一种通信计算一体化的WSN定位架构及实现方法与流程
本发明涉及无线传感器网络与室内定位技术领域，尤其涉及一种通信计算一体化的wsn定位架构及实现方法。
背景技术
wsn(wirelesssensornetwork，无线传感器网络)定位是一种依靠待测环境中有限的位置已知的锚传感器节点对一组位置坐标未知的网络节点进行位置估计的技术。通过测量未知节点至锚传感器节点的距离或跳数，结合节点间交换的信息和锚传感器节点的已知位置来确定每个未知节点的位置。使用wsn进行定位的一个好处在于wsn本身就是一个分布式网络，未知节点分布在待测环境中的任意随机位置都能通过定位算法进行定位，所以wsn定位的环境适用性好。wsn的分布式空间结构还有利于进行分布式定位计算，将定位算法的运算过程放在各个传感器节点上会简化定位的实现过程，降低计算的耗时。
fnn(feedforwardneuralnetwork，前向神经网络)是模拟人脑神经网络的深度学习技术，它主要用于通过具体问题的已有样本集和映射关系学习得到最优的拟合函数，拟合出问题实际的函数模型。应用于定位技术中，我们采用锚传感器节点接收的样本点信号作为fnn输入，样本点位置坐标作为期望输出来训练网络。然后选取满足一定定位精度的网络作为定位的fnn。
coa(computationoverair，空中计算)是一项运用在无线传感器网络中的数据传输方法，由于无线传感器网络中，所有传感器传输数据的最终目的都是为了实现一个特定的功能(如求和、平均、最大值与最小值)而不是很在意传输过程中的数据，那么与其将每个传感器的数据逐一收集，不如通过特殊的手段使得能直接收集我们最感兴趣的结果。因此，空中计算应运而生，空中计算的主要思想是通过在发射机进行预处理，通过空中叠加，最终在接收机进行后处理得到所需要的最终结果。空中计算的主要优势就是不需要依次收集所有传感器的数据就能得到我们期望的结果，使得数据的收集变得容易，减小了数据交互量，降低了传输时延与处理量。
在室内定位问题中，使用基于wsn的fnn定位技术并不是一种新奇的定位技术。但是这种定位技术在线测试阶段的过程首先需要使用wsn得到相应rssi(receivedsignalstrengthindicator，接收信号强度指示器)向量，然后将rssi向量输入到计算中心的神经网络中才能得到待测点坐标。因此，这一在线估计坐标的过程较为复杂，对于待测环境中多用户的定位耗时较长，急需一种耗时短且简单的定位方案。
技术实现要素：
本发明的目的是提供一种通信计算一体化的wsn定位架构及实现方法，在确保定位精度的同时极大的缩小定位耗时。
本发明的目的是通过以下技术方案实现的：
一种通信计算一体化的wsn定位架构，包括：处于环境任意位置的待测传感器节点、已知位置的m个锚传感器节点和一个汇聚传感器节点；
所述待测传感器节点，用于向当前环境广播特定功率的信号；
每一所述锚传感器节点均模拟fnn输入层，且利用自身存储的输入层到隐层的权重以及锚传感器节点到汇聚传感器节点之间的信道状态对接收到的待测传感器节点所发出的信号进行处理，并将处理后的信号向汇聚传感器节点发送；
所述汇聚传感器节点，用于将来自m个锚传感器节点同时发送的叠加信号进行处理，从而估计待测传感器节点的位置。
由上述本发明提供的技术方案可以看出，使用wsn实现在线定位过程的通信计算一体化可以直接由wsn的所有锚传感器节点同步发射信号，依据无线信道的coa技术直接对同步的无线信号线性叠加模拟fnn输入层到隐层的数据求和计算，然后传输给汇聚节点；因此，该方案可以很方便的部署进现存的无线传感器网络中，可以实现更加快速的定位，而不降低定位的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种通信计算一体化的wsn定位架构示意图；
图2为本发明实施例提供的通信计算一体化的wsn定位架构中神经网络的结构示意图；
图3为本发明实施例提供的锚传感器节点内计算过程示意图；
图4为本发明实施例提供的本发明与传统方案的计算复杂度比较结果；
图5为本发明实施例提供的传统基于fnn的wsn架构示意图；
图6为本发明实施例提供的传统基于fnn的wsn架构中神经网络的结构示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明实施例提供一种通信计算一体化的wsn定位架构，如图1所示，其主要包括：处于环境任意位置的待测传感器节点、已知位置的m个锚传感器节点和一个汇聚传感器节点。
1、所述待测传感器节点，用于向当前环境广播特定功率的信号；待测传感器节点在待测环境中随机放置，该节点不需要计算功能。
