CN115052245A - 基于深度学习的无人机辅助无线传感器网络节点定位方法 - Google Patents
基于深度学习的无人机辅助无线传感器网络节点定位方法 Download PDFInfo
- Publication number
- CN115052245A CN115052245A CN202210660422.6A CN202210660422A CN115052245A CN 115052245 A CN115052245 A CN 115052245A CN 202210660422 A CN202210660422 A CN 202210660422A CN 115052245 A CN115052245 A CN 115052245A
- Authority
- CN
- China
- Prior art keywords
- node
- unmanned aerial
- aerial vehicle
- rssi
- ground
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000004891 communication Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 230000008901 benefit Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000008054 signal transmission Effects 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000011160 research Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
- H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提出一种基于深度学习的无人机辅助无线传感器网络节点定位方法。该定位方法的应用场景是室外区域,具体表现为无人机以固定轨迹在定位区域上方平行区域内周期运动,并以固定时间周期广播信标信号,地面传感器节点接收无人机信标信号,节点计算RSSI值形成RSSI向量,计算节点间RSSI相似度,进而计算锚节点与未知节点距离,建立卷积神经网络定位模型,输入节点与锚节点距离估计节点位置坐标,该模型能够一定程度克服环境噪声的影响,定位性能相比现有定位技术有较大提高。该模型能够利用空地通信信道优势以及卷积神经网络学习能力,提供一个节点定位问题解决方案,为人工神经网络技术在无线传感器网络领域的应用研究提供理论支撑。
Description
技术领域
本发明涉及深度学习人工神经网络应用领域,具体涉及人工神经网络在无线传感器网络节点定位中的应用。
背景技术
随着人工智能、机器学习、深度学习等相关技术的普及与进步,AI已经在不知不觉中嵌入了人们现代化生活中的方方面面,图像识别与分类、目标检测、行人轨迹推算、自然语言处理等等先进的技术工作都是通过AI来实现的,其中人工神经网络技术属于人工智能学科领域的一个代表性分支技术,人工神经网络的相关研究在整个人工智能技术研究领域中占比非常之大,其在人们现在社会生活中的应用也相当广泛。
无线传感器网络相关的研究是当今无线通信研究领域内的一个热点话题,无线传感器网络中的网络节点通过相互通信,可以实现自身的定位,进而可以应用到环境、工程监测,目标跟踪等实际工程当中,现有的常用无线传感器网络中的节点定位技术可以大致分为基于测距与非测距的定位算法,基于测距的定位算法代表性测距方式有基于到达时间的定位解决方案TOA(Time of Arrival),基于到达时间差的定位解决方案TDOA(TimeDifference of Arrival),基于到达角度的定位解决方案AOA(Angle of Arrival),以及基于接收信号强度指示的定位解决方案RSSI(received Signal Strength Indicator),而常用的定位框架有三边定位法、扩展卡尔曼滤波定位法以及最大似然估计定位法;这些常用算法已经初步解决了无线传感器网络中的节点定位问题。
然而由于地面节点之间的通信在实际环境下存在环境噪声的影响,会对于结点间的通信数据带来误差,进而影响整个定位框架的最终定位结果的精度,如何对于定位系统的精度进行提高成为研究人员讨论的热点话题,现有的较成熟和普遍的定位技术往往在定位精度方面都并不能达到非常理想的效果,存在一定的提升空间。
