基于小波变换预测的移动节点定位方法
【技术领域】
[0001 ]本发明属于无线传感器定位跟踪技术领域，更具体的说，设及一种用于无线传感 器网络中基于小波变换预测的移动节点定位方法。
【背景技术】
[0002] 无线传感器网络(Wireless Sensor化twork,WSN)由大量部署在监控区域的传感 器节点组成，通过无线通信方式形成一个多跳自组织网络系统，协作感知、采集和处理相关 监控信息，其被广泛地应用在实时追踪、森林火灾等领域。其中，传感器节点定位技术是无 线传感器网络的关键技术，如何实现高效、高准确率的定位技术一直是无线传感器网络领 域的研究热点。
[0003] 目前对无线传感器网络定位方法主要分为测距（Range-based)方法和非测距 (Range-free)方法两大类。其中，测距方法依赖额外硬件测量测量节点与节点之间的距离 或角度等信息，如接受信号强度(RSSI)、信号的到达时间（TOA)、信号到达时间差(TDOA似 及信号的到达角度(AOA)等;非测距方法主要根据节点的连通性和多跳路由信息交换实现 节点定位，定位成本较低，例如DV-Hop算法、AP 口算法、质屯、算法等。
[0004] 然而，在节点移动的环境中，随着网络结构的实时变化，节点速度的不确定性，运 动状态的不可知等因素影响，传统的定位算法并不能满足移动定位要求。
[0005] 为此，研究人员对移动节点定位的进行深入研究，并取得了长足的进展。
[0006] 2004年，Virginia大学的Lingxuan Hu等人率先将蒙特卡罗定位方法（Monte Carlo Localization,M化)应用到无线传感器网络，提出了适用于移动传感器网络节点定 位跟踪的蒙特卡罗定位方法，其充分利用了移动节点的特性来提高定位精度，不需要额外 硬件支持，且其定位精度不依赖于网络拓扑结构。蒙特卡罗定位方法的核屯、思想是用一系 列带权值的样本点估算待定位节点的位置，通过预测和滤波步骤不断更新待定位节点的位 置。
[0007] 在此基础上，Baggio等引入了错盒和采样盒，提出了蒙特卡罗盒(Monte Carlo Localization Boxed，MCB)算法，进一步提高了定位精度。
[000引然而，上述算法在定位精度上仍有待提高，尤其在错节点部署稀疏的环境下定位 误差明显较大。本领域的技术人员期望有更多的技术解决上述问题。
【发明内容】
[0009] 针对现有技术的不足，本发明要解决的技术问题在于提供一种移动节点定位方 法，W期该方法能够有效提高移动节点的定位精度，尤其是在错节点密度稀疏的环境下的 定位精度。
[0010] 为此，本发明提供了基于小波变换预测的移动节点定位方法，该方法包括W下步 骤：
[0011] 获取待定位移动节点的历史运动坐标序列，所述历史运动坐标序列中至少包含该 待定位移动节点在定位时刻t之前的=个时刻所在的位置坐标；
[0012]根据所述历史运动坐标序列，使用小波变换方法预测该待定位移动节点在定位时 刻t的预测位置(皆，yn;
[001引根据所述预测位置(畔，yf)构建采样区域；
[0014] 根据所述采样区域的面积大小实行自适应采样，在采样区域里采集N个样本点并 滤波；
[0015] 根据所述滤波后的样本点的位置坐标赋予样本点不同的权值；
[0016] 根据所述滤波后的样本点的位置坐标、样本点权值计算所述待定位移动节点在定 位时刻t的位置。
[0017]上述技术方案中，所述历史运动坐标序列由；个时刻所在的位置坐标xiW = xt-3， X2 W= Xt-2 =Xt-I构成。该待定位移动节点在初始定位时刻前S个时刻所在的位置坐 标，可W使用蒙特卡罗盒方法计算，形成初始历史运动坐标序列，之后再采用本专利方法计 算定位时刻t的位置坐标，将采用本专利方法计算出来的位置坐标添加到历史运动坐标序 列，并舍弃序列中最早的坐标，对历史运动坐标序列进行更新。
[0018] 上述技术方案中，所述根据所述历史运动坐标序列，使用小波变换方法预测该待 定位移动节点在定位时刻t的预测位置(扭，yf)包括：
[0019] 采用牛顿插值或拉格朗日插值等方法对所述历史运动坐标序列进行插值，使序列 变长；
[0020] 对插值后的历史运动坐标序列进行多孔小波变换分解：
[0021] co(t) =x(t)
[0022] 皆觀=X M/ )c" + 2 7) /=-的
[002；3] dj+i(t) =Cj(t)-Cj+i(t)
[0024] 其中，x(t)为历史运动坐标序列，CW为近似信号，dw为细节信号;h(l)为低通滤 波。
[0025] 分解后得到近似信号序列、细节信号序列；
[0026] 将所述分解后得到的近似信号序列、细节信号序列代入ARMA模型，AR模型等预测 模型，计算得到包含有预测值的近似信号序列、细节信号序列；
[0027] 使用小波重构的方法将包含有预测值的近似信号序列Cp'（t)、细节信号序列 !>//(〇重构成带有预测值的历史运动坐标序列X'（t): P
[002引= +
[0029] 从所述带有预测值的历史运动坐标序列x'（t)中提取待定位移动节点在定位时刻 t的预测位置(.Yf o'n。
[0030] 上述技术方案中，所述根据所述预测位置,知f，jf)构建采样区域包括：
[0031] 判断预测位置(疗，乂)是否满足滤波条件：
