CN111314847B - 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 - Google Patents
基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 Download PDFInfo
- Publication number
- CN111314847B CN111314847B CN202010103565.8A CN202010103565A CN111314847B CN 111314847 B CN111314847 B CN 111314847B CN 202010103565 A CN202010103565 A CN 202010103565A CN 111314847 B CN111314847 B CN 111314847B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- subgraph
- wsn
- positioning
- 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.)
- Active
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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- 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
本发明公开了基于Barzilai‑Borwein梯度法的无线传感器网络分布式定位方法,其特征在于,包括如下步骤:1)定义网络;2)将WSN中节点定位问题归结为无约束的优化问题;3)重新构造无约束优化问题,进而给出子图中的无约束优化问题;4)采用极大似然估计法估计出未知位置节点的初始位置;5)采用分布式方法对优化问题进行迭代求解,获取最终定位。这种方法能解决大规模无线传感器网络中节点难以定位的问题,且定位精度高、计算复杂度低。
Description
技术领域
本发明涉及无线传感器网络技术领域,具体涉及一种基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法。
背景技术
无线传感器网络(Wireless Sensor Networks,简称WSN)是由大量微小的传感器构成的自组织网络。WSN中传感器节点可以检测监控区域中的物理信息并进行数据处理,将处理后的数据以无线通信的方式传送到基站。近年来,无线通信技术,纳米技术和微机电系统(Micro-Electro-Mechanical Systems,简称MEMS)技术得到了快速发展,这些技术降低了传感器的体积、功耗和成本,使传感器可以大规模部署。WSN有许多应用,如医学应用中的病人检测,环境应用中火山检测,家庭应用中用水检测等。
在上述广泛应用中,检测到的信息需要与传感器节点的位置结合起来,才能提供更有效的数据信息,因此,WSN中传感器节点的定位方法受到了广泛关注。例如可以在传感器中嵌入中国北斗卫星导航系统(BeiDou Navigation Satellite System,简称BDS)模块或全球定位系统(Global Positioning System,简称GPS)模块进行定位,但这些模块成本高,功耗大,无法适用于大规模的WSN,因此,选择少量的传感器节点嵌入BDS或GPS模块,这些节点称为锚节点或已知位置(Location-Aware,简称LA)节点,可以获得较精确的位置信息,其它传感器节点则称为未知位置(Location-Unaware,简称LU)节点,之后采用测距技术,如:接收信号强度(Received-Signal-Strength,简称RSS)等测得WSN中传感器节点之间的距离,最后使用定位方法估计出WSN中LU节点的位置。
目前,已有许多定位方法,从数据处理角度,可以将定位方法分为集中式定位方法和分布式定位方法。集中式定位方法将定位所需信息通过多跳的方式传递给存储、计算能力较强的中央处理器进行处理,赵海兵和蒋俊正提出了一种基于图模型的集中式定位方法,将定位问题归结为无约束的优化问题,之后采用修正牛顿法进行求解,得到了较好的定位精度和定位速率,但该方法需要对Hessian矩阵求逆,导致计算复杂度较高;而分布式定位方法使用传感器节点自带的处理器,对收集到的局部信息进行处理,分布式定位方法有效降低了通信代价和计算复杂度,具备良好的扩展性,可用于大规模WSN,但缺点是利用的信息较少,定位精度会降低。