CN110082717A - 一种水下无线传感器节点定位方法 - Google Patents

Abstract

本发明公开了一种水下无线传感器节点定位方法，包括以下步骤：利用卡尔曼滤波对锚节点移动位置预测；三角测量法估计出未知节点的位置坐标；搜集已有的节点数据包作为神经网络训练数据；设计多层神经网络模型，为隐藏层和输出层神经元设置相应的激活函数；使用人工蜂群算法对神经网络模型进行预训练，输出最优蜜源位置向量；得到神经网络最优权值和阈值，对训练样本重新学习，建立测距误差模型；根据测距误差模型得出与估计位置误差最小的位置坐标。该方法能大副度提高水下无线传感器节点定位的精度。

Description

一种水下无线传感器节点定位方法

技术领域

本发明涉及水下无线传感器定位领域，尤其涉及一种基于人工蜂群和BP神经网络的水下无线传感器节点定位方法。

背景技术

随着海洋经济占各国的比重越来越高，各国开发和利用海洋的热情越来越高，水下传感器网络已经成为重点研究的方向。目前，无线传感器已经广泛应用在灾难预警、海洋资源侦探、辅助导航和海洋军事等众多领域。其中灾难预警主要是将水下传感器网络应用在观测海洋地震活动，为海洋周边地区提供及时准确的海啸预警信息；海洋军事是水下传感器应用最早的领域，主要是利用网络中的节点收集和分析相关数据，实现对水下目标的探测。移动水下网络在感知海洋信息方面具有不可或缺的重要作用，那些无法获取节点坐标位置信息的检测数据在实际情况下是不具有任何价值的，因此，如何精确的确定水下无线传感器网络中部署节点的位置变得十分重要。

目前的水下传感器节点定位算法进行节点定位时，大多假设节点是静止的，但是水下节点难免会受到洋流、潮汐等的影响而发生移动。当节点进行位置估计时，之前测量得到的节点间距离可能已经发生改变。在定位过程中，可能导致这些距离信息估计出来的节点位置失效。水下节点的移动会引起多普勒效应，严重的影响节点的定位精度。此外由于节点的移动性，定位阶段必须阶段性的反复进行，导致定位方案的通信损耗增大，有人提出了可以用于水下大规模网络并且具有移动预测特点的定位算法，更贴近实际节点定位环境。具有移动预测的大规模水下传感器网络定位算法中的节点会随着运动模型进行移动，引起很多人的研究兴趣。

发明内容

本发明的目的是提供一种水下无线传感器节点定位方法，通过人工蜂群算法在优化神经网络方面的优势，通过训练，缩短了BP神经网络的学习时间以及收敛速度，使得BP神经网络得到最优的初始化权值以及阈值，得到与实际位置误差最小的坐标。

为了实现以上目的，本发明是通过以下技术方案实现的：

S1，利用卡尔曼滤波原理对锚节点位置进行移动预测；

S2，根据已知的锚节点位置利用三角定位法估计出未知节点的坐标；

S3，搜集水下环境中其他网络节点估计位置与实际位置的数据包，作为神经网络的训练数据；

S4，设计多层神经网络模型，为隐藏层和输出层神经元设置相应的激活函数；

S5，使用人工蜂群算法对神经网络模型进行预训练，输出最优蜜源位置向量；

S6，得到神经网络最优权值和阈值，对训练样本重新学习，建立测距误差模型；

S7，根据测距误差模型得出与估计位置误差最小的位置坐标。

所述的S1具体包括如下步骤：

通过系统输入输出观测数据，对系统状态进行最优估计的算法，能够利用前一时刻的状态来得到下一个状态时刻下的状态的最优估计如式(1)所示方程组；

式(1)中：A为状态转移矩阵；B为观测矩阵；Γ为噪声驱动矩阵；Q和R分别表示为过程噪声和测量噪声的协方差矩阵；V(t+1|t)表示利用t时刻信息对t+1时刻速度的状态估计；P(t+1|t)表示从t时刻到t+1时刻的单步预测协方差矩阵；K(t+1)为卡尔曼滤波增益；V(t+1|t+1)是锚节点速度的最优状态估计；P(t+1|t+1)表示更新后的协方差矩阵；

