一种基于迁移学习的光学定位系统及其节点位置估计方法

本发明属于水下传感，具体涉及一种基于迁移学习的光学定位系统及其节点位置估计方法。

背景技术：

1、在通信系统中，特别是光通信的系统中，节点定位是通信的前提，基于光学的节点定位技术通常使用诸如激光二极管或发光二极管的光源来估计目标节点的位置，常用于室内定位系统中。但是相较于室内环境，水下环境更为复杂。在水下环境中，水下无线光通信(uwoc)作为一种快速、廉价、低功耗的通信技术，被广泛应用于水下无线传感器网络(uwsn)中，以提高传输速率和降低能源消耗。然而，uwoc通信中存在着一些挑战和限制，其中最主要的问题是激光对准。由于水下环境的动态性和复杂性，激光对准面临着许多挑战。例如，水流的扰动、水下物体的遮挡和水下环境的不稳定性等都会对通信链路的稳定性产生影响。因此，激光对准是uwoc中需要解决的关键问题之一。为了确保通信链路的稳定性，发射节点在建立通信链路之前需要对接收节点进行精确定位以进行对准。定位的精确性和可靠性对uwoc通信的成功至关重要。

2、在目前实际应用中，uwoc定位主要采用集中式网络定位方案。这种集中式网络定位方案通常需要在水下部署额外的定位节点，通过接收从节点发出的信号并计算时差等参数，从而实现节点位置的估计和定位。这种方法虽然能够实现较高的定位精度，但需要部署额外的硬件节点，增加了系统的复杂性和成本，也限制了系统的可扩展性。当网络规模较大时，会出现节点数量过多，导致节点之间相互干扰，从而影响系统的性能和定位精度。此外，集中式网络定位方案还受到水下环境的影响。水下环境复杂多变，水流、水温等因素都可能影响到节点的定位精度。对于集中式网络定位方案来说，需要在网络中添加额外的定位节点，这些节点的部署和运作也会受到水下环境的影响，从而影响系统的性能和稳定性。

技术实现思路

1、本发明的目的在于提供一种基于迁移学习的光学定位系统及其节点位置估计方法，通过提供一发多收的激光通信场景和节点结构，应用到水下环境中，用以克服集中式网络定位方案存在的可扩展性及鲁棒性和实时性差、成本高等问题。

2、为了实现上述目的，本发明采用的技术方案具体为：

3、一种基于迁移学习的光学定位系统，包括多个通信节点，且每个通信节点包括发射节点和接收节点；所述接收节点包括多个光学接收器，且多个光学接收器呈圆形多层分布，并从内层到外层的光学接收器成倍数增加。

4、进一步地，所述发射节点包括发射激光源，且光学接收器相邻层之间间距等距，并每个光学接收器分别接收到发射激光源发出的不同强度光强信号。

5、本发明还公开了一种基于上述水下节点光学系统的定位方法，通过基于领域自适应的迁移学习方法来降低由于领域偏移导致的定位性能降低问题。在训练过程中最小化特征提取模块的领域间特征差异和网络模型的预测损失来提高不同场景下的定位性能。

6、具体技术方案如下：

7、一种基于迁移学习的节点位置估计方法，包括以下步骤：

8、a.建立接收节点的光学接收器坐标系，并模拟与发射节点激光光源之间的相对位置关系，计算出每个光学接收器的rss值；

9、b.基于步骤a中所得rss值建立卷积神经网络定位模型；

10、c.基于所建立的卷积神经网络定位模型，建立迁移学习算法架构，通过所建立的迁移学习算法架构统计损失函数，通过bp算法和优化器最小化损失函数来更新模型参数，进行精确定位。

11、进一步地，所述步骤a中，光学接收器坐标系以光学接收器组的中心接收器为原点o建立直角坐标系，每个光学接收器的坐标ki(xi,yi,zi)计算如式一所示，

12、式一。

13、进一步地，在步骤a中，在进行相对位置关系模拟时，随机生成发射激光光源的平均光功率pt，随机生成可唯一确定光束的方向的角α、角β和激光源沿着光束方向到所建立的光学接收器坐标系的直线距离l，激光源投射点p的坐标记为(xp,yp,0)，则激光光源t的位置计算如式二所示，

