一种基于移动性预测的水下无线传感器网络定位算法制造技术

本发明专利技术公开了一种基于移动性预测的水下无线传感器网络定位算法，在现有移动性预测定位方法的基础上，引入改进的回溯搜索优化算法。本发明专利技术采用三种传感器节点：浮标节点，锚节点和未知节点，包括步骤(1)：无线传感器网络的初始化；步骤(2)：锚节点定位；步骤(3)：计算锚节点速度信息；步骤(4)：未知节点速度信息计算；步骤(5)：未知节点定位。本发明专利技术能适应实际应用中的水下无线传感器网络，有效地提高了节点定位精度和降低计算开销。

An underwater wireless sensor network location algorithm based on mobility prediction

The invention discloses an underwater wireless sensor network positioning algorithm based on mobility prediction. On the basis of the existing mobility prediction positioning method, an improved backtracking search optimization algorithm is introduced. The invention adopts three sensor nodes: buoy node, anchor node and unknown node, including step (1): initialization of wireless sensor network; step (2): anchor node positioning; step (3): Calculation of anchor node speed information; step (4): Calculation of unknown node speed information; step (5): unknown node positioning. The invention can adapt to the underwater wireless sensor network in practical application, effectively improving the node positioning accuracy and reducing the calculation cost.

【技术实现步骤摘要】
一种基于移动性预测的水下无线传感器网络定位算法
本专利技术属于水下无线传感器网络应用
，具体涉及一种基于移动性预测的水下无线传感器网络定位算法。
技术介绍
水下无线传感器网络(UnderwaterWirelessSensorNetworks,UWSNs)是具有通信和计算能力的传感器节点在水环境中通过自组织的方式组成的网络监测系统。UWSNs由一种或多种类型的传感器节点组成，这些节点通过自身移动或人工安置的方式部署到目标位置，最终形成特定性能的网络结构，并协同完成水下环境的监控。UWSNs技术被广泛应用在水下环境观测，沿海监测，海底勘探，灾害预防，科学勘探，商业开发以及军事或恐怖事件检测。这些应用均需要与节点的位置信息结合来实现其功能，所以对UWSNs节点定位技术进行深入研究是十分必要的。节点定位算法是根据已知位置信息的参考节点，通过与其他节点间的通信估算未知节点的位置。但是在水下无线传感器网络中传感器节点在水流的影响下不断移动，使得定位十分困难。幸运的是水下物体的移动不是完全随机的。水动力学研究表明，水下物体的运动与许多环境因素密切相关，如水流和水温等。例如，由于潮汐的影响，近岸物体的移动性表现出一定的半周期性质。这种强时域相关性告诉我们可以基于过去位置信息高精度地估计未来位置信息。水下物体的运动特性在不同的环境中是不同的。虽然设计一个用于所有水下环境的水下物体的移动模型几乎是不可能的，但是已经设计了一些基于流体动力学的特定环境中的水下物体模型。所以有人提出一种具有移动性预测的定位算法。在移动性预测算法中锚节点的定位精度控制着整个网络的定位精度，但已有的移动性预测算法中锚节点定位都不够高。所以提出一种具有高锚节点定位精度的算法。
技术实现思路