在锚节点速度预测过程中，利用高阶AR模型来建立卡尔曼滤波算法的状态方程和观测方程，AR模型如式(2)所示：

式(2)中：a_m为预测模型系数，p为预测步长，t、m为随机变量，v(t)为节点速度；

锚节点的状态方程如式(3)所示：

其中w(t+1)为过程噪声；

锚节点速度的观测方程如式(4)所示：

式(4)中v(t+1)为测量噪声，其中v₂(t+1)＝v₁(t)，v₃(t+1)＝v₂(t)，...，v_p(t+1)＝v_p-1(t)；

将式(3)和式(4)代入式(1)中，可获得锚节点速度的最优估计，在得知速度的

情况下，易得锚节点下一时刻的移动位置。

所述的S2具体包括如下步骤:

利用两台或者两台以上的探测器在不同位置探测目标方位，并运用三角几何原理确定

目标的位置和距离。

所述的S4具体包括如下步骤：

S41、设置网络层的节点数，设置隐藏层和输出层神经元的数目；

S42、在神经网络输入层、隐藏层和输出层之间建立连接；

S43、为隐藏层和输出层神经元设置相应的激活函数Sigmoid，其函数表达式如式(5)所示：

式(5)中，x为随机变量；

输出层神经元的激活函数，设置为Sig函数，所述函数用于分类，将多个神经元的输出限制到(0,1)内，其表达式如式(6)所示：

所述的S5具体包括如下步骤：

S51、初始化参数，包括食物源数量、迭代次数、控制参数以及解的限定范围；

S52、初始化食物源位置：S_i＝[s_i1,s_i2,…,s_iD],i＝1,2,…,n,n表示食物源的数目，D表示维数，其确定方式如式(7)所示：

D＝M+N+K*M+M*N(7)

式(7)中：K、M、N分别为输入层、隐含层和输出层的节点数；

S53、按照S_i不同的位置，对神经网络的权值和阈值进行赋值，对训练样本进行学习，得到的目标函数如式(8)所示：

式(8)中：d_i和t_k分别为实际输出和期望输出，k为训练样本数；

S54、引领蜂在S_i周围产生新解V_i,并计算它们适应度值，根据贪婪原则确定保留S_i和V_i适应度值较优者；食物源优劣通过适应度函数进行估计，即可得式(9)。

式(9)中，f_i表示i个解的目标函数值；随机产生n个食物源的位置，如式(10)所示。

S_i＝S_min+rand(0,1)(S_max+S_min) (10)

式(10)中：S_max、S_min分别表示定义域的上边界和下边界，rand(0,1)为一个随机数；

引领蜂对食物源进行邻域搜索，如式(11)所示。

V_ij＝s_ij+r_ij(s_ij-s_kj) (11)

其中，i和k在{1，2,…N}中随机选择，j从{1，2,…,D}中随机选择，V_ij是第i个候选蜜源的第j维；s_ij是第i个食物源的第j维，s_kj是第k个食物源的第j维；r_ij为(-1,1)内随机数；

S55、根据选择概率P_i选择解，并在S_i周围产生新解V_i，采用同样方式保留最优解；经过有限次循环后，丢弃没有改善的解，此时引领蜂变为侦察蜂，产生一个新解V_i代替该解；

S56、根据适应度值找到当前最优的解，得到最优蜜源向量；

假设在D维空间中，种群规模为2*N,雇佣蜂个数＝观察蜂个数＝N，蜜源个数也为N，第i个蜜源的位置记为S_i＝[s₁,s₂,…,s_n]；每个蜜源的位置代表优化问题的一个候选解；

