CN115766779A - 物联网中目标节点高精度定位方法、系统、设备及介质 - Google Patents

Abstract

本说明书实施例提供了一种物联网中目标节点高精度定位方法、系统、设备及介质，该方法包括初始化物联网目标节点个数、锚节点个数和各锚节点坐标；通过RSSI算法基于节点进行测距，并建立测距距离平方矩阵；基于平方矩阵通过MDS方法得到所有节点间的相对坐标；根据各锚节点绝对坐标及获得的所有节点间的相对坐标，确定各目标节点的绝对坐标；根据各节点间的测距距离及所有节点的绝对坐标，建立模拟退火函数；设置迭代条件，求解模拟退火函数确定目标节点的最优位置。本发明适用于工业物联网中基站数量少的环境，通过模拟退火算法对各节点初始坐标进行迭代优化，修正节点的坐标位置，提高了网络节点定位精度。

Description

物联网中目标节点高精度定位方法、系统、设备及介质

技术领域

本发明件涉及网络通信技术领域，尤其涉及一种物联网中目标节点高精度定位方法及系统。

背景技术

物联网(Internet of Things，IoT)是通过互联网、传统电信网等信息承载体，让所有能行使独立功能的普通物体实现互联互通的网络。物联网一般为无线网，通过物联网可以用中心计算机对机器、设备进行集中管理、控制，实现物和物相联。将物联网技术融入到工业生产的各个环节，就形成了工业物联网。工业物联网技术可大幅度提高生产效率，是未来制造业的发展方向。在工业物联网架构中，常常以节点形式分布部署各种生产线设备、传感器、智能运输车、工业机器人等。高精度获取其中的目标节点坐标信息，对于追踪节点运动轨迹，提供任务有效执行的相关信息，提升生产流程管控能力具有重要意义。因此，目标节点的定位方法是工业物联网中需要研究的重要课题之一。

工业物联网中的节点被划分为锚节点和目标节点，锚节点是位置已知的节点，可以预先在指定位置人工部署或通过GPS得到位置。目标节点是无线传感器网络中用于感知、传输数据且位置目标的待定位节点。

MDS-MAP定位算法是一种基于多维标度(Multi-Dimensional Scaling，MDS)的定位算法，被大量应用于基站预设数量较少、定位目标较多的定位场景。MDS作为一种协作式定位算法，可以根据节点之间的距离生成相对坐标矩阵，再根据锚节点将相对坐标转换为绝对坐标。MDS定位计算中需要每对节点间的距离作为参数进行运算，节点间的测距或估计误差将产生定位误差。该算法由于使用迪杰斯特拉(Dijkstra)算法估计节点之间的距离，当节点分布不均匀，不能充分覆盖监测区域导致网络拓扑存在空洞(如C型或○型网络拓扑)，以及存在测距噪声的情形下，容易致使大量节点对之间的估计距离严重大于实际距离，因此会导致较大的定位误差。

发明内容

本说明书一个或多个实施例提供了一种物联网中目标节点高精度定位方法，包括：

初始化物联网目标节点个数、锚节点个数；获取各锚节点坐标；通过RSSI算法基于所有节点进行测距，并建立测距距离平方矩阵；基于建立的测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标；根据各锚节点绝对坐标及获得的所有节点间的相对坐标，确定各目标节点的绝对坐标；再根据各节点间的测距距离及所有节点的绝对坐标，建立模拟退火函数；设置的迭代条件，求解模拟退火函数确定目标节点的最优位置。

本说明书一个或多个实施例提供了一种物联网中目标节点高精度定位系统，包括：

初始化模块，初始化物联网目标节点个数、锚节点个数；获取各锚节点坐标；

测距模块，通过RSSI算法基于所有节点进行测距，建立测距距离平方矩阵；

相对坐标计算模块，基于所述测距模块建立的测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标；

坐标转换模块，根据各锚节点绝对坐标及所述相对坐标计算模块获得的所有节点间的相对坐标，确定各目标节点的绝对坐标；

坐标优化函数构建模块：根据各节点间的测距距离及所述坐标转换模块获取的节点的绝对坐标，建立模拟退火函数；

优化计算模块：根据设置的迭代条件，求解模拟退火函数确定目标节点的最优位置。

本说明书一个或多个实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述一种物联网中目标节点高精度定位方法。

本说明书一个或多个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述一种物联网中目标节点高精度定位方法。

