Device-Free无线定位在无线传感器网络中使用人工神经网络

文摘

目前,定位一直是研究热点之一在无线传感器网络(网络)。然而,大多数定位方法集中于基于本地化,与终端设备定位目标。这是不适合应用场景像老监测、检测、生活等等。在本文中,我们提出一个device-free无线定位系统利用人工神经网络(ann)。系统由两个阶段组成。在离线训练阶段,接收信号强度(RSS) RSS矩阵之间的差别矩阵时收集监测区域是空的,专业的面积计算。一些RSS差异值在RSS不同选择矩阵。RSS不同价值观和相应的矩阵指标作为输入的ANN模型和已知的位置坐标是它的输出。然后输入和输出之间的非线性函数可以通过培训来近似ANN模型。在在线定位阶段,目标是在监测区域时,RSS不同价值观和他们的矩阵指数可以获得并输入到训练有素的ANN模型,然后定位坐标计算。 We verify the proposed device-free localization system with a WSN platform. The experimental results show that our proposed device-free wireless localization system is able to achieve a comparable localization performance without any terminal device.

1。介绍

物联网(物联网)正变得越来越流行,相关的研究领域,物联网涉及被调查,如无线传感器网络(网络),无线电频率识别(RFID),微机电系统(MEMS)和移动计算(1]。其中,网络集成各种先进技术包括传感器技术、无线通信和分布式信息处理,所以它吸引了很大的关注物联网(2,3]。在一个基础上,通常是一个数量的传感器节点部署在监测区域。这些传感器节点通过无线通信连接完成传感的任务,以合作的方式识别和监控。能力的感知、计算和通信,网络已经广泛应用于各个领域,例如,室内火灾探测,对象跟踪,幸存者传感、和建筑安全监测4]。在这些应用中,定位在网络中扮演着重要的和重要的作用5]。

到目前为止,各种定位系统开发(6- - - - - -9]。卫星定位系统能够为用户提供满意的基于位置的服务(LBS)在室外环境中(10]。基于手机系统能够计算手机用户的位置,但通常基于手机系统遭受大定位错误(11]。大多数定位系统使用无线局域网络(无线局域网)能够为用户提供磅当用户把WLAN终端设备(12,13]。Ultrawide乐队本地化(UWB)系统需要用户采取超宽频标签估算他们的位置6]。智能手机的传感器也用于导航和定位服务(14]。尽管infrared-based定位系统不需要终端设备,性能可以很容易受周围环境(6]。一句话,大多数现有的定位系统需要用户终端设备,无法应用于一些特殊的场景像老监测、检测、生活等等。Device-free无线定位在了网络上,利用接收信号强度(RSS)变化的传感器节点之间能够解决这个问题。当目标进入监控区域,系统存在的目标将反映,散射和吸收的无线电信号传感器网络(15]。定位结果与收集RSS变化可以计算。因此,device-free无线定位,不需要任何终端设备本地化的应用范围进行了扩展,它将有一个有前途的前景,增加需求。

然而,轮device-free无线定位的操作的一个挑战是RSS测量的不可预测性在多径环境中,特别是在复杂的环境中人们通常移动。要处理这个问题,在这篇文章中,我们指的是流行的WLAN指纹定位方法(6),提出一个device-free无线定位系统利用人工神经网络(ann)。在计划系统,RSS差值和相应的矩阵指标融合为一个ANN模型的输入,输出的位置坐标。然后输入和输出之间的非线性函数可以通过培训来近似ANN模型。当我们需要定位一个目标在监测区域,训练有素的ANN模型用于计算目标的定位坐标。本文的四个贡献可以概括如下:(1)我们建议使用ANN模型device-free无线定位系统。定位系统包括两个阶段:离线训练和在线定位。在离线阶段,专业站在一些选定的位置已知的位置坐标。RSS RSS矩阵之间的差别矩阵时收集的监测面积空置和专业的面积计算。一些RSS差异值和相应的矩阵指标作为输入,和已知的位置坐标作为输出培训ANN模型。在在线阶段,目标是在监测区域时,获得的RSS和矩阵指数差异值输入到训练有素的ANN模型位置坐标估计。(2)我们提出一个ANN模型的位置坐标估计device-free无线定位系统。拟议的ANN模型不仅是用于非线性函数近似,但也用于数据融合。模型融合了RSS不同价值观和相应的矩阵指标,然后采用融合数据作为输入向量的ANN模型。与已知的位置坐标作为输出向量,可以近似非线性函数与ANN模型计算定位结果。(3)我们构建的硬件平台device-free ZigBee-based WSN的无线定位系统。它由16个传感器节点,汇聚节点,和1定位服务器。每个传感器节点发送收到的RSS数据从其他传感器节点定位服务器通过水槽节点。RSS数据将被处理,然后用于计算定位结果在服务器。(4)我们核实该定位系统在实际室内环境构建的硬件平台。我们也尝试不同的系统参数对定位性能改进和分析实验结果。实验结果证实我们提出device-free无线定位系统能够实现类似的定位性能。