S57、到达终止条件后，不断调整神经网络的权值，否则返回步骤S54。

所述的S6具体包括如下步骤：

得到神经网络的最优权值和阈值具体过程为：

S61、设计反向传播算法：选择平方误差函数作为神经网络训练的损失函数，在损失函数中增加权值和阈值的平方和，训练过程将会偏向较小的权值和阈值，使网络输出更加平滑。

S62、对训练样本重新学习，使用反向传播算法对神经网络模型进行训练。

所述的步骤S7具体包括：

实际位置坐标与估计的位置坐标之间的误差，其计算如式(13)所示；

d＝d’+ΔE (13)

式(13)中，其中d为实际位置，d’为估计位置，ΔE为误差。

所述的S7具体包括如下步骤：

S71、根据测距误差模型求出其他未知节点与估计位置误差最小的位置坐标；

S72、利用三角定位估计出大致位置，代入所述误差模型得到实际位置。

本发明与现有技术相比，具有以下优点：

1、本发明考虑了水下节点的移动预测，利用卡尔曼滤波对锚节点进行移动预测。

2、结合神经网络和人工蜂群算法，搜集已有的数据包进行训练，缩短了BP神经网络的学习时间以及收敛速度，得到最优的权值和阈值，优化了定位的精度。

附图说明

图1为本发明一种水下无线传感器节点定位方法的流程图；

图2为本发明实施的BP神经网络结构图，对神经网络进行训练；

图3为本发明利用三角定位法估算未知节点的坐标原理图。

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。

如图1、2所示，本发明的水下无线传感器节点定位方法，包括：

步骤S1、利用卡尔曼滤波原理对锚节点位置进行移动预测；

步骤S2、根据已知的锚节点位置利用三角定位法估计出未知节点的坐标；

步骤S3、搜集该水下环境中其他网络节点估计位置与实际位置的数据包，作为神经网络的训练数据；

步骤S4、设计多层神经网络模型，为隐藏层和输出层神经元设置相应的激活函数；

步骤S5、使用人工蜂群算法对神经网络模型进行预训练，输出最优蜜源位置向量；

步骤S6、得到神经网络最优权值和阈值，对训练样本重新学习，建立测距误差模型；

步骤S7、根据测距误差模型得出与估计位置误差最小的位置坐标；

其中S1所述的卡尔曼滤波原理，是通过系统输入输出观测数据，对系统状态进行最优估计的算法，能够利用前一时刻的状态来得到下一个状态时刻下的状态的最优估计如方程组(1)所示。

式中：A为状态转移矩阵；B为观测矩阵；Γ为噪声驱动矩阵；Q和R分别表示为过程噪声和测量噪声的协方差矩阵；V(t+1|t)表示利用t时刻信息对t+1时刻速度的状态估计；P(t+1|t)表示从t时刻到t+1时刻的单步预测协方差矩阵；K(t+1)为卡尔曼滤波增益；V(t+1|t+1)是锚节点速度的最优状态估计；P(t+1|t+1)表示更新后的协方差矩阵。

在锚节点速度预测过程中，利用高阶AR模型来建立卡尔曼滤波算法的状态方程和观测方程。AR模型如下

方程(2)中：a_m为预测模型系数，p为预测步长，t、m为随机变量

锚节点的状态方程如下：

其中w(t+1)为过程噪声；

锚节点速度的观测方程为：

方程(4)中，v(t+1)为测量噪声。其中v₂(t+1)＝v₁(t)，v₃(t+1)＝v₂(t)，...，v_p(t+1)＝v_p-1(t)；

将锚节点速度的状态方程(3)和观测方程(4)代入卡尔曼递推方程组(1)，可获得锚节点速度的最优估计。在得知速度的情况下，易得锚节点下一时刻的移动位置。

参见图3，其中所述的步骤S2包含：根据已知的锚节点位置利用三角定位法估计出未知节点的坐标；假设未知节点D的坐标为(x，y)。而锚节点A、B、C的坐标分别为A(x1,y1)、B(x2,y2)、C(x3,y3),未知节点D与锚节点A、B、C之间相对应的角度分别是∠ADB、∠ADC、∠BDC。对于节点A、C和∠ADC，如果弧段AC在ΔABC内，就可以得到唯一的一个圆，设该圆心是O(x0,y0)，半径是r，那么根据几何关系可以得到α＝∠ADC＝(2Π-2∠ADC)，得到式子(5)。

