CN117241215A - 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 - Google Patents
一种基于图神经网络的无线传感器网络分布式节点协作定位方法 Download PDFInfo
- Publication number
- CN117241215A CN117241215A CN202310699406.2A CN202310699406A CN117241215A CN 117241215 A CN117241215 A CN 117241215A CN 202310699406 A CN202310699406 A CN 202310699406A CN 117241215 A CN117241215 A CN 117241215A
- Authority
- CN
- China
- Prior art keywords
- nodes
- node
- network
- sensor
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 48
- 238000004891 communication Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 239000010410 layer Substances 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于图神经网络的无线传感器网络分布式节点协作定位方法。该定位方法适用于室外定位场景。在该定位方法中,将整个无线传感器网络系统看作一个无向连通图模型,传感器节点通过和邻居锚节点通信获取的测距信息构建单个节点的节点特征向量,通过和邻居所有节点通信获取的信息构建节点的边权重信息。搭建并训练图神经网络模型,计算并估计未知节点的位置坐标。在离线阶段集中收集训练数据,对网络模型进行训练;模型训练好后,将所对应参数嵌入传感器节点中,对节点进行位置估计。该模型有效利用了图神经网络和无线传感器网络相似的拓扑结构特征以及邻居节点之间的无线通信信息,针对节点定位问题有效地提供了一个分布式解决方案。
Description
技术领域
本发明涉及人工智能深度学习技术应用领域,主要面向深度学习技术中的图神经网络技术的应用研究,具体涉及一种基于图神经网络的无线传感器网络分布式节点协作定位方法。
背景技术
由于物联网技术的快速扩张以及大数据“智能化”时代的到来,数据挖掘和机器学习技术对人们的生活产生了显著影响。作为机器学习和人工智能的重要组成部分,深度学习是指使用数学技术对人工神经网络(ANN)进行建模,并通过计算机自动计算输入数据以获得理想的输出数据的技术。深度学习技术被广泛应用于信息处理、自动控制和生物医学领域,并在图像识别、音频识别和自然语言理解等领域取得了重大成功。
而图神经网络是一种针对图结构数据进行学习和推理的深度学习神经网络模型。它可以自动提取节点和边的特征,并通过这些特征进行任务建模和预测。与传统的深度学习模型(如卷积神经网络)针对的是欧几里得空间中的数据不同,GNN更加适合处理非欧几里得空间中的数据,例如社交网络、化学分子、语义网等。GNN的核心思想是通过在图上迭代地传播和聚合信息来学习节点和边的表示。一般来说,GNN的模型可以分为两个部分:节点更新和图更新。节点更新是通过将节点和邻居节点的信息进行聚合来更新节点的表示,而图更新是通过对所有节点的表示进行汇总来更新整个图的表示。
无线传感器网络技术是当今无线通信研究领域内备受关注的热点话题。网络中的传感器节点可以通过相互通信实现自身的定位,进而应用于环境、工程监测以及目标跟踪等实际工程中。目前,常用的无线传感器网络节点定位技术可以大致分为基于测距和非测距的定位算法。其中,基于测距的算法包括TOA(Time of Arrival)、TDOA(Time Differenceof Arrival)和AOA(Angle of Arrival),以及基于接收信号强度指示的算法RSSI(Received Signal Strength Indicator)。常用的定位框架包括三边定位法、扩展卡尔曼滤波定位法和最大似然估计定位法等。这些算法已经初步解决了无线传感器网络中的节点定位问题。
然而由于传感器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,并且单个传感器节点的通信范围有限,一个传感器节点并不能直接地和网络覆盖范围内所有节点进行通信,从而导致传感器节点所能接收到的数据信息受限,因此,整个定位框架的定位精度都会受到上述因素的影响。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。