本文的其余部分组织如下。对这个研究综述了部分相关工作2。节3,该device-free无线定位系统和ANN模型估算详细定位结果。部分4描述了实验的硬件平台,实验结果和分析。最后,结论是未来工作和思想提出了部分5。

2。相关的工作

到目前为止,已经提出许多device-free无线定位方法。帕特瓦瑞威尔逊和(16)提出了一种基于无线电层析成像device-free定位方法(RTI)。RTI-based定位法成像RSS衰减引起的目标与廉价的和标准的硬件17]。他们还提出了正则化方法来减少噪音和方差相关的统计模型空间位置的运动图像运动估计(18]。由于类似的该方法的性能,RTI-based device-free本地化已被广泛研究。一个RTI-based device-free本地化使用分割算法和算法,提出了目标跟踪的连通区域标识(19]。Nannuru et al。20.)开发了一个模型用于多目标跟踪在室内环境中使用RTI并成功地跟踪与模型三个目标。喷口et al。21]提供了一个RTI方法使用RSS在多个频率测量通道,结合实时多目标跟踪的加权平均。Alippi et al。22)提出了一个RTI的方法定位人在户外,定位精度高,减少了传感器能耗。王等人。23- - - - - -25)也做了坚实的工作在这一领域应用鞍表面模型,网格压缩感知(CS),贝叶斯方法在device-free无线定位。Savazzi et al。26]提出了利用device-free定位方法和架构来追踪人类工人在人与机器人工业的情况下。提出的定位和检测算法是基于跳变线性马尔可夫链的和交互式多模型。王等人。15]介绍了一种节能目标框架device-free本地化。他们用更少的RSS应用CS保证高定位性能测量。

除了前面提到的,类似于WLAN指纹定位方法,Zhang et al。27天花板上安装一些节点和跟踪区域划分为不同的分区。为每个分区,他们利用支持向量回归(SVR)模型来估计定位坐标。优素福et al。28)提出了一个基于radio-map device-free无线定位系统。他们用概率方法计算定位结果。然后他们提出另一个device-free定位系统与粒子滤波(29日]。徐et al。30.)制定device-free本地化问题概率分类方法基于判别分析和减轻多路径效应造成的错误。因为指纹定位方法在多径环境中表现良好,也在这篇文章中,我们指指纹定位方法,并提出一个device-free定位系统使用ANN模型。

3所示。提出Device-Free定位系统

3.1。系统概述

提出device-free定位系统如图1。传感器节点是均匀部署在一个正方形的边缘监测区域。当目标进入监控区域,一些无线传感器节点之间的联系将被蒙上阴影。如果我们把图1作为一个例子,无线传感器节点1和8之间的联系,1和9日2和10 2和11日3和13日3和14日3和15日和6和16是阴影,导致这些无线链接的RSS的变化。当目标移动到另一个位置的监测区域,相应的无线连接也会跟踪。在WSN测量RSS的所有传感器节点数据和发送数据到本地化服务器通过一个水槽节点。我们假设传感器节点部署在监测区域与已知的位置坐标 , ,然后我们可以 无线链接。这些无线链接的RSS数据发送到汇聚节点,然后在本地化服务器处理。空监控区域时,没有在该地区的目标,我们收集RSS数据从WSN并编译成的矩阵。然后一个专业站在选定的已知位置坐标的位置,和一些无线链接跟踪专业时在每个位置。我们也可以以相同的方式获取RSS矩阵和计算RSS差别矩阵。我们建立RSS不同价值之间的非线性函数关系信息和位置坐标的ANN模型。这种ANN模型用于计算目标的位置坐标在监测区域。