2、每一所述锚传感器节点均模拟fnn输入层，且利用自身存储的输入层到隐层的权重以及锚传感器节点到汇聚传感器节点之间的信道状态对接收到的待测传感器节点所发出的信号进行处理，并将处理后的信号向汇聚传感器节点发送。具体来说：
每一所述锚传感器节点中均设有延时器、计算单元、存储单元及收发天线；其中：
延时器，用于对接收到的待测传感器节点所发出的信号进行延时处理；
存储单元，用于存储输入层到隐层的权重以及锚传感器节点到汇聚传感器节点之间的信道状态；
计算单元，用于利用存储单元所存储的输入层到隐层的权重以及锚传感器节点到汇聚传感器节点之间的信道状态对延时器延时后的信号进行计算；
收发天线，用于实现信号的接收与发送。
3、所述汇聚传感器节点，用于将来自m个锚传感器节点同时发送的叠加信号进行处理，从而估计待测传感器节点的位置。
还参见图1，待测传感器节点向环境中广播rssi信号，假设所有锚传感器节点都接受到待测信号，然后锚传感器节点处理得到的待测信号并发射信号，发射的信号在空中叠加，由汇聚节点接收；汇聚节点将接收的信号强度输入本地的神经网络1计算实现wsn架构通信计算一体化。
本发明实施例中，所述fnn为三层全连接结构，包含输入层、隐层及输出层；其中：
输入层具有m个神经元，由m个锚传感器节点模拟；隐层及输出层通过汇聚传感器节点中的神经网络实现，隐层具有n个神经元，输出层具有3个神经元，该神经网络的结构可参见图2。
为了便于理解，下面针对上述通信计算一体化的wsn定位架构的原理进行介绍。
1)在待测环境中选取了足够训练样本训练出了符合要求定位精度的神经网络，因此fnn的权重偏置都已经确定，记为w1、w2、b1、b2。w1为输入层到隐层的的m*n维矩阵，w2为隐层到输出层的n*3维矩阵；b1为隐层的n维向量，b2为输出层的3维向量。其中输入层到隐层的权重w1为m*n维矩阵，表示为：
对于锚传感器节点i，其内部的存储单元储存权重w1的第i行元素，1≤i≤m。
2)通过反向广播参考信号方法得到wsn所有锚传感器节点到汇聚传感器节点的信道的状态。由于信道的相互作用，假设在静态条件下，发送节点到接收节点的前向信道状态与接收节点到发送节点的反向信道状态保持一致。
锚传感器节点到汇聚传感器节点之间的信道状态通过如下方式获得：
在一个时隙内，汇聚传感器节点向当前环境中广播参考信号，每一锚传感器节点根据接收到的信号大小确定汇聚传感器节点到自身的信道状态信息，并将其存储到内部的存储单元中，前向信道和反向信道的对称性，这一信道状态正是锚传感器节点到汇聚节点的信道状态；信道状态向量写为h＝[h1h2h3…hm]；对于锚传感器节点i，其到汇聚传感器节点之间的信道状态为hi。
3)对于环境中的任意待测传感器节点，让其向环境中广播特定功率的信号(这一功率与训练过程中待测点发射功率相同)。所有锚传感器节点收到这一信号s，s经过锚传感器节点的延时器与计算单元，为s信号添加一个乘子，计算过程如图3所示。
将信号的传输时间分为n个不同的时隙，在时隙j内，1≤j≤n，锚传感器节点i的发射信号为
锚传感器节点1～锚传感器节点m的信号同时发送；这些发送信号将会由于信道的叠加特性进行一个空中求和运算，汇聚传感器节点的接收信号为：
由上式可以看出第j个时隙内，经过上述处理的汇聚传感器节点的接收信号zj消去了信道状态信息。
4)上述步骤3)经过n个不同时隙后，汇聚传感器节点得到n个接收信号，这一过程实现了模拟fnn输入层到隐层的数据流传送，最终通过输出层输出估计到的待测传感器节点的位置。
为了说明本发明实施例所提供方案的有益效果，下面结合附图4所示的通信计算一体化的wsn定位架构(图1)与传统基于fnn的wsn架构(图5)计算复杂度图示来进行说明。
将计算复杂度量化为时隙，每次信号在无线信道中传输需要一个时隙(时间为tslot)。比较两种架构对单个待测点位置估计的耗时来说明wsn通信计算一体化架构定位可以实现更低的计算度，即定位过程更加快速。
一、对于通信计算一体化的wsn定位架构，它的实现过程为：
①待测点广播参考信号，所有锚传感器节点接收到此信号；这过程需要一个时隙。
②锚传感器节点处理接收信号，用时t1。
③锚传感器节点发射处理后信号；这过程需要n个时隙才能将n个数据传送给汇聚传感器。
④汇聚传感器节点通过给神经网络计算出坐标结果，计算在本地服务器完成，用时tcom。
所以通信计算一体化的wsn定位架构用时：
twsn＝(1+n)*tslot+t1+tcom
忽略信号在硬件中的处理计算时间，因此：
twsn≈(1+n)*tslot