考虑到无线传感器网络中的地面节点之间的G2G通信信道与无人机与地面节点之间的A2G通信信道在当前定位场景对比之下无人机A2G信道具有明显优势,通过无人机节点到地面节点之间的通信对于无人机与地面节点进行测距的精度将远远高于地面节点之间的通信测距,且单一无人机移动节点只需要一个GPS设备进行定位,本发明针对无线传感器网络中的节点定位问题,为实现现有研究基础上更高的定位精度,提出采用无人机空中锚节点的形式,通过无人机在空中以固定高度固定轨迹飞行,经由A2G信道与地面节点通信测试得到无人机信标节点与地面节点之间的RSSI值,每次飞行周期中所有信标节点与地面节点之间RSSI值形成RSSI向量计算锚节点与待定位节点的RSSI相似度估计节点间距离,以估计的距离作为人工神经网络的输入变量,通过卷积神经网络模型构建以及数据计算,得到地面节点的位置,实现无线传感器网络中的节点定位功能。该方法利用了无人机A2G信道的通信优势以及深度学习技术领域中的人工神经网络的强大学习能力,为解决无线传感器网络中的节点定位问题提出了一种全新的思路,在一定程度上有效降低了环境误差噪声对于测距与定位精度产生的影响,具有广泛应用前景。
发明内容
本发明所要解决的技术问题是在考虑无线传感器网络覆盖的室外矩形实验区域内存在环境噪声的情况下,针对LOS(Line-of-Sight)视距环境场景,提出一种可靠的无人机辅助地面传感器节点卷积神经网络定位模型,以空中飞行的无人机作为辅助,定时发送多个信标节点,以地面待定位节点以及固定锚节点接收的信标信号计算RSSI值形成RSSI向量计算节点之间的RSSI相似度,通过RSSI相似度计算锚节点与未知节点间距离为输入,节点位置坐标作为输出,以准确定位未知节点的位置坐标,为人工神经网络在无线传感器网络研究领域内的推广和应用提供理论基础。
为解决上述技术问题,本发明所采用的技术方案为:
1、定位场景基础条件部署,确定目标传感器节点定位区域,在无线传感器节点分布区域内建立定位参考平面坐标系,确定无人机的飞行高度、飞行区域、以及当前环境场景下RSSI自由路径传播模型的路径损耗指数与噪声标准差,其中无人机飞行区域设定为以地面待定位节点分布的矩形区域为中心,地面节点分布区域的边长两倍为边长的矩形区域,该种设定经过实验证明在信标节点数足够多时,地面节点之间的RSSI相似度与距离存在线性关系,无人机飞行高度参考地面试验区域与飞行区域的面积,选择一个适合的高度确保在选择的高度飞行时,无人机通信范围可以覆盖地面所有传感器节点,部署地面锚节点在固定位置呈n*n矩阵形分布,并确定相邻锚节点间距为dwidth,记录每一个锚节点位置坐标,无人机在飞行区域内飞行时地面固定锚节点分布为:
xi+1-xi=yj+1-yj=dwidth
2、确定无人机飞行高度与飞行区域后,选择合适的无人机飞行轨迹,选择无人机飞行轨迹的原则是:
a.飞行轨迹尽量覆盖飞行区域的大量面积,确保空中信标节点位置能够尽量均匀并分散的分布在飞行区域内的大部分面积范围内;
b.飞行轨迹设置为封闭曲线形状,确保一次一次飞行结束后可以立即开始下一周期的飞行,为系统多次测距提供便利;
c.信标节点均匀等间距分布在设定的无人机飞行轨迹上,方便无人机匀速飞行时可以在等时间间隔时刻向地面节点发送信标信号;
确定无人机飞行轨迹后,建立距离估计DE(Distance Estimation)模块,在无人机空中信标位置处发送信标信号,地面节点接收空中信标节点发送的信号计算RSSI值并且形成RSSI向量返回给无人机,无人机根据地面节点返回的RSSI向量计算节点间RSSI相似度,并根据RSSI相似度计算节点间距离,具体过程表示为:
(1)无人机空中信标信号发送时间间隔以及轨迹方程:
ttransmission={t=(k-1)*tT|k=1,2,...,K}
(2)地面节点i接收无人机空中信标节点k广播的信标信号RSSI值表示为
(3)地面索引为i的节点接收到无人机在第m次飞行周期内发送信标信号形成的RSSI向量为
(4)对每一对地面节点收集到RSSI向量进行相似度计算及距离估计过程表示为
其中,P(t)表示t时刻无人机飞行所到达的位置坐标,分为横坐标x(t)与纵坐标y(t),tT为无人机从每一次向地面节点发送信标的时间间隔,ttransmission为无人机空中锚节点向地面节点发送信标信号的时刻集合,tk为第k次无人机向地面发送信号的时间节点,P[d0]表示在通信距离为参考距离d0时的RSSI值,γ表示定位场景环境下的自由路径损耗指数,ck表示第k个无人机信标节点位置,ni表示编号为i的地面节点位置,Xσ为标准差为σ的环境噪声随机变量,为编号为i的地面节点在无人机的第m次飞行过程中接收到的所有无人机发送的信标信号计算RSSI值所组成的RSSI向量,表示在无人机第m次飞行过程中经过第j个信标节点时发送并被第i个地面节点接收到的信标信号的RSSI值,表示地面第i个节点与第j个节点的RSSI相似度,K为无人机空中信标节点总数,经过数学计算发现RSSI相似度与地面节点之间的距离dij存在线性函数关系,其中Z为环境噪声变量,V为无人机飞行区域的面积,将RSSI相似度与距离的线性关系变换为dij与的函数关系,其中A与B为常系数量,根据环境及场景参数计算得到。