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,提出一种可靠的基于图神经网络的传感器节点分布式协作定位模型,以传感器节点之间通信的RSSI值作为原始测量数据,根据初始数据建立适合图神经网络计算的无向图模型,通过传感器节点之间的消息传递与多次局部信息更新,计算并得到传感器节点的估计位置坐标。该发明巧妙地利用了无线传感器网络的拓扑结构和图结构的相似性,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:
一种基于图神经网络的无线传感器网络分布式节点协作定位方法,包括如下步骤:
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,确定当前环境场景下RSSI自由路径传播模型的路径损耗指数γ、噪声标准差σ,以及传感器节点的通信半径d,确定无线传感器网络中锚节点个数n,待定位节点个数为m,所有锚节点位置坐标在无线传感器网络监测区域内均匀分布,为了确保网络监测区域内所有传感器节点都可以被覆盖到,通常设置监测区域为正方矩形区域,锚节点在监测区域内呈方阵式分布,即相邻锚节点等距分布,且相邻锚节点之间的间距dwidth小于传感器节点的通信半径,为保证每一个待定位的传感器节点至少拥有3个邻居锚节点,设计将锚节点分布在传感器监测区域的边缘与顶点处,确定无线传感器网络监测区域内包含锚节点在内的所有传感器节点连接成一个完整的网络;具体锚节点分布表示为:
xi+1-xi=yj+1-yj=dwidth
2、确定无线传感器网络的基础定位环境部署后,选择合适无向图模型建模方式,无向图模型建模的原则包括以下几点:
a.每一个传感器节点对应无向图模型中的一个顶点,所有锚节点与待定位节点所对
应的顶点共同构成无向图模型中的顶点集合;
b.每两个邻居传感器节点所建立的通信连接链路对应无向图模型中的一条边,所有锚节点与锚节点、锚节点与待定位节点、待定位节点与待定位节点之间对应的连接
关系所对应的边共同构成无向图模型中的边集合;
c.根据无向图模型中的顶点连接关系建立邻接关系矩阵,对于所有相互之间存在边连接的相邻节点,矩阵中对应元素为1,对于相互之间没有边相连的不相邻节点,矩阵中对应元素为0;
d.节点特征向量表示为对应节点与所有锚节点之间的估计距离所形成的向量,每一条边的特征信息(即边权重)表示为所相连接的两个节点之间的估计距离的倒数;
确定定位场景下的环境参数后,所有传感器节点广播信号并接收邻居节点所广播的信号并收集RSSI值,根据自由路径损耗模型公式以及收集到的RSSI值计算邻居节点之间的估计距离,根据节点之间的估计距离与邻接关系建立无向图模型具体过程表示为:
(1)无线传感器所构成的无向图模型具体构成表示为
ε={eij|dij≤d} i,j=1,2,...,I
(2)每一个传感器节点的节点特征向量表示为
(3)每一条边的边权重特征信息表示为
(4)传感器节点i接收其邻居节点j广播的信号得到RSSI值表示为
(5)传感器节点i根据接收到邻居节点j广播信号的RSSI值计算节点间估计距离的函数关系表示为
(6)所有节点之间的邻接关系矩阵表示为
其中,表示由无线传感器网络所有节点共同构成的无向图模型,/>表示无向图模型的顶点集合,包含所有n个锚节点与m个待定位节点,I表示整个网络中的顶点个数;ε表示无向图模型中的边集合,包含所有邻居传感器节点之间建立的单跳连接;vi表示节点i的特征向量表示,其中/>表示节点i,j之间的估计距离,当节点间实际距离超过通信半径d时,/>设置为0;对于无向图边集合中的边特征信息,设置为节点估计距离的倒数,即两个节点相距越近,边权重参考价值越大;邻居节点i,j之间的RSSI值RSSIij通过自由路径损耗模型计算得出,P[d0]表示在通信距离为参考距离d0时的传感器节点间RSSI值,γ表示定位场景环境下的自由路径损耗指数,dij表示邻居节点i,j之间的直线距离,Xσ为标准差为σ的环境噪声随机变量;fd(.)表示根据RSSI值估计节点间距离的函数,矩阵AI*I表示所有传感器节点之间的邻接关系。
3、对于建立好的无向图模型搭建图神经网络进行运算,每一层的图神经网络操作将会更新节点所对应的特征向量表示,且每进行一次更新节点所对应的特征向量长度都会发生变化,但是每一层网络无向图模型所对应的顶点邻接关系以及邻接边的权重信息并不会发生变化,在图神经网络运算过程中,对于每一层网络都采用双曲正切函数进行激活操作,通过图神经网络建模对所建立的无向图模型进行计算估计节点位置的具体操作过程可以表示为:
l1=GCNConv1(input)
l2=GraphConv1(l1)
l3=GCNConv2(l2)
l4=ChebConv1(l3)
l5=ChebConv2(l4)
l6=ChebConv3(l5)
output=Linear(l6)