二、对于传统基于fnn的wsn架构，如图5所示，传统基于fnn的wsn架构中锚传感器节点不具备计算能力，所有处理任务均由神经网络完成，该架构中的神经网络结构如图6所示。
传统基于fnn的wsn架构实现过程为：
①待测点广播参考信号，所有锚传感器节点接收到此信号，这过程需要一个时隙。
②m个锚传感器节点相继将接收到的rssi信号发送给汇聚传感器节点，这过程需要m个时隙。
③汇聚传感器传输给神经网络并计算出坐标结果，计算在本地服务器完成，用时tcom(假设神经网络1与2的计算时间相同)。
所以传统基于fnn的wsn架构用时：
ttra＝(1+m)*tslot+tcom
忽略信号在硬件中的处理计算时间，因此：
ttra≈(1+m)*tslot
当m>n，即wsn中锚传感器节点个数多于fnn隐层神经元数时，通信计算一体化的wsn定位架构的时间复杂度更小，定位耗时更少。在现实的大型wsn中，需要大量的锚传感器节点得到大量的测量数据。m的值一般远大于fnn隐层神经元数，此时使用通信计算一体化的wsn定位架构将大大降低定位耗时，这一特点在待测点拥挤于待测环境中尤为有意义，意味着各个待测节点更少的排队时间就可以获取他们的位置信息。
在仿真中，tslot＝0.577ms，n＝10。我们选取横坐标为wsn中的锚传感器节点，纵坐标为定位的耗时。由附图4可知，随着锚传感器节点个数m的增加，传统基于fnn的wsn架构的定位时间逐渐增加，而通信计算一体化的wsn定位架构的定位时间只与n有关，定位耗时则不变。
从附图4可以看出，当n小于m时，通信计算一体化的wsn定位架构定位耗时更少；而且wsn增加锚传感器节点时，通信计算一体化的wsn定位架构的定位耗时不变。
由于附图1和附图5两种架构实现相同计算过程(进行相同fnn计算，区别在于本发明的架构用n个时隙空中叠加算法实现了fnn输入层到隐层计算)，当不考虑外界噪声的干扰时，两种架构的计算精度相同。
本发明另一实施例还提供一种通信计算一体化的wsn定位方法，该方法基于上述架构实现，其主要包括：
处于环境任意位置的待测传感器节点向当前环境广播特定功率的信号；
当前环境中设有已知位置的m个锚传感器节点，每一锚传感器节点均模拟fnn输入层，且利用自身存储的输入层到隐层的权重以及锚传感器节点到汇聚传感器节点之间的信道状态对接收到的待测传感器节点所发出的信号进行处理，并将处理后的信号向汇聚传感器节点发送；
由汇聚传感器节点将来自m个锚传感器节点同时发送的叠加信号进行处理，从而估计待测传感器节点的位置。
每一所述锚传感器节点中均设有延时器、计算单元、存储单元及收发天线；其中：
延时器，用于对接收到的待测传感器节点所发出的信号进行延时处理；
存储单元，用于存储输入层到隐层的权重以及锚传感器节点到汇聚传感器节点之间的信道状态；
计算单元，用于利用存储单元所存储的输入层到隐层的权重以及锚传感器节点到汇聚传感器节点之间的信道状态对延时器延时后的信号进行计算；
收发天线，用于实现信号的接收与发送。
所述fnn为三层全连接结构，包含输入层、隐层及输出层；其中：
输入层具有m个神经元，由m个锚传感器节点模拟；隐层及输出层通过汇聚传感器节点中的神经网络实现，隐层具有n个神经元，输出层具有3个神经元；
所述fnn的权重与偏置预先利用训练样本训练得到；其中输入层到隐层的权重w1为m*n维矩阵，表示为：
对于锚传感器节点i，其内部的存储单元储存权重w1的第i行元素，1≤i≤m。
锚传感器节点到汇聚传感器节点之间的信道状态通过如下方式获得：
在一个时隙内，汇聚传感器节点向当前环境中广播参考信号，每一锚传感器节点根据接收到的信号大小确定汇聚传感器节点到自身的信道状态信息，并将其存储到内部的存储单元中，信道状态向量写为h＝[h1h2h3…hm]；
对于锚传感器节点i，其到汇聚传感器节点之间的信道状态为hi。
汇聚传感器节点估计待测传感器节点位置的方式如下：
信号的传输时间分为n个不同的时隙，在时隙j内，1≤j≤n，锚传感器节点i的发射信号为
锚传感器节点1～锚传感器节点m的信号同时发送；这些发送信号将会由于信道的叠加特性进行一个空中求和运算，汇聚传感器节点的接收信号为：
上述步骤经过n个不同时隙后，汇聚传感器节点得到n个接收信号，这一过程实现了模拟fnn输入层到隐层的数据流传送，最终通过输出层输出估计到的待测传感器节点的位置。
需要说明的是，上述方法中包含的各个节点所实现的功能的具体实现方式在前面的实施例中已经有详细描述，故在这里不再赘述。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！