CN112437397B - 基于交替修正牛顿法的分布式传感器节点定位方法 - Google Patents
基于交替修正牛顿法的分布式传感器节点定位方法 Download PDFInfo
- Publication number
- CN112437397B CN112437397B CN202011252621.0A CN202011252621A CN112437397B CN 112437397 B CN112437397 B CN 112437397B CN 202011252621 A CN202011252621 A CN 202011252621A CN 112437397 B CN112437397 B CN 112437397B
- Authority
- CN
- China
- Prior art keywords
- node
- sub
- nodes
- region
- equation
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于交替修正牛顿法的分布式传感器节点定位方法,其特征在于,包括如下步骤:1)定义网络;2)将WSN定位问题归结为无约束的优化问题;3)将WSN划分为部分重叠的子区域;4)重新构建子区域优化问题;5)估计LU节点的粗略估计值;6)采用分布式定位方法对子区域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WSN存在锚节点位置误差时难以定位的问题,且定位精度较高,扩展性好,适宜于大规模WSN。
Description
技术领域
本发明涉及无线传感器网络技术领域,具体是一种基于交替修正牛顿法的分布式传感器节点定位方法。
背景技术
无线传感器网络(Wireless Sensor Network,简称WSN)由大量的传感器构成,可以对指定环境进行实时监测,因WSN低成本、低功耗、体积小、多功能等优点,已经被广泛应用于商业、军事和农业等领域,在大多数应用中,为了提供更为有效的数据信息,检测到的信息需和传感器节点位置结合起来,因此,研究WSN中传感器节点定位技术就显得尤为重要。
在大规模WSN中,全球定位系统(Global Positioning System,简称GPS)是可以获取节点位置的导航系统。因考虑投入成本、能量消耗以及适用环境等诸多因素,为每个传感器配备GPS接收器是不切实际的方案,因此一般只有少量节点通过装载GPS模块获得自身位置,这一部分事先获得自身位置的传感器节点称为已知位置(Location-aware,简称LA)节点,又名锚节点,其他传感器节点称为未知位置(Location-unaware,简称LU)节点,传感器节点定位还需获得测距信息,测距信息可以通过到达时间差(Time-Difference-Of-Arrival,简称TDOA)、到达角(Angle-Of-Arrival,简称AOA)、接收信号强度(Received-Signal-Strength,简称RSS)获得,综上所述,WSN传感器节点定位问题可以归结为:LU节点根据LA节点、测距信息采用定位方法来估计自身位置。
在大多数定位方法中都假定LA节点位置准确,以便估计LU节点位置,但在许多情况下,可能无法准确知道LA节点位置,这种不确定性反过来会影响估计传感器位置的质量,水下WSN定位问题就是一个显著例子。在水下WSN中,存在三种类型的节点:浮标(兼备观测和测量功能的信息设备)、锚节点和未知节点,则未知节点可以通过锚节点和浮标位置采用合作定位方法估计自身位置,但射频波在水下被严重衰减,导致锚节点位置易出错和测距误差增大,进而导致定位效果较差。因此,在实际应用中,考虑锚节点位置是一项很有意义的工作。
已有众多定位方法中,基于计算方式不同,可以划分为两类:集中式方法和分布式方法。集中式方法需要获取所有范围内的节点之间连接信息,然后将信息传输到融合中心进行位置估计。例如,K.W.K.Lui将定位问题归结为集中式的优化问题,采用半正定规划(Semi-Definite-Programming,简称SDP)松弛方法,引入一个正则项,可降低优化变量个数,采用梯度下降法细化LU节点位置,从而提高定位精度,但是,集中式方法随着WSN规模增大,通信代价也会变大,带宽会消耗过快,导致整个WSN寿命缩短,无法在大规模网络使用;与集中式方法运算方式相比,分布式方法将处理器分布到每个节点上,对局部信息进行处理,更高效节能,易扩展到大规模网络。例如,Soares C通过采用松弛非凸的最大似然估计条件,提出一种简单凸松弛方法(Simple-Convex-relaxation,简称SC relaxation)且使用梯度法实现每个节点收敛,从而降低通信量,但此方法要求LU节点在LA节点凸包之内才能保证良好定位效果。