Srirangarajan S,Tewfik A H,和Luo Z Q将非凸的定位问题松弛为凸的二阶锥规划(Second-Order Cone Programming,简称SOCP)问题,利用LU节点及其邻居信息,设计分布式SOCP定位方法进行求解,该方法可用于大规模WSN中,但定位精度较低;Soares C,Xavier J,和Gomes J提出了一种分布式定位方法,在每个LU节点上,将非凸的定位问题松弛为凸的定位问题,并使用梯度法进行求解,在通信半径较小的情况下也有较好的定位效果,降低了通信代价,但该方法部署的LU节点需要在LA节点形成的凸包中,才能有好的定位效果;Sanyal R,Jaiswal M,and Chaudhury K N.将WSN划分为子图,每个子图需要满足文中提出的刚性条件,使用多维标度方法对每个子图进行定位,然后将局部坐标映射到全局坐标系统,该方法所需的LA节点数目较少,且划分的子图数目较少,定位精度较高,但该方法当通信半径较小,子图无法满足刚性条件时,无法定位。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法。这种方法能解决大规模无线传感器网络中节点难以定位的问题,且定位精度高、计算复杂度低。
实现本发明目的的技术方案是:
基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法,包括如下步骤:
1)在需要检测的区域内随机部署N个传感器节点,构成无线传感器网络,对其中m个节点添加BDS或GPS模块作为已知位置节点,剩余的n个节点作为未知位置节点,即待定位节点;
2)假定无线传感器网络中部署的所有传感器节点为一个集合,如果传感器节点之间可以直接相互通信,则可看作有一条边连接,从而可将整个无线传感器网络看做为一个全局的无向图,并将传感器节点的定位问题归结为无约束优化问题,即:在监控区域维空间中部署大量的传感器节点,这些节点构成WSN,WSN中共有N个节点,其中有m个LA节点,n个LU节点,LA节点位置表示为aλ,λ=1,2,3,…,m;LU节点位置表示为xi,i=1,2,3,…,n,LU节点i与节点j之间的欧式距离表示为dij;LU节点i与LA节点λ之间的欧式距离表示为diλ,假设传感器节点的最大通信半径为R,则对于每个LU节点i定义两个集合:和其中表示在通信半径R内,可以直接和节点i通信的LU节点邻居集合;表示在通信半径R内,可以直接和节点i通信的LA节点邻居集合,利用这些信息可将WSN中节点定位问题可以归结为一个无约束的优化问题:
其中,ωij和ωiλ是权重,因为dij和diλ是带噪声的测距,因此给可信度较高的测距设置较大的权重;反之,给可信度较低的测距设置较小的权重;
3)设与未知位置节点直接相连的节点为邻居节点,以未知位置节点为中心,以未知位置节点的通信半径作圆,将圆内所有节点和节点之间的边记为一个子图,从而将无线传感器网络构成的全局无向图分解为n个部分重叠的子图,然后对步骤2)中归结出的无约束优化问题进行重新构造,进而给出子图中的无约束优化问题:WSN可由无向图来描述,其中,表示WSN中LU节点集合,表示WSN中LA节点集合, 表示节点之间边的集合,其中,eiλ表示LU节点i与LA节点λ之间可以直接通信,eij表示LU节点i和LU节点j之间可以直接通信,传感器节点只能与通信半径R内的节点直接通信,采用以LU节点为中心将WSN划分为部分重叠的子图:
其中,dij和diλ分别为子图Gs中,采用测距方式获得的LU节点之间,以及LU节点与LA节点之间的距离,测得的距离并非节点之间的真实距离,而是带噪声测距,噪声模型如公式(5)、公式(6)所示,而且LA节点即使加上GPS模块,由于受到电离层误差、对流层误差、接收机钟差等多种误差的影响,得到的LA位置也是有噪声的,噪声模型如公式(7)所示,
dij=||x-xj||2·|1+τ1εij| (5),
dλ=||xi-αλ||2·|1+τ1εiλ| (6),
其中,τ1∈[0,1]是距离噪声因子,用于控制测距之间的噪声强度;是LA节点的真实位置;τ2∈[0,1]是LA节点位置噪声因子,用于控制LA节点位置的噪声强度;εij、εiλ和ελ是随机噪声,是一个正态随机变量N(0,1),
公式(4)中ωi和ωiλ是子图Gs中根据节点之间距离的反比取的归一化权重,两个节点之间相距越近,测得的距离可信度越高,应该赋予较高的权重,反之,应该赋予较低的权重,权重分别为:
将WSN构成的全局无向图分解为部分重叠的子图后,根据公式(4),可以将定位问题分解为一系列子图Gs内的定位问题,采用分布式方法进行求解,子图Gs内的定位问题如公式(10)所示:
其中,为子图Gs中LU节点的集合;为子图Gs中节点之间边的集合;dij为子图Gs中LU节点i和j之间的带噪声测距;diλ为子图Gs中LU节点i和LA节点λ之间的带噪声测距,使用表示子图Gs中LU节点数目;表示子图Gs中LA节点数目;xi=[xi1,xi2]表示LU节点xi的坐标;aλ=[aλ1,aλ2]表示LA节点aλ的坐标;表示子图Gs中所有LU节点坐标构成的列向量;表示子图Gs中所有LA节点坐标构成的列向量;表示2n1×2n1的单位矩阵;表示2n2×2n2的单位矩阵;ei1和ei2分别表示的第2i-1列和第2i列;eλ1和eλ2分别表示的第2λ-1列和第2λ列,根据上述定义, 则传感器节点间的真实距离可写为:
其中,
A=(ei1-ej1)(ei1-ej1)T+(ei2-ej2)(ei2-ej2)T (13),
公式(10)可以写为:
4)采用极大似然估计法,估计出未知位置节点的初始位置p(t),将初始位置p(t)作为步骤3)中未知位置节点的初始值,其中,t表示迭代次数,令t=0:采用极大似然估计法获得LU节点的估计值,目的是为了得到更好的初始值,假设D点为LU节点,坐标为(x,y),在D点的通信半径R内有m个LA节点,坐标分别为(x1,y1),(x2,y2),(x3,y3),…,(xm,ym),采用测距法测得D点至m个LA节点的带噪声测距分别为d1,d2,d3,…,dm,则测得的距离与D点坐标和m个LA节点坐标之间有以下关系:
将前m-1个方程与第m分方程相减,得到以下方程组:
公式(21)可写为矩阵形式:
AX=b (22),
其中,
最小二乘解即为LU节点D的估计值:
在实际情况中,传感器节点随机部署,难以保证每个LU节点都有3个或3个以上的LA邻居,采用以下规则估计LU节点的初始位置:
1-4)当LU节点有3个或3个以上的LA邻居时,使用最大似然估计法计算LU节点的初始位置;
2-4)当LU节点有1-2个LA邻居时,将距离LU节点最近的LA节点的位置作为其初始位置;
3-4)当LU节点没有LA邻居时,将传感器节点分布区域的中心作为LU节点的初始位置;
5)采用分布式方法对步骤3)中归结出的优化问题公式(4)进行迭代求解,过程为:
1-5)采用Barzilai-Borwein梯度法对步骤3)中归结出的子图G中的优化问题即公式(10)进行求解,将WSN划分为部分重叠的子图后,子图中定位问题公式(10)规模远小于原定位问题公式(1)的规模,因此,可以用简单的梯度法进行优化求解,梯度法计算步长公式如下:
如果k=0,则通过回溯直线搜索法确定步长α0,设置参数μ=0.2,β=0.5,α0=1,若下式成立,则令α0=βα0,循环直到下式不成立:
综上所述,子图中使用Barzilai-Borwein梯度法进行优化求解的步骤如下:
1-1-5)使用极大似然估计法,粗略获得LU节点的初始值,提取子图G中LU节点的位置xk,作为初始值,设k=0,表示第k次迭代;
3-1-5)计算步长:如果k=0,通过回溯直线搜索法确定步长α0;否则通过公式(27)计算步长αk;
4-1-5)更新子图Gs中LU节点位置:xk+1=xk+αkqk;
2-5)采用子图融合的方法,对部分重叠的子图进行融合,得到第t+1次迭代的未知位置节点的估计位置p(t+1),具体为:同一个LU节点会位于不同的子图中,因此,对每个子图优化求解后,对于相同的LU节点会有不同的估计值,对子图进行融合,进而得到每个LU节点的估计值,子图融合可以提高整体WSN的定位精度,子图融合公式如下:
3-5)迭代终止:若δ是正数,δ取1e-2,则p(t+1)为最终估计出的未知位置节点的位置,否则,将p(t+1)作为新的初始值,并令t=t+1,返回至步骤1-5)继续迭代,其中,i=1,2,3,…,n表示无线传感器网络中未知位置节点的标号;表示未知位置节点i在第t+1次迭代的估计值,p(t)表示未知位置节点i在第t次迭代的估计值。这种方法能解决大规模无线传感器网络中节点难以定位的问题,且定位精度高、计算复杂度低。
附图说明
图1为实施例中节点分布示意图;
图2为实施例中子图划分示意图;
图3为实施例中极大似然估计法示意图;
图4为实施例中本例方法和现有方法1、现有方法2、现有方法3在不同锚节点比例下的定位整体性能对比示意图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步的阐述,但不是对本发明的限定。
实施例:
基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法,包括如下步骤:
1)在需要检测的区域内随机部署N个传感器节点,构成无线传感器网络,对其中m个节点添加BDS或GPS模块作为已知位置节点,剩余的n个节点作为未知位置节点,即待定位节点,如图1所示,传感器节点分布在[-0.5,0.5]2单位区域内,其中圆圈表示LU节点,实心菱形表示LA节点;
