一种精度可调的分布式无线网络目标定位方法

1.本发明涉及无线传感技术和无线传感网络定位技术领域，具体涉及一种无线传感网络节点定位方法。


背景技术：

2.无线网络环境下，目标定位具有广泛的应用和重要的意义。例如，无线蜂窝网络中对手机信号的定位，无线传感器网络中对各种感知目标的定位。在这些应用中，作为核心指标的定位精度显得尤其重要。
3.目前的目标定位方法主要有两种技术方案，一种是免测距的，另外一种是基于测距的。前者不需要测量锚结点(用于定位的网络结点)与目标之间的距离，普遍定位精度不高，但计算和通信成本较低；后者需要测量锚结点与目标之间的距离，定位精度相对较高，同时消耗的计算和通信成本也高。随着，无线通信和电子计算技术的高速发展，目前的目标定位算法在不过度考虑成本的情况下，对于定位精度的要求越来越高。
4.无线信号距离测量的主要方法是采取接收信号强度rssi(received signal strength indicator)技术，然而这种技术受到环境噪声影响较大。当信噪比较高的时候，测量精度也越高。在无噪声的极端情况下，只需要三个锚结点使用简单的三边定位即可精确的定位目标。相反，在高噪声(低信噪比)环境下需要更多的锚节点构成无线网络的形式来抵御噪声影响，协同估计目标位置。
5.基于测距的目标定位可以建模为一个典型的非线性最小均方nlls(nonlinear least squared)凸问题，该问题具有全局最优解,因此可使用无约束的最优化方法进行求解。一般来说，一阶梯度下降或二阶newton类方法均可加以开发。然而，梯度下降方法收敛速度太慢，二阶newton方法计算量过大。最近，本发明人开发了一种高噪声工业环境下的基于gauss
‑
newton方法的目标定位算法，该算法通过与邻居结点相互交换估计信息，采取基于本地通信的时间迭代优化方法，在本地计算过程中，融入当前时刻的来自邻居结点的目标估计信息，获得了较高的估计精度。该算法主要由一致性通信和迭代计算两个步骤组成，在一致性通信过程中，任一锚结点k在时刻i接收邻居锚结点j的目标估计并发送自己的目标估计值给结点j，并加权求和；而在迭代计算过程中，实施深度融合的gauss
‑
newton下降。
6.生成的diffusiongauss
‑
newton(dgn)算法实施简单，取得了同类算法中较好的综合性能，但仍存在以下不足：
7.(1)定位精度仍有待提高；
8.(2)各锚结点对估计的一致性不高，即不能很好的满足随着i
→
∞，所有的本地估计都收敛于同一个值的精确邻域；
9.(3)精度不可控，即定位算法不能根据应用需求灵活调整定位精度。