Srirangarajan S使用二阶锥规划(Second-Order Cone Programming,简称SOCP)松弛技术将定位问题转化为凸优化问题,设计出一种分布式方法,可适用于大规模网络,但对于网络边界节点不能够很好定位,且需要更多LA节点信息;S.Zhou将WSN定位问题考虑成箱型约束下的欧式距离优化问题(Box-Constraints-Euclidean-Distance-Matrix,简称BCEDM),提出了一种快速矩阵投影方法,提高定位速度,但是对于网络边界节点定位效果较差。综上所提定位方法都具有很强适用性,易推广到处理锚节点位置这一优化问题。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于交替修正牛顿法的分布式传感器节点定位方法。这种方法能解决大规模WSN存在锚节点位置误差时难以定位的问题,且定位精度高、扩展性好,适宜于大规模WSN。
实现本发明目的的技术方案是:
基于交替修正牛顿法的分布式传感器节点定位方法,包括步骤如下:
1)定义网络: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)将WSN定位问题归结为无约束的优化问题:在特定区域部署传感器节点,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,LU节点位置表示为x1,x2,…xn,LU节点在i点坐标表示为xi=[xi,yi]T,准确位置的LA节点表示为a1,a2,...am,LA节点在k点坐标表示为ak=[xk,yk]T,用dij表示LU节点i和节点j之间带噪距离,dij=dji,dik表示LU节点i和LA节点k之间带噪距离,wij和wik是根据带噪距离的反比取得的归一化权重,表示LU节点之间可测得距离的节点集合,表示LU节点和LA节点之间可测得距离的节点集合,利用这些信息可以将WSN定位问题归结为一个无约束优化问题如公式(1)所示:
3)将WSN划分为部分重叠的子区域:在区域内随机部署传感器节点,由于受到功率限制,只有在通信半径R范围内的传感器节点之间才可以正常通信,正常通信的传感器节点之间能获取距离信息,根据距离信息,将WSN表示为一个无向图,即其中表示传感器节点的集合,ε表示节点之间边的集合,将WSN表示的无向图以LU为中心划分为多个部分重叠的子图,每一个子图就是一个子区域,得到多个部分重叠的子区域,即有:
4)重新构建子区域优化问题:将WSN划分成多个部分重叠的子区域后,把目标函数构建成多个子区域内的优化问题,因此,将如公式(1)所示无约束优化问题重新构建为子区域无约束优化问题如公式(3)所示:
其中,s=1,2,…n表示第s个子区域,表示第s个子区域内的第i个LU节点坐标, 表示第s个子区域的第j个LU节点坐标, 表示第s个子区域的第k个LA节点坐标, 和表示子区域内节点之间带噪声的测距,测距噪声模型如公式(4)和公式(5)所示,LA节点噪声模型如公式(6)所示:
把子区域内所有的LU节点和LA节点的坐标分别组成列向量xs和ps,表示为:令ei1、ei2、ej1、ej2分别表示单位矩阵I2l的第2i-1列、第2i列、第2j-1列、第2j列,ek1、ek2分别表示I2h单位矩阵的第2k-1列和2k列,则可表示为:同理,和分别表示为: 则可将公式(3)的节点之间距离表示为:
其中,
A=(ei1-ej1)(ei1-ej1)T+(ei2-ej2)(ei2-ej2)T (11),
则公式(3)可以表示为公式(16):
公式(16)为无约束的优化问题,可用交替修正牛顿法进行求解;
5)估计LU节点的粗略估计值:采用三边定位法估计LU节点的粗略估计值,三边定位法为:假设待测LU节点A,坐标为(x,y),有B、C、D分别是三个不共线的LA节点,坐标分别为(x1,y1)、(x2,y2)、(x3,y3),B、C、D点到A点之间距离分别为r1、r2、r3,r1、r2、r3值小于通信半径R,分别以B、C、D为圆心,r1、r2、r3为半径,画3个相交的圆,这些圆相交的点就是LU节点位置,对应的方程组如公式(17)所示:
求解公式(17)得到LU节点的坐标如公式(18)所示:
在实际情况中,传感器节点难以保证每个LU节点都有3个或者3个以上的LA邻居,采用以下规则估计LU节点的初始位置:
5-1)当LU节点有3个或3个以上的LA邻居时,采用三边定位法计算LU节点的初始位置;
5-2)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;
