[发明专利]一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法

摘要

本发明公开了一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，在煤矿井下需要目标定位的区域内，部署多个信标节点并合理选取出若干个采样位置，并按以下四个步骤进行构建离线虚拟训练集和实现井下定位算法一是搭建井下无线传感器定位网络；二是离线构建虚拟训练数据集；三是在线定位目标；四是形成基于高斯模型的马尔科夫链定位算法。本发明将无线通信应用于最为急需和适合的煤矿井下通信与监测系统中，完成井下无线定位算法的研究与实现，具有极强的理论研究价值和广泛的市场应用。它极大地考虑了目标运动状态和节点采样特点，抑制了运动目标位置估计可能产生的大幅度跳变，从而提高定位精度，在80米的定位区域内，定位均方根误差为3.217m。

主权项

一种基于虚拟训练集和马尔科夫链的煤矿井下定位方法，其特征在于：在煤矿井下需要目标定位的区域内，部署多个信标节点并合理选取出若干个采样位置，并按以下四个步骤进行构建离线虚拟训练集和实现井下定位算法：步骤1：搭建井下无线传感器定位网络，其方法包括：①网关节点作为协调器，信标节点和移动节点作为终端设备，网关节点广播信标节点配置请求和移动节点配置请求，配置4个信标节点和1个移动节点信息；②移动节点广播Cluster Id为1的定位数据帧；③信标节点接收到该数据帧后，提取RSSI存入负载，并向网关节点发送Cluster Id为2的数据帧；④网关节点分别接收到4个信标节点发来的数据帧，对其进行处理并作为指纹信息通过串口发送到上位机；步骤2：离线构建虚拟训练数据集：不同位置信道衰减因子n由式(2)RSSI＝A0‑10nlg(d/d0)+Xσ  (2)计算可得为：采用线性插值：n(i)＝α×n(i‑1)+(1‑α)×n(i+1)  (4)其中α为插值系数，其值为：式(2)、(3)、(4)和(5)中，d为距离，i表示第i个位置；利用线性插值法可得到各插值点处的n，实现了动态衰减因子，利用经典模型式(2)可计算出相应的RSSI，从而得到虚拟RSSI指纹训练数据集；步骤3：在线定位目标：在线定位阶段利用贝叶斯估计计算目标位置的后验概率，最后选择最大后验概率的训练数据所对应的位置作为估计位置，由贝叶斯准则可知：p(R|lk)＝p(r1,r2,···,rq|lk)＝p(r1|lk)p(r2|lk)···p(rq|lk)  (7)其中，p(lk)与目标的运动习惯有关，为归一化常量，故p(lk|R)∝p(R|lk)p(lk)  (8)若先验概率不偏向任何位置即p(lk)相同，贝叶斯最大后验概率取决于最大似然函数；以核函数法构造的似然函数p(R|lk)的模型可以更精确的表示RSSI概率密度分布情况，即式中，K(R,Rn)为核函数，NS为样本数，Rn为数据库中第n个样本的RSSI指纹；核函数法将每个训练位置上的每个样本数据赋予一个以自身为“核心”的函数，等权重的所有样本对应核函数的总和为在该位置处的概率密度分布；核函数选用高斯核函数：式中，σ决定了核函数的宽度；在先验概率相同情况下，综合式(3)‑式(10)可得到基于核函数法的最大后验概率：lk＝argmax[p(lk|R)]  (12)加权核函数法，首先，利用基于贝叶斯估计的核函数法计算似然函数，并在虚拟数据集中查询出概率较大的K个lk位置信息；然后，求其对应的样本指纹与在线采集的指纹的欧几里得距离；最后，将该距离作为权重，计算目标位置；步骤4：基于高斯模型的马尔科夫链定位算法：采用Markov链方法，利用目标的历史状态信息，对下一刻目标所处的可能位置进行限制，从而抑制前后时刻目标位置估计可能产生的大幅度跳变，t+1时刻后验概率：其中，A为Markov链状态转移概率矩阵，表示从上一时刻到下一时刻，目标在任一位置转移到其他位置的概率；在定位过程中，节点以某一时间间隔采样目标运动时状态，以s′＝Ts*v为跳变距离进行转移，认为目标下一时刻所在位置服从以μi＝s1:t+s′为均值，σi＝2s′为方差的高斯分布；故首先，在线获取未知节点指纹信息，从虚拟数据库中提取训练指纹，根据加权核函数法构建似然函数；其次，通过本发明中的基于高斯模型的马尔科夫链算法(13)～(15)式计算出：最后，根据lkt+1在虚拟训练数据集中查询到相应的位置坐标；式(6)‑(16)中，p为概率的定义；lk为位置信息；R为由列向量r1、r2构成的矩阵；其中r1表示训练集中第1个(数字1)位置的RSSI值，以此类推；σ为标准差；Ts为跳变时间或时间片；v为速度；μi为第i行样本数据的均值；s1:t为待定位目标节点在1到t时刻的位移。