[0032] 狗切?(/>) = V去e剧,.，.种典句适r aVs e说口r <满:p，.s)么化
[0033] 其中，Slt和S2t为待定位移动节点在定位时刻t收到的一跳错节点和两跳错节点的 集合，d(p，s)为错节点与预测位置之间的距离；
[0034] 若不满足，则使用原采样区域Boxt= {(Xmin，ymin) ; (Xmax，ymax)}:
[0037] 其中，n为定位时刻t收到的错节点数目，r是移动节点的通信半径，为错节 点j的坐标;当j为二跳错节点时，用化代替r;
[0038] 若满足，则构建预测约束区域，W预测约束区域和原采样区域的重叠区域作为新 采样区域((仍胃，巧，mJ;(仍胃，巧：
[0041] 其中，err为估计预测误差。
[0042] 上述技术方案中，所述根据所述采样区域的面积大小实行自适应采样，在采样区 域里采集N个样本点并滤波包括：
[0043] 根据所述采样区域的面积大小计算需要采样的数目N:
[0045] 其中，MaxNum为最大样本点数，SAnchor为采样区域面积的大小，SThreshold为阔值；
[0046] 在采样区域里采集N个样本点；
[0047] 根据滤波条件对所述样本点进行滤波，W淘汰不符合滤波条件的样本点，所述滤 波条件为：巧似'(内=於€別,，(f(P. S)如-A於e S2,，r < S)名2r
[0048] 其中，Slt和S2t为待定位移动节点在定位时刻t收到的一跳错节点和两跳错节点的 集合，d(p，s)为错节点与预测位置之间的距离；
[0049] 判断滤波后的样本点数目是否小于N;
[0050] 若是，则重新采样直至在采样区域里采集到的N个样本点全部符合滤波条件。
[0051] 上述技术方案中，所述根据所述滤波后的样本点的位置坐标赋予样本点不同的权 值包括：
[0化2] 赋予样本点权值；
[0化3]对样本点归一化处理
[0054] 其中，芦为第一向量与第二向量之间的夹角；
[0055] 第一向量为待定位移动节点上一时刻位置坐标到预测值的向量；
[0056] 第二向量为待定位移动节点上一时刻位置坐标到滤波后的样本点位置坐标的向 量。
[0057] 上述技术方案中，所述根据所述滤波后的样本点的位置坐标、样本点权值计算所 述待定位移动节点在定位时刻t的位置的计算公式为：
，其中，Wi为第i个样本点在定位时刻t的权值。
[0化9] 本发明还取得了如下有益效果：
[0060] 本发明通过小波变化预测，充分利用历史运动信息，精确采样区域，采用自适应采 样减少采样次数，提高了定位精度。在错节点部署稀疏的网络环境下能表现出较好的定位 效果。
【附图说明】
[0061] 下面结合附图对本发明的【具体实施方式】作进一步详细的说明，其中：
[0062] 图1是本发明实施例1的流程图；
[0063] 图2是使用小波变换方法待定位移动节点在定位时刻t的预测位置的流程图；
[0064] 图3是构建采样区域的流程图；
[0065] 图4是根据采样区域的面积大小实行自适应采样并滤波的流程图。
【具体实施方式】
[0066] 图1是本发明实施例1的基于小波变换预测的移动节点定位方法的流程图，该方法 包括W下步骤：
[0067] 步骤SlOl:获取待定位移动节点的历史运动坐标序列
[0068] 其中，所述历史运动坐标序列中至少包含该待定位移动节点在定位时刻t之前的 =个时刻所在的位置坐标。具体地，所述历史运动坐标序列由=个时刻所在的位置坐标 x/W = x,_,，X严=X,,，而TO = X, 1构成。该待定位移动节点在初始定位时刻前S个时刻所在 的位置坐标，可W使用蒙特卡罗盒方法计算，形成初始历史运动坐标序列，之后再采用本专 利方法计算定位时刻t的位置坐标，将采用本专利方法计算出来的位置坐标添加到历史运 动坐标序列，并舍弃序列中最早的坐标，对历史运动坐标序列进行更新。关于蒙特卡罗计算 该移动节点的方法，本领域技术人员可W参阅Baggi O等提出的MCB( Monte Carlo Localization Boxed)算法。
[0069] 步骤S102:使用小波变换方法预测该待定位移动节点在定位时刻t的预测位置 的，林）。
[0070] 图2是利用小波变换方法预测该待定位移动节点在定位时刻t的预测位置流程图。 其步骤如下：
[0071 ]步骤S201:对所述历史运动坐标序列进行插值
[0072] 优选地，本发明使用牛顿插值或拉格朗日插值等方法对所述历史运动坐标序列进 行插值。
[0073] 步骤S202:对插值后的历史运动坐标序列进行多孔小波变换分解
[0074] 其中，分解的计算公式为：
[0075] co(t) =x(t) GO
[0076] C州(/)= J]/?(/)c,.(/ + 27) .1= 一呢'
[0077] dj+i(t) = Cj(t)-Cj+i(t)
[007引其中，x(t)为历史运动坐标序列，CW为近似信号，dw为细节信号;h(l)为低通滤 波。
[0079] 优选地，本实施例使用化rr小波作为小波基函数，低通滤波器为h=(l/2,1/2)。基 于Harr的多孔小波变换分解的计算公式为：
[0080] cj+i(t) = 0.5(cj(t-2-^)+Cj(t))
[0081] dj+i(t) =cj(t)-cj+i(t)
[0082] 本实施例实行3层小波分解，分解后得到细节信号序列{di，d2，d3}