最后对于计算得到的固定锚节点与待定位节点之间的距离向量进行重新排列,形成多通道特征图的卷积块形式输入后续的卷积神经定位网络,具体卷积块通道数M对应无人机在空中沿固定轨迹飞行的周期数,每一编号为m的通道内的特征图呈n*n矩阵形式排列,每个神经元几何对应实验区域内排列位置与该神经元在特征图中相对位置相同的地面固定锚节点,神经元内的值是待定位的地面节点与神经元所代表的地面固定锚节点之间的估计得到直线距离,将锚节点与对应编号j表示为Aj,待定位节点与对应编号表示为Ui,无人机对地面节点间的测距与数据重新排列输入定位系统的过程具体可以表示为:
f(x)=Ax+B
其中表示卷积神经网络输入卷积块的第m个通道对应的特征图矩阵,为无人机第m次飞行过程中测试得到的第j个地面固定锚节点与第i个未知节点的估计距离,f(x)表示定位场景下自变量为RSSI相似度的距离估计方程,inputi表示卷积神经网络对地面第i个节点进行位置估计时的网络输入,其中M表示输入卷积块具有M个通道,即无人机会沿设定轨迹飞行M个周期,每次飞行周期内在经过每个空中信标节点时会向地面节点发送1次信标信号,每K个信标信号计算得到的RSSI值形成一个RSSI向量,最终每个地面节点从空中锚节点处接收到M个RSSI向量并返回给无人机,每次距离估计时采用同一次飞行周期中获得的RSSI向量计算相似度;卷积神经网络模型内部结构包含,一个输入层,若干卷积层,若干全连接层以及一个输出层,其中网络内部卷积层以及全连接层的数量根据实际实验部署的锚节点数量N=n*n以及设置的卷积核大小而定,网络内部结构以及参数的设定会影响整个系统的运行时间空间复杂度以及系统对于节点定位的精度。
3、搭建卷积神经网络定位网络模型并对其进行训练优化,由于人工智能深度学习卷积神经网络技术相较于普通的全连接神经网络大大减小了数据计算量,同时对数据特征存在强大的学习能力,所以采用卷积神经网络对于无线传感器网络中的节点分布特征进行学习,得到的网络模型可以对未知的分布在实验区域内的节点进行位置估计,并且在RSSI通信测距存在环境噪声误差的情况下,一定程度上克服误差对于定位带来的影响。
网络的输入卷积块大小尺寸以及每个神经元的数值在技术方案2中已经进行了详细说明,卷积核的大小以及隐层数量及激活函数的选择有以下几点原则:
(1)无人机空中锚节点的个数直接关系到卷积神经网络的计算量以及网络的复杂程度,一般n的选择大致在3-4左右,即在实验区域内均匀部署9或16个锚节点位置,无人机飞行经过信标节点时向这些地面锚节点与所有待定位节点发送信标信号;
(2)无人机沿固定轨迹飞行次数选择24-48次,即定位卷积神经网络的输入层卷积块通道数选择24-48较为合适,飞行周期数意味着节点间距离估计次数,测距次数太少会导致网络定位存在较大的误差,少数测距数据误差存在偶然性,对定位精度影响较为明显,接收到的信号次数太多会造成系统模型复杂,精度提高并不明显的效果;
(3)卷积核的大小一般选择2*2,无填充无空洞卷积,步长为1,定位卷积神经网络结构中,输入层的特征图可以理解为锚节点与待定为节点的距离矩阵,矩阵中的每一个元素值都非常重要,对于高密度数据,选择步长为1无空洞无填充的卷积可以细致的让网络学习到输入数据中的每一个细节特征,卷积层激活函数选择Relu函数,全连接层采用Sigmoid函数激活;
(4)采用均方差函数作为训练用到的损失函数,用于估计网络对于节点的预测位置与真实节点之间位置的差距,具体可以表示为:
其中N表示训练数据集中单个Batch的节点数量,表示卷积神经网络定位系统估计第i个节点的位置坐标,表示训练数据集中第i个节点的实际位置坐标。对于N值设置问题,为防止训练过程中网络参数陷入局部最优形势,选择N值不能太大,一般在50-100水平,在训练的每一次迭代过程中一共进行的优化次数为训练样本的总数目Samples除以N得到的商,在训练的每一次迭代过程中,需要进行Samples/N次反向传播操作。
(5)卷积神经网络的常用训练优化器有SGD、Adagrad、Adam等多种深度学习框架内置优化器,其中Adam优化器相比于其他优化器,在无线传感器网络节点定位的卷积神经网络应用场景下具有很明显的优势,具体表现为:其利用梯度的一阶矩估计和二阶矩估计动态调整参数学习率,参数较为平稳,对内存需求小,更新步长可以自动保持在初始学习率左右的水平,可以自然实现参数的步长退火,适用于大规模的参数和存在梯度噪声的场景;采用Adam优化器对于无线传感器节点定位卷积神经网络进行训练,将会得到一个误差水平相对优秀的网络模型,其抗噪声能力及定位性能都可以达到较为理想的状态。
