[发明专利]一种稀疏化节点定位算法

说明书

技术领域

本发明涉及的是一种基于一个移动信标节点下的静态无线传感器网络节点的定位方法，具体的说是一种稀疏化节点定位算法。

背景技术

无线传感器网络是通过自组织快速形成的一种分布式网络。由于网络资源和成本的限制，网络中的节点不能全都依靠GPS完成定位。然而，网络中传感器的覆盖、布局以及目标定位等都须依靠节点的位置。因此，无线传感器网络中节点的自身定位是至关重要的。随着传感器网络节点定位技术的不断深入研究，基于移动信标的节点定位方法受到人们越来越多的关注。典型的算法有基于RSSI的定位算法、HADO算法、MAP类算法等。其中，基于RSSI定位算法需要附加测距设备；HADO算法计算量大，且对移动信标的移动路径有较高的要求；MAP类算法的定位精度易受弦方位精度的影响。

发明内容

本发明的目的在于提供一种低成本、有效、易于实现且高精度的基于移动信标条件下的稀疏化节点定位算法。

本发明的目的是这样实现的：

一种稀疏化节点定位算法，包括下列步骤：

(1)节点收集移动信标节点在不同位置处的信息，并建立稀疏化的定位模型,

1.1)移动信标节点不停地在整个网络区域内移动，并周期性的发送信标信号；

1.2)目标节点接到在其感知区域内所有的信标信号并将其记录下来；

1.3)目标节点根据获得的信标信号，来确定自身的感知区域和建立稀疏化定位模型，确定观测矩阵和观测值。

(2)由于(1)中确定的观测矩阵不满足等距约束条件,通过LU分解对观测矩阵和观测值进行预处理，得到新的观测矩阵和观测值。

(3)根据(2)中得到的新的观测矩阵和观测值，利用压缩感知重建算法以及稀疏信号X'，重构稀疏信号X。

(4)利用质心算法得到目标节点的估计位置,

4.1)利用步骤(3)中重构出来的稀疏信号X，归一化得到感知区域中各个网格与目标节点的权值系数；

4.2)利用得到权值系数，通过加权质心算法得到目标节点的估计位置。

本发明的技术构思为：在该算法中利用节点自身的特点，通过网格化感知区域能把节点定位问题有效地转化为稀疏度为1的N维向量重构问题，把无线传感器节点自定位问题转化为压缩感知问题，并利用LU分解有效地解决在稀疏化定位模型中确定的观测矩阵不满足约束等距性条件的问题，最后利用质心算法来解决稀疏化定位模型中，稀疏信号是个近似稀疏信号的问题。

本发明方法的有益效果主要表现在：1.保证了压缩感知算法的重建性能，并保证了算法的节点定位精度，提高了算法的可靠性；2.对移动信标并无限制，定位较为简单；3.定位整个网络中所有的节点，所需的移动信标点较少；4.对移动信标的移动轨迹没有限制，算法的实现较便利。

附图说明

图1是本发明所提出的稀疏化定位算法的流程图；

图2是稀疏化定位模型图；

图3是在理想环境下的节点分布图

图4是存在着障碍物下的节点分布图；

图5是目标节点在理想环境下的位置误差图；

图6是目标节点在障碍物下的位置误差图；

图7是GPS误差对算法的定位性能影响表

图8是节点通信半径对算法的定位性能影响表；

图9是信噪比对算法的定位性能影响表。

具体实施方式

下面结合附图对本发明做更详细地描述：

参照图（1），一种稀疏化节点定位算法，所述的方法包括以下步骤：（1）网络中移动信标节点在移动的同时，周期性地发送信标信号。目标节点对其感知区域内的信标信号进行接收，得到信标点信号的接收强度，并确定这些信标点的位置。

稀疏化定位模型的建立：一个目标节点可感知到M个信标点的信号，利用这M个信标点来确定该节点的无线感知区域，并将此区域均匀地网格化为N个网格。将目标节点所在的网格看作1，其他网格看作0，将节点的定位问题转化为网格化的稀疏度为1的N维向量重构问题。

由压缩感知理论可知：稀疏信号X∈R^N在测量矩阵A_M×N(M<<N)的投影下，可转换为线性观测值Y如下：

Y=A_M×NX∈R^M

在稀疏化的定位模型中，测量矩阵A中的元素RSS_m,n（1≤m≤M，1≤n≤N）为第m个信标点到第n个网格中心点的信号接收强度。

稀疏信号X的压缩采样过程可描述如下：