5-3)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;
子区域中采用交替牛顿法优化求解的过程如下:
6-1)将n个LU节点,m个LA节点随机部署在[-0.5,0.5]2的单位正方形区域内,通信半径设为R,把WSN以LU节点为中心划分n个部分重叠子区域,n个子区域分别可以进行分布式运算,令t=0,终止条件β=1e-2;
6-2)对于子区域问题如公式(16)所示,采用三边定位方法获得LU节点粗略估计值x(t),作为基于单位步长的修正牛顿法的初始值;
6-3)采用子区域修正牛顿方法,得到多个子区域的LU节点估计值,子区域中采用修正牛顿法优化求解LU节点的过程如下:
6-3-3):设置判断终止条件,当或迭代次数t>100,迭代终止,则是子区域的LU节点估计值,否则,令j=j+1,返回步骤6-3-1),对LU节点初步估计值进行融合求平均,得到最后的LU节点估计值LU节点融合求平均如公式(25)所示:
6-4-3):步长设为单位步长,沿着搜索方向更新子区域的LA节点位置,ps,i+1=ps,i+ds,i;
6-4-4):当(η是一个很小的数,为η=1e-9),迭代终止,输出ps,i+1,否则,置i=i+1,转到步骤6-4-2),并对部分重叠的LA节点融合求平均,得到更为精准的LA节点位置LA节点融合求平均的公式如公式(26):
这种方法能解决大规模无线传感器网络中存在锚节点位置误差难以实现高精度定位的问题,且计算复杂度低。
附图说明
图1为实施例中部分重叠的子区域示意图;
图2为实施例方法和现有方法1、现有方法2、现有办法3在不同锚节点比例下的定位整体性能对比示意图;
图3为实施例方法和现有方法1、现有方法2、现有办法3在不同通信半径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:
基于交替修正牛顿法的分布式传感器节点定位方法,包括步骤如下:
1)定义网络:在需要检测的区域内随机部署N个传感器节点,本例在需要检测的区域[-0.5,0.5]2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)将WSN定位问题归结为无约束的优化问题:在特定区域部署传感器节点,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,LU节点位置表示为x1,x2,…xn,LU节点在i点坐标表示为xi=[xi,yi]T,准确位置的LA节点表示为a1,a2,...am,LA节点在k点坐标表示为ak=[xk,yk]T,用dij表示LU节点i和节点j之间带噪距离,dij=dji,dik表示LU节点i和LA节点k之间带噪距离,wij和wik是根据带噪距离的反比取得的归一化权重,表示LU节点之间可测得距离的节点集合,表示LU节点和LA节点之间可测得距离的节点集合,利用这些信息可以将WSN定位问题归结为一个无约束优化问题如公式(1)所示:
3)将WSN划分为部分重叠的子区域:在区域内随机部署传感器节点,由于受到功率限制,只有在通信半径R范围内的传感器节点之间才可以正常通信,正常通信的传感器节点之间能获取距离信息,根据距离信息,将WSN表示为一个无向图,即其中表示传感器节点的集合,ε表示节点之间边的集合,将WSN表示的无向图以LU为中心划分为多个部分重叠的子图,每一个子图就是一个子区域,得到多个部分重叠的子区域,如图1所示,其中,菱形代表LA节点,圆圈代表LU节点,即有:
4)重新构建子区域优化问题:将WSN划分成多个部分重叠的子区域后,把目标函数构建成多个子区域内的优化问题,因此,将如公式(1)所示无约束优化问题重新构建为子区域无约束优化问题如公式(3)所示:
其中,s=1,2,…n表示第s个子区域,表示第s个子区域内的第i个LU节点坐标, 表示第s个子区域的第j个LU节点坐标, 表示第s个子区域的第k个LA节点坐标, 和表示子区域内节点之间带噪声的测距,测距噪声模型如公式(4)和公式(5)所示,LA节点噪声模型如公式(6)所示:
把子区域内所有的LU节点和LA节点的坐标分别组成列向量xs和ps,表示为:令ei1、ei2、ej1、ej2分别表示单位矩阵I2l的第2i-1列、第2i列、第2j-1列、第2j列,ek1、ek2分别表示I2h单位矩阵的第2k-1列和2k列,则可表示为:同理,和分别表示为: 则可将公式(3)的节点之间距离表示为:
其中,
A=(ei1-ej1)(ei1-ej1)T+(ei2-ej2)(ei2-ej2)T (11),
则公式(3)可以表示为公式(16):
公式(16)为无约束的优化问题,可用交替修正牛顿法进行求解;