本发明提供的方法、系统、计算机设备或计算机可读存储介质，该方法在已知少量锚节点绝对坐标的情况下，估计各目标节点初始坐标，通过模拟退火算法对各节点初始坐标进行迭代优化，修正节点的坐标位置，提高了定位精度。无论是在节点分布均匀，还是在节点分布不均匀，甚至网络拓扑存在空洞的条件下，或存在测距噪声的情形下，均可获得高的定位精度，非常适用于工业物联网中基站数量少的环境。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一个或多个实施例提供的一种物联网中目标节点高精度定位方法流程图；

图2为本说明书一个或多个实施例提供的一种物联网中目标节点高精度定位方法中求解目标节点的最优位置的流程图；

图3为本说明书一个或多个实施例提供的一种物联网中目标节点高精度定位系统的结构示意图；

图4为本说明书一个或多个实施例提供的一种计算机设备的结构示意图；

图5为本发明定位方法与现有MDS-MAP定位算法的平均定位误差比较。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明件的保护范围。

下面结合具体实施方式和说明书附图对本发明做出详细的说明。

方法实施例

根据本发明实施例，提供了一种物联网中目标节点高精度定位方法，如图1所示，为本实施例提供的一种物联网中目标节点高精度定位方法流程图，根据本发明实施例的一种物联网中目标节点高精度定位方法，包括：

步骤S1、初始化物联网目标节点个数、锚节点个数；获取各锚节点坐标；

步骤S2、通过RSSI(Received Signal Strength Indicator，接收信号强度指示)算法基于所有节点进行测距，并建立测距距离平方矩阵；

步骤S3、基于建立的测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标；

步骤S4、根据各锚节点绝对坐标及步骤S3中获得的所有节点间的相对坐标，确定所有节点的绝对坐标；

步骤S5、根据步骤S2中各节点间的测距距离及步骤S4中所有节点的绝对坐标，建立模拟退火函数；

步骤S6、根据设置的迭代条件，求解模拟退火函数确定目标节点的最优位置。

本实施例，构建了基于MDS的模拟退火优化协作式目标定位方法，在已知少量锚节点绝对坐标的情况下，估计各目标节点初始坐标，通过模拟退火算法对各节点初始坐标进行迭代优化，修正节点的坐标位置，提高了定位精度。无论是在节点分布均匀，还是在节点分布不均匀，甚至网络拓扑存在空洞(如C型或○型网络拓扑)的条件下，或存在测距噪声的情形下，均可获得高的定位精度，非常适用于工业物联网中基站数量少的环境。

需要说明的是，本实施例是基于MDS方法得到所有节点间的相对坐标，度与该算法的使用的限定条件，步骤S1之后，需要判断锚节点个数，针对二维空间坐标，若小于3个，则不适用于本定位方法；锚节点大于3个时才执行后续流程。针对三维空间坐标，若小于4个，则不适用于本定位方法；锚节点大于4个时才执行后续流程。

在一些实施例中，RSSI测距算法是根据信号衰减模型得到接收节点和发送节点之间的距离，节点发射的信号强度是根据节点发射功率和设备得到，是已知的，接收节点测量接收到的该信号的强度RSSI，通过计算信号在传播路径中的衰减强度，应用信号衰减模型，将信号传播衰减值计算为对应的两点之间距离，其中RSSI计算为：

式中，P_Rec为节点接收信号功率，P_Ref为信号参考功率，单位通常为毫瓦；目前大多数无线传感器都有内置信号强度指示器，采用RSSI测距算法无需为目标节点增加额外设备，且所需锚节点较少，具有耗能低和成本低等优点。

本发明为了解决现有问题，通过构建模拟退火函数和算法，提高MDS-MAP定位精度。MDS-MAP算法所需的节点间(测距)距离矩阵是已知量(是所需的输入参数)。本实施例提到采用RSSI算法测距，建立所需节点间距离矩阵，是形成MDS-MAP算法所需已知量的一种方式。当然，也可根据物理测量，输入该量。MDS-MAP算法可在Range-free(不需要测距)和Range-based(基于测距的)两种情况下运行。基于测距的情况下精度要高于不需要测距情况。例如，当MDS-MAP算法在网络连通度为15，不需要测距的情况下，定位精度为30％左右；基于测距的情况下定位精度为16％左右。节点间距离矩阵已知量是基础，无论节点间距离矩阵的距离初始误差是大还是小，采用本发明，都可以在此基础上提高定位精度。

