一种基于pso-ga-rbf-hop的无线传感器网络定位算法
【技术领域】
[0001] 本发明设及一种基于神经网络的非测距无线传感器网络定位的算法，同时利用粒 子群和遗传算法对径向基函数神经网络进行改进，实现精度的提高。
【背景技术】
[0002] 无线传感器网络(Wireless Sensor Networks，WSN)是由若干个传感器节点组成 的网络拓扑结构，运些节点被广泛分布在监测区域内，它们利用无线通信协议进行通信，在 区域内会形成一个多跳的网络拓扑结构，通过大量的传感器对所覆盖区域内的监测对象进 行数据采集，同时传感器间互相协作最终把信息反馈给观测者。在WSN网络中，传感器定位 技术是最为重要的技术，运个技术可W反映各个传感器节点的位置信息，从而更有利于观 测者掌握监测区域内的情况，定位算法可W分为:基于距离的(range-based)定位算法和距 离无关的（range-free)定位算法。
[0003] 基于距离的（range-based)定位算法主要是基于传感器节点间的距离值或角度值 来计算的，其中最为典型的算法有1'04^004、404、1?551等，但是基于距离的定位算法对外界 环境和硬件支持要求非常高，例如基于距离定位的算法中，TOA算法需要时间同步非常精 确，TDOA算法则需要的传感器的价格过高，AOA算法则受外界的干扰十分严重。距离无关的 (range-free)定位算法，主要原理是通过网络之间的连通来进行定位的，不需要其它的相 关硬件设备，但是精度往往不是很高，常见的距离无关定位算法有凸规划、质屯、、DV-Hop、A-morphous、APIT。综上所述，亟待开发一种与距离无关的传感器网络定位算法，可W更精确 地定位还可W提高精度，成为公众研究得到的目标。
[0004] 在各种与距离无关的定位方法中，应用较多且易于改进的当属DV-Hop算法，该算 法对标定节点间的比例要求比较少且定位精度比较高，因此在近年来对此算法的研究较为 广泛，对无线传感器网络中DV-Hop定位算法存在着众多改进方法，对DV-Hop定位算法的性 能尤其是精确度都有显著的提高，所WWSN定位算法中，利用DV-Hop算法为基础，复合一种 或多种经过寻优操作后的逼近算法，成为人们关注的重点。
【发明内容】
[0005] 为了克服上述现有技术的不足，本发明提供了一种基于径向基函数神经网络和 DV-化P相结合的无线传感器网络定位算法，同时利用粒子群和遗传算法对神经网络上的参 数进行优化。
[0006] 径向基函数（Radial Basis Function,RBF)是属于人工神经网络（A;rtificial 化ural化tworks，A順)的范畴，它的最大特点是最佳逼近具有唯一性，同时可W避免局部 逼近的问题存在，RB巧申经网络具有直观且良好的"输入-输出"映射功能，在本发明中采用 RB巧巾经网络与DV-Hop结合的WSN定位算法。但是RB巧巾经网络的收敛速度很慢而且还存在 泛化能力较弱、模型参数和结构难W设置、连接权值的求解等多个病态问题，基于提高精度 的考虑，把RBF中的一些参数引入全局优化算法进行优化，从而达到改善RB巧申经网络的性 能的作用，在众多全局优化算法中，粒子群算法(particle swarm optimization，PSO)由于 它的数学结构模型简单易用，从而得到了广泛地使用。但是PSO算法同样存在着一些缺点， 比如说收敛速度慢、精度低、种群易早熟等。因此将遗传算法(Genetic Algorithm,GA)中的 选择、交叉、变异运些核屯、算法操作引入到粒子群算法中，在加快粒子群收敛速度的同时还 解决了粒子群的早熟问题。
[0007] 本发明提供一种基于PSO-GA-RBF-册P的无线传感器网络的定位算法，主要包括如 下几个步骤：
[0008] 步骤一、错节点初始化及跳数平均距离的计算；
[0009] 步骤二、跳数更新；
[0010] 步骤=、随机生成虚拟节点，生成训练数据；
[0011] 步骤四、用GA对PSO中的参数进行变异更新；
[001 ^ 步骤五、用GA-PSO优化RBF参数的具体步骤；