由(5)式可得到圆心O的坐标及圆的半径r；同理，对于节点A、B和∠ADB和B、C和∠BDC则相应的可以得到圆心O2和半径r2，圆心O3和半径r3，然后利用三边测量法，根据O(x0，y0)，O2(xO2，yo2)和O3(xO3，y03)来确定未知节点D的坐标。

其中所述的步骤S4包含设计多层神经网络模型，为隐藏层和输出层神经元设置相应的激活函数；具体包括如下步骤：

S41、设置网络层的节点数，设置隐藏层和输出层神经元的数目；

S42、在神经网络输入层、隐藏层和输出层之间建立连接；

S43、为隐藏层和输出层神经元设置相应的激活函数Sigmoid，其函数表达式如(6)式所示。

(6)式中x为随机变量；

输出层神经元的激励函数，设置为Sig函数，该函数用于分类，将多个神经元的输出限制到(0,1)内，其表达式如(7)所示。

其中所述的步骤S5具体包含：

S51、初始化参数，包括食物源数量、迭代次数、控制参数以及解的限定范围；

S52、初始化食物源位置：S_i＝[s_i1,s_i2,…,s_iD],i＝1,2,…,n,n表示食物源的数目，D表示维数，其确定方式如(8)式所示。

D＝M+N+K*M+M*N(8)

(8)式中：K、M、N分别为输入层、隐含层和输出层的节点数；

S53、按照S_i不同的位置，对神经网络的权值和阈值进行赋值，对训练样本进行学习，得到的目标函数如(9)式所示。

(9)式中：d_i和t_k分别为实际输出和期望输出，k为训练样本数；

S54、引领蜂在S_i周围产生新解V_i,并计算它们适应度值，根据贪婪原则确定保留S_i和V_i适应度值较优者；食物源优劣通过适应度函数进行估计，即有：

(10)式中，f_i表示i个解的目标函数值；随机产生n个食物源的位置，即：

S_i＝S_min+rand(0,1)(S_max+S_min) (11)

(11)式中：S_max、S_min分别表示定义域的上边界和下边界，rand(0,1)为一个随机数；引领蜂对食物源进行邻域搜索，即：

V_ij＝s_ij+r_ij(s_ij-s_kj) (12)

其中，i和k在{1，2,…N}中随机选择，j从{1，2,…,D}中随机选择，V_ij是第i个候选蜜源的第j维；s_ij是第i个食物源的第j维，s_kj是第k个食物源的第j维；r_ij为(-1,1)内随机数；

S55、根据选择概率P_i选择解，并在S_i周围产生新解V_i，采用同样方式保留最优解；经过有限次循环后，丢弃没有改善的解，此时引领蜂变为侦察蜂，产生一个新解V_i代替该解；

S56、根据适应度值找到当前最优的解，得到最优蜜源向量；

假设在D维空间中，种群规模为2*N,雇佣蜂个数＝观察蜂个数＝N，蜜源个数也为N，第i个蜜源的位置记为S_i＝[s₁,s₂,…,s_n]；每个蜜源的位置代表优化问题的一个候选解；

S57、到达终止条件后，不断调整神经网络的权值，否则返回步骤S54；

其中所述的步骤S6包含，得到神经网络最优权值和阈值，对训练样本重新学习，建立测距误差模型；

所述的S6具体包括如下步骤：

得到神经网络的最优权值和阈值具体过程为：

S61、设计反向传播算法：选择平方误差函数作为神经网络训练的损失函数，在损失函数中增加权值和阈值的平方和，训练过程将会偏向较小的权值和阈值，使网络输出更加平滑。

S62、对训练样本重新学习，使用反向传播算法对神经网络模型进行训练。

得到神经网络的最优权值和阈值具体过程为：首先通过输出值与实际值比较，利用均方误差公式计算损失值，这里的损失值即代表输出值与实际值的误差，计算这个误差的公式为损失函数。然后将这个损失值通过隐藏层向输入层反向传播。