通过上述方法建立的各节点距离构成的测距距离平方矩阵具体如下：

其中，d_ij是节点i和节点j之间的距离；i，j＝1，2，…，n；n为节点的总数。

在一些实施例中，基于测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标，具体计算如下：

步骤S31、设立中心矩阵H为：

其中，E为n阶单位矩阵，I为1×n维全1矩阵。

步骤S32、对距离的平方矩阵去中心化：

步骤S33、通过奇异值分解方法(Singular Value Decomposition,SVD)获得矩阵B的特征值和特征向量：

式中，Λ是矩阵B的特征值构成的矩阵，Λ＝diag(λ₁,λ₂,…,λ_n)，λ₁≥λ₂≥…≥λ_n，V是特征值对应的特征向量构成的单位正交矩阵。

步骤S34、求解相对坐标位置矩阵X；

对于相对坐标位置矩阵X，因为B＝XX^T，所以可以求出X：

本实施例中，根据步骤S2中各节点间的测距距离及步骤S4中所有节点的绝对坐标，建立模拟退火函数，该函数具体如下式：

其中，M是所有未知目标节点的个数；W_i为节点i的权重系数；W_j为节点j的权重系数；(x_i，y_i)和(x_j，y_j)为上一次模拟退火迭代得到的节点i和节点j的新的坐标，初始计算时(x_i，y_i)和(x_j，y_j)为步骤S4中获得的绝对坐标；d_ij是节点i和节点j之间的距离；本实施例中，如果W_i或W_j为锚节点，则取值为1，如果W_i或W_j为待迭代优化的目标节点，则取值可为0.5，此处无需限定，因为该权重值表征的是该位置坐标可信度高低，由于是初始待优化的位置坐标，权重值小于1即可。

在一些实施例中，根据设置的迭代条件，求解确定目标节点的最优位置，具体可包括以下执行步骤：

首先，对于迭代条件的设置，包括设置初始温度T、热平衡迭代次数、降温系数α、迭代次数计数Num、最大迭代次数；初始温度的选择应充分兼顾优化质量和优化效率，本实施例利用下式确定初始温度T：

其中，S_max和S_min分别为初始目标函数值可行解的最大值和最小值；P为接受初始差点概率；

在一具体实施例中，热平衡迭代次数设置为30，降温系数α设置为0.8，最大迭代次数设置为60；P取0.8，本实施例初始温度T只要选择充分大，获得高质量解的概率就大，但花费的计算时间增加，因此初温的确定应折衷考虑优化质量和优化效率，为获得高的初始温度T，P适当大一些，选0.8；否则，可适当小一些，选0.7。

基于上述设置条件下，求解确定目标节点的最优位置包括步骤：

步骤A1、设置计数器k＝0，开始迭代优化过程。

步骤A2、对当前待优化节点坐标位置做随机扰动，产生目标函数新解S_{_new}。

步骤A3、计算ΔS＝S_{_new}–S。

步骤A4、判断是否ΔS≤0，若不是，则转至步骤A5，若是，则转至步骤A7；

步骤A5、计算扰动概率P(ΔS)＝EXP(-ΔS/T)；

步骤A6、判断是否Rand(0,1)≤P(ΔS)，若是，则转到步骤A7；若不是，则转到步骤A8，其中Rand(0，1)为生成0和1之间的随机数的函数；

步骤A7、接受扰动，S＝S_{_new}，并更新节点坐标；

步骤A8、判断计数器k是否小于热平衡迭代次数，若是，则令k＝k+1并转至步骤A2；若不是，则转至步骤A9；本实施例，判断若计数器k＜热平衡迭代次数，说明未达到热平衡，则需要重复执行步骤A2～步骤A7，进行热平衡迭代；

步骤A9、判断是否满足迭代终止条件，若不满足，则令T＝α*T，Num＝Num+1，并转至步骤A1；若满足，则转至下一步骤；本实施例，迭代终止条件包括S＜S_thr,S_thr为目标函数的门限值，迭代次数计数Num≥最大迭代次数；

