文摘

源定位的一个主要研究内容在无线传感器网络的定位研究,长期以来引起了相当大的关注。近年来,无线二进制传感器网络(WBSN)已经被广泛用于本地化由于其高能源效率。一个新颖的方法基于WBSN多个源定位提出了。首先,一览表就是给予一定标准Neyman-Pearson传感模型,该模型考虑了假警报用于标识警觉节点。其次,意味着转变和层次聚类方法进行警觉节点获得集群中心作为初始位置的信号来源。最后,一些投票构造矩阵可以提高定位精度决定每个声源的位置。仿真结果表明,该方法可以提供一个理想的性能优于一些传统的方法在准确性和效率。

1。介绍

无线传感器网络(WSN)是一种新型的自组织分布数据采集网络,集无线通信、数据采集和信息处理1]。传感器网络主要是由大量的静止或移动传感器节点用于形成一个网络自组织或多次反射的方式(2]。由于灵活、廉价和有效的性能,在工业应用中起着重要作用和民事应用程序(3- - - - - -6]。在最近的时期,网络已成为学术研究者和行业圈的焦点。位置信息在大量的领域具有重要意义,如智能房屋系统,移动定位服务,森林火灾监测。传感器网络的使用位置估计已成为一个重要的应用程序的基础(7]。

最近,源定位也已经有了很广泛的研究和以各种方式解决(8,9]。根据不同的测量方法,这些方法主要可以分为四种类型:到达角(AOA)为基础的(10),到达时间(TOA)为基础的(11),到达时差(辐射源脉冲-)为基础的(12,13),和能源的14][15]。AOA-based方法,估计所需的阵列天线信号来源和节点之间的角度。TOA-based方法和TDOA-based方法依赖于高精度时钟获取准确的测量。因此,可以看出,这三种方法都被认为是昂贵的方法与硬件配置高的缺点[16,17]。的能源使用接收信号强度的测量方法、能量衰减模型来估计源的位置。相比之下,这种方法只需要较低的硬件配置,可以很容易地实现实际应用。因此,他们被认为是有吸引力的方法,研究的相当大的关注。在本文中,我们专注于能源来源定位方法。

为了解决源定位问题,提出了众多能源来源定位方法。源定位问题通常制定最大似然(ML)问题要解决一些优化算法。在[18),盛和胡锦涛首先提出一个模型,信号能量衰减被视为source-to-sensor距离的函数。根据模型,声音源定位问题被制定为最大似然估计问题。多分辨率搜索算法和采用(EM)迭代算法是用来解决这样一个非线性优化问题。位置估计的Cramer-Rao绑定(CRB)是利用传感器布置的影响分析源位置估计的准确性。在[19),一个优化毫升(OML)算法,提供优越的估计性能与传统ML方法相比。在[20.),提出了一种交替投影(AP)的方法来解决的ML估计问题的优势降低计算复杂度。在[21),Dranka和科埃略设计一个有效的误差估计模型来估计源定位的考虑和噪声样本来源之间的关系。在[22),陆等人制定能源多个源定位问题作为ML估计问题。介绍了两种算法,交替投影和采用,来解决这样一个定位多个来源的问题。然而,这些能源方法依赖于精确的测量信号来源和巫师节点之间的信息来估计源的位置。所有节点都需要进行复杂的计算得到精确的距离测量。大量的测量传感器的数据被传输到融合中心完成最后的源定位估计。这个过程的结果在高计算复杂度和能源成本。此外,当通信约束网络中,这些操作是很难实现(23]。为了克服这个问题,二进制传感器已广泛应用于传感器网络。他们总是做出二选一的决定由传感信号的存在与否根据不同的测量。与其他传感器,其ID只二进制传感器发送信号时感觉到融合中心。他们会保持沉默感觉到如果没有信号。他们一直在一个理想的解决方案条件下的通信和能源约束网络。