根据上面的描述,更具体地说,拟议中的device-free无线定位系统包括两个阶段:离线训练和在线本地化。在离线训练阶段,我们首先收集RSS数据空缺监测区域的一段时间。RSS数据的传感器网络中传感器节点发送到本地化服务器通过水槽节点。服务器将RSS数据和编译数据提取到RSS矩阵。然后选择一定数量的特定位置,记录其位置坐标。专业站在每个位置和RSS数据从传感器节点也以同样的方式来收集和处理RSS矩阵。RSS RSS矩阵之间的差别矩阵时收集的监测面积空置和专业的面积计算。选择一些RSS差异值,然后这些RSS差值及其矩阵指标融合和输入到ANN模型中。同时,所选位置的已知位置坐标视为ANN模型的输出。所以ANN模型可以训练这些数据和非线性函数近似计算定位坐标。 In the on-line localization phase, when a target goes into the monitoring area, some wireless links are shadowed. The localization server collects the RSS data from all the sensor nodes and compiles these RSS data into an RSS matrix. Then an RSS difference matrix is also computed. The same number of selected RSS difference values and their indices in the matrix are input into the trained ANN model, and therefore the location coordinates of the target can be calculated by the ANN model.

3.2。RSS数据预处理

后定位服务器收集足够的播放帧在WSN包括RSS和节点的识别)(国家免疫日数据,提取RSS数据可以从这些框架和编译成一个RSS矩阵的维度 。RSS矩阵的行代表传感器节点接收到无线电信号和RSS矩阵的列代表了无线电信号传输的传感器节点。所以空监控区域的RSS矩阵可以用以下: 当一个专业的站在th位置,编译后的RSS矩阵可以用以下: 在哪里选择地点的数量。所以RSS差别矩阵之间的和可以计算如下: 如图1,有一个问题,应该考虑传感器节点在同一监测区域的边缘也可以收到RSS数据。例如,传感器节点1可以接收RSS数据从传感器节点5和传感器节点13。有时,RSS这些传感器节点之间的差值在同一边缘可能差别很大。因为这不是造成的目标在监测区域,如果我们考虑这些RSS差值和输入RSS不同价值观和矩阵指数到ANN模型,定位错误可能是重要的。所以我们设计一个过滤矩阵设置元素代表了RSS之间差值的传感器节点在同一边缘监测区域为0。这个操作可以有效地消除负面影响。最后一个RSS差别矩阵后过滤操作可以计算如下:

3.3。本地化与ANN模型

在本文中,我们应用一个三层感知器网络的非线性函数逼近和数据融合。网络有一个基本的网络结构,由一个输入层、一个隐藏层和一个输出层。网络的结构如图2。我们在输入层神经元的数目,隐藏层和输出层 , ,分别和2。RSS数据预处理后,我们可以获取RSS差别矩阵 。我们在矩阵的所有元素降序排列,然后我们选择第一个最大RSS差异值 ,并确定他们的指数矩阵这是列和行 , 。RSS不同价值观和他们的指数是由三层融合的ANN模型作为输入向量的ANN模型表示 。与此同时,ANN模型的输出位置坐标分别在x轴和y轴。然后输入和输出之间的非线性函数可以近似用 如下: 当我们输入向量ANN模型,输出的th神经元的th层模型可以计算如下: 在哪里是输入的th神经元的th层th神经元的th层;的重量th神经元的th层th神经元的th层;的阈值th神经元的th层;是激活函数的ANN模型。

我们训练的ANN模型与著名的反向传播(BP)算法(31日安),已广泛用于训练。算法的操作过程是误差向后传播和更新网络的权值和阈值。更新过程将暂停时的迭代终止条件之一。ANN模型的权重和阈值可以通过以下更新: 在哪里是我们预期的输出th在输出层神经元;和正在学习利率调整稳定和训练时间。

ANN模型训练,毕业后当一个目标是在在线监测区域定位阶段,跟踪RSS数据的基础上进行收集和处理。然后第一个最大RSS不同价值观和他们的矩阵指标融合作为输入向量并输入到训练有素的ANN模型。因此,位置坐标目标可以通过训练有素的ANN模型估计如下:

4所示。实验装置、结果和分析

4.1。实验装置

在本文中,我们使用CC2530无线个域网的节点作为WSN节点的德州仪器(TI)。这CC2530无线个域网节点具有低功率成本、高可控性,方便的网络。它运行在2.4 ghz的ISM波段和内部也符合IEEE 802.15.4协议提供服务。当一个传感器传输的无线电信号,所有其他网络中传感器节点可以接收信号。在我们的实验中,硬件平台由16个传感器节点,1水槽节点,1定位服务器。16个传感器节点测量这些RSS RSS数据和传输数据。水槽节点用于接收从所有的传感器节点和RSS数据也上传这些数据本地化服务器。

在这个实验中,我们将每个传感器节点能够传送无线电信号和其他传感器节点可以接收这些无线电信号和测量RSS数据。更具体地说,共有16个传感器节点首先均匀部署在广场的边缘监测区域。网络创业之后,一个传感器节点可以广播。其国家免疫日其他15个传感器节点能够接收和测量的国家免疫日RSS数据。RSS数据被记录在一个框架和相应的国家免疫日然后框架也是传播。的设计结构框架如图3。我们不同的时间延迟不同的传感器节点,以避免冲突。当一个传感器节点的传输帧,以及节点将传输其国家免疫日测量RSS数据信息和相应的国家免疫日。过了一会儿,每一帧信息将包含整个RSS数据和国家免疫日的所有节点。水槽节点也可以收到所有在WSN和上传这些数据的帧定位服务器。

真正的实验场景如图4。监控区域的会议室是一个正方形区域尺寸为7.2米×7.2米。有三个桌子和一些椅子在监测区域。监控区域计划如图5和椅子不显示在简单的计划。16个传感器节点部署在监测区域的边缘1.8缺口,也固定在三角架上1.2米的高度。水槽节点和本地化服务器也在会议室,但他们不是在监测区域。在监控区域,有52个位置选择,标有“×”图5。RSS数据收集每一个位置都可以编译成20 RSS矩阵。我们将这些RSS矩阵划分为两个数据集。一套用于培训ANN模型和其他集作为测试数据。

4.2。实验结果和分析

在这个实验中,我们设置了要35个隐层神经元的数量和我们训练ANN模型与BP算法。我们利用15 RSS矩阵每个选定的位置训练5 RSS矩阵的ANN模型,其余测试训练模型。我们计算的平均错误定位结果与第一次的数量从1到10最大RSS不同价值观不同。图6显示了意味着错误时使用不同的参数 。最大平均误差是1.31米= 9,最低的是0.42米= 6。原因可能是,当设置太大,输入的数量吗 ,ANN模型的性能降低,因为只有35个隐层神经元。相反,当设置过小,选择的RSS不同值可能不是由目标引起的,因此很难准确估计目标的位置坐标。例如,当参数= 2,只有第一个2最大的RSS不同价值选择。此时,如果它不是目标,而是一些干扰使RSS变化,那么这将减少定位性能。

如表所示1,定位结果与参数从3 - 8进行了比较。与参数误差标准差从3到8 1.05,1.15,1.14,1.08,1.45,和1.35,分别。当参数增加到7或8,误差标准偏差大大增加。与此同时,累计概率参数从3 - 8在定位误差1 m是75.4%,76.4%,60.4%,83.5%,79.2%,和63.1%,分别。累积概率和参数在定位误差的不同从3到8 2 m是91.5%,88.1%,83.5%,90.0%,87.7%,和77.7%,分别。累积概率与不同的参数也显示在图吗7。显然,定位提出了系统的性能= 6优于别人。

5。结论和未来的工作

摘要device-free使用ANN模型提出了无线定位系统。与该定位系统,目标的位置坐标可以估计没有任何终端设备。我们构建一个网络与无线个域网节点硬件平台和RSS数据收集无线传感器节点之间的联系。我们编译RSS数据到RSS矩阵,然后计算出RSS RSS矩阵之间的差别矩阵时收集监测区域是空的,专业的监控区域。第一个最大RSS差异值造成的职业选择。这些RSS差异值及其矩阵指标作为输入和已知的位置坐标作为输出训练ANN模型。在在线定位阶段,目标是在监测区域时,相同数量的RSS差值和相应的矩阵指数可以获得并输入到训练有素的ANN模型,可以计算定位坐标。实验结果证明我们提出device-free无线定位系统能够实现相对定位的性能没有任何终端设备。