步骤A10、输出最优解，结束。

参考图5，为本实施例提供对比通过本实施例方法和现有MDS-MAP定位算法的平均定位误差比较案例，如图所示，随着锚节点数目的增加，两个算法的平均定位误差均有下降的趋势。MDS-MAP的定位精度受锚节点数目影响较大，这是因为锚节点数目越多，节点间最短路径估计结果越准确，但本发明定位方法对锚节点的数量依赖程度较低，通过模拟退火优化算法，利用节点测距信息进行位置优化，在锚节点数目较少的情况下，就可以得到较高的定位精度。MDS-MAP的平均定位误差为1.9m，本发明定位方法的平均定位误差为0.35m，平均定位误差改善了82％。

与现有技术相比，发明方法具有以下几点有益效果：

1、本发明提供的定位方法，初始节点的位置获取无需所有节点设置位置辅助装置，仅需要将锚节点上配置传感器，成本更低，功耗更低，适应性更强。

2、本发明方法基于多维标度的定位算法可以不受目标节点稀疏性的限制，通过模拟退火优化算法的优秀全局搜索能力，不断迭代优化求解节点的最优位置，有效解决了现有技术MDS-MAP定位算法由于网络拓扑存在空洞、网络拓扑形状不规则、监测区域较大，以及存在测距噪声等原因造成的目标定位误差大的问题，提高了目标定节点位精度。

3、本发明提供的定位方法，锚节点坐标仅用于将辅助的将其他目标节点相对坐标转换为绝对坐标，作为初始的待优化的坐标，降低了方法对于锚节点分布位置的依赖程度，环境的适应性更强。

系统实施例

根据本发明实施例，提供了一种物联网中目标节点高精度定位系统，如图4示，为本实施例提供的一种物联网中目标节点高精度定位系统，根据本发明实施例的一种物联网中目标节点高精度定位系统，包括：

初始化模块，初始化物联网目标节点个数、锚节点个数；获取各锚节点坐标；

测距模块，通过RSSI算法基于所有节点进行测距，建立测距距离平方矩阵；

相对坐标计算模块，基于测距模块建立的测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标；

坐标转换模块，根据各锚节点绝对坐标及相对坐标计算模块获得的所有节点间的相对坐标，确定各目标节点的绝对坐标；

坐标优化函数构建模块：根据各节点间的测距距离及坐标转换模块获取的所有节点的绝对坐标，建立模拟退火函数；

优化计算模块：根据设置的迭代条件，求解模拟退火函数确定目标节点的最优位置。

本实施例系统在已知少量锚节点绝对坐标的情况下，估计各目标节点初始坐标，通过模拟退火算法对各节点初始坐标进行迭代优化，修正节点的坐标位置，提高了定位精度。无论是在节点分布均匀，还是在节点分布不均匀，甚至网络拓扑存在空洞(如C型或○型网络拓扑)的条件下，或存在测距噪声的情形下，均可获得高的定位精度，非常适用于工业物联网中基站数量少的环境。

在一些实施例中，测距模块建立测距距离平方矩阵具体如下：

其中，d_ij是节点i和节点j之间的距离；i，j＝1，2，…，n；n为节点的总数。

在一些实施例中，相对坐标计算模块基于测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标，具体计算如下：

步骤101、设立中心矩阵H为：

其中，E为n阶单位矩阵，I为1×n维全1矩阵。

步骤102、对距离的平方矩阵去中心化：

步骤103、通过SVD方法获得矩阵B的特征值和特征向量：

式中，Λ是矩阵B的特征值构成的矩阵，Λ＝diag(λ₁,λ₂,…,λ_n)，λ₁≥λ₂≥…≥λ_n，V是特征值对应的特征向量构成的单位正交矩阵。

步骤104、求解相对坐标位置矩阵X；

对于相对坐标位置矩阵X，因为B＝XX^T，所以可以求出X：

在一些实施例中，坐标优化函数构建模块构建的模拟退火函数

具体如下式：

其中，M是所有未知目标节点的个数；W_i为节点i的权重系数；W_j为节点j的权重系数；(x_i，y_i)和(x_j，y_j)为上一次模拟退火迭代得到的节点i和节点j的新的坐标，初始计算时(x_i，y_i)和(x_j，y_j)为坐标转换模块获得的初始绝对坐标；d_ij是节点i和节点j之间的距离。

在一些实施例中，优化计算模块根据设置的迭代条件，求解确定目标节点的最优位置，具体可包括以下执行步骤：

首先，对优化计算模块的迭代条件的设置，包括设置初始温度T、热平衡迭代次数、降温系数α、迭代次数计数Num、最大迭代次数；初始温度的选择应充分兼顾优化质量和优化效率，本实施例利用下式确定初始温度T：