5)估计LU节点的粗略估计值:采用三边定位法估计LU节点的粗略估计值,三边定位法为:假设待测LU节点A,坐标为(x,y),有B、C、D分别是三个不共线的LA节点,坐标分别为(x1,y1)、(x2,y2)、(x3,y3),B、C、D点到A点之间距离分别为r1、r2、r3,r1、r2、r3值小于通信半径R,分别以B、C、D为圆心,r1、r2、r3为半径,画3个相交的圆,这些圆相交的点就是LU节点位置,对应的方程组如公式(17)所示:
求解公式(17)得到LU节点的坐标如公式(18)所示:
在实际情况中,传感器节点难以保证每个LU节点都有3个或者3个以上的LA邻居,采用以下规则估计LU节点的初始位置:
5-1)当LU节点有3个或3个以上的LA邻居时,采用三边定位法计算LU节点的初始位置;
5-2)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;
5-3)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;
6)采用分布式方法对子区域优化问题求解:对于全局优化问题如公式(1)所示,首先将WSN划分为多个子区域,建立可以独立求解的多个子区域优化问题如公式(16)所示,但公式(16)所示中优化求解LU节点的优化问题是非凸优化问题,需要一个初始值以便沿着目标函数下降的方向进行搜索,因三边定位算法易于维护和实现,所以采用三边定位法获取LU节点粗略的初始值,然后采用交替修正牛顿法进行下一步的迭代运算,本例采用交替修正牛顿法对步骤5)三边定位方法得到的LU节点初始值进行迭代,在迭代优化LU节点之前,进行一阶求导和二阶求导,得和
子区域中采用交替牛顿法优化求解的过程如下:
6-1)将n个LU节点,m个LA节点随机部署在[-0.5,0.5]2的单位正方形区域内,通信半径设为R,把WSN以LU节点为中心划分n个部分重叠子区域,n个子区域分别可以进行分布式运算,令t=0,终止条件β=1e-2;
6-2)对于子区域问题如公式(16)所示,采用三边定位方法获得LU节点粗略估计值x(t),作为基于单位步长的修正牛顿法的初始值;
6-3)采用子区域修正牛顿方法,得到多个子区域的LU节点估计值,子区域中采用修正牛顿法优化求解LU节点的过程如下:
6-3-3):设置判断终止条件,当或迭代次数t>100,迭代终止,则是子区域的LU节点估计值,否则,令j=j+1,返回步骤6-3-1),不同子区域会重复优化求解同一个LU节点,得到不同的LU节点估计值,将会导致某个子区域的信息利用少,使得估计误差增大。因此,需要对子区域进行融合得到每个LU节点的估计值可以有效减小LU节点估计误差,有利于促进子区域间的合作定位,提高整体的定位精度,LU节点融合求平均如公式(25)所示:
6-4-3):步长设为单位步长,沿着搜索方向更新子区域的LA节点位置,ps,i+1=ps,i+ds,i;
6-4-4):当(η是一个很小的数,为η=1e-9),迭代终止,输出ps,i+1,否则,置i=i+1,转到步骤6-4-2),同一个LA节点也会被多个重叠的子区域优化求解,存在来自多个不同子区域的局部优化值,为了有效的降低LA节点的估计误差,也需要对重叠部分子区域内的LA节点局部融合,得到更为精准的LA节点位置LA节点融合求平均如公式(26):
采用仿真实验,对本例方法性能进行说明:
仿真例1:
本例仿真为了研究WSN存在锚节点位置误差时,锚节点数目对定位精度的影响,本例改变LA节点数目在WSN中占总节点数的比例p进行仿真,仿真参数设置如下:节点数目N为200,通信半径R为0.30,距离噪声因子τ1为0.10,LA节点位置噪声因子τ2为0.10,p的范围是0.10到0.30,如图2所示,随着LA节点数目所占比例p增加,现有方法1、现有方法2、现有办法3的平均定位误差均在减小,定位精度得到提高,但是与本例的方法相比较,本例在不同LA节点比例下,平均定位误差明显小于对比现有办法,定位精度更高,原因是:随着锚节点数目增多,使得LU节点获得更多邻居信息和更好的初始值,从而使得定位精度有所提高,这意味着,大规模WSN存在锚节点位置误差时,本例可以用较少LA节点数目达到较好定位效果,从而降低部署成本;
仿真例2:
本例仿真为了研究WSN存在锚节点位置误差时,通信半径R对于定位精度的影响,本例将改变不同R进行仿真,仿真参数如下:节点数目N为200,LA所占比例p为0.15,距离噪声因子τ1为0.10,LA节点位置噪声因子τ2为0.10。通信半径R从0.22增加到0.30,如图3所示,随着通信半径R增加,现有方法1、现有方法2、现有办法3对比结果的平均定位误差逐渐增大,但与本例的方法相比较,本例的平均定位误差在不同R下始终保持最小,定位精度更高,原因是:通信半径R增加,但随之增大的通信量和计算量也会影响定位性能,这意味着,大规模WSN存在锚节点位置误差时,本例用较小通信半径R达到更好定位效果,进而降低传感器能量消耗,提高整个WSN寿命。