在未来,我们将努力集中在移动目标或多目标定位与构建的硬件平台和系统参数优化定位性能改进。非线性函数逼近与其他先进的机器学习算法将追究。

数据可用性

数据支持本研究的发现中可用的文章。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由江苏省自然科学基金的支持下的中国高等教育机构批准号16 kjb510014,江苏省自然科学基金批准号下BK20171023,和中国的国家自然科学基金批准号61701223。

引用

1. r . Fantacci t . Pecorella r . Viti, c . Carlini”网络架构解决方案有效的物联网的WSN回程:挑战和机遇,”IEEE无线通讯杂志,21卷,不。4、113 - 119年,2014页。视图:出版商的网站|谷歌学术搜索
2. a . Zanella Bui, n . a·p·卡斯特拉尼l . Vangelista和m .圭“物联网智能城市,”IEEE物联网,1卷,不。1,22-32,2014页。视图:出版商的网站|谷歌学术搜索
3. w . Lu, y锣,j .吴x Liu和h .彭”协作能源和信息传递绿色无线传感器网络智能城市”IEEE工业信息,14卷,不。4、1585 - 1593年,2018页。视图:出版商的网站|谷歌学术搜索
4. j .粉丝,y, t·h .烹调的菜肴和m .董”DisLoc:基于凸分区方法在无线传感器网络分布式三维定位,“IEEE传感器杂志,17卷,不。24日,第8423 - 8412页,2017年。视图:出版商的网站|谷歌学术搜索
5. g .汉j .江c . Zhang t .问:Duong m . Guizani和g·k . Karagiannidis”一项调查在移动锚节点在无线传感器网络辅助定位,“IEEE通信调查和教程,18卷,不。3、2220 - 2243年,2016页。视图:出版商的网站|谷歌学术搜索
6. y顾,Lo, i Niemegeers,“室内定位系统无线个人网络的调查,“IEEE通信调查和教程,11卷,不。1,13-32,2009页。视图:出版商的网站|谷歌学术搜索
7. m·周y, z, l .谢和w·聂,“坚实的社区绘图Semi-supervised室内与轻载位置指纹定位,“IEEE物联网,2017年。视图:谷歌学术搜索
8. m .周y, z田,耿x,“Semi-Supervised学习室内混合动力指纹数据库校准较低的工作,”IEEE访问5卷,第4400 - 4388页,2017年。视图:出版商的网站|谷歌学术搜索
9. 杨绍明。关铭太阳和Y.-B。徐”,误差估计方法矩阵correlation-based无线室内定位,“KSII交易网络和信息系统,7卷,不。11日,第2675 - 2657页,2013年。视图:出版商的网站|谷歌学术搜索
10. d .邹w·孟,汉族,k .他和z,“无处不在的磅:Multi-radio本地化和无缝定位,“IEEE无线通讯杂志,23卷,不。6,107 - 113年,2016页。视图:出版商的网站|谷歌学术搜索
11. 工程学系。方和T.-N。林,”在异构无线网络合作multi-radio本地化,”IEEE无线通信,9卷,不。5,1547 - 1551年,2010页。视图:出版商的网站|谷歌学术搜索
12. w·m·周y Tang聂,l .谢和杨x”GrassMA:基于室内WLAN semi-supervised流形对齐定位、“IEEE传感器杂志,17卷,不。21日,第7095 - 7086页,2017年。视图:出版商的网站|谷歌学术搜索
13. y太阳,w•孟c·李,赵n, k .赵和n张,“人类本地化使用多源异构数据在室内环境中,“IEEE访问5卷,第822 - 812页,2017年。视图:出版商的网站|谷歌学术搜索
14. z邓,w Si, z、x, z Na,“标题估计融合惯性传感器和地标性建筑的室内导航使用智能手机的口袋里,“EURASIP无线通讯和网络》杂志上,卷2017,不。1,2017。视图:谷歌学术搜索
15. d . j . Wang, z杨et al .,“E-HIPA:节能框架高精度multi-target-adaptive device-free本地化,”IEEE移动计算,16卷,不。3、716 - 729年,2016页。视图:出版商的网站|谷歌学术搜索
16. j·威尔逊和n .帕特瓦瑞”与无线网络无线电层析成像,”IEEE移动计算,9卷,不。5,621 - 632年,2010页。视图:出版商的网站|谷歌学术搜索