其中，S_max和S_min分别为初始目标函数值可行解的最大值和最小值；P为接受初始差点概率；

在一具体实施例中，热平衡迭代次数设置为30，降温系数α设置为0.8，最大迭代次数设置为60；P取0.8。

基于上述设置的迭代条件下，优化计算模块求解过程如下：

步骤B1、设置计数器k＝0，开始迭代优化过程。

步骤B2、对当前待优化节点坐标位置做随机扰动，产生目标函数新解S_{_new}。

步骤B3、计算ΔS＝S_{_new}–S。

步骤B4、判断是否ΔS≤0，若不是，则转至步骤B5，若是，则转至步骤B7；

步骤B5、计算扰动概率P(ΔS)＝EXP(-ΔS/T)；

步骤B6、判断是否Rand(0,1)≤P(ΔS)，若是，则转到步骤B7；若不是，则转到步骤B8，其中Rand(0，1)为生成0和1之间的随机数的函数；

步骤B7、接受扰动，S＝S_{_new}，并更新节点坐标；

步骤B8、判断计数器k是否小于热平衡迭代次数，若是，则令k＝k+1并转至步骤B2；若不是，则转至步骤B9；

步骤B9、判断是否满足迭代终止条件，若不满足，则令T＝α*T，Num＝Num+1，并转至步骤B1；若满足，则转至下一步骤；本实施例，迭代终止条件包括S＜S_thr,S_thr为目标函数的门限值，迭代次数计数Num≥最大迭代次数；

步骤B10、输出最优解，结束。

如图4所示，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中一种物联网中目标节点高精度定位方法，或者计算机程序被处理器执行时实现上述实施例中一种物联网中目标节点高精度定位方法，所述计算机程序被所述处理器执行时实现如下方法步骤：

步骤S1、初始化物联网目标节点个数、锚节点个数；获取各锚节点坐标；

步骤S2、通过RSSI算法基于所有节点进行测距，并建立测距距离平方矩阵；

步骤S3、基于建立的测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标；

步骤S4、根据各锚节点绝对坐标及步骤S3中获得的所有节点间的相对坐标，确定各目标节点的绝对坐标；

步骤S5、根据步骤S2中各节点间的测距距离及步骤S4中所有节点的绝对坐标，建立模拟退火函数；

步骤S6、根据设置的迭代条件，求解模拟退火函数确定目标节点的最优位置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.物联网中目标节点高精度定位方法，其特征在于，包括：

初始化物联网目标节点个数、锚节点个数；获取各锚节点坐标；通过RSSI算法基于所有节点进行测距，并建立测距距离平方矩阵；基于建立的测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标；根据各锚节点绝对坐标及获得的所有节点间的相对坐标，确定各目标节点的绝对坐标；再根据各节点间的测距距离及所有节点的绝对坐标，建立模拟退火函数；设置迭代条件，求解模拟退火函数确定目标节点的最优位置。

2.如权利要求1所述的物联网中目标节点高精度定位方法，其特征在于，所述建立模拟退火函数具体如下式：

其中，M是目标节点的个数；W_i为节点i的权重系数；W_j为节点j的权重系数；(x_i，y_i)为上一次模拟退火迭代得到的节点i的新的坐标，(x_j，y_j)为上一次模拟退火迭代得到的节点j的新的坐标；d_ij为节点i和节点j之间的距离。

3.如权利要求2所述的物联网中目标节点高精度定位方法，其特征在于，所述基于建立的测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标，具体计算如下：

设立中心矩阵H为：

其中，E为n阶单位矩阵，I为1×n维全1矩阵；

对测距距离平方矩阵去中心化：

再通过SVD方法获得矩阵B的特征值和特征向量：

式中，Λ是矩阵B的特征值构成的矩阵，Λ＝diag(λ₁,λ₂,…,λ_n)，λ₁≥λ₂≥…≥λ_n，V为特征值对应的特征向量构成的单位正交矩阵；

求解相对坐标位置矩阵X为：

4.如权利要求2所述的物联网中目标节点高精度定位方法，其特征在于，设定设置初始温度T、热平衡迭代次数、降温系数α、迭代次数计数Num、最大迭代次数条件下，求解确定目标节点的最优位置包括步骤：