其中input表示图神经网络的输入变量,即在数据收集过程中所生成的无向图结构作为输入变量输入图神经网络中,l1、l2、l3、l4、l5、l6分别表示网络的中间层结构,每一层都是由上一层的网络结构经过图神经网络前向传播操作得到,网络内部运算规则根据网络单层结构差异而决定,在所述方法中,主要所用到的图神经网络结构有三种:GCNConv(.)、GraphConv(.)以及ChebConv(.),三种图神经网络层主要差异在于,其一,每个层的邻域定义不同,GCNConv(.)使用的是固定的一阶邻居,GraphConv(.)可以使用任意大小的邻域,而ChebConv(.)使用了切比雪夫多项式来考虑更大范围内的邻居;其二,不同层使用的更新公式不同,GCNConv(.)使用的是均值池化,GraphConv(.)使用的是所有邻居节点的简单拼接,而ChebConv(.)使用了多项式卷积;其三,不同层考虑的信息量不同,GCNConv(.)只考虑节点度数,GraphConv(.)考虑所有邻居节点的信息,而ChebConv(.)通过切比雪夫多项式考虑了更多邻居节点的信息;最后,不同层的参数数量也存在差异,GCNConv(.)和GraphConv(.)具有相同数量的参数,而ChebConv(.)的参数数量随着需要考虑的邻居节点数量而变化,三种图神经网络的具体运算原理如下所示:
a.设网络的节点特征矩阵表示为:
XI*n=[v1,v2,...,vI]T
b.网络邻接矩阵与对应边权重的点乘的乘积再添加自环后的矩阵表示为:
c.三种图神经网络运算公式分别表示为:
Z(1)=X
其中表示矩阵A添加自环后的度矩阵,W、W1、W2以及Θ(k)表示可训练权重参数矩阵,K表示切比雪夫多项式的阶数,/>表示归一化拉普拉斯矩阵。GCNConv(.)的核心思想是将每个节点的特征向量与其邻居节点的特征向量进行加权平均,得到一个新的节点特征向量;GraphConv(.)的核心思想则是在图结构上实现卷积操作,每个节点的特征向量是通过将自己的特征向量和相邻节点的特征向量加权求和更新得到的,这种加权求和的方式实际上就是卷积操作,而权重矩阵就是卷积核;而对于ChebConv(.)而言,其核心是通过切比雪夫多项式来逼近卷积核函数实现卷积操作。最后,在图神经网络的输出层,经过处理的无向图结构通过一个简单线性层输出待定位节点的位置估计坐标output。
4、搭建图神经网络分布式协作定位模型并对其进行训练优化,由于人工智能深度学习图神经网络技术相较于其他现有神经网络技术对于图结构数据存在高度敏感性,同时对数据特征存在强大的学习能力,所以采用图神经网络对于无线传感器网络中的节点特征进行学习,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,并且在传感器节点通信半径存在限制的情况下,充分利用局部锚节点信息与邻居待定位节点信息实现分布式协作定位,一定程度上克服传感器节点信息局限对于定位精度带来的影响。
图神经网络具体内部结构在技术方案3中已经进行了详细说明,对于图神经网络内部每一层的参数选择有以下几点原则:
(1)输入层的节点特征向量长度必须与所部署的锚节点个数n相等,输出层的节点特征向量长度为2,表示节点在网络监测区域内的二维坐标估计;
(2)对于图神经网络内部隐层l1~l6中的节点特征向量长度,若选择节点特征向量长度过大则会增加网络的复杂度,过小则会让网络并不能充分学习节点间距离与位置关系的特征,通常在l1~l4层选择长度250-650的节点特征向量,在l5~l6层选择20-80长度的节点特征向量,可以使网络在较为合适的计算复杂度情况下取得较高的定位性能;
(3)对于ChebConv(.)层中的切比雪夫多项式的阶数,一般选择2-3;
(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m表示训练数据集中单个无向图结构的待定位节点数量,(xi,yi)表示图神经网络定位模型估计图中第i个待定位节点的位置坐标,表示对应节点的实际位置坐标。对于训练数据Batch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,选择不能太大,一般在20-50水平,表示网络每一次对于20-50张无向图训练数据进行学习,通过多次反向传播迭代训练整个数据集的操作学习得到最佳网络参数。
(5)人工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图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图神经网络模型进行训练,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。