4、对搭建好的卷积神经网络定位系统进行训练,设置好网络各层参数以及尺寸大小后,随机生成大量待定位节点实际坐标,软件测试每个节点根据无人机固定轨迹飞行得到的RSSI向量,计算节点间RSSI相似度估计锚节点与待定位节点的测试距离,将大量训练数据由测距模块得到的估计距离分组输入网络,设置每一组输入网络的Batch Size,每输入一组训练样本对于网络进行一次反向传播优化操作,每一次迭代中进行样本总数除以每一批样本次数的反向传播优化操作,设置迭代次数为800-1000,设置损耗函数为均方误差函数,随着损耗函数的减小,修改初始学习率呈指数下降,最终网络定位均方根误差可以达到理想高精度的水平。
5、在实际场景下对设计好的定位系统进行测试,无人机在实验区域上空固定高度设定好的区域内沿固定轨迹飞行,地面节点收集无人机信标节点发送的信标信号计算RSSI值形成RSSI向量发送回无人机,无人机根据不同节点返回的RSSI向量计算RSSI相似度进而计算节点间的距离,将估计得到的节点间距离进行重新排列成卷积块的形式输入训练好的卷积神经定位网络,网络输出最终节点的估计位置坐标。
有益效果:本发明所提模型是一种无人机辅助室外无线传感器网络静态节点定位场景下的卷积神经网络模型,该模型巧妙利用了深度学习中的卷积神经网络技术对于大规模数据的强大学习能力,将节点间的距离估计数据重新排列形成自然图像的形式输入卷积神经网络,利用卷积神经网络学习节点间距离与节点位置坐标的数据关系特征,同时利用无人机与地面节点通信信道性能优于地面节点之间的相互通信,在一定程度上克服了环境噪声对于测距带来的误差影响,在测距过程中,利用RSSI相似度与节点间距离关系估计距离的方法替代了自由路径损耗模型,提高了节点间的测距精度,在此基础之上,卷积神经网络多通道模型可以通过学习多次测距数据之间的共性,在一定程度上自我克服现有测距噪声误差对坐标估计带来的影响。该模型在实际无线传感器网络节点定位场景下,能够通过可靠、高效的空地信道获得的无人机锚节点与地面节点通信RSSI信息,将该信息进行加工处理后形成卷积块形式作为网络输入,卷积神经网络定位模型计算估计节点的位置坐标,可以得到精度较为理想的位置估计输出,为研究人员设计和研究无线传感器网络节点定位问题,推广深度学习人工神经网络模型在无线传感器网络通信中的应用提供理论支持。
附图说明
图1是无人机辅助无线传感器网络节点定位深度学习算法的场景结构图;
图2是DE模块工作内部流程图;
图3是定位卷积神经网络内部结构图;
图4是定位模型在离线阶段的建立与训练过程流程图;
图5是提出的定位算法在在线阶段进行定位工作的过程流程图。
具体实施方式
1、定位场景
本发明所提定位网络所应用的场景模型如图1所示:
(1)在无线传感器网络覆盖的正方形实验区域中,地面随机部署静态传感器节点与固定锚节点,一架无人机在实验区域上空面积为实验区域4倍的平行平面区域内飞行,飞行过程中周期性向地面节点发送信标信号,保证无人机通信范围可以覆盖实验区域内所有的传感器节点。
(2)选择无人机的最佳飞行高度,确认无人机飞行轨迹与信标节点个数,信标信号发送时间,此处采用空中1600个信标节点与正八边形的无人机空中飞行轨迹,无人机经过正八边形的每一条边的时候向地面发送200个信标信号。
(3)确定地面固定锚节点位置坐标、无人机飞行轨迹方程以及无人机沿固定轨迹飞行的次数,即卷积神经网络的输入层通道数(深度),此处采用9个锚节点以横纵方向3*3均匀分布在实验区域内,此处假设实验区域为120m*120m的方形区域,锚节点位置坐标分别为:
xi+1-xi=yj+1-yj=40
无人机空中飞行区域为x,y∈(-60,180),飞行轨迹设置为正八边形,正八边形8个顶点坐标分别为: 飞行单次周期轨迹可以表示为由起点P1开始飞行并且最终回到P1的过程,记为P1→P2→P3→P4→P5→P6→P7→P8→P1,确定无人机飞行高度下空地信道的RSSI路径损耗指数γ,以及当前环境定位场景下的噪声标准差σ,确定采用通道数为M=24的卷积神经网络定位模型。
2、DE(Distance Estimation)模块的内部工作原理如图2所示:
本发明所提模型中DE模块的具体工作流程可以分为以下几个步骤:
(1)无人机沿设定好的轨迹在实验区域上空飞行,共计沿轨迹飞行M=24个周期,在第m次飞行过程中经过空中信标节点k时向地面节点发送RSSI信标信号,编号为i的地面节点接收信标信号的RSSI值,表示为:
(2)地面节点i接收到的第m次飞行周期中所有信标节点收集到的信标信号计算RSSI值所组成节点i对应的RSSI向量表示为:
(3)DE模块根据输入的RSSI向量计算地面固定锚节点j与未知节点i的RSSI相似度进而转化为节点间估计距离:
其中表示无人机第m次飞行过程中第j个地面锚节点到第i个未知节点的RSSI相似度,表示第m次无人机飞行过程中的节点间直线估计距离,K=1600为无人机空中信标节点总数,A、B为当前场景下由环境因素决定的RSSI相似度与距离之间的线性关系常系数与偏置常量;
(3)多次进行无人机辅助测试地面固定锚节点与未知节点的估计距离过程表示为:
其中为无人机第m次飞行过程中第j个地面固定锚节点与第i个未知节点的估计距离,为第i个地面节点与所有地面固定锚节点在第m次无人机飞行中估计得到的距离所组成的向量,无人机以设定高度与轨迹进行24次飞行,并且得到24个距离向量;
(4)对于计算得到的锚节点与未知节点间距离向量进行重新排列,形成多通道特征图的卷积块形式,具体卷积块通道数对应无人机在空中沿固定轨迹飞行的次数,每一个通道内的特征图呈3*3矩阵形式排列,特征图内每个神经元对应实验区域内排列位置与该神经元在特征图中相对位置相同的无人机空中锚节点,神经元内的值是待定位的地面节点与对应地面锚节点与待定位节点直线距离,可以表示为:
f(x)=Ax+B
其中表示卷积神经网络输入卷积块的第m个通道对应的特征图矩阵,是由收集RSSI向量值计算RSSI相似度得到的估计距离重新排列形成的,inputi表示卷积神经网络对第i个节点进行位置估计时的网络输入,将无人机多次飞行得到的多个特征图叠加成多个通道形成输入定位网络的卷积块,输入卷积块具有24个通道,即无人机会沿设定轨迹飞行24个周期,每次飞行周期内在经过每个信标节点时会向地面节点发送1次信标信号,每次飞行周期中发送K=1600个信标,最终在所有飞行过程中地面节点从空中锚节点处共接收到24个向量,其中m=1,2,...,24,i=1,2,...,N,N为地面待定位节点个数总数,DE模块的输出卷积块可视化图形在图2下方展示,该卷积块作为卷积神经定位网络的输入。
3、卷积神经定位网络的内部结构图如图3所示:
网络由一个输入层,4个隐层以及一个输出层构成,其中前两个隐层是卷积层,而后两个隐层为全连接层,按场景要求搭建完成卷积神经定位网络模型后,设置合适的网络参数、学习率,优化器以及损失函数,采用大量随机生成的训练数据样本对网络进行多次迭代训练,最终得到性能优良的定位网络运用到实际定位场景中,对未知节点的位置进行估计。
4、所提出的基于深度学习的卷积神经定位网络模型的建立与训练过程如图4所示,具体分为以下几个步骤:
(1)确定定位环境及场景后,随机生成符合该场景下大量训练数据与测试数据;
(2)按照确定的场景,即无人机飞行高度、轨迹、信标数量,地面锚节点位置坐标等,搭建符合场景的卷积神经网络定位模型;
(3)采用大量的随机训练样本对于搭建好的网络模型进行训练;
(4)进行多次迭代后,网络定位误差满足定位要求,得到训练好的模型;
5、所提出的无人机辅助无线传感器节点定位深度学习算法整个系统工作流程图如图5所示,具体分为以下几个步骤:
(1)无人机沿固定高度、轨迹飞行,并周期性向地面节点广播信标信号;
(2)地面节点接收无人机广播的信标信号计算RSSI值形成RSSI向量,并输入DE模块进行数据处理;
(3)DE模块将处理好的数据输入训练好的卷积神经定位网络模型;
(4)卷积神经网络对于未知节点进行位置坐标估计。
Claims (6)
1.一种基于深度学习的无人机辅助无线传感器网络节点定位方法,其特征在于,包括如下步骤:
步骤1:定位场景基础条件部署,确定目标传感器节点定位区域,在无线传感器节点分布区域内建立定位参考平面坐标系,确定无人机的飞行高度、飞行区域、以及当前环境场景下RSSI自由路径传播模型的路径损耗指数与噪声标准差,在固定位置部署地面锚节点呈n*n矩阵形分布,并且记录每一个锚节点位置坐标,确定无人机在飞行区域内飞行时通信范围可以覆盖地面所有传感器节点;
步骤2:设定无人机固定飞行轨迹与速度、信号发送周期以及信标数量,根据实验仿真测试无人机沿设定轨迹飞行并按设定的信号发送周期在规定位置向地面节点发送信标信号,地面节点接收信标信号计算RSSI值形成RSSI向量,地面节点间RSSI向量计算相似度与节点间距离之间的线性关系,得到RSSI相似度-距离估计曲线;
步骤3:建立卷积神经网络模型,其中输入变量的每个特征图的高度和宽度为n,神经元个数为n*n,每个神经元的输入值为地面待定位节点与对应锚节点的的估计距离,通道数为无人机距离估计模块进行距离估计的次数,通过两层卷积层以及两层全连接层,最终输出待定位节点的位置坐标;
