方法 | |
CN111031502A (zh) | 一种基于樽海鞘群算法的无线传感器网络节点定位方法 | |
CN103630876A (zh) | 基于RSSI的ZigBee节点定位方法 | |
CN104977562A (zh) | 完全分布式无线传感网中鲁棒性多声源定位方法 | |
CN109541537A (zh) | 一种基于测距的普适室内定位方法 | |
CN108990148A (zh) | 面向室内协作定位的参考点选择方法 | |
Cheng et al. | A fingerprint localization method based on weighted KNN algorithm | |
CN105764088B (zh) | 一种基于遗传算法的tdoa蜂窝定位方法 | |
WO2023083041A1 (zh) | 一种定位方法、装置及存储介质 | |
CN112887909B (zh) | 一种基于Wi-Fi信号的室内定位方法 | |
Chen et al. | Using node clustering and genetic programming to estimate missing data for marine environmental monitoring |
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: 20200616 Termination date: 20201115 |
|
CF01 | Termination of patent right due to non-payment of annual fee |