基于pso和ukf组合的wsn节点定位方法

基于pso和ukf组合的wsn节点定位方法
【专利摘要】一种基于PSO和UKF组合的WSN节点定位方法，用PSO进行初步定位，将得到的坐标值作为UKF的初始值；然后建立该定位系统的状态方程与量测方程,以RSSI值作为观测量，获取未知节点的坐标估计值，并迭代多次；最后利用质心算法原理，将多边形的质心坐标作为未知节点的最终估计坐标。与传统的定位算法相比，定位精度更高，可靠性更强，具有较强的实用价值。
【专利说明】基于PSO和UKF组合的WSN节点定位方法
【技术领域】
[0001]本发明涉及一种用于无线传感器网络领域的节点定位方法，具体是一种基于PSO和UKF组合的WSN节点定位方法。
【背景技术】
[0002]无线传感器网络最早起源于二十世纪七十年代，近年来，伴随着微电机系统、无线通信技术和嵌入式微处理器技术的发展，促使了无线传感器网络的技术的快速发展和广泛应用。网络中的传感器节点能够自行监测采集信息、自组织网络、将收集到的信息发送到目的节点，可以部署在一些人无法长久处在或难以触及的地方。因此无线传感器网络已广泛应用于国防军事、社会安全、环境监测、医疗看护和智能家居等领域。然而在大多数应用场合中，网络中的节点获取的监测信息都要附上相应的位置信息，否则该信息的准确性值得怀疑，甚至是无效的。所以，确定网络中节点的位置信息是无线传感器网络研究与应用的基础，具有重要的现实意义。
[0003]现在有许多方法和应用来实现节点的定位。无线传感器网络中的节点定位技术主要有:惯性传感器技术、红外线技术、超声波技术和无线电技术。节点定位方法可分为两类:基于测距(Range-based)法和基于非测距(Range-free)法。其中基于测距的方法主要有:测量信号到达时间法(TOA)、不同测量信号到达时间差法(TDOA)、测量信号到达角度法(AOA)、接收信号强度法(RSSI);非测距方法主要是利用自身网络连通度来实现定位，主要方法有:质心定位法，DV-Hop定位法，APIT法，凸规划法和MDS-MAP法等。相比基于非测距的定位方法，基于测距的方法具有更高的精度，而且基于RSSI测距定位硬件要求低，实现起来也简单，实际应用也比较多，因此本发明采用RSSI方法来实现测距定位。
[0004]传统WSN节点定位算法中仅仅使用三边测量、极大似然估计或极大极小法时，定位精度都不高，后续常采用滤波技术进一步提高节点定位精度。现在常用的滤波技术为卡尔曼滤波。对于非线性系统，最常用的滤波技术是扩展卡尔曼滤波(EKF)，但是扩展卡尔曼滤波(EKF)及其衍生的算法都要计算Jacbian矩阵，且在用泰勒展开式来近似非线性函数时，往往忽略泰勒展开式中的二阶以上的高阶项，因而降低了近似精度，甚至会引起滤波发散。而无迹卡尔曼滤波(UKF)可以很好的改善上述问题。由于无迹卡尔曼滤波(UKF)直接采用真实的系统模型，且后验均值和协方差可精确到三阶，极大的挺高了滤波精度。故本发明采用无迹卡尔曼滤波(UKF)滤波算法作为后期优化算法，同时根据多节点的RSSI值与距离关系的联合密度函数采用粒子群优化(PSO)算法求出初步坐标估计值，相比传统的牛顿法、牛顿迭代法具有更快的收敛速度和更精确的优化结果。

【发明内容】

[0005]本发明要解决RSSI受周围传输环境的影响大的不足，提出一种精度高、稳定性和实时性强的基于PSO和UKF组合的WSN节点定位方法。
[0006]本发明所述的基于MLE和UKF组合的WSN节点定位方法，其工作步骤是:[0007]1.根据传感器节点所处的环境，确定无线信号路径损耗模型中的参数，拟合无线信号能量衰减过程与距离之间的关系曲线；
[0008]2.根据多个独立实际距离和测量距离之间的关系建立误差噪声的联合概率密度函数模型，使用粒子群优化算法求得最优坐标值；
[0009]联合概率密度函数:
[0010]
【权利要求】
1.基于MLE和UKF组合的WSN节点定位方法，其工作步骤是: 步骤1.根据传感器节点所处的环境，确定无线信号路径损耗模型中的参数，拟合无线信号能量衰减过程与距离之间的关系曲线； 步骤2.根据多个独立实际距离和测量距离之间的关系建立误差噪声的联合概率密度函数模型，使用粒子群优化算法求得最优坐标值； 联合概率密度函数:
【文档编号】H04W84/18GK104023390SQ201410204843
【公开日】2014年9月3日 申请日期:2014年5月14日 优先权日:2014年5月14日
【发明者】欧县华, 何熊熊, 卢昱 申请人:浙江工业大学