一种基于支持向量回归机的异构无线传感器网络的定位算法制造技术

一种基于支持向量回归机的异构无线传感器网络的定位算法，利用训练模型得到的输出作为未知节点的坐标，采用标准均方根误差来测试模型的准确性。通过简化经典EHP算法中的CDF公式来降低复杂度，以较快的收敛速度获得目标锚节点与未知节点的计算距离，再通过支持向量回归机(SVR)做训练回归预测，得到精确的未知节点的坐标位置。为了减少锚节点数目，可把各目标锚节点之间的距离向量作为模型的训练集。这种方式会同时保证较高的定位精度以及较少的开销成本，通过利用支持向量回归机充分挖掘出异构网络中的潜在有用信息，获得较好的定位效果。

【技术实现步骤摘要】
一种基于支持向量回归机的异构无线传感器网络的定位算法
本专利技术属于无线传感器网络领域，特别是一种基于支持向量回归机的异构无线传感器网络的定位算法。
技术介绍
在现实生活中，异构无线传感器网络是普遍存在的。导致网络节点异构性的原因多种多样，如节点计算能力不同、通信链路质量差异以及节点能量不同等等。因此在无线传感器网络中，很难保证网络节点具有相同的通信半径。然而为了研究方便，现在绝大多数算法都是针对同构的WSN。如果把这些算法运用到异构性较大的WSN中，这无疑会使得定位的精度大幅度下降，因为通信半径的不同会使得两节点间距离计算公式的准确性大幅度下降，定位结果自然不理想。针对这个问题，在文献(AEAssaf,SZaidi,SAffes,NKandil,Low-costlocalizationformultihopheterogeneouswirelesssensornetworks.IEEETrans.Wirel.Commun.15(1),472–484,2016)中A.EIAssaf等人提出了基于前进跳跃进展算法。他们对文献(YWang,XDWang,DMWang,DPAgrawal,Range-freelocalizationusingexpectedhopprogressinwirelesssensornetworks.IEEETrans.ParallelDistrib.Syst.20(10),1540–1552,2009)中经典的LAEP算法进行改进，把节点间的测距公式转变为对面积的计算，这种计算距离的方式不仅仅依赖于锚节点的通信半径，还由潜在转发区域中的中间节点半径决定。这种异构WSN的Range-Free定位算法，极大的改善了异构网络中由于节点不同半径所引起的测距偏差并取得较好的定位精度。然而这种方法的基础是潜在转发区域足够小，因此这要求的WSN拥有较高的节点密度。在节点通信半径较大的情况下，算法对于节点密度有着更高的要求。除此之外，为了增加节点距离计算的准确度，A.EIAssaf等人增加了测距公式的复杂度，对条件累积分布函数(CDF)进行了重新定义。毫无疑问，这将增加的通信开销，因此存在着一定的缺陷。为了节省资源，W.LWu在原有的EHP算法基础上通过优化累积分布函数和建立距离修正公式，在文献(WLWu,XBWen,HXXu,LMYuan,QXMeng,Efficientrange-freelocalizationusingellipticaldistancecorrectioninheterogeneouswirelesssensornetworks.Int.J.Distrib.Sens.Netw,2018)中提出了一个基于椭圆修正距离的EHP算法。该方法通过简化CDF公式来降低复杂度，然后利用椭圆距离矫正法优化节点估计距离。这种方法使得算法计算时间大幅度减少，并且在网络节点密度较低时，在精度上也能取得领先。然而当节点密度超高0.03后，原先的EHP算法会有较高的定位精度。因此，到目前为止，在异构WSN的定位研究上，还需要有一种高精度低损耗的定位算法被提出。
技术实现思路
本专利技术的目的在于填补现有技术之不足，提出一种基于支持向量回归机的异构无线传感器网络的定位算法，该定位算法在原有的改进EHP算法基础上，引进支持向量回归机这种学习方法取代MLE方式去对未知节点进行位置计算，充分挖掘网络中有用的潜在信息。在定位精度与能量损耗两方面提出的方法都能取得较好的效果。一种基于支持向量回归机的异构无线传感器网络的定位算法，采用经典EHP方法作为的测距公式(1)，由公式(1)可知，两节点间的距离包括E(di-k)和E(dk-j)，其中E(di-k)表示预期跳跃进展(ExpectedHopprogress，EHP)，即第一跳距离与中间跳距离之和；表示最后一跳跳距(Last-HopDistance，LHD)，并由公式(1)得到异构无线传感器网络中精确的距离矩阵，用支持向量回归机定位异构无线传感器，具体包括如下步骤：步骤一：将网络中锚节点分为目标锚节点和训练锚节点，其中锚节点自身装备有GPS装置，通过GPS装置获得目标锚节点与训练锚节点之间精确的距离向量D1，式中，把网络中节点总数设置为N，锚节点总数设置为Na，前x个锚节点作为目标锚节点，第(x+1)个锚节点到第Na个锚节点作为训练锚节点，第(Na+1)以后的节点为未知节点，用公式(2)来表示距离向量D1；步骤二：通过EHP方法来计算未知节点到目标锚节点之间的距离，得到未知节点与目标锚节点之间的距离矩阵D2；步骤三：在进行训练前需要将距离向量D1和D2进行z-score标准化，得到新的距离向量，防止节点与节点之间的距离相差过大；步骤四：以标准化之后的距离向量D1作为模型的输入，训练锚节点的坐标作为模型的输出，建立SVR训练样本集，得到需要的模型；步骤五：利用步骤四得到的模型，以标准化之后的距离向量D2作为的输入，所得到的输出就是所要求得的未知节点坐标。本专利技术优选的技术方案为：步骤四中建立SVR训练样本集时带入超参数方法中的最优参数，即惩罚因子c以及径向基函数中的方差g，用以获得最优训练模型。同时为了减少锚节点的数量，在实验时也会把各目标锚节点之间的距离向量作为模型训练集的一部分，以此增加训练样本集的数目。本专利技术的有益效果为：本专利技术的一种基于支持向量回归机的无线传感器网络的定位算法，特别是针对传感器节点具有不同通信半径的异构无线传感器网络，利用训练模型得到的输出作为未知节点的坐标，采用标准均方根误差来测试模型的准确性。然而，即使SVR这一技术手段是针对有限样本的机器学习方法，对于样本数目没有像神经网络那样较高的要求，但是为了减少锚节点的数量，在实验时也会把各目标锚节点之间的距离向量作为模型的训练集，这样可以通过增加训练样本集数目提高模型的准确度。这种方式会同时保证较高的定位精度以及较少的开销成本。本专利技术的一种基于支持向量回归机的无线传感器网络的定位算法，利用简化版EHP算法获得测距公式，再通过支持向量回归机确定节点具体位置，通过合理安排锚节点数目以获得较大的定位精度以及较少的能量损耗。具体为：通过简化经典EHP算法中的CDF公式来降低复杂度，以较快的收敛速度获得目标锚节点与未知节点的计算距离，再通过支持向量回归机(SVR)做训练回归预测，得到精确的未知节点的坐标位置。为了减少锚节点数目，可把各目标锚节点之间的距离向量作为模型的训练集，这种方式会同时保证较高的定位精度以及较少的开销成本，并且利用支持向量回归机充分挖掘异构网络中的潜在有用信息，获得较好的定位效果。附图说明图1为本专利技术与现有技术中不同定位算法测量距离误差(MDE)的对比图；图2为本专利技术与现有技术中均方根误差(NRMSE)对比分析图；图3为本专利技术与现有技术中锚节点数目对定位误差影响对比图；图4为现有技术中ModifiedEHP算法的节点定位误差图；图5位本专利技术中算法的节点定位误差图；图6为本专利技术与现有技术中各种算法的能耗比较图；图7为本专利技术的定位算法流程图具体实施方式为能进一步了解本专利技术的内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。需要说明的是，本实施例是描述性的，不是限定性的，本文档来自技高网...