为了实现定位精度高,大量的源定位方法提出了无线二进制传感器网络(WBSN)。以前的相关工作主要集中在单个源定位问题的解决方案。在[24),作者采用ML估计方法在WBSN源位置。在[25),减去负面添加积极的(临时)算法可以实现几乎相同的定位性能的ML估计量较低的计算复杂度。在[26),根据WBSN的空间拓扑结构,作者设计一个有效唤醒方案可以激活一系列的节点上进行合作估计源的位置。近年来,多个源定位得到了研究者的相当大的关注,越来越多的方法来解决多源定位问题。一个改进版本的快速算法(ISNAP) [27)提出了估计位置的多个来源。基于模糊C-Mean——(FCM)多源定位方法(28]。在这种方法中,首先利用FCM算法估计初始位置的多种渠道。然后,一个可能性矩阵构造为每个源提高定位精度。在[29日),作者制定毫升源定位问题的问题,采用自适应实际的群优化解决。在[30.),王等人使用亲和传播(美联社)算法来获得警觉的集群中心节点。然后,这些中心合并多个数据源的最终估计位置。然而,这些方法的设计的假警报没有充分考虑,这可能会导致不良的定位结果。

在本文中,我们调查的多个源定位问题WBSN基于均值变化(31日聚类分析算法。首先,一览表就是给予一定标准Neyman-Pearson传感模型(32)应用于做出判断,如果节点是否吓坏了。然后,我们采用均值变化和层次聚类算法来获取这些警告的集群中心节点作为初始位置的信号来源。最后,一些投票矩阵可被视为决策方案进行估算每个信号源的最终位置。仿真结果表明,该方法可以实现理想的定位结果。

本文的结构如下。节2、系统模型、传感模型,介绍了均值偏移方法。部分3描述了该方法。仿真结果给出了部分4。最后,本文的结论部分5。

2。背景

2.1。能量衰减模型

在本部分中,我们介绍了声波能量衰减模型在WBSN多个源定位。这个模型基于以下假设。(1)有声学传感器节点与已知坐标 和声信号来源与未知坐标 在一个地区。这些声学传感器节点和声学信号来源是统一部署。每个源发出的声信号和接收通过一些传感器节点能源强度称为前信息(2)每个声源的声信号传播一致的四面八方(3)每个声源的能源强度成反比这个信号源和传感器节点之间的距离

的强度- - - - - -th声学源以表示为1米 。传感器节点收到来自所有声学信号来源,及相关信号强度来标示在时间间隔 。声信号衰减模型(28][29日可以制定 在哪里收到的信号强度吗 - - - - - -传感器节点所有声音来源。 传感器节点之间的距离吗和声学源 。 表示的测量噪声建模为添加剂与零均值高斯白噪声,即, 。的参数 是环境的因素,可以根据实际环境决定的。

在实践中,预期的测量可以通过计算平均能量测量的一个固定的时间间隔 。平均能量在固定的时间间隔测量 可以建模为 在哪里代表采样点的数量估计声能源强度和利用代表样本的频率。

一般来说,在小规模的应用程序中,声学信号的强度和能量发出每个来源被认为是稳定的时间间隔更短。因此,信号传播延迟不需要考虑。更简洁的声能量模型在以下形式: 在哪里表明,传感器节点可以接收信号来源,显示没有信号。的增益系数 - - - - - -传感器节点。在本文中,我们设置 。 是服从高斯分布的测量噪声与零均值和方差 , 。

2.2。Neyman-Pearson模型

传感器的感官声学信号时,传感器将与高概率如果报警信号来源是传感区域内的传感器节点。同样,如果信号来源是在感应区域的传感器节点,传感器节点将保持沉默。因此,传感模型,该模型反映了传感器的传感特性在WBSN中扮演一个重要的角色。提出了许多传感模型,其中磁盘模式是一种最常用的模型与分析简单的优点。磁盘模型是一个二进制传感模型,假定一个传感器的传感地区是一个圆形区域集中。传感半径内的信号传感器的感知概率1虽然这影响圈外的信号不是感觉到概率为0。传感信号来源的概率通过传感器可以定义为 在哪里表示传感器的传感半径。

然而,磁盘模型在实际应用有一定的局限性由于其不切实际的假设。与磁盘模式相比,精灵模型之间的关系可以表示信号衰减和传感器的感应能力。传感信号来源的概率通过传感器可以表示为 在哪里 , , ,和与物理性质有关的参数的传感器。信号源之间的欧几里得距离吗和传感器 。

在本文中,我们利用遥感模型基于Neyman-Pearson标准(29日)确定传感器节点是否报警。这种传感模型考虑了误警率和信号特征比磁盘更现实的模型和精灵模型。根据方程(3),接收到的声信号的强度在- - - - - -th传感器节点如下:

的概率密度函数在这两种条件下和定义如下:

根据Neyman-Pearson标准,可以给出的似然比

我们设置了参数作为一个阈值。如果似然比 ,的条件被接受。否则,条件 。因此,根据方程(8),我们可以获得

上面的公式可以归纳为如下形式:

因此,可以得到以下方程:

让 。假警报率可以被定义 在哪里代表标准正态分布的累积分布函数。

检测概率表示为

它假定误警率等于 。因此,我们可以获得以下方程:

最后,联合检测概率可以被定义

图1说明了传感器节点的感知概率的变化的距离不同的误警率 。很明显,传感概率在0和1之间变化。时的值近似为1,这意味着这个传感器节点附近的来源。传感器的感知概率逐渐退化发生在传感器和源之间的距离增加。给定一个固定值的距离,可以看出误警率越高,传感器节点的探测概率越高。

2.3。均值漂移方法

均值偏移方法是一种最经典的聚类技术,由于自身的优点已广泛应用的有效性和实用性。本文是利用集群这些警告节点和获得集群中心被视为初始位置的信号来源。假设警惕与已知的节点坐标 。对于一个随机的初始位置 ,位置的加权平均数可以得到如下: 在哪里表示初始位置的附近 。 表示内核函数非负在以下形式:

内核函数的过程中扮演着重要的角色重新估计平均分配权重的小区数据。最后一个加权平均数估计可以通过实施的迭代计算获得的直到满足收敛条件。此外,随机初始估计需要拨款设置根据实际应用,以获得理想的结果。

3所示。该方法

在WBSN,传感器节点的数量和信号来源,传感器节点的坐标,为每个传感器节点接收到的能源强度是重要的先验信息。每个传感器节点可以受到一个或多个信号同时来源。一般来说,它有一个更高的警报概率接近时的信号来源。图2显示报警节点之间的关系和信号来源。在这个图中,和站的信号来源,实心和空心圆的警觉和nonalarmed节点,分别。显然,惊慌的节点和强烈影响的信号来源和 ,分别。两个来源在警觉节点上都有强大的影响力同时进行。的节点错误的警告是测量噪声等因素的影响和硬件问题。假警报已经被多个源定位的严重挑战。

为了实现准确的源位置,标准是需要构造判断一个节点是否吓坏了。在一些以前的作品,这种二元决策取决于收到每个传感器节点的能耗。如果接收到的能源强度阈值以上,这个传感器节点被认为是一个惊恐的节点。否则,它属于nonalarmed节点。然而,假警报不能有效地限制基于这一标准(27]。在本文中,我们利用一览表就是给予一定标准Neyman-Pearson传感模型,该模型考虑了假警报率设计准则。它可以被定义 在哪里代表一个常数阈值。一个传感器节点可以被视为一个警觉节点感知概率高于阈值 。假警报率需要进行调优抑制假警报根据实际环境。

报警节点传送他们的id和位置信息通过通信融合中心。然后,使用这些信息来计算融合中心源的位置。虽然报警节点已经决定,它是属于未知源警觉的节点。在本文中,我们采用均值方法转移到集群这些警告节点来描述它们之间的关系。均值偏移方法决定了集群中心根据警觉节点的密度。假警觉节点通常是远离的领域有许多正常警觉节点。因此,均值漂移方法可以有效地克服假警报的影响。我们假设惊慌的节点的数量和这些警告节点的坐标 。的加权方法的位置与相应的初步估计 _,可以得到如下:

最后,还有聚类中心通过一个迭代的过程。由于集群中心的数量是不确定的意思是改变方法,我们适当调整一些参数来确保集群中心的数量大于或等于已知数量的来源吗 。如果大于 ,我们采用分层聚类算法23)集群中心合并,直到他们有相同的号码。否则,没有进行操作。新的聚类中心被视为初始位置的信号来源进行后续处理。之间的隶属度 - - - - - -警觉节点和 - - - - - -th集群可以获得如下: 在哪里代表之间的距离 - - - - - -警觉节点 - - - - - -集群中心。因此,有 为 - - - - - -th警觉节点。