5、在实际场景下对设计好的定位系统进行测试,将训练好的网络对应参数矩阵提取出来嵌入传感器节点中,所有传感器节点定期发送广播信号并接受来自邻居节点的信号,收集RSSI值,根据收集到的RSSI值计算邻居节点间的估计距离并形成自身的节点特征向量与邻居边权重信息,通过计算得到的信息结合邻居节点的特征向量信息根据训练好的图神经网络参数矩阵对自身节点特征进行更新,最终网络输出层更新得到的二维节点特征向量作为传感器节点的估计位置。
有益效果:本发明所提模型是一种基于图神经网络的室外无线传感器网络静态节点定位场景下的分布式节点协作定位模型,该模型巧妙利用了图神经网络对于图结构的敏感性、无线传感器网络中传感器节点的拓扑结构与图结构的高度相似性,以及深度学习中的神经网络技术对于大规模数据的强大学习能力,将无线传感器网络中的节点间测距距离数据构建成一个无向图模型结构,利用图神经网络学习无向图模型中的数据关系特征,同时利用图神经网络中节点特征更新只需要收集节点自身和邻居的局部特征的特点,实现了节点的协作与分布式定位。在节点定位过程中,利用RSSI自由路径损耗与节点间距离关系估计节点间距离,利用锚节点与未知节点、未知节点与未知节点间距离信息形成节点特征,利用节点自身特征、邻居特征以及边特征信息更新节点特征向量,解决了集中式定位的高成本问题;同时,构建图神经网络模型的输入无向图结构原理简单,仅通过简单的测距技术即可实现,大大节省了无线传感器网络的通信成本。该模型在实际无线传感器网络节点分布式协作定位场景下,能够通过有限的局部通信信息,将该信息进行加工处理后形成节点特征向量形式作为计算的数据基础,通过图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分布式定位问题,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是基于图神经网络的无线传感器网络节点分布式协作定位的场景结构图;
图2是无线传感器网络构建无向图模型的流程图;
图3是图神经网络定位模型的内部结构图;
图4是一个基于图神经网络的节点协作定位算法的定位实例结果示意图
图5是定位模型在离线阶段的建立与训练过程流程图;
图6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
一种基于图神经网络的无线传感器网络分布式节点协作定位方法,包括如下步骤:
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,所有传感器节点具有相同的通信半径,互相处于通信范围内的传感器节点可以建立通信连接,保证所有传感器节点可以共同形成一个完整的无向连通图模型。
(2)确定锚节点个数、间距,定位场景下的路径损耗指数以及环境噪声标准差,确定传感器节点通信半径,确认传感器节点信号广播周期。
(3)确定地面固定锚节点位置坐标分布、无向图中的节点特征向量以及边权重特征,即图神经网络输入的无向图结构,此处采用25个锚节点以横纵方向5*5均匀分布在实验区域内,此处假设实验区域为100m*100m的方形区域,锚节点位置坐标分别为:
xi+1-xi=yj+1-yj=25
确定节点特征向量长度为25,获取当前环境定位场景下下RSSI路径损耗指数γ,以及噪声标准差σ,确定采用传感器节点通信半径d=30m。
2、根据当前无线传感器网络监测区域内的节点分布构建无向图模型,内部结构原理如图2所示:
本发明所提模型中无向图模型搭建的流程可以分为以下几个步骤:
(1)传感器节点周期性广播信号并接收邻居节点广播的信号收集RSSI值,传感器节点i接收其邻居节点j广播的信号得到RSSI值表示为
(2)传感器节点i根据收集到的RSSI值计算节点间估计距离,计算公式表示为:
(3)根据传感器节点与锚节点之间的距离估计以及传感器节点之间的邻接关系构建无向图模型
ε={eij|dij≤d} i,j=1,2,...,I
其中,表示由无线传感器网络所有节点共同构成的无向图模型,/>表示无向图模型的顶点集合,包含所有25个锚节点与m个待定位节点,I表示整个网络中的顶点个数;ε表示无向图模型中的边集合,包含所有邻居传感器节点之间建立的单跳连接;vi表示节点i的特征向量表示,其中/>表示节点i,j之间的估计距离,当节点间实际距离超过通信半径d时,/>设置为0;对于无向图边集合中的边特征信息eij,设置为节点估计距离的倒数,即两个节点相距越近,边权重参考价值越大;
3、单层图神经定位网络对于节点特征向量更新的内部原理以及整个图神经网络结构如图3所示:
网络由一个输入层6个隐层以及一个输出层构成,其中l1和l3为GCNConv(.)层,l2隐层为GraphConv(.)图卷积层,l4、l5、l6是切比雪夫层,三种图神经网络操作的共性在于,节点可以通过自身与邻居的局部信息对自身特征信息进行更新,可以通用表示为:
其中表示第l层的节点i特征,/>表示更新后的节点特征,/>表示节点i的邻居节点集合,网络最后的输出层是一个全连接层,图神经网络各层神经元数目以及对应激活函数等参数如下所示:
(1)输入层对应特征向量长度为25,输入搭建好的无向图模型
(2)l1层对应图神经网络操作为GCNConv(.),经过图神经网络操作后的层特征向量长度为360,对应激活函数为双曲正切函数tanh(.);
(3)l2层对应图神经网络操作为GraphConv(.),经过图神经网络操作后的层特征向量长度为640,对应激活函数为双曲正切函数tanh(.);
(4)l3层对应图神经网络操作为GCNConv(.),经过图神经网络操作后的层特征向量长度为480,对应激活函数为双曲正切函数tanh(.);
(5)l4层对应图神经网络操作为ChebConv(.),层对应参数K=3,经过图神经网络操作后的层特征向量长度为256,对应激活函数为双曲正切函数tanh(.);
(6)l5层对应图神经网络操作为ChebConv(.),层对应参数K=2,经过图神经网络操作后的层特征向量长度为72,对应激活函数为双曲正切函数tanh(.);
(7)l6层对应图神经网络操作为ChebConv(.),层对应参数K=2,经过图神经网络操作后的层特征向量长度为24,对应激活函数为双曲正切函数tanh(.);
(8)最后输出层是一个输入为24输出为2的全连接线性层,无需激活函数,网络输出的两个神经元数据值分别对应传感器节点的横坐标与纵坐标;
按场景要求搭建完成图神经定位网络模型后,设置对应网络参数,学习率选择0.0001,选择Adam优化器以及均方误差损失函数MSELoss(.),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,训练迭代次数800次,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、所提出的基于图神经网络的无线传感器网络节点分布式协作定位模型的建立与训练过程如图5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,即传感器监测区域大小、锚节点位置分布、传感器节点通信半径等,建立相应无向图模型,搭建符合无向图输入结构的图神经网络定位模型;
(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、所提出的基于图神经网络的无线传感器节点分布式协作定位算法整个系统工作流程图如图6所示,具体分为以下几个步骤:
(1)传感器节点定期广播信号并接收邻居节点广播的信号;
(2)传感器节点根据接收到的邻居节点广播信号计算RSSI值并估计节点间距离;
(3)传感器节点根据自身与邻居节点的估计距离和邻接关系形成节点特征向量与邻接边权重信息;
(4)根据训练好的图神经网络模型以及节点自身特征信息、邻居特征信息与邻接边的权重信息对节点特征向量进行更新,最终经过6层隐层,输出层输出节点的位置估计坐标。
6、针对上述提出的基于图神经网络的无线传感器节点分布式协作定位算法工作流程,进行一个节点协作定位实例仿真实验并对实验结果进行具体分析,具体分为以下几个步骤:
(1)设置无线传感器网络监测区域大小D=100m*100m,按照定位场景设置锚节点的坐标,选择当前环境定位场景下下RSSI路径损耗指数γ=2.65,以及噪声标准差σ=2.15,确定采用传感器节点通信半径d=30m;
(2)在监测区域内随机生成100个待定位节点Ni(xi,yi),0≤xi,yi≤100,其中i为传感器节点索引,由于监测区域中所有传感器节点共同作为无向图结构中的顶点结构,锚节点对应索引编号为1,2,...,25,所以此处i的取值为26,27,...,125;
(3)对监测区域内所有距离小于节点通信半径的任意两个节点,根据其坐标Ni(xi,yi),Nj(xj,yj)计算其间直线距离dij,根据距离估计节点间的RSSI值RSSIij,并根据节点间RSSI值计算节点间估计距离
(4)根据估计得到的所有邻居传感器节点间距离信息以及所提出的无向图数学建模方法,形成节点特征向量与邻接边权重信息,构建无向图模型
(5)将建模完成的无向图结构输入训练完成的图神经网络,网络输出待定位节点的估计坐标/>根据节点估计坐标与计算机生成的节点真实坐标Ni(xi,yi),26≤i≤125估计所有待定位节点的定位均方根误差为0.78m,节点定位结果如图4所示,其中黄色圆点表示锚节点部署位置,红色和绿色圆点分别表示待定位节点的真实位置与估计位置。
结合定位均方根误差的数据结果以及图示结果发现,通过基于图神经网络的节点协作定位方法对未知节点的定位,所获得的的节点估计位置与真实位置之间的误差较小,定位精度可以保持在1m以内;仿真结果表示,所提出的基于图神经网络的节点协作定位方法具有良好的定位性能,算法具备实际可行性。