2)假定无线传感器网络中部署的所有传感器节点为一个集合,如果传感器节点之间可以直接相互通信,则可看作有一条边连接,从而可将整个无线传感器网络看做为一个全局的无向图,并将传感器节点的定位问题归结为无约束优化问题,即:在监控区域维空间中部署大量的传感器节点,这些节点构成WSN,WSN中共有N个节点,其中有m个LA节点,n个LU节点,LA节点位置表示为aλ,λ=1,2,3,…,m;LU节点位置表示为xi,i=1,2,3,…,n,LU节点i与节点j之间的欧式距离表示为di;LU节点i与LA节点λ之间的欧式距离表示为diλ,假设传感器节点的最大通信半径为R,则对于每个LU节点i定义两个集合:和其中表示在通信半径R内,可以直接和节点i通信的LU节点邻居集合;表示在通信半径R内,可以直接和节点i通信的LA节点邻居集合,利用这些信息可将WSN中节点定位问题可以归结为一个无约束的优化问题:
其中,ωij和ωiλ是权重,因为dij和diλ是带噪声的测距,因此给可信度较高的测距设置较大的权重;反之,给可信度较低的测距设置较小的权重;
3)设与未知位置节点直接相连的节点为邻居节点,以未知位置节点为中心,以未知位置节点的通信半径作圆,将圆内所有节点和节点之间的边记为一个子图,从而将无线传感器网络构成的全局无向图分解为n个部分重叠的子图,然后对步骤2)中归结出的无约束优化问题进行重新构造,进而给出子图中的无约束优化问题:WSN可由无向图来描述,其中,表示WSN中LU节点集合,表示WSN中LA节点集合, 表示节点之间边的集合,其中,eiλ表示LU节点i与LA节点λ之间可以直接通信,eij表示LU节点i和LU节点j之间可以直接通信,传感器节点只能与通信半径R内的节点直接通信,采用以LU节点为中心将WSN划分为部分重叠的子图:
其中, 表示子图Gs中LU节点的集合,表示子图Gs中LA节点集合,表示集合中节点之间边的集合,如图2所示,传感器节点分布在[-0.5,0.5]2单位区域内,其中圆圈表示LU节点,实心菱形表示LA节点,通信半径R=0.3,虚线圆表示以LU节点为圆心,R为半径,划分出的部分重叠的子图,然后,将定位问题公式(1)重新构造为:
其中,dij和diλ分别为子图Gs中,采用测距方式获得的LU节点之间,以及LU节点与LA节点之间的距离,测得的距离并非节点之间的真实距离,而是带噪声测距,噪声模型如公式(5)、公式(6)所示,而且LA节点即使加上GPS模块,由于受到电离层误差、对流层误差、接收机钟差等多种误差的影响,得到的LA位置也是有噪声的,噪声模型如公式(7)所示,
dij=||xi-xj||2·|1+τ1εij| (5),
diλ=||xi-aλ||2·|1+τ1εiλ| (6),
其中,τ1∈[0,1]是距离噪声因子,用于控制测距之间的噪声强度;是LA节点的真实位置;τ2∈[0,1]是LA节点位置噪声因子,用于控制LA节点位置的噪声强度;εij、εiλ和ελ是随机噪声,是一个正态随机变量N(0,1),
公式(4)中ωij和ωiλ是子图Gs中根据节点之间距离的反比取的归一化权重,两个节点之间相距越近,测得的距离可信度越高,应该赋予较高的权重,反之,应该赋予较低的权重,权重分别为:
将WSN构成的全局无向图分解为部分重叠的子图后,根据公式(4),可以将定位问题分解为一系列子图Gs内的定位问题,采用分布式方法进行求解,子图Gs内的定位问题如公式(10)所示:
其中,为子图Gs中LU节点的集合;为子图Ga中节点之间边的集合;dij为子图Gs中LU节点i和j之间的带噪声测距;diλ为子图Gs中LU节点i和LA节点λ之间的带噪声测距,使用表示子图Gs中LU节点数目;s表示子图Gs中LA节点数目;xi=[xi1,xi2]表示LU节点xi的坐标;aλ=[aλ1,aλ2]表示LA节点aλ的坐标;表示子图Gs中所有LU节点坐标构成的列向量;表示子图Gs中所有LA节点坐标构成的列向量;表示2n1×2n1的单位矩阵;表示2n2×2n2的单位矩阵;ei1和ei2分别表示的第2i-1列和第2i列;eλ1和eλ2分别表示的第2λ-1列和第2λ列,根据上述定义, 则传感器节点间的真实距离可写为:
其中,
A=(ei1-ej1)(ei1-ej1)T+(ei2-ej2)(ei2-ej2)T (13),
公式(10)可以写为:
4)采用极大似然估计法,估计出未知位置节点的初始位置p(t),将初始位置p(t)作为步骤3)中未知位置节点的初始值,其中,t表示迭代次数,令t=0:采用极大似然估计法获得LU节点的估计值,目的是为了得到更好的初始值,其定位原理如图3所示,假设D点为LU节点,坐标为(x,y),在D点的通信半径R内有m个LA节点,坐标分别为(x1,y1),(x2,y2),(x3,y3),…,(xm,ym),采用测距法测得D点至m个LA节点的带噪声测距分别为d1,d2,d3,…,dm,则测得的距离与D点坐标和m个LA节点坐标之间有以下关系:
将前m-1个方程与第m分方程相减,得到以下方程组:
公式(21)可写为矩阵形式:
AX=b (22),
其中,
最小二乘解即为LU节点D的估计值:
在实际情况中,传感器节点随机部署,难以保证每个LU节点都有3个或3个以上的LA邻居,采用以下规则估计LU节点的初始位置:
1-4)当LU节点有3个或3个以上的LA邻居时,使用最大似然估计法计算LU节点的初始位置;
2-4)当LU节点有1-2个LA邻居时,将距离LU节点最近的LA节点的位置作为其初始位置;
3-4)当LU节点没有LA邻居时,将传感器节点分布区域的中心作为LU节点的初始位置;
5)采用分布式方法对步骤3)中归结出的优化问题公式(4)进行迭代求解,过程为:
1-5)采用Barzilai-Borwein梯度法对步骤3)中归结出的子图G中的优化问题即公式(10)进行求解,将WSN划分为部分重叠的子图后,子图中定位问题公式(10)规模远小于原定位问题公式(1)的规模,因此,可以用简单的梯度法进行优化求解,梯度法计算步长公式如下:
如果k=0,则通过回溯直线搜索法确定步长α0,设置参数μ=0.2,β=0.5,α0=1,若下式成立,则令α0=βα0,循环直到下式不成立:
综上所述,子图中使用Barzilai-Borwein梯度法进行优化求解的步骤如下:
1-1-5)使用极大似然估计法,粗略获得LU节点的初始值,提取子图G中LU节点的位置xk,作为初始值,设k=0,表示第k次迭代;
3-1-5)计算步长:如果k=0,通过回溯直线搜索法确定步长α0;否则通过公式(27)计算步长αk;
4-1-5)更新子图GS中LU节点位置:xk+1=xk+αkqk;
2-5)采用子图融合的方法,对部分重叠的子图进行融合,得到第t+1次迭代的未知位置节点的估计位置p(t+1),具体为:同一个LU节点会位于不同的子图中因此,对每个子图优化求解后,对于相同的LU节点会有不同的估计值,对子图进行融合,进而得到每个LU节点的估计值,子图融合可以提高整体WSN的定位精度,子图融合公式如下:
3-5)迭代终止条件:若δ是正数,本例为1e-2,则p(t+1)为最终估计出的未知位置节点的位置,否则,将p(t+1)作为新的初始值,并令t=t+1,返回至步骤1-5)继续迭代,其中,i=1,2,3,…,n表示无线传感器网络中未知位置节点的标号;表示未知位置节点i在第t+1次迭代的估计值,p(t)表示未知位置节点i在第t次迭代的估计值。
仿真验证例1:
在相同的仿真环境下,本次仿真将改变LA节点数目在网络中占总结点数目的比例进行仿真,并与现有方法进行对比,如图4所示,其中,现有方法1为蒋俊正和赵海兵提出的集中式定位方法;现有方法2为Srirangarajan S,Tewfik A H,和Luo Z Q提出的一种分布式定位方法;现有方法3为Soares C,Xavier J,和Gomes J提出的另一种分布式定位方法,可以看出,随着LA数目所占比例的增加,采用本例方法的定位精度会得到提高,这是因为LA数目的增加,能够提供更多的已知位置的信息,使得LU节点有更好的初始位置和更多更准确的邻居信息,从而提高了定位精度,本例方法与现有方法1相比,在相同的LA数目下,有近似的定位精度;与现有方法2和现有方法3相比,在相同的LA数目下,本例方法的平均定位误差更小,定位精度更高,这意味着,在大规模WSN中,本例方法可以利用较少的LA节点数目,达到较好的定位效果,从而降低WSN的部署成本。
仿真验证例2:
在相同的仿真环境下,本次仿真改变各个参数,并与现有方法进行对比,表1展示了本例方法与现有方法1、现有方法2和现有方法3的对比结果,其中,“*”表示内存溢出,无法定位,可以看出,在相同规模的WSN中,对LA节点位置添加噪声后,各方法的定位精度均会下降;在小规模WSN(N<500)中,本例方法与现有方法1提出的集中式定位方法相比,有接近的定位精度,但在大规模WSN(N≥500)中,集中式定位方法便无法定位,而本例方法仍有较好的定位精度,而且与现有方法2和现有方法3提出的分布式定位方法相比,在相同的仿真参数下,始终有更好的定位精度,综上所述,本例分布式定位方法有良好的扩展性,可有效用于大规模的WSN中,并且有较高的定位精度。
表1本例方法与现有方法在不同参数下仿真结果对比
Claims (1)
1.基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法,其特征在于,包括如下步骤:
1)在需要检测的区域内随机部署N个传感器节点,构成无线传感器网络,对其中m个节点添加BDS或GPS模块作为已知位置节点,剩余的n个节点作为未知位置节点,即待定位节点;
2)假定无线传感器网络中部署的所有传感器节点为一个集合,如果传感器节点之间可以直接相互通信,则可看作有一条边连接,从而可将整个无线传感器网络看做为一个全局的无向图,并将传感器节点的定位问题归结为无约束优化问题,即:在监控区域维空间中部署传感器节点,这些节点构成WSN,WSN中共有N个节点,其中有m个LA节点,n个LU节点,LA节点位置表示为aλ,λ=1,2,3,…,m;LU节点位置表示为xi,i=1,2,3,…,n,LU节点i与节点j之间的欧式距离表示为dij;LU节点i与LA节点λ之间的欧式距离表示为diλ,假设传感器节点的最大通信半径为R,则对于每个LU节点i定义两个集合:和其中表示在通信半径R内,可以直接和节点i通信的LU节点邻居集合;表示在通信半径R内,可以直接和节点i通信的LA节点邻居集合,则将WSN中节点定位问题可以归结为一个无约束的优化问题:
其中,ωij和ωiλ是权重,dij和diλ是带噪声的测距;
3)设与未知位置节点直接相连的节点为邻居节点,以未知位置节点为中心,以未知位置节点的通信半径作圆,将圆内所有节点和节点之间的边记为一个子图,从而将无线传感器网络构成的全局无向图分解为n个部分重叠的子图,然后对步骤2)中归结出的无约束优化问题进行重新构造,进而给出子图中的无约束优化问题:WSN可由无向图来描述,其中, 表示WSN中LU节点集合,表示WSN中LA节点集合,表示节点之间边的集合,其中,eiλ表示LU节点i与LA节点λ之间可以直接通信,eij表示LU节点i和LU节点j之间可以直接通信,传感器节点只能与通信半径R内的节点直接通信,采用以LU节点为中心将WSN划分为部分重叠的子图:
其中,dij和diλ分别为子图Gs中,采用测距方式获得的LU节点之间,以及LU节点与LA节点之间的距离,测得的距离并非节点之间的真实距离,而是带噪声测距,噪声模型如公式(5)、公式(6)所示,LA节点即使加上GPS模块,得到的LA位置也是有噪声的,噪声模型如公式(7)所示,
dij=||xi-xj||2·|1+τ1εij| (5),
diλ=||xi-aλ||2·|1+τ1εiλ| (6),
其中,τ1∈[0,1]是距离噪声因子,用于控制测距之间的噪声强度;是LA节点的真实位置;τ2∈[0,1]是LA节点位置噪声因子,用于控制LA节点位置的噪声强度;εij、εiλ和ελ是随机噪声,是一个正态随机变量N(0,1),
公式(4)中ωij和ωiλ是子图Gs中根据节点之间距离的反比取的归一化权重,权重分别为:
将WSN构成的全局无向图分解为部分重叠的子图后,根据公式(4),可以将定位问题分解为一系列子图Gs内的定位问题,采用分布式方法进行求解,子图Gs内的定位问题如公式(10)所示:
其中,为子图Gs中LU节点的集合;为子图Gs中节点之间边的集合;dij为子图Gs中LU节点i和j之间的带噪声测距;diλ为子图Gs中LU节点i和LA节点λ之间的带噪声测距,使用表示子图Gs中LU节点数目;表示子图Gs中LA节点数目;xi=[xi1,xi2]表示LU节点xi的坐标;aλ=[aλ1,aλ2]表示LA节点aλ的坐标;表示子图Gs中所有LU节点坐标构成的列向量;表示子图Gs中所有LA节点坐标构成的列向量;表示2n1×2n1的单位矩阵;表示2n2×2n2的单位矩阵;ei1和ei2分别表示的第2i-1列和第2i列;eλ1和eλ2分别表示的第2λ-1列和第2λ列,根据上述定义, 则传感器节点间的真实距离可写为:
其中,
A=(ei1-ej1)(ei1-ej1)T+(ei2-ej2)(ei2-ej2)T (13),
公式(10)可以写为:
4)采用极大似然估计法,估计出未知位置节点的初始位置p(t),将初始位置p(t)作为步骤3)中未知位置节点的初始值,其中,t表示迭代次数,令t=0:假设D点为LU节点,坐标为(xy,在D点的通信半径R内有m个LA节点,坐标分别为(x1,y1),(x2,y2),(x3,y3),…,(xm,ym),采用测距法测得D点至m个LA节点的带噪声测距分别为d1,d2,d3,…,dm,则测得的距离与D点坐标和m个LA节点坐标之间有以下关系:
将前m-1个方程与第m分方程相减,得到以下方程组:
公式(21)可写为矩阵形式:
AX=b (22),
其中,
最小二乘解即为LU节点D的估计值:
采用以下规则估计LU节点的初始位置:
1-4)当LU节点有3个或3个以上的LA邻居时,使用最大似然估计法计算LU节点的初始位置;