为了进一步减少误报对定位精度的影响,我们构造一个投票方案来改善每个信号源的初始位置的结果。这个投票方案由以下步骤组成。

步骤1。传感区域划分为网格与 细胞和网格分辨率 。例如,一个 正方形区域与 和一个网格分辨率是10。该决议需要设置正确,以避免高计算复杂度。每个细胞都可以被视为一个点。我们定义 _,这些细胞的中心在一个矩阵形式。根据这些定义, 投票矩阵 为每个信号源设计可以在以下步骤中。

步骤2。所有投票都初始化为零矩阵。为 - - - - - -th信号源,其投票矩阵可以被定义 在哪里 是用来测量信号源的概率位于细胞的中心 。这是定义在以下表格。 在哪里 代表之间的距离 - - - - - -传感器节点和中心的细胞 。 代表传感器的传感半径。如果中心 定位在感应范围内许多惊慌的节点,它将信号源的位置高的概率。图3显示了一个示例的投票矩阵。有三个警告节点感知半径相同的广场。很明显,当条件 见过, 的报警值节点添加相应的矩阵元素的投票为 - - - - - -信号源。

步骤3。我们可以获得一个或多个中心 投票矩阵对应的元素的最大值。让 表示中心的位置 。的平均值 和集群中心被认为是最后的估计的位置 - - - - - -信号源。

步骤4。相同的策略执行,直到所有源定位结果。

4所示。绩效评估

在本节中,我们通过仿真实验评估算法。拟议的意思翻三班多个源定位(MS-MSL)算法与自适应粒子群优化方法相比(SAPSO)算法(26)和AP-based多个源定位(AP-MSL)算法(27)来测试其性能。我们假设有一个WBSN监控区域 。 传感器节点和信号来源是随机部署在这一领域。所有默认参数在以下模拟如表所示1。这三种算法的仿真结果都是通过蒙特卡洛实验。的平均位置误差被认为是评估这些算法的定位性能,定义如下: 在哪里 表明的估计位置 - - - - - -信号源。 表示的真正位置 - - - - - -源。

图4显示了误警率的影响平均定位误差。如图4SAPSO算法的定位精度和AP-MSL算法既类似于时该算法很低但增长大幅下降 。SAPSO算法和AP-MSL算法是敏感的假警报。同样,所有三个定位算法的平均位置误差将大幅上升增加。在我们的定位算法中,假警报足够考虑。因此,拟议中的MS-MSL算法优于其他算法的定位精度。

平均定位误差随测量噪声的标准差,如图5。急剧上升的平均位置错误的标准偏差测量噪声增加。与其他两种算法相比,我们的提议MS-MSL算法具有最低的定位误差在同样的标准差。

我们将讨论信号源能量之间的关系和平均位置错误。结果如图6证明平均定位误差有很大的影响。这三种算法的平均位置错误参数时都大幅提高增加。原因是越来越多的假警报出现的能源增加,从而导致高平均位置错误。该算法总是最佳的性能比其他两个算法。

图7显示定位算法的性能随着传感器节点数量的增加在该地区。在这个图中,我们可以观察到明显的节点数量对这三种定位算法具有重要的影响。这三种算法获得更高的定位精度随着节点数的增加。SAPSO算法的最差表现。这三种算法的定位精度可以大大增加随着节点数的增加。MS-MSL算法时的性能和AP-MSL算法也有类似的位置部署大量的节点。相比之下,提出MS-MSL算法优于其他两种算法总是定位精度最高。

5。结论

在本文中,我们提出了一种新颖的多个源定位方法在无线二进制传感器网络。首先,我们利用一览表就是给予一定标准Neyman-Pearson传感模型,该模型考虑了假警报决定警觉节点。其次,采用均值漂移算法来估计警觉的集群中心节点。第三,采用层次聚类算法合并集群中心作为初始位置的信号来源。最后,我们构造一个矩阵投票来决定每个信号源的最终位置。仿真结果表明,该方法可以提供更好的定位性能的鲁棒性和准确性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者特别感谢吴Chengdong(中国东北大学)他的帮助。这项工作是支持部分由中国国家自然科学基金(批准号。61701101,61973093,U1713216, 61901098,, 61971118),国家重点机器人项目(批准号下2017 yfb1301103),中央大学的基础研究基金(N2026005, N181602014, N2026004)。