本专利技术为解决上述问题，提出一种水下无线传感器网络节点定位算法，在现有移动性预测定位方法基础上进行改进，该方法引入改进的回溯搜索优化算法，用它提高锚节点定位精度，从而有效的提高了整个网络的定位精度。本专利技术解决其技术问题是通过以下技术方案实现的：一种基于移动性预测的水下无线传感器网络定位算法，采用三种传感器节点：浮标节点，锚节点和未知节点，所述浮标节点通过GPS定位自身位置；所述锚节点是网络中具有计算性能的节点，锚节点与浮标节点通信以定位自己的位置信息；所述未知节点与相邻锚节点通信以实现其自身的本地化；具体包括以下步骤：步骤(1)：无线传感器网络的初始化：网络中的所有锚节点获得到浮标节点的距离信息和浮标节点的位置信息；步骤(2)：锚节点定位：锚节点到浮标节点的欧式距离与获得的距离信息的差值作为一个适应度函数，然后使用MBSA算法算出锚节点位置信息；步骤(3)：计算锚节点速度信息：使用上一步的锚节点位置信息与步骤2中估计的锚节点位置信息算出锚节点速度信息；步骤(4)：未知节点速度信息计算：根据水下物体的群动特性算出未知节点的速度信息；步骤(5)：未知节点定位：步骤(4)中计算出未知节点速度信息，我们使用过去的未知节点位置更新现在的未知节点位置信息。进一步的，本专利技术中所有传感器节点均配置压力传感器。进一步的，步骤(1)具体为：在定位周期T内，网络中的浮标节点向通信半径内的锚节点发送位置信息和发送时间t1，锚节点接收到浮标节点信息的时间为t2，根据TOA公式算出锚节点a与浮标节点s之间的距离Las：Las＝V*(t2-t1)其中，V为声速。进一步的，步骤2计算过程包括：步骤(2-1)：在选择适应度函数时，使用锚节点到浮标节点的欧式距离与TOA计算出的距离的差值作为适应度函数；步骤(2-2)：使用MBSA算法计算锚节点位置，将其全局最优粒子作为锚节点的坐标。进一步的，所述步骤(2-1)具体为：每个锚节点与浮标节点间距离都通过步骤(1)算出，而锚节点a和浮标节点s间的欧式距离das：其中，(xa,ya)为锚节点a的假设坐标信息，(xs,ys)为锚节点a能够通信的浮标节点s的坐标信息，所以适应度函数为：其中，n为锚节点a通信范围内浮标节点j的个数，fit(a)为锚节点a的适应值。进一步的，所述步骤(2-2)具体为：(2-2.1)首先随机初始化种群P和历史种群oldP，初始化如下：其中，i＝1,2,3,...,N，j＝1,2,3,...,D，N为种群的规模，D为粒子维数，Pi.j为P中第i个粒子的第j维的数值，oldPi.j为oldP中第i个粒子的第j维的数值；U(*)是随机均匀分布函数，lowi和upi是变量的上下边界；P和oldP的初始化过程互不干扰；(2-2.2)每次迭代开始前，首先产生一个新的历史种群oldP，如下式所示，此时的oldP中的粒子可能取到当代以及之前任意一代值，然后再对产生的oldP中的粒子进行随机排序，oldP＝permuting(oldp)其中，r1和r2是服从(0,1)均匀分布的随机数，permuting(*)是随机排序函数；(2-2.3)变异，MBSA中的变异粒子从全局最优位置信息和个体最优位置信息中学习，提高了收敛速度，变异过程是：Mutantai＝Pi+F*(oldPi-Pi)+rand*(Pibest-Pi)Mutantbi＝Pi+rand(Pgbest-Pi)其中，Mutantai和Mutanbi是不同变异方式下的变异粒子i，Pi和oldPi分别是当前种群和历史种群的粒子i，Pibest是局部最优粒子，Pgbest是全局最优粒子，F＝3×randn是变异系数，能过控制粒子的变异的幅度，randn标准正态分布随机数。rand是服从(0,1)均匀分布的随机数。i＝1,2,...,N，j＝1,2,...,D；(2-2.4)交叉，交叉过程分两步，首先定义一个大小为N×D的映射矩阵Map，其初值元素值均为零，然后用两种方式随机更新Map，如下式所示：其中，mixrate是交叉率，取值为1，ceil(*)为正方向取整函数，a和b均为均值为零方差为1的随机数，randi(*)是产生均匀分布随机整数函数，根据映射矩阵Map随机更新粒子的某些位，如下式所示：其中，newPi,j为粒子i的第j维的数值，Mutantai,j和Mutantbi,j分别为Mutantai和Mutanbi的第j维的数值，新种群粒子元素可能越界，若新种群newP中某些位越界，则按照初始化产生新位置；(2-2.5)在这一步中使用贪婪选择机制，根据个体适应度决定保留或更新个体，如果新种群个体newPi的适应度好个体Pi的适应度，接受newPi作为最新的个体，否则个体Pi不被改变，过程如下式所示：其中，fit(Pi)和fit(newPi)分别是粒子Pi更新前后的适应度值；(2-2.6)这一步决定是否退出迭代，退出迭代有两个条件，满足其中之一即可：(a)迭代次数是否小于设置的最大迭代次数；(b)适应度值小于设置的阈值；如果满足其中一个条件执行(7)，否则执行(b)；(2-2.7)全局最优粒子即为锚节点坐标。进一步的，所述步骤(3)具体为：步骤(2)算出本定位周期T锚节点a的位置信息，每个锚节点都会记录过去定位周期的位置信息，所以用下式算出锚节点的速度：其中，(x1,y1)是上个定位周期的坐标，(x2,y2)是本定位周期的坐标，Vxa和Vya分别为锚节点x轴速度和y轴速度。进一步的，所本文档来自技高网...