【技术保护点】
1.一种基于支持向量回归机的异构无线传感器网络的定位算法，采用经典EHP方法作为的测距公式(1)，由公式(1)可知，两节点间的距离包括E(di‑k)和E(dk‑j)，其中E(di‑k)表示预期跳跃进展(ExpectedHop progress，EHP)，即第一跳距离与中间跳距离之和；

【技术特征摘要】
1.一种基于支持向量回归机的异构无线传感器网络的定位算法，采用经典EHP方法作为的测距公式(1)，由公式(1)可知，两节点间的距离包括E(di-k)和E(dk-j)，其中E(di-k)表示预期跳跃进展(ExpectedHopprogress，EHP)，即第一跳距离与中间跳距离之和；表示最后一跳跳距(Last-HopDistance，LHD)，并由公式(1)得到异构无线传感器网络中精确的距离矩阵，其特征在于：用支持向量回归机定位异构无线传感器，具体包括如下步骤：步骤一：将网络中锚节点分为目标锚节点和训练锚节点，其中锚节点自身装备有GPS装置，通过GPS装置获得目标锚节点与训练锚节点之间精确的距离向量D1，式中，把网络中节点总数设置为N，锚节点总数设置为Na，前x个锚节点作为目标锚节点，第(x+1)个锚节点到第Na个锚节点作为训练锚节点，第(Na+1)以后的节点为未知节点，用公式(2)来...

【专利技术属性】
技术研发人员：温显斌，文武，武文兰，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：天津,12