[oou]步骤六、未知节点定位。
[0014] 本发明的优点在于：
[0015] 1.虽然非测距方式传感器网络定位在性能上还不如测距的定位方式效果好，但是 非测距不依赖于外界环境和硬件条件，基于神经网络的非测距方法具有更加良好的性能。
[0016] 2.利用遗传算法改进粒子群算法，通过粒子群交叉操作及变异操作，寻求迭代精 度最大或适应度最好的情况，能够有效避免PSO的收敛速度慢精度低的缺点，提高粒子种群 的多样性，还解决了粒子群的早熟问题，
[0017] 3.引入改进的粒子群算法用于确定RB巧申经网络中的样本数据中屯、、样本方差W 及隐含层和输出层的连接权值宽度，使训练后的神经网络更加适应期望的样本数据，从而 提高了传感器网络定位的精度。
【附图说明】
[0018] 图1为本发明中传感器定位方法的流程图；
[0019] 图2为本发明中RB巧申经网络示意图；
[0020] 图3为实施案例中错节点的坐标位置图；
[0021 ] 图4为实施案例中定位算法RBF、GA-RBF和PSO-GA-RBF的坐标误差比较图；
【具体实施方式】
[0022] 下面结合附图和实施例对本发明进行详细说明。
[0023] 本发明是一种基于PS0-GA-RBF-H0P的无线传感器网络定位算法，系统框图如图1 所示，具体包括步骤如下：
[0024] 步骤一、错节点初始化及跳数平均距离的计算；
[0025] 首先系统需要将每个错节点之间相对应的跳数数据信息进行初始化归零处理，每 个错节点采用广播的通信方式向下游错节点提供自己的位置信息，随后系统再根据WSN中 每个错节点自身的位置信息，通过统计原点到每个错节点的相对应的跳数和距离，从而计 算出跳数的平均距离，每个错节点A根据收集的各个错节点的位置信息(x，y)和对应的跳数 值h，按照公式（1 )计算跳数的平均距离Cl。
[0026] (1)
[0027] 步骤二、跳数更新；
[0028] 在WSN网络中，每个未知传感器节点会通过广播的方式寻求最近的错节点，该最近 错节点上记录的跳数数值信息加1，则最近错节点会转发给它对应的下游错节点，下游错节 点收到跳数信息后，也会更新跳数，同时转发下游错节点，重复此步骤，直到所有的未知节 点到各错节点的跳数固定，不再发生变化为止。假设错节点数量为M，未知节点数量为N，则 需要产生一个NXM的跳数矩阵作为样本输入。
[0029] 步骤=、随机生成虚拟节点，训练数据清洗；
[0030] 在已经固定好的WSN区域内，利用软件随机生成V个虚拟节点坐标，虚拟节点编号 分别为1，2,3, . . .，V，节点坐标为Vxyi=(xi，yi)，根据步骤二中所述的错节点跳数更新方法， 分别计算出每一个生成的虚拟节点到已经固定的各错节点的跳数矩阵，记虚拟节点Vi到错 节点的跳数矩阵为VMi=比ii，hi2，hi3,. . .，hiM]，将该矩阵作为用GA和PSO改进后的RB巧申经 网络训练的训练样本输入，对应的训练样本期望输出为该虚拟节点的实际坐标，即Vxyi。
[0031] 在得到训练样本后，还要对训练样本进行数据筛选，本发明中选取的筛选方法为 主元分析法。主元分析法(principal component analysis，PCA)也称为矩阵数据分析法， 是非常常见的数据筛选方法。对于给定的训练样本集H=[VMi|Vxyi] = [hij，hij，...，hv(M+2) ]T，训练样本为VX(M+2)的矩阵。令hi/ =hij-E化），H'=山1'山2'，. . .，hv(M+2)']使样本中 屯、化，如公式(2)所示：
(2)
[0033] 输入样本的协方差矩阵如公式(3)所示：
[0034] Ch=E(H'化'）T) (3)
[0035] 利用公式(4)计算得出Ch的特征值Ai，A2, . . .和对应的特征向量ui，U2,...， U如刮：
[0036] CH*Ui =、*Ui，i = l，2,. . .，M+2 (4)
[0037] 设特化值入I >入2 ^ . . ^入(M+2 )，则UiT就是输入对特化向重的投影。令U = [ Ul , 化，...，u(M刮