Claims (6)
1.一种基于图神经网络的无线传感器网络分布式节点协作定位方法,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,确定无线传感器网络中锚节点个数n,所有锚节点位置坐标在无线传感器网络监测区域内均匀分布,确定当前环境场景下RSSI自由路径传播模型的路径损耗指数γ、噪声标准差σ,以及传感器节点的通信半径d,确定无线传感器网络监测区域内所有的传感器节点都可以被覆盖到,连接成一个完整的网络;
步骤2:根据无线传感器网络拓扑结构特征构建传感器节点无向图模型,确定无向图模型中的节点特征向量结构与边特征结构,所有节点接收邻居单跳节点广播的信号并计算RSSI值,传感器节点根据接收到的RSSI值计算自身与邻居节点间的估计距离,将估计的距离值作为无向图节点特征与边特征中的数据值,形成完整的无向图模型;
步骤3:建立图神经网络模型,其中输入变量为步骤2中根据无线传感器网络拓扑结构生成的无向图模型,通过数层图神经网络计算,最终输出一个新的无向图模型,其中每个节点的特征向量代表对应传感器节点的估计位置坐标;
步骤4:建立训练集数据对图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,对于得到的图神经网络分布式定位模型进行性能评估与误差分析;
步骤5:将训练好的图神经网络模型参数嵌入传感器节点中,收集监测区域内所有传感器节点收到的邻居节点广播信号的RSSI值得并计算节点间估计距离,根据计算结果构建节点自身的特征向量与其邻居边权重,由节点自身的特征向量、邻居边权重信息与邻居节点的特征向量作为原始数据,通过训练好的图神经网络参数计算得到待定位传感器节点在无线传感器网络中的位置估计坐标。
2.根据权利要求1所述的一种基于图神经网络的无线传感器网络节点分布式协作定位方法,其特征在于,步骤1中,n个锚节点的位置部署前提是确定监测区域内所有待定位传感器节点都可以拥有至少3个邻居锚节点,即n为大于3的正整数;传感器节点通信半径d设置也受上述条件约束;为保证锚节点在无线传感器网络监测区域内均匀分布,设置锚节点呈方阵式等距均匀分布在实验区域中,即锚节点个数n满足n是一个完全平方数,相邻锚节点间距相等表示为dwidth,dwidth<d,对每个固定锚节点编号为Ap,其中p=1,2,...,n,锚节点部署坐标分布为:
xi+1-xi=yj+1-yj=dwidth。
3.根据权利要求2所述的一种基于图神经网络无线传感器网络节点分布式协作定位方法,其特征在于,步骤2中,设定整个无线传感器网络中待定位节点数目为m,单个传感器节点的特征向量长度为n,即节点特征向量中每个神经元的输入值为传感器节点本身与对应锚节点的的估计距离,对于传感器节点通信范围外的锚节点,传感器节点与其之间的直线距离不可估计,设置对应节点特征向量中的数据值为0;无向图边特征值为一个单独的数据值,无向图边特征值设置为传感器节点与邻居节点估计距离的倒数,表示对应节点之间的边的权重;所有节点特征向量与它们之间相邻的边特征共同形成无向图模型具体表示为:
(1)无线传感器所构成的无向图模型具体构成表示为
(2)每一个传感器节点的节点特征向量表示为
(3)每一条边的边权重特征信息表示为
(4)传感器节点i接收其邻居节点j广播的信号得到RSSI值表示为
(5)传感器节点i根据接收到邻居节点j广播信号的RSSI值计算节点间估计距离的函数关系表示为
(6)所有节点之间的邻接关系矩阵表示为
其中,表示由无线传感器网络所有节点共同构成的无向图模型,/>表示无向图模型的顶点集合,包含所有n个锚节点与m个待定位节点,I表示整个网络中的顶点个数;ε表示无向图模型中的边集合,包含所有邻居传感器节点之间建立的单跳连接;vi表示节点i的特征向量表示,其中/>表示节点i,j之间的估计距离,当节点间实际距离超过通信半径d时,设置为0;对于无向图边集合中的边特征信息,设置为节点估计距离的倒数,即两个节点相距越近,边权重参考价值越大;邻居节点i,j之间的RSSI值RSSIij通过自由路径损耗模型计算得出,P[d0]表示在通信距离为参考距离d0时的传感器节点间RSSI值,γ表示定位场景环境下的自由路径损耗指数,dij表示邻居节点i,j之间的直线距离,Xσ为标准差为σ的环境噪声随机变量;fd(.)表示根据RSSI值估计节点间距离的函数,矩阵AI*I表示所有传感器节点之间的邻接关系。
4.根据权利要求3所述的一种基于图神经网络无线传感器网络节点分布式协作定位方法,其特征在于,在步骤3中,构建的图神经网络定位模型整体结构以及工作流程可以被表示为:
l1=GCNConv1(input)
l2=GraphConv1(l1)
l3=GCNConv2(l2)
l4=ChebConv1(l3)
l5=ChebConv2(l4)
