基于自适应空间格点的传感器网络压缩感知精确定位方法
【技术领域】
[0001] 本发明涉及一种无线传感器网络中的定位方法，该发明以压缩感知技术为基础， 通过动态调整空间格点的划分，避免因格点失配引起的目标误判以及定位误差，从而实现 高效、精确定位。
【背景技术】
[0002] 近年来，随着无线传感器网络技术的快速发展，基于位置信息的服务得到了大力 推广，人们对于位置信息的需求也日益增加。目标定位是无线传感器网络中的一种关键技 术，在环境监控、智能交通和灾难营救等应用中具有广泛而重要的应用。
[0003] 几乎所有的设备都能够发射无线电信号，因此，基于接收信号强度（Received SignalStrength,RSS)的定位技术成为了无线传感器网络中的研究热点。但是，传感器节 点自身功率受限，而传统的定位技术往往需要大量的数据采集和处理，严重阻碍了无线传 感器网络的应用。
[0004] 压缩感知（CompressiveSensing,CS)技术的出现为解决上述问题提供了新思路。 作为信号处理领域的新兴技术，压缩感知理论表明：对于一个稀疏信号，可以用低于奈奎斯 特定律的速率对其采样，并通过采样值以高概率恢复出原信号。压缩感知能够大大降低信 号恢复所需的数据采集量，被广泛地应用到无线传感器网络定位技术中。
[0005] 现有的基于压缩感知的定位方法将连续空间离散化为一个固定网格，且假设所有 目标恰好处于网格中的某些格点上。如果网络中只有一个格点有目标，且该目标周期性地 发射信号，随机部署若干个传感器节点测量RSS，这些传感器测到的RSS向量称为该格点对 应的原子，网格中所有格点对应的原子组成的矩阵称为以该网格为参数的稀疏字典。当网 络中存在多个目标，传感器测到的信号为这些目标信号的叠加，RSS向量可由字典中原子线 性表示；且由于目标数目远远小于格点数，线性表示系数向量是稀疏的。这样，定位问题就 转化为字典原子选择问题，即稀疏信号恢复问题。然而，事实上目标位置是未知的，因此就 无法保证所有目标准确地落在所划分的固定网格上。当存在目标偏离格点，该格点所对应 的稀疏字典与真实稀疏字典之间存在失配，我们称之为格点失配，格点失配会引起目标误 判，并造成定位精度大大降低。
【发明内容】
[0006] 技术问题：本发明提出一种基于自适应空间格点的传感器网络压缩感知精确定位 方法。该方法通过自适应地调整空间格点的划分，减少甚至消除系统稀疏字典与真实稀疏 字典之间的失配，从而避免目标误判、提高定位精度。相比传统的固定空间格点，该发明极 大地提高了压缩感知定位技术的定位精度。
[0007] 技术方案：本发明提出的基于自适应空间格点的传感器网络压缩感知精确定位方 法为：将包含K个目标的连续空间离散化为一个包括N个格点的网格，随机部署Μ个传感器 节点测量目标的信号强度值；建立压缩感知模型，并根据恢复向量的稀疏性迭代地调整空 间格点，直至算法收敛；最后，利用恢复出的稀疏位置向量实现目标定位。
[0008] 该方法的具体步骤如下：
[0009] 步骤1.将包含K个目标的连续物理空间离散化为一个包括N个格点的网格，这些 格点的位置已知，可表示为= 其中η为格点的编号，θη= (Xn，yn)表示第n个格 点的位置；
[0010] 步骤2.随机部署Μ个位置已知的传感器节点测量目标的信号强度值，传感器的位 置可表示为T=f，其中m为传感器的编号，k表示第m个传感器的位置；获得Μ个传 感器的RSS测量向量z=[Zl，…，ζΜ]τ，其中Ζηι表示第m个传感器测到的信号强度值；
[0011] 步骤3.计算当前格点对应的稀疏字典：D(0) = 2)，…，d(0N)]，其 中，d(0n) = [f(tl，0n)，f(t2, 0n)，*"，f(tM，θη)]^^为字典原子，f(·)为信号传播模型 函数，fam，θη)表示第m个的传感器测到的第η个格点处目标的信号强度值；
[0012] 步骤4.建立压缩感知模型，恢复目标的位置向量：
[0013]
[0014] 其中ζ为Μ个传感器的RSS测量向量；D(0)为以Θ为参数的稀疏字典；w为位置 向量，它的元素索引表示格点编号，它的元素值决定格点处是否有目标节点；