17. 帕特瓦瑞n和j·威尔逊,“射频传感器网络device-free本地化:测量,模型和算法,”IEEE学报》,卷98,不。11日,第1973 - 1961页,2010年。视图:出版商的网站|谷歌学术搜索
18. 帕特瓦瑞j·威尔逊和n,“透明的墙:运动跟踪使用variance-based无线电断层扫描网络,”IEEE移动计算,10卷,不。5,612 - 621年,2011页。视图:出版商的网站|谷歌学术搜索
19. 科斯特诉,A . Lewandowski, c . Wietfeld”有效无线电层析成像方法在恶劣的工业环境,减少干扰”学报2012年IEEE /离子位置,位置和导航研讨会,2012年计划,页1074 - 1081,美国,2012年4月。视图:谷歌学术搜索
20. s . Nannuru y, y曾庆红,m·科茨和b·杨,“被动的室内多目标跟踪射频层析成像,”IEEE移动计算,12卷,不。12日,第2333 - 2322页,2013年。视图:出版商的网站|谷歌学术搜索
21. m .喷口o . Kaltiokallio:帕特瓦瑞,s .文卡塔萨布拉曼尼亚”与射频传感器网络多目标跟踪”,IEEE移动计算,13卷,不。8,1787 - 1800年,2014页。视图:出版商的网站|谷歌学术搜索
22. c . Alippi m .喷口g . Boracchi n .帕特瓦瑞和m . Roveri”RTI是野生的:无线电层析成像对户外人检测和定位,“IEEE移动计算,15卷,不。10日,2585 - 2598年,2016页。视图:出版商的网站|谷歌学术搜索
23. 问:j . Wang高,m .锅,x, y,和h王”向准确Device-Free无线定位与马鞍面模型,”IEEE车辆技术,卷65,不。8,6665 - 6677年,2016页。视图:出版商的网站|谷歌学术搜索
24. p . j . Wang问:高,h . Wang Cheng和k .鑫“Device-free本地化与多维无线链接信息,”IEEE车辆技术,卷64,不。1,第366 - 356页,2015。视图:出版商的网站|谷歌学术搜索
25. y . j . Wang问:高,p . Cheng Yu k .鑫和h·王,“轻量级健壮device-free定位在无线网络中,”IEEE工业电子产品,卷61,不。10日,5681 - 5689年,2014页。视图:出版商的网站|谷歌学术搜索
26. s . Savazzi诉Rampa、f . Vicentini制作和m .吉萨尼”Device-Free人类感知和协作机器人工作空间的定位:一个案例研究中,“IEEE传感器杂志,16卷,不。5,1253 - 1264年,2016页。视图:出版商的网站|谷歌学术搜索
27. d .张、刘y和l . m .倪”拉:一个实时、准确和可伸缩的系统跟踪transceiver-free对象”诉讼IEEE国际会议的普适计算和通信(PerCom 11)西雅图,页197 - 204年,洗,美国,2011年3月。视图:出版商的网站|谷歌学术搜索
28. m·优素福·m·Mah, a . Agrawala”挑战:device-free被动定位对于无线环境,”《第13届ACM移动计算和网络国际会议(MobiCom ' 07)2007年9月,页222 - 229。视图:出版商的网站|谷歌学术搜索
29. 赛义德,a . e . Kosba和m·优素福”Ichnaea:一个低开销健壮的WLAN device-free被动定位系统,”IEEE选定的主题在信号处理杂志》上,8卷,不。1,5 - 15,2014页。视图:出版商的网站|谷歌学术搜索
30. c, b .积雪、张y和r·e·霍华德”的高效和健壮RF-Based Device-Free本地化,”IEEE移动计算,15卷,不。9日,第2375 - 2362页,2016年。视图:出版商的网站|谷歌学术搜索
31. d . e . Rumelhart、g·e·辛顿和r . j·威廉姆斯,“学习back-propagating错误的陈述,”自然,卷323,不。6088年,第536 - 533页,1986年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018年永亮的太阳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。