利用梯度下降算法，即对每个单元的权值求偏导，得到权值的更新值，整个算法通过正向传播计算误差，反向传播更新阈值，不断迭代，最后将损失值降低到一定阈值或者经过一定的迭代次数后停止训练。

所述多层神经网络模型是一种机器学习算法，是一种模仿生物神经网络的结构和功能的计算模型。它是将一组训练集送入网络，根据网络的实际输出与期望输出间的差别来调整权值；

误差模型为实际位置坐标与估计的位置坐标之间的误差。

d＝d’+ΔE； (14)

(14)式中d为实际位置，d’为估计位置，ΔE为误差。

其中所述的步骤S7包含根据测距误差模型得出其他任何未知节点与估计位置误差最小的位置坐标；首先利用三角定位估计出大致位置，代入上述误差模型得到实际位置；

表1各种定位方法对比表

定位算法	BP神经网络	SLMP算法	本发明
				准确率	准确率一般	准确率良好	准确率高
遗漏率	稍高	一般	低
				误报率	稍高	一般	低

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 (8)

1.一种水下无线传感器节点定位方法，其特征在于，包括以下步骤：

S1，利用卡尔曼滤波原理对锚节点位置进行移动预测；

S2，根据已知的锚节点位置利用三角定位法估计出未知节点的坐标；

S3，搜集水下环境中其他网络节点估计位置与实际位置的数据包，作为神经网络的训练数据；

S4，设计多层神经网络模型，为隐藏层和输出层神经元设置相应的激活函数；

S5，使用人工蜂群算法对神经网络模型进行预训练，输出最优蜜源位置向量；

S6，得到神经网络最优权值和阈值，对训练样本重新学习，建立测距误差模型；

S7，根据测距误差模型得出与估计位置误差最小的位置坐标。

2.如权利要求1所述的水下无线传感器节点定位方法，其特征在于，所述的步骤S1具体为：

通过系统输入输出观测数据，对系统状态进行最优估计的算法，能够利用前一时刻的状态来得到下一个状态时刻下的状态的最优估计如式(1)所示方程组；

式(1)中：A为状态转移矩阵；B为观测矩阵；Γ为噪声驱动矩阵；Q和R分别表示为过程噪声和测量噪声的协方差矩阵；V(t+1|t)表示利用t时刻信息对t+1时刻速度的状态估计；P(t+1|t)表示从t时刻到t+1时刻的单步预测协方差矩阵；K(t+1)为卡尔曼滤波增益；V(t+1|t+1)是锚节点速度的最优状态估计；P(t+1|t+1)表示更新后的协方差矩阵；

在锚节点速度预测过程中，利用高阶AR模型来建立卡尔曼滤波算法的状态方程和观测方程，AR模型如式(2)所示：

式(2)中：a_m为预测模型系数，p为预测步长，t、m为随机变量，v(t)为节点速度；

锚节点的状态方程如式(3)所示：

其中w(t+1)为过程噪声；

锚节点速度的观测方程如式(4)所示：

式(4)中v(t+1)为测量噪声，其中v₂(t+1)＝v₁(t)，v₃(t+1)＝v₂(t)，...，v_p(t+1)＝v_p-1(t)；

将式(3)和式(4)代入式(1)中，可获得锚节点速度的最优估计，在得知速度的情况下，易得锚节点下一时刻的移动位置。

3.如权利要求1所述的水下无线传感器节点定位方法，其特征在于，所述的步骤S2具体为利用两台或者两台以上的探测器在不同位置探测目标方位，并运用三角几何原理确定目标的位置和距离。