2-4)当LU节点有1-2个LA邻居时,将距离LU节点最近的LA节点的位置作为其初始位置;
3-4)当LU节点没有LA邻居时,将传感器节点分布区域的中心作为LU节点的初始位置;
5)采用分布式方法对步骤3)中归结出的优化问题公式(4)进行迭代求解,过程为:
1-5)采用Barziiai-Borwein梯度法对步骤3)中归结出的子图Gs中的优化问题即公式(10)进行求解,梯度法计算步长公式如下:
如果k=0,则通过回溯直线搜索法确定步长α0,设置参数μ=0.2,β=0.5,α0=1,若下式成立,则令α0=βα0,循环直到下式不成立:
子图中使用Barzilai-Borwein梯度法进行优化求解的过程如下:
1-1-5)使用极大似然估计法,粗略获得LU节点的初始值,提取子图Gs中LU节点的位置xk,作为初始值,设k=0,表示第k次迭代;
3-1-5)计算步长:如果k=0,通过回溯直线搜索法确定步长α0;否则通过公式(27)计算步长αk;
4-1-5)更新子图Gs中LU节点位置:xk+1=xk+αkqk;
2-5)采用子图融合的方法,对部分重叠的子图进行融合,得到第t+1次迭代的未知位置节点的估计位置p(t+1),具体为:子图融合公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103565.8A CN111314847B (zh) | 2020-02-20 | 2020-02-20 | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103565.8A CN111314847B (zh) | 2020-02-20 | 2020-02-20 | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111314847A CN111314847A (zh) | 2020-06-19 |
CN111314847B true CN111314847B (zh) | 2021-02-12 |
Family
ID=71147679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103565.8A Active CN111314847B (zh) | 2020-02-20 | 2020-02-20 | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111314847B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112437397B (zh) * | 2020-11-11 | 2022-04-05 | 桂林电子科技大学 | 基于交替修正牛顿法的分布式传感器节点定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279966A (zh) * | 2013-06-02 | 2013-09-04 | 复旦大学 | 基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 |
CN104586363A (zh) * | 2015-01-14 | 2015-05-06 | 复旦大学 | 基于图像块稀疏系数的快速光声成像图像重建方法 |
CN108650706A (zh) * | 2018-05-09 | 2018-10-12 | 桂林电子科技大学 | 基于二阶泰勒近似的传感器节点定位方法 |
CN109547929A (zh) * | 2019-01-08 | 2019-03-29 | 桂林电子科技大学 | 基于共轭梯度法的分布式传感器节点定位方法 |
CN109561498A (zh) * | 2018-12-04 | 2019-04-02 | 桂林电子科技大学 | 基于改进牛顿法的传感器节点分布式定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10117051B2 (en) * | 2016-01-29 | 2018-10-30 | Clarkson University | Localization using wireless signals |
-
2020
- 2020-02-20 CN CN202010103565.8A patent/CN111314847B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279966A (zh) * | 2013-06-02 | 2013-09-04 | 复旦大学 | 基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 |