步骤A1、设置计数器k＝0，开始迭代优化过程；

步骤A2、对当前待优化节点坐标位置做随机扰动，产生目标函数新解S_{_new}；

步骤A3、计算ΔS＝S_{_new}–S；

步骤A4、判断是否ΔS≤0，若不是，则转至步骤A5，若是，则转至步骤A7；

步骤A5、计算扰动概率P(ΔS)＝EXP(-ΔS/T)；

步骤A6、判断是否Rand(0,1)≤P(ΔS)，若是，则转到步骤A7；若不是，则转到步骤A8，其中,Rand(0,1)为生成0和1之间的随机数的函数；

步骤A7、接受扰动，S＝S_{_new}，并更新节点坐标；

步骤A8、判断计数器k是否小于热平衡迭代次数，若是，则令k＝k+1并转至步骤A2；若不是，则转至步骤A9；

步骤A9、判断是否满足迭代终止条件，若不满足，则令T＝α*T，Num＝Num+1，并转至步骤A1；若满足，则转至下一步骤；

步骤A10、输出最优解，结束。

5.物联网中目标节点高精度定位系统，其特征在于，包括：

初始化模块，初始化物联网目标节点个数、锚节点个数；获取各锚节点坐标；

测距模块，通过RSSI算法基于所有节点进行测距，建立测距距离平方矩阵；

相对坐标计算模块，基于所述测距模块建立的测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标；

坐标转换模块，根据各锚节点绝对坐标及所述相对坐标计算模块获得的所有节点间的相对坐标，确定各目标节点的绝对坐标；

坐标优化函数构建模块：根据各节点间的测距距离及所述坐标转换模块获取的节点的绝对坐标，建立模拟退火函数；

优化计算模块：根据设置的迭代条件，求解模拟退火函数确定目标节点的最优位置。

6.如权利要求5所述的物联网中目标节点高精度定位系统，其特征在于，所述坐标优化函数构建模块建立模拟退火函数具体如下式：

其中，M是目标节点的个数；W_i为节点i的权重系数；W_j为节点j的权重系数；(x_i，y_i)为上一次模拟退火迭代得到的节点i的新的坐标，(x_j，y_j)为上一次模拟退火迭代得到的节点j的新的坐标；d_ij为节点i和节点j之间的距离。

7.如权利要求6所述的物联网中目标节点高精度定位系统，其特征在于，所述相对坐标计算模块基于建立的测距距离平方矩阵，通过MDS方法得到所有节点间的相对坐标，具体计算如下：

设立中心矩阵H为：

其中，E为n阶单位矩阵，I为1×n维全1矩阵；

对测距距离平方矩阵去中心化：

再通过SVD方法获得矩阵B的特征值和特征向量：

式中，Λ是矩阵B的特征值构成的矩阵，Λ＝diag(λ₁,λ₂,…,λ_n)，λ₁≥λ₂≥…≥λ_n，V为特征值对应的特征向量构成的单位正交矩阵；

求解相对坐标位置矩阵X为：

8.如权利要求6所述的物联网中目标节点高精度定位系统，其特征在于，设定设置初始温度T、热平衡迭代次数、降温系数α、迭代次数计数Num、最大迭代次数条件下，所述优化计算模块求解确定目标节点的最优位置包括步骤：

步骤B1、设置计数器k＝0，开始迭代优化过程；

步骤B2、对当前待优化节点坐标位置做随机扰动，产生目标函数新解S_{_new}；

步骤B3、计算ΔS＝S_{_new}–S；

步骤B4、判断是否ΔS≤0，若不是，则转至步骤B5，若是，则转至步骤B7；

步骤B5、计算扰动概率P(ΔS)＝EXP(-ΔS/T)；

步骤B6、判断是否Rand(0,1)≤P(ΔS)，若是，则转到步骤B7；若不是，则转到步骤B8，其中,Rand(0,1)为生成0和1之间的随机数的函数；

步骤B7、接受扰动，S＝S_{_new}，并更新节点坐标；

步骤B8、判断计数器k是否小于热平衡迭代次数，若是，则令k＝k+1并转至步骤B2；若不是，则转至步骤B9；

步骤B9、判断是否满足迭代终止条件，若不满足，则令T＝α*T，Num＝Num+1，并转至步骤B1；若满足，则转至下一步骤；

步骤B10、输出最优解，结束。

9.计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述物联网中目标节点高精度定位方法。

10.计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述物联网中目标节点高精度定位方法。

Images