14、式二。

15、进一步地，根据说得激光光源t的位置，每个光学接收器垂直于发射节点方向的传播半径ri和距离激光发射器的距离li分别为：

16、式三；

17、并重复计算每个光学接收器的rss值，

18、r(t)＝ρpthplx(t)+w(t)＝ρb(r,l)srx(t)+w(t)，式四，其中b(r,l)为光学接收器说接受到的光强，并将所生成的rss值生成数据库，数据库由接收器组的rss序列作为特征向量r＝[r1,r2,…,rn]，激光源的三维坐标、俯仰角位角作为标签向量组成，其中ns表示位置指纹数据库中数据样本的数量。

19、进一步地，所述步骤b中所建立的卷积神经网络定位模型包括输入模块、注意力模块、特征提取模块和输出模块；所述输入模块通过节点上的多个光学接收器的snr序列来作为特征向量输入到卷积神经网络定位模型框架中。

20、进一步地，所述注意力模块基于cnn模型中引入注意力机制，通过加入senet中的se模块，使卷积神经网络定位模型自主学习并获取多个通道的rss数据对定位的重要程度，然后基于重要程度提升对网络性能有用的数据，并抑制无效数据。

21、进一步地，所述步骤c中，在所建立的迁移学习算法架构中，将卷积神经网络定位模型输入的源域数据和目标域数据进行特征处理，计算出领域间的mmd损失lmmd和coral损失lcoral，再计算源域输出与真实值之间的mse损失。

22、进一步地，所述mmd损失如式五所示，

23、式五；

24、其中，式六，为源域数据所提取到的深层可迁移特征；

25、式七，为目标域数据所提取到的深层可迁移特征；和分别表示源域和目标域的特征在经过再生核希尔伯特空间的映射函数变换后的均值。

26、进一步地，所述coral损失lcoral，如式八所示，

27、式八；

28、其中，cs和ct分别是源域数据和目标域数据特征的协方差矩阵，可以通过如下式九的方式计算：

29、式九；

30、其中，1t表示有m个元素全为1的行向量。

31、进一步地，在约束了提取的源域和目标域的特征之间的均值和协方差以后，迁移学习算法架构通过最小化如以下式十所示的损失函数：

32、l＝ls+λ1lmmd+λ2lcoral，式十；

33、其中，l为在目标域训练数据集完全没有带标签时的损失函数，λ1和λ2分别表示mmd和coral差异的权重系数，ls表示源域网络预测值和真实值的mse损失：

34、式十一；

35、其中，ns表示训练数据样本量，φi是第i个数据样本待估计的真实参数值，是通过预测回归后得到源域的预测值。

36、进一步地，在分别获得每次迭代的mmd损失lmmd和coral损失lcoral，以及mse损失ls后，通过自适应调整分别获得当前迭代的mmd和coral差异的权重系数μ1和μ2，其中，

37、式十二；式十三；

38、并进行多次迭代，并通过通过求平均的方法求得当前训练的mmd和coral差异的权重系数λ1和λ2，来动态平衡对模型训练的影响，提高卷积神经网络定位模型进行域适应学习能力。

39、与现有技术相比，本发明的优点在于：首先，本发明提出一种分布式水下光学定位和基于位置指纹定位的网络模型，同时让接收端获取激光源的三维位置和光束的方向，为实现后续的通信过程链路对准以达到高质量的信息传输。

40、其次，由于水下环境的复杂性以及多样性，本发明通过建立的深度自适应的卷积神经网络模型来完成不同场景下的定位任务。相比于传统的集中式网络定位方案，本发明不需要额外添加定位节点，从而提高了系统的可扩展性和降低了系统的成本；引入注意力机制se模块帮助模型更好地捕捉输入接收信号强度数据中的关键信息来提高网络模型的定位性能；在网络模型中融合多种领域自适应方法实现不同的定位场景下如何将之前任务的学习能力迁移到新任务下的定位方案。

41、在实验实践中，在训练数据量为2×105和发射光功率为10dbm时，如图6和图7所示，本方案的平均定位误差为0.79m、mse为0.87，与现有技术指标的平均定位误差大于4m、mse大于6相比有了很大的提升。