l6=ChebConv3(l5)
output=Linear(l6)
其中,input表示图神经网络的输入变量,将步骤2所生成的无向图结构作为输入变量输入图神经网络中,l1、l2、l3、l4、l5、l6分别表示网络的中间层结构,每一层都是由上一层的网络结构经过图神经网络前向传播操作得到,网络内部运算规则根据网络单层结构差异而决定,在图神经网络的中,有多种相似而不同的单层结构,它们都是半监督的,用于处理节点分类、节点回归、图分类等任务;其次,它们都具有局部连接和权值共享的特点,即每个节点的特征只与其邻居节点的特征相关,并且每个节点在不同位置共享相同的权重,通过局部邻域对节点特征值进行更新;
在上述方法中,主要所用到的图神经网络结构有三种:GCNConv(.)、GraphConv(.)以及ChebConv(.),三种图神经网络层主要差异在于,其一,每个层的邻域定义不同,GCNConv(.)使用的是固定的一阶邻居,GraphConv(.)可以使用任意大小的邻域,而ChebConv(.)使用了切比雪夫多项式来考虑更大范围内的邻居;其二,不同层使用的更新公式不同,GCNConv(.)使用的是均值池化,GraphConv(.)使用的是所有邻居节点的简单拼接,而ChebCon(v.)使用了多项式卷积;其三,不同层考虑的信息量不同,GCNConv(.)只考虑节点度数,GraphConv(.)考虑所有邻居节点的信息,而ChebConv(.)通过切比雪夫多项式考虑了更多邻居节点的信息;最后,不同层的参数数量也存在差异,GCNConv(.)和GraphConv(.)具有相同数量的参数,而ChebConv(.)的参数数量随着需要考虑的邻居节点数量而变化;最后,经过处理的无向图结构通过一个简单线性层输出最终待定位节点的位置估计坐标无向图output。
5.根据权利要求1所述的一种基于图神经网络无线传感器网络节点分布式协作定位方法,其特征在于,在步骤4中,图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符合实际定位场景下的同构无向图模型;计算机通过自由路径损耗模型公式根据传感器节点通信半径的限制估计传感器节点接收到的邻居节点广播信号的RSSI值,根据距离估计函数计算传感器节点与所有邻居间的估计距离,进而形成无向图输入结构;训练时,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与Pytorch-Geometric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所述的一种基于图神经网络无线传感器网络节点分布式协作定位方法,其特征在于,在步骤5中,将上述训练好的图神经网络每一层的对应参数嵌入传感器节点中,节点周期性广播自身信息,节点结合自身数据信息以及收集到的邻居节点广播的数据信息,根据训练好的网络参数预测估计自身在监测区域内的二维位置坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699406.2A CN117241215A (zh) | 2023-06-13 | 2023-06-13 | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699406.2A CN117241215A (zh) | 2023-06-13 | 2023-06-13 | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117241215A true CN117241215A (zh) | 2023-12-15 |
Family
ID=89081448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310699406.2A Pending CN117241215A (zh) | 2023-06-13 | 2023-06-13 | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117241215A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218459A (zh) * | 2023-11-08 | 2023-12-12 | 支付宝(杭州)信息技术有限公司 | 一种分布式节点分类方法及装置 |
CN118314464A (zh) * | 2024-06-11 | 2024-07-09 | 华侨大学 | 基于图神经网络的历史城区界线判断方法、系统、设备 |
-
2023
