[发明专利]基于压缩感知和BP神经网络的无线传感器网络定位方法

摘要

本发明公开了基于压缩感知和BP神经网络的无线传感器网络定位方法，该方法将压缩感知和BP神经网络应用于基于网格的多目标定位，使用接收信号强度(RSSI)作为定位参数。可以分为以下步骤，步骤一：利用压缩感知对无线传感器网络节点进行定位，判断节点是否位于网格中心；步骤二：对于不在网格中心的未知节点，依次采用BP神经网络和极大似然估计法计算出节点的坐标。用BP神经网络修正RSSI测量值误差，最后用极大似然估计法计算得出未知节点的真实坐标。本发明可以同时进行多目标定位，并且克服了传统的压缩感知方法只能在网格中心进行定位的缺点，利用BP神经网络克服了RSSI定位带来的精度差的缺点，在减小功耗的同时提高了定位精度。

主权项

1.一种基于压缩感知和BP神经网络的无线传感器网络定位方法，其特征在于，所述方法包括如下步骤：步骤1：每个目标以周期T向锚节点发送信号，各个目标之间相互独立，相互之间没有同步的要求，然后各个锚节点将一个周期内收到的RSSI测量值进行累加，并且将结果送到融合中心，融合中心执行压缩感知算法，计算未知节点位于哪个网格之中，并且是否位于网格的中心；步骤2：对于不在网格中心的节点，分为以下具体实现过程，包括：步骤2‑1：训练BP神经网络，提前将部分位置已知的锚节点作为可靠节点，将剩余锚节点接收到可靠节点的RSSI值向量作为输入，可靠节点到剩余锚节点的真实距离值向量作为输出，训练神经网络；步骤2‑2：将各个锚节点接收到的未知节点的RSSI值向量输入到训练好的BP神经网络，对应得到的输出向量就是各个锚节点到未知节点的修正过误差的距离向量；步骤2‑3：将上述步骤2‑2中得到的距离向量代入到极大似然估计法中，得出不在网格中心的未知节点的坐标；利用测量矩阵重新描述信号，再重新采集少数线性观测数据，若信号X∈R^N，并且X是K稀疏的，测量矩阵φ∈R^M*N M＜＜N，则X在测量矩阵φ的变化下得到的观测矩阵Y∈R^M，如式1所示：Y_M*1＝φ_M*N*X_N*1   式1因为信号X是K稀疏的，如果测量矩阵φ∈R^M*N M＜＜N满足约束等距离性条件RIP，信号X能得到精确重构，如式2所示：X_eat＝arg min||X|| s.t.Y＝φX   式2式中，X_eat表示重构后的信号矩阵；RIP条件是信号X能重构的充分而非必要条件；当满足式3时，由式2以压倒性的概率重构X；M≥C*K*μ²(φ,I)*lgN   式3式中，M是对X进行随机测量的次数，C是一个较小的正常数，信号X是K稀疏的，并且X∈R^N，μ(φ,I)是测量矩阵φ和单位矩阵I的互相关系数，如式4所示：式中，为测量矩阵φ位于第m行，第n列的元素；只要选择合适的测量次数M，就以压倒性的概率重构X；将上述方法应用无线传感器网络的初始定位中，对于式1中的观测矩阵Y_M*1，表示的是M个锚节点的测量结果，Y_M*1＝[y₁,y₂...y_M]^T，其中y_n表示第n个锚节点接收到的所有未知节点发送至该锚节点RSSI值的和，测量矩阵φ_M*N构成元素为第m个锚节点接收到第n个未知节点发送的RSSI值，原始信号矩阵X_N*1＝[x₁,x₂...x_n]^T，设则系统的压缩采样过程由式5表示：通过式2恢复出来的信号中，理想的x_n重构结果只有0和1，即设定一个网格中只有一个目标，实际的结果0≤x_n≤1，其中许，多x_n值接近于0，为了降低算法的复杂度，设定Threhold_low为网格中存在目标的阈值；由于噪声的存在，当未知节点位于网格中心时并不能确保x_n＝1，而是也存在一个阈值Threhold_high作为未知节点位于网格中心的阈值，该阈值会随着噪声的增加而减小，上述两个阈值的选择可以通过多次蒙特卡洛实验来获取；当0≤x_n≤Threhold_low：网格n内不存在未知节点；当Threhold_low＜x_n＜Threhold_high：网格n内存在未知节点，但该未知节点不在网格中心；当Threhold_high≤x_n≤1：网格n中心存在未知节点。