步骤4:建立训练集数据对卷积神经网络模型进行训练,选择合适的优化器、学习率与迭代次数,更新网络参数以提高网络的定位性能,不断缩小网络的位置估计坐标与节点真实坐标的误差,对于得到的卷积神经网络模型进行性能评估与误差分析;
步骤5:收集地面锚节点与待定位接收到的无人机信标信号计算RSSI值得到RSSI向量,计算得到锚节点与待定位节点之间的RSSI相似度,通过RSSI相似度-距离曲线估计锚节点与待定位节点之间的直线距离,加工排列为卷积特征块的模式,输入训练好的卷积神经网络模型得到地面节点在无线传感器网络中的位置坐标估计。
3.根据权利要求1所述的一种基于深度学习的无人机辅助无线传感器网络节点定位方法,其特征在于,步骤2中,设定无人机固定飞行轨迹为一闭合曲线,即一个周期飞行结束回到飞行起点进行下一个周期的飞行,设定信标节点总数为K,K个信标节点均匀等距分布在无人机飞行轨迹P(t)上、信号发送周期tT设置为无人机从一个信标飞行到下一个相邻信标的时间间隔,地面节点i接收第m次飞行过程中空中所有信标信号得到RSSI值形成RSSI向量RSSIi m,根据RSSI向量计算节点之间RSSI相似度进而计算节点之间的距离,具体表示为:
(1)无人机在空中飞行的轨迹方程:
ttransmission={t=(k-1)*tT|k=1,2,...,K}
(2)地面节点i接收无人机空中信标节点k广播的信标信号得到RSSI值表示为
(3)地面索引为i的节点接收到无人机在第m次飞行周期内发送的信标信号形成的RSSI向量为
(4)对每一对地面锚节点j与未知节点i收集到RSSI向量进行相似度计算及距离估计过程表示为
其中,P(t)表示t时刻无人机飞行所到达的位置坐标,分为横坐标x(t)与纵坐标y(t),tT为无人机从每一次向地面节点发送信标的时间间隔,ttransmission为无人机空中锚节点向地面节点发送信标信号的时刻集合,tk为第k次无人机向地面发送信号的时间节点,P[d0]表示在通信距离为参考距离d0时的无人机与地面节点间RSSI值,γ表示定位场景环境下的自由路径损耗指数,ck表示第k个无人机信标节点位置,ni表示编号为i的地面节点位置,Xσ为标准差为σ的环境噪声随机变量,表示编号为i的地面节点在无人机的第m次飞行过程中接收到的所有无人机发送的信标信号RSSI值所组成的RSSI向量,表示在无人机第m次飞行过程中经过第j个信标位置时发送并被第i个地面节点接收到的信标信号RSSI值,表示地面第i个节点与第j个节点的RSSI相似度,K为无人机空中信标节点总数,经过数学计算发现RSSI相似度与地面节点之间的距离dij存在线性函数关系,其中Z为环境噪声变量,V为无人机飞行区域的面积,将RSSI相似度与距离的线性关系变换为dij与的函数关系,其中A与B为常系数量,根据环境及场景参数计算得到。
4.根据权利要求1所述的一种基于深度学习的无人机辅助无线传感器网络节点定位方法,其特征在于,在步骤3中,构建的卷积神经网络定位模型输入卷积块的结构表示为:
其中表示卷积神经网络输入卷积块的第m个通道对应的特征图矩阵,为无人机第m次飞行过程中测试得到的第j个地面固定锚节点与第i个未知节点的估计距离,inputi表示卷积神经网络对地面第i个节点进行位置估计时的网络输入,其中M表示输入卷积块具有M个通道,即无人机会沿设定轨迹飞行M个周期,每次飞行周期内在经过每个空中信标位置时会向所有地面节点发送1次信标信号,并且地面节点接收无人机发送的信标信号计算RSSI值,最终每个地面节点从空中锚节点处接收到M个RSSI向量并返回给无人机,每次距离估计时采用同一次飞行周期中获得的RSSI向量计算相似度;卷积神经网络模型内部结构包含,一个输入层,若干卷积层,若干全连接层以及一个输出层,其中网络内部卷积层以及全连接层的数量根据实际实验部署的锚节点数量N=n*n以及设置的卷积核大小而定,网络内部结构以及参数的设定会影响整个系统的运行时间空间复杂度以及系统对于节点定位的精度。
5.根据权利要求1所述的一种基于深度学习的无人机辅助无线传感器网络节点定位方法,其特征在于,在步骤4中,卷积神经网络定位系统的训练过程中,训练集数据采用计算机随机生成的数据,用自由路径损耗模型以及节点位置估计节点接收信标信号的RSSI值,生成RSSI向量,计算节点间RSSI相似度估计距离对网络进行训练,不同优化器与网络参数的选择很大程度上影响到网络最终的定位性能,在pytorch深度学习框架中包含的所有优化器中,选择Adam优化器进行网络的训练在节点定位的巨大数据量与实际定位场景下有着明显的优势;选择均方误差函数作为网络训练的损失函数:
6.根据权利要求1所述的一种基于深度学习的无人机辅助无线传感器网络节点定位方法,其特征在于,在步骤5中,无人机按照设定的轨迹在实验区域上方固定高度固定区域飞行,并按周期发送信标信号,地面节点收集无人机发送的RSSI信标信号形成RSSI向量并返回给无人机,无人机根据不同节点返回的RSSI向量计算锚节点与待定位节点之间距离,经过重新排列为特征图叠加形成多通道卷积块形式输入训练好的定位网络,进而估计地面待定位节点的位置坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210660422.6A CN115052245A (zh) | 2022-06-13 | 2022-06-13 | 基于深度学习的无人机辅助无线传感器网络节点定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210660422.6A CN115052245A (zh) | 2022-06-13 | 2022-06-13 | 基于深度学习的无人机辅助无线传感器网络节点定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115052245A true CN115052245A (zh) | 2022-09-13 |
Family
ID=83161909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210660422.6A Pending CN115052245A (zh) | 2022-06-13 | 2022-06-13 | 基于深度学习的无人机辅助无线传感器网络节点定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115052245A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117930135A (zh) * | 2024-03-21 | 2024-04-26 | 广东海洋大学 | 基于nrznd模型的tdoa移动目标定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160187460A1 (en) * | 2014-05-14 | 2016-06-30 | Shenyang Institute Of Automation Of The Chinese Academy Of Sciences | Rssi positioning method based on frequency-hopping spread spectrum technology |
CN109618288A (zh) * | 2019-01-28 | 2019-04-12 | 上海海事大学 | 基于深度卷积神经网络的无线传感网距离测量系统及方法 |
CN110823215A (zh) * | 2019-10-25 | 2020-02-21 | 南京航空航天大学 | 一种无人机相对导航信息融合方法 |
CN111294921A (zh) * | 2020-02-17 | 2020-06-16 | 广东工业大学 | 一种rssi无线传感器网络三维协作定位方法 |
CN113064117A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种基于深度学习的辐射源定位方法及装置 |
-
2022
- 2022-06-13 CN CN202210660422.6A patent/CN115052245A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160187460A1 (en) * | 2014-05-14 | 2016-06-30 | Shenyang Institute Of Automation Of The Chinese Academy Of Sciences | Rssi positioning method based on frequency-hopping spread spectrum technology |
CN109618288A (zh) * | 2019-01-28 | 2019-04-12 | 上海海事大学 | 基于深度卷积神经网络的无线传感网距离测量系统及方法 |
CN110823215A (zh) * | 2019-10-25 | 2020-02-21 | 南京航空航天大学 | 一种无人机相对导航信息融合方法 |
CN111294921A (zh) * | 2020-02-17 | 2020-06-16 | 广东工业大学 | 一种rssi无线传感器网络三维协作定位方法 |