- 2023-06-13 CN CN202310699406.2A patent/CN117241215A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218459A (zh) * | 2023-11-08 | 2023-12-12 | 支付宝(杭州)信息技术有限公司 | 一种分布式节点分类方法及装置 |
CN117218459B (zh) * | 2023-11-08 | 2024-01-26 | 支付宝(杭州)信息技术有限公司 | 一种分布式节点分类方法及装置 |
CN118314464A (zh) * | 2024-06-11 | 2024-07-09 | 华侨大学 | 基于图神经网络的历史城区界线判断方法、系统、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
CN107113764B (zh) | 提高人工神经网络定位性能的方法和装置 | |
Teng et al. | Distributed variational filtering for simultaneous sensor localization and target tracking in wireless sensor networks | |
Bhat et al. | Is localization of wireless sensor networks in irregular fields a challenge? | |
CN103533647A (zh) | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 | |
Yan et al. | An improved multihop-based localization algorithm for wireless sensor network using learning approach | |
CN105635963A (zh) | 多智能体分布式协同定位方法 | |
CN111432368A (zh) | 一种适用于稀疏锚节点wsn的测距定位方法 | |
CN114449452A (zh) | 一种异构设备室内定位算法 | |
Sulaiman et al. | Towards a better indoor positioning system: A location estimation process using artificial neural networks based on a semi-interpolated database | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
Chen et al. | DeepMetricFi: Improving Wi-Fi fingerprinting localization by deep metric learning | |
CN114814776B (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
CN109766969B (zh) | 基于异步优势动作评价的rfid室内定位算法 | |
CN115905434B (zh) | 一种基于学习插值预测的道路网轨迹补全方法 | |
CN115861563A (zh) | 一种图拓扑刚性点云配准的三维重建方法 | |
CN115623422A (zh) | 三维战场辐射源定位跟踪方法 | |
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 | |
CN114863485A (zh) | 基于深度相互学习的跨域行人重识别方法及系统 | |
CN114710742A (zh) | 一种基于多链插值构建指纹地图的室内定位方法 | |
Baccar et al. | Neuro-fuzzy localization in wireless sensor networks | |
Rayar et al. | A RSS-based path loss model approaches multi-dimensional scaling to localize 2D sensor nodes in WSN | |
Wang et al. | A Model Stacking Algorithm for Indoor Positioning System using WiFi Fingerprinting. | |
Wang et al. | Path planning model of mobile robots in the context of crowds |
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 |