Claims (1)
1.基于交替修正牛顿法的分布式传感器节点定位方法,其特征在于,包括步骤如下:
1)定义网络: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)将WSN定位问题归结为无约束的优化问题:在特定区域部署传感器节点,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,LU节点位置表示为x1,x2,…xn,LU节点在i点坐标表示为xi=[xi,yi]T,准确位置的LA节点表示为a1,a2,...am,LA节点在k点坐标表示为ak=[xk,yk]T,用dij表示LU节点i和节点j之间带噪距离,dij=dji,dik表示LU节点i和LA节点k之间带噪距离,wij和wik是根据带噪距离的反比取得的归一化权重,表示LU节点之间可测得距离的节点集合,表示LU节点和LA节点之间可测得距离的节点集合,则将WSN定位问题归结为一个无约束优化问题如公式(1)所示:
3)将WSN划分为部分重叠的子区域:在区域内随机部署传感器节点,在通信半径R范围内的传感器节点之间才可以正常通信,正常通信的传感器节点之间能获取距离信息,根据距离信息,将WSN表示为一个无向图,即其中表示传感器节点的集合,ε表示节点之间边的集合,将WSN表示的无向图以LU为中心划分为多个部分重叠的子图,每一个子图就是一个子区域,得到多个部分重叠的子区域,即有:
4)重新构建子区域优化问题:将WSN划分成多个部分重叠的子区域后,把目标函数构建成多个子区域内的优化问题,因此,将如公式(1)所示无约束优化问题重新构建为子区域无约束优化问题如公式(3)所示:
其中,s=1,2,…n表示第s个子区域,表示第s个子区域内的第i个LU节点坐标, 表示第s个子区域的第j个LU节点坐标, 表示第s个子区域的第k个LA节点坐标, 和表示子区域内节点之间带噪声的测距,测距噪声模型如公式(4)和公式(5)所示,LA节点噪声模型如公式(6)所示:
把子区域内所有的LU节点和LA节点的坐标分别组成列向量xs和ps,表示为:令ei1、ei2、ej1、ej2分别表示单位矩阵I2l的第2i-1列、第2i列、第2j-1列、第2j列,ek1、ek2分别表示I2h单位矩阵的第2k-1列和2k列,则可表示为:同理,和分别表示为: 则可将公式(3)的节点之间距离表示为:
其中,
A=(ei1-ej1)(ei1-ej1)T+(ei2-ej2)(ei2-ej2)T (11),
则公式(3)可以表示为公式(16):
5)估计LU节点的粗略估计值:采用三边定位法估计LU节点的粗略估计值,三边定位方法为:假设待测LU节点A,坐标为(x,y),有B、C、D分别是三个不共线的LA节点,坐标分别为(x1,y1)、(x2,y2)、(x3,y3),B、C、D点到A点之间距离分别为r1、r2、r3,r1、r2、r3值小于通信半径R,分别以B、C、D为圆心,r1、r2、r3为半径,画3个相交的圆,这些圆相交的点就是LU节点位置,对应的方程组如公式(17)所示:
求解公式(17)得到LU节点的坐标如公式(18)所示:
采用以下规则估计LU节点的初始位置:
5-1)当LU节点有3个或3个以上的LA邻居时,采用三边定位法计算LU节点的初始位置;
5-2)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;
5-3)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;
子区域中采用交替牛顿法优化求解的过程如下:
6-1)将n个LU节点,m个LA节点随机部署在[-0.5,0.5]2的单位正方形区域内,通信半径设为R,把WSN以LU节点为中心划分n个部分重叠子区域,n个子区域分别可以进行分布式运算,令t=0,终止条件β=1e-2;
6-2)对于子区域问题如公式(16)所示,采用三边定位方法获得LU节点粗略估计值x(t),作为基于单位步长的修正牛顿法的初始值;
6-3)采用子区域修正牛顿方法,得到多个子区域的LU节点估计值,子区域中采用修正牛顿法优化求解LU节点的过程如下:
6-3-3):设置判断终止条件,当或迭代次数t>100,迭代终止,则是子区域的LU节点估计值,否则,令j=j+1,返回步骤6-3-1),对LU节点初步估计值进行融合求平均,得到最后的LU节点估计值LU节点融合求平均如公式(25)所示:
6-4-3):步长设为单位步长,沿着搜索方向更新子区域的LA节点位置,ps,i+1=ps,i+ds,i;