[0015] 步骤5.判断算法是否收敛，计算系统损耗：
[0016]
[0017] 若系统损耗小于损耗门限，即curr_cost<thre_cost，其中thre_cost为损耗门 限，算法收敛；否则，迭代地调整X轴和y轴的格线，重新计算稀疏字典、位置向量及系统损 耗，直至算法收敛；
[0018] 步骤6.根据恢复的位置向量估计目标的位置；选择位置向量命中值大于0. 5的元 素，这些元素的索引就是目标所在格点的编号，这些格点的位置即为相应目标的位置。
[0019]其中：步骤5中，对X轴或y轴格线进行调整的步骤如下：将某一格线向右或向 上移动若干距离，计算调整后的稀疏字典及位置向量；若该向量比调整前稀疏，接收本次调 整，否则拒绝本次调整。
[0020] 有益效果：本发明提出一种基于自适应空间格点的传感器网络压缩感知精确定位 方法。与现有的基于固定格点的压缩感知定位技术相比，其显著优点是：它能够动态调整 空间格点的划分，避免目标误判，大大减少甚至消除目标与格点的偏离程度，从而显著提高 压缩感知定位方法的定位精度。此外，本发明只需增加空间格点调整算法，不会增加硬件成 本，实现起来十分简单，具有很好的应用前景。
【附图说明】
[0021] 图1是无线传感器网络定位场景图；
[0022] 图2是本发明具体实施步骤流程图；
[0023] 图3是空间格点调整流程图；
[0024] 图4是本发明与现有固定格点方法的定位效果对比图；
[0025] 图5是信噪比对定位成功率影响的仿真分析；
[0026] 图6是信噪比对定位误差影响的仿真分析。
【具体实施方式】
[0027] 本发明提出的基于自适应空间格点的传感器网络压缩感知精确定位方法为：将包 含K个目标的连续空间离散化为一个包括N个格点的网格，随机部署Μ个传感器节点测量 目标的信号强度值；建立压缩感知模型，并根据恢复向量的稀疏性迭代地调整空间格点，直 至算法收敛；最后，利用恢复出的位置向量实现目标定位。
[0028] 该方法的具体步骤如下：
[0029] 1、将包含Κ个目标的连续物理空间离散化为一个包括Ν个格点的网格，这些格点 的位置已知，可表示为β= ，其中η为格点的编号，θη= (Xn，yn)表示第η个格点的 位置；
[0030] 2、随机部署Μ个位置已知的传感器节点测量目标的信号强度值，传感器的位置可 表示为T= <其中m为传感器的编号，tni表示第m个传感器的位置，它的RSS测量值 为％。获得Μ个传感器的RSS测量向量z= [Zl，…，zM]T;
[0031] 3、计算当前格点对应的稀疏字典：D(0) = [(1(0),(1(0 2)，···，(!（ΘΝ)]，其中， d(9n) = [f(tl，0n)，f(t2, 0n)，*"，f(tM，θη)]^^为字典原子，f(·)为信号传播模型函 数，f·^，θn)表示第m个的传感器测到的第η个格点处的目标的信号强度值；
[0032] 4、建立压缩感知模型，恢复目标的位置向量：
[0033] w
[0034] 其中ζ为Μ个传感器的RSS测量向量；D(0)为以Θ为参数的稀疏字典；w为位置 向量，它的元素索引表示格点编号，它的元素值决定格点处是否有目标节点；
[0035] 5、判断算法是否收敛。计算系统损耗：
[0036]
[0037] 若系统损耗小于损耗门限，即curr_cost<thre_cost，其中thre_cost为损耗门 限，算法收敛。否则，迭代地调整X和y轴的格线，重新计算稀疏字典、位置向量及系统损 耗，直至算法收敛。其中，对X轴（y轴）格线进行调整的步骤如下：将某一格线向右（向 上）移动若干距离，计算调整后的稀疏字典及位置向量；若该向量比调整前稀疏，接收本次 调整，否则拒绝本次调整。
[0038] 6、根据恢复的位置向量估计目标的位置。选择位置向量_#中值大于0. 5的元素， 这些元素的索引就是目标所在格点的编号，这些格点的位置即为相应目标的位置。
[0039] 下面结合附图对本发明作进一步说明。
[0040] 1.我们采取如图1所示的