4.如权利要求1所述的水下无线传感器节点定位方法，其特征在于，所述的步骤S4具体包括如下步骤：

S41、设置网络层的节点数，设置隐藏层和输出层神经元的数目；

S42、在神经网络输入层、隐藏层和输出层之间建立连接；

S43、为隐藏层和输出层神经元设置相应的激活函数Sigmoid，其函数表达式如式(5)所示：

式(5)中，x为随机变量；

输出层神经元的激活函数，设置为Sigmoid函数，所述函数用于分类，将多个神经元的输出限制到(0,1)内，其表达式如式(6)所示：

5.如权利要求1所述的水下无线传感器节点定位方法，其特征在于，所述的步骤S5包括：

S51、初始化参数，包括食物源数量、迭代次数、控制参数以及解的限定范围；

S52、初始化食物源位置：S_i＝[s_i1,s_i2,…,s_iD],i＝1,2,…,n,n表示食物源的数目，D表示维数，其确定方式如式(7)所示：

D＝M+N+K*M+M*N (7)

式(7)中：K、M、N分别为输入层、隐含层和输出层的节点数；

S53、按照S_i不同的位置，对神经网络的权值和阈值进行赋值，对训练样本进行学习，得到的目标函数如式(8)所示：

式(8)中：d_i和t_k分别为实际输出和期望输出，k为训练样本数；

S54、引领蜂在S_i周围产生新解V_i,并计算它们适应度值，根据贪婪原则确定保留S_i和V_i适应度值较优者；食物源优劣通过适应度函数进行估计，即可得式(9)：

式(9)中，f_i表示i个解的目标函数值；随机产生n个食物源的位置，如式(10)所示：

S_i＝S_min+rand(0,1)(S_max+S_min) (10)

式(10)中：S_max、S_min分别表示定义域的上边界和下边界，rand(0,1)为一个随机数；

引领蜂对食物源进行邻域搜索，如式(11)所示：

V_ij＝s_ij+r_ij(s_ij-s_kj) (11)

其中，i和k在{1，2,…N}中随机选择，j从{1，2,…,D}中随机选择，V_ij是第i个候选蜜源的第j维；s_ij是第i个食物源的第j维，s_kj是第k个食物源的第j维；r_ij为(-1,1)内随机数；

S55、根据选择概率P_i选择解，并在S_i周围产生新解V_i，采用同样方式保留最优解；经过有限次循环后，丢弃没有改善的解，此时引领蜂变为侦察蜂，产生一个新解V_i代替该解；

S56、根据适应度值找到当前最优的解，得到最优蜜源向量；

假设在D维空间中，种群规模为2*N,雇佣蜂个数＝观察蜂个数＝N，蜜源个数也为N，第i个蜜源的位置记为S_i＝[s₁,s₂,…,s_n]；每个蜜源的位置代表优化问题的一个候选解；

S57、到达终止条件后，不断调整神经网络的权值，否则返回步骤S54。

6.如权利要求1所述的水下无线传感器节点定位方法，其特征在于，所述得到神经网络的最优权值和阈值具体过程为：

S61、设计反向传播算法：选择平方误差函数作为神经网络训练的损失函数，在所述损失函数中增加权值和阈值的平方和，训练过程将会偏向较小的权值和阈值，使网络输出平滑。

S62、对训练样本重新学习，使用反向传播算法对神经网络模型进行训练。

7.如权利要求1所述的水下无线传感器节点定位方法，其特征在于，所述的测距误差模型为：

实际位置坐标与估计的位置坐标之间的误差，其计算如式(13)所示；

d＝d’+ΔE (13)

式(13)中，其中d为实际位置，d’为估计位置，ΔE为误差。

8.如权利要求1所述的水下无线传感器节点定位方法，其特征在于，所述的步骤S7包括：

S71、根据测距误差模型求出其他未知节点与估计位置误差最小的位置坐标；

S72、利用三角定位估计出大致位置，代入所述误差模型得到实际位置。