6-4-4):当(η是一个很小的数,为η=1e-9),迭代终止,输出ps,i+1,否则,置i=i+1,转到步骤6-4-2),并对部分重叠的LA节点融合求平均,得到更为精准的LA节点位置LA节点融合求平均如公式(26)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252621.0A CN112437397B (zh) | 2020-11-11 | 2020-11-11 | 基于交替修正牛顿法的分布式传感器节点定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252621.0A CN112437397B (zh) | 2020-11-11 | 2020-11-11 | 基于交替修正牛顿法的分布式传感器节点定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112437397A CN112437397A (zh) | 2021-03-02 |
CN112437397B true CN112437397B (zh) | 2022-04-05 |
Family
ID=74700408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011252621.0A Active CN112437397B (zh) | 2020-11-11 | 2020-11-11 | 基于交替修正牛顿法的分布式传感器节点定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112437397B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113194049B (zh) * | 2021-04-14 | 2022-06-07 | 杭州电子科技大学 | 基于牛顿迭代二值采样信号的参数鲁棒估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102036338A (zh) * | 2010-12-22 | 2011-04-27 | 中国科学院计算技术研究所 | 一种基于数据驱动链路估计的传感器网络实时路由方法 |
CN108827295A (zh) * | 2018-07-19 | 2018-11-16 | 华北电力大学 | 基于无线传感器网络和惯性导航的微型无人机自定位方法 |
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 |
CN109661030A (zh) * | 2018-12-07 | 2019-04-19 | 南京工业大学 | 无线传感器网络中基于动态网格的未知目标定位算法 |
CN111314847A (zh) * | 2020-02-20 | 2020-06-19 | 桂林电子科技大学 | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7630336B2 (en) * | 2004-10-27 | 2009-12-08 | Honeywell International Inc. | Event-based formalism for data management in a wireless sensor network |
-
2020
- 2020-11-11 CN CN202011252621.0A patent/CN112437397B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102036338A (zh) * | 2010-12-22 | 2011-04-27 | 中国科学院计算技术研究所 | 一种基于数据驱动链路估计的传感器网络实时路由方法 |
CN108827295A (zh) * | 2018-07-19 | 2018-11-16 | 华北电力大学 | 基于无线传感器网络和惯性导航的微型无人机自定位方法 |
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 |
CN109661030A (zh) * | 2018-12-07 | 2019-04-19 | 南京工业大学 | 无线传感器网络中基于动态网格的未知目标定位算法 |
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 |