【技术保护点】
1.一种基于移动性预测的水下无线传感器网络定位算法，其特征在于：采用三种传感器节点：浮标节点，锚节点和未知节点，所述浮标节点通过GPS定位自身位置；所述锚节点是网络中具有计算性能的节点，锚节点与浮标节点通信以定位自己的位置信息；所述未知节点与相邻锚节点通信以实现其自身的本地化；具体包括以下步骤：步骤(1)：无线传感器网络的初始化：网络中的所有锚节点获得到浮标节点的距离信息和浮标节点的位置信息；步骤(2)：锚节点定位：锚节点到浮标节点的欧式距离与获得的距离信息的差值作为一个适应度函数，然后使用MBSA算法算出锚节点位置信息；步骤(3)：计算锚节点速度信息：使用上一步的锚节点位置信息与步骤2中估计的锚节点位置信息算出锚节点速度信息；步骤(4)：未知节点速度信息计算：根据水下物体的群动特性算出未知节点的速度信息；步骤(5)：未知节点定位：步骤(4)中计算出未知节点速度信息，我们使用过去的未知节点位置更新现在的未知节点位置信息。

【技术特征摘要】
1.一种基于移动性预测的水下无线传感器网络定位算法，其特征在于：采用三种传感器节点：浮标节点，锚节点和未知节点，所述浮标节点通过GPS定位自身位置；所述锚节点是网络中具有计算性能的节点，锚节点与浮标节点通信以定位自己的位置信息；所述未知节点与相邻锚节点通信以实现其自身的本地化；具体包括以下步骤：步骤(1)：无线传感器网络的初始化：网络中的所有锚节点获得到浮标节点的距离信息和浮标节点的位置信息；步骤(2)：锚节点定位：锚节点到浮标节点的欧式距离与获得的距离信息的差值作为一个适应度函数，然后使用MBSA算法算出锚节点位置信息；步骤(3)：计算锚节点速度信息：使用上一步的锚节点位置信息与步骤2中估计的锚节点位置信息算出锚节点速度信息；步骤(4)：未知节点速度信息计算：根据水下物体的群动特性算出未知节点的速度信息；步骤(5)：未知节点定位：步骤(4)中计算出未知节点速度信息，我们使用过去的未知节点位置更新现在的未知节点位置信息。2.如权利要求1所述的一种基于移动性预测的水下无线传感器网络定位算法，其特征在于：本发明中所有传感器节点均配置压力传感器。3.如权利要求2所述的一种基于移动性预测的水下无线传感器网络定位算法，其特征在于：步骤(1)具体为：在定位周期T内，网络中的浮标节点向通信半径内的锚节点发送位置信息和发送时间t1，锚节点接收到浮标节点信息的时间为t2，根据TOA公式算出锚节点a与浮标节点s之间的距离Las：Las＝V*(t2-t1)其中，V为声速。4.如权利要求3所述的一种基于移动性预测的水下无线传感器网络定位算法，其特征在于：步骤2计算过程包括：步骤(2-1)：在选择适应度函数时，使用锚节点到浮标节点的欧式距离与TOA计算出的距离的差值作为适应度函数；步骤(2-2)：使用MBSA算法计算锚节点位置，将其全局最优粒子作为锚节点的坐标。5.如权利要求4所述的一种基于移动性预测的水下无线传感器网络定位算法，其特征在于：所述步骤(2-1)具体为：每个锚节点与浮标节点间距离都通过步骤(1)算出，而锚节点a和浮标节点s间的欧式距离das：其中，(xa,ya)为锚节点a的假设坐标信息，(xs,ys)为锚节点a能够通信的浮标节点s的坐标信息，所以适应度函数为：其中，n为锚节点a通信范围内浮标节点j的个数，fit(a)为锚节点a的适应值。6.如权利要求5所述的一种基于移动性预测的水下无线传感器网络定位算法，其特征在于：所述步骤(2-2)具体为：(2-2.1)首先随机初始化种群P和历史种群oldP，初始化如下：其中，i＝1,2,3,...,N，j＝1,2,3,...,D，N为种群的规模，D为粒子维数，Pi.j为P中第i个粒子的第j维的数值，oldPi.j为oldP中第i个粒子的第j维的数值；U(*)是随机均匀分布函数，lowi和upi是变量的上下边界；P和oldP的初始化过程互不干扰；(2-2.2)每次迭代开始前，首先产生一个新的历史种群oldP，如下式所示，此时的oldP中的粒子可能取到当代以及之前任意一代值，然后再对产生的oldP中的粒子进行随机排序，oldP＝permuting(oldp)其中，r1和r2是服从(0,1)均匀分布的随机数，permuting(*)是随机排序函数；...

【专利技术属性】
技术研发人员：万新旺，杨振诚，董帅，王鹤，张海成，李逸伟，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32