技术实现要素：

10.为克服dgn算法的上述缺点，我们发现可以通过增加一致性通信轮数的方式一定程度上缓解该问题，即在每次迭代过程中实施多轮(1至t，t由用户指定)一致性通信，产生的算法可称为dgn
t
。当t＝1时，dgn
t
即为原始的dgn算法。当t>1时，所达到的效果是提升了一致性的能力，本地结点更加充分的吸收外部信息，从而可以进一步提高每次迭代过程中的定位精度。同时，也可以通过设置不同的t值，动态取得估计精度与通信成本之间的平衡，即精度要求越高，所花费的通信成本(主要是考虑信号发送产生的能源消耗)也越高，该成本可由用户承担。因此，本发明中的算法是具有精度可调、高度一致性的分布式无线网络定位方法。
11.dgn
t
与dgn的另一个明显差异是一致性通信和迭代计算两个步骤的执行顺序不同。dgn先执行一致性步骤然后执行迭代计算；而本发明中dgn
t
采取先迭代计算然后实施一致性通信。这种调整带来的好处是在通信过程中与邻居交换的是经过当前时刻计算更新后的数据，因此具有更好的数据时效性。
12.一种精度可调的分布式无线网络目标定位方法，命名为dgn
t
算法，其实施步骤为：
13.步骤1：设定初始的目标位置猜测值初始轮数值t和阈值ε，临时变量temp＝0以及步长参数α∈(0，1]；
14.步骤2：每一个无线定位结点k(其自身三维坐标y
k
是固定和已知的)通过收集信号强度rssi获得与未知目标(其真实坐标假设为x)的带噪距离值
15.步骤3：在当前迭代时刻i，每一个无线定位结点k根据下式计算结点k和目标的误差
[0016][0017]
步骤4：在当前迭代时刻i，每一个无线定位结点k根据当前误差计算其相对于的梯度向量并实施以下gauss
‑
newton迭代更新
[0018][0019]
从而获得下一时刻的目标估计值
[0020]
步骤5：判断如果为真，算法结束；否则执行步骤6；
[0021]
步骤6：设置temp＝temp+1，每一个无线定位结点k与自身通信范围内的邻居结点集n_k交换
[0022]
步骤7：执行下述加权一致性操作
[0023][0024]
其中权值参数w
k,l
需要满足条件：当时w
k,l
＝0以及w
kl
≥0。
[0025]
步骤8：更新本次迭代估计值
[0026]
步骤9：如果temp≤t,返回步骤6，否则执行步骤10；
[0027]
步骤10：更新i＝i+1，返回步骤2。
[0028]
与现有技术相比，本发明的有益效果如下：
[0029]
通过仿真实验，相比于dgn算法(即dgn1)，本发明中的dgn
t
算法在定位精度、一致性估计和精度调节三个方面都有明显的提高。仿真参数设置如下：k＝20个定位结点模拟锚节点，随机部署在区域为100*100*100m3的三维空间,初始猜测的定位坐标统一为目标的真实坐标随机选取；为持续的观察实验结果，在本实验中阈值ε并不指定，而是采取固定的迭代次数2000用来终止迭代；步长参数α＝0.01；模拟产生均值为0，标准差为0.1的高斯环境噪声；最后，一致性通信的轮数t分别取值1，5和10来进行比较。
[0030]
从实验结果可以看到，首先，从定位精度而言(附图3为2000次迭代结果的抽样图，附图4为附图3的采取semilogy方式显示的完整图)，随着算法不断迭代，三个算法获得的定位误差不断缩小；其次从稳态精度，dgn
10
优于dgn5，而dgn5优于dgn1，但dgn
10
比dgn5的优势已经不是很明显了，表明一致性通信的轮数并不是越多越好，需要采取一定的折衷，因此也体现了算法在定位精度与通信成本之间的可控性；最后，附图5显示了三个算法在2000次迭代过程中全部结点之间定位误差的标准差，从中可以看出，dgn1的标准偏差是最大的，而本发明中提出的由dgn5和dgn
10
所代表的dgn
t
算法具有更小的标准偏差，意味着算法的一致性目的实现的更好。
附图说明
[0031]
图1是本发明的dgn
t
算法流程图；
[0032]
图2是本发明的无线蜂窝网的手机信号定位示意图；
[0033]
图3是本发明的dgn
t
算法的定位精度抽样图，显示了dgn
t
算法在t值分别为10，5和1时(即dgn
10
，dgn5和dgn1)随着算法迭代收敛的定位精度图，横坐标为时间迭代步，纵坐标为定位精度；
[0034]
图4是本发明的dgn
t
算法定位精度的semilogy图，是为更清楚显示图3中三种算法的差异，以便于性能比较；
[0035]
图5是本发明的dgn
t
算法的定位标准差抽样图，即随着算法的运行所有结点的定位精度之间的差异，刻画了算法一致性的指标。
具体实施方式
[0036]
下面结合附图对本发明作进一步的说明：
[0037]
参见图1、示意图2，以无线蜂窝网中对手机信号定位为例，展示算法的具体实施过程。以无线蜂窝网为例的原因主要是，未来随着5g基站信号的普及，由于5g信号频率相比于4g信号频率更快，5g基站的密度将会更大，也更适合于基站间协同定位以抵抗测距噪声。当然，本发明适合于所有以无线信号测距的方式协同定位的网络环境，例如传感器网络在各种环境下(如工业环境、物流环境等)对目标的定位，局域网多wifi环境对目标的定位等。
[0038]
步骤1：给所有无线基站设定相同的初始条件t，ε和α∈(0，1]；
[0039]
步骤2：若干个无线基站充当锚节点收集目标手机信号强度rssi，获得具有误差的
带噪距离值；
[0040]
步骤3：在迭代时刻i，每一个无线基站通过计算获取目标成本函数
[0041]
步骤4：在迭代时刻i，每一个无线基站基于实施gauss
‑
newton更新，获得新的位置估计值；
[0042]
步骤5：每一个基站计算前后两个时刻的位置估计之间的欧几里得距离，判断其与阈值ε的大小；若小于ε则算法结束，否则执行下一步；
[0043]
步骤6：每一个无线基站发送估计值给相邻基站，同时也获得来自所有相邻基站的估计值，实现估计值的交换；
[0044]
步骤7：每一个无线基站实施一轮一致性加权平均，求出
[0045]
步骤8：更新
[0046]
步骤9：判断temp≤t，如果为真，返回步骤6，继续实施新的一轮一致性加权平均；否则执行步骤10；
[0047]
步骤10：更新i＝i+1，返回步骤2。