CN111314847A (zh) * | 2020-02-20 | 2020-06-19 | 桂林电子科技大学 | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 |
Non-Patent Citations (2)
Title |
---|
P Rajaram ; P Prakasam.Self-motivated node exploitation using two dimensional Gaussian distribution in WSN.《2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT)》.2016,全文. * |
蒋俊正 ; 李杨剑 ; 赵海兵 ; 欧阳缮.一种大规模传感器网络节点分布式定位算法.《电子与信息学报》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112437397A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105813194B (zh) | 基于指纹数据库二次校正的室内定位方法 | |
US7460976B2 (en) | Semi-definite programming method for ad hoc network node localization | |
CN106658703B (zh) | 一种基于余弦相似度的rss检测差异补偿方法 | |
CN108650706B (zh) | 基于二阶泰勒近似的传感器节点定位方法 | |
CN107592671B (zh) | 一种网络化多智能体主动变拓扑的自主协同定位方法 | |
CN109195110B (zh) | 基于层次聚类技术和在线极限学习机的室内定位方法 | |
JP2014505241A (ja) | 位置決定方法 | |
Yan et al. | Extreme learning machine for accurate indoor localization using RSSI fingerprints in multifloor environments | |
CN112469115B (zh) | 一种基于快速聚类多维标度fc-mds改进的无线传感器网络定位方法 | |
CN111157943B (zh) | 在异步网络中基于toa的传感器位置误差抑制方法 | |
CN104363654A (zh) | 基于Tunneling method的无线传感器网络三维节点定位方法 | |
CN109547929B (zh) | 基于共轭梯度法的分布式传感器节点定位方法 | |
CN103648164A (zh) | 一种基于到达时间差和Gossip算法的无线传感器网络分布式定位方法 | |
CN112437397B (zh) | 基于交替修正牛顿法的分布式传感器节点定位方法 | |
Anuwatkun et al. | A diff-based indoor positioning system using fingerprinting technique and k-means clustering algorithm | |
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 | |
CN109561498B (zh) | 基于改进牛顿法的传感器节点分布式定位方法 | |
CN108834053B (zh) | 一种定位方法、装置及设备 | |
CN111314847B (zh) | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 | |
Fu et al. | Crowdsourcing-based wifi fingerprint update for indoor localization | |
Tang et al. | Positioning algorithms by information fusion in wireless sensor networks | |
CN111194000B (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 | |
CN112333236A (zh) | 一种三维动态集群网络中基于两层滤波的容错协同定位方法 | |
CN110673088A (zh) | 混合视距和非视距环境中基于到达时间的目标定位方法 |
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 |