CN113064117A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 一种基于深度学习的辐射源定位方法及装置 |
Non-Patent Citations (1)
Title |
---|
王冬梅;: "无人机辅助的基于前馈神经网络的节点定位算法", 太赫兹科学与电子信息学报, no. 04, 25 August 2020 (2020-08-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117930135A (zh) * | 2024-03-21 | 2024-04-26 | 广东海洋大学 | 基于nrznd模型的tdoa移动目标定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110118549B (zh) | 一种多源信息融合定位方法和装置 | |
KR102116824B1 (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
CN103889051B (zh) | 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法 | |
CN106597363A (zh) | 一种室内wlan环境下的行人定位方法 | |
CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN108872932B (zh) | 基于神经网络的超视距目标直接定位结果纠偏方法 | |
CN108363041B (zh) | 基于k均值聚类迭代的无人机声源定位方法 | |
CN108650706B (zh) | 基于二阶泰勒近似的传感器节点定位方法 | |
CN108828643B (zh) | 一种基于灰色预测模型的室内外无缝定位系统及方法 | |
CN109151750A (zh) | 一种基于循环神经网络模型的lte室内定位楼层判别方法 | |
Xiao et al. | Abnormal behavior detection scheme of UAV using recurrent neural networks | |
CN111901749A (zh) | 一种基于多源融合的高精度三维室内定位方法 | |
US5537511A (en) | Neural network based data fusion system for source localization | |
CN114449452A (zh) | 一种异构设备室内定位算法 | |
Khassanov et al. | Finer-level sequential wifi-based indoor localization | |
CN111007460B (zh) | 直升机协同定位方法 | |
CN114928811A (zh) | 一种基于神经网络的超宽带矿井下人员精确定位方法 | |
CN115052245A (zh) | 基于深度学习的无人机辅助无线传感器网络节点定位方法 | |
Tan et al. | UAV localization with multipath fingerprints and machine learning in urban NLOS scenario | |
CN109141420B (zh) | 一种基于众包数据的室内定位方法 | |
Njima et al. | Convolutional neural networks based denoising for indoor localization | |
Oh et al. | DNN based WiFi positioning in 3GPP indoor office environment | |
CN110191422B (zh) | 海洋水下传感器网络目标跟踪方法 | |
Zhu et al. | Path planning for adaptive CSI map construction with A3C in dynamic environments | |
Cao | A localization algorithm based on particle swarm optimization and quasi-newton algorithm for 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 |