CN104586363A (zh) * | 2015-01-14 | 2015-05-06 | 复旦大学 | 基于图像块稀疏系数的快速光声成像图像重建方法 |
CN108650706A (zh) * | 2018-05-09 | 2018-10-12 | 桂林电子科技大学 | 基于二阶泰勒近似的传感器节点定位方法 |
CN109561498A (zh) * | 2018-12-04 | 2019-04-02 | 桂林电子科技大学 | 基于改进牛顿法的传感器节点分布式定位方法 |
CN109547929A (zh) * | 2019-01-08 | 2019-03-29 | 桂林电子科技大学 | 基于共轭梯度法的分布式传感器节点定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111314847A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108650706B (zh) | 基于二阶泰勒近似的传感器节点定位方法 | |
CN103379619A (zh) | 一种定位方法和系统 | |
CN107816986B (zh) | 一种星敏感器全天球快速星图识别方法 | |
CN106597363A (zh) | 一种室内wlan环境下的行人定位方法 | |
EP2815615B1 (fr) | Methode de cartographie de signatures wi-fi par collecte aveugle de mesures rss | |
CN104363654A (zh) | 基于Tunneling method的无线传感器网络三维节点定位方法 | |
CN102938075A (zh) | 最大风半径和台风眼尺寸建模的相关向量机方法 | |
CN109547929B (zh) | 基于共轭梯度法的分布式传感器节点定位方法 | |
CN107592671A (zh) | 一种网络化多智能体主动变拓扑的自主协同定位方法 | |
CN111314847B (zh) | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 | |
CN109931952A (zh) | 未知纬度条件下捷联惯导直接解析式粗对准方法 | |
CN113777557A (zh) | 基于冗余距离筛选的uwb室内定位方法及系统 | |
Zhao et al. | Real-time star identification using synthetic radial pattern and its hardware implementation | |
Yang et al. | Robust and efficient star identification algorithm based on 1-D convolutional neural network | |
CN107613502B (zh) | 一种传感器网络非规则区域节点定位方法及其装置 | |
Micheletti et al. | Improved indoor 3D localization using LoRa wireless communication | |
CN114660561A (zh) | Ais与雷达的航迹关联方法及装置 | |
CN112526508B (zh) | 双站雷达联合目标定位方法和系统 | |
CN106028450A (zh) | 室内定位方法及设备 | |
CN112437397B (zh) | 基于交替修正牛顿法的分布式传感器节点定位方法 | |
CN110191422B (zh) | 海洋水下传感器网络目标跟踪方法 | |
CN109561384B (zh) | 一种复合噪声条件下的无线传感器网络节点定位方法 | |
CN107228675A (zh) | 一种终端所处道路的确定方法、装置及系统 | |
Cho et al. | Robust calibration for localization in clustered wireless sensor networks | |
Tang et al. | Positioning algorithms by information fusion in wireless sensor networks |
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 |