基于深度学习的无人机辅助无线传感器网络节点定位方法技术

本发明专利技术提出一种基于深度学习的无人机辅助无线传感器网络节点定位方法。该定位方法的应用场景是室外区域，具体表现为无人机以固定轨迹在定位区域上方平行区域内周期运动，并以固定时间周期广播信标信号，地面传感器节点接收无人机信标信号，节点计算RSSI值形成RSSI向量，计算节点间RSSI相似度，进而计算锚节点与未知节点距离，建立卷积神经网络定位模型，输入节点与锚节点距离估计节点位置坐标，该模型能够一定程度克服环境噪声的影响，定位性能相比现有定位技术有较大提高。该模型能够利用空地通信信道优势以及卷积神经网络学习能力，提供一个节点定位问题解决方案，为人工神经网络技术在无线传感器网络领域的应用研究提供理论支撑。论支撑。论支撑。

【技术实现步骤摘要】
基于深度学习的无人机辅助无线传感器网络节点定位方法


[0001]本专利技术涉及深度学习人工神经网络应用领域，具体涉及人工神经网络在无线传感器网络节点定位中的应用。

技术介绍

[0002]随着人工智能、机器学习、深度学习等相关技术的普及与进步，AI已经在不知不觉中嵌入了人们现代化生活中的方方面面，图像识别与分类、目标检测、行人轨迹推算、自然语言处理等等先进的技术工作都是通过AI来实现的，其中人工神经网络技术属于人工智能学科领域的一个代表性分支技术，人工神经网络的相关研究在整个人工智能技术研究领域中占比非常之大，其在人们现在社会生活中的应用也相当广泛。
[0003]无线传感器网络相关的研究是当今无线通信研究领域内的一个热点话题，无线传感器网络中的网络节点通过相互通信，可以实现自身的定位，进而可以应用到环境、工程监测，目标跟踪等实际工程当中，现有的常用无线传感器网络中的节点定位技术可以大致分为基于测距与非测距的定位算法，基于测距的定位算法代表性测距方式有基于到达时间的定位解决方案TOA(Time of Arrival)，基于到达时间差的定位解决方案TDOA(Time Difference of Arrival)，基于到达角度的定位解决方案AOA(Angle of Arrival)，以及基于接收信号强度指示的定位解决方案RSSI(received Signal Strength Indicator)，而常用的定位框架有三边定位法、扩展卡尔曼滤波定位法以及最大似然估计定位法；这些常用算法已经初步解决了无线传感器网络中的节点定位问题。
[0004]然而由于地面节点之间的通信在实际环境下存在环境噪声的影响，会对于结点间的通信数据带来误差，进而影响整个定位框架的最终定位结果的精度，如何对于定位系统的精度进行提高成为研究人员讨论的热点话题，现有的较成熟和普遍的定位技术往往在定位精度方面都并不能达到非常理想的效果，存在一定的提升空间。
[0005]考虑到无线传感器网络中的地面节点之间的G2G通信信道与无人机与地面节点之间的A2G通信信道在当前定位场景对比之下无人机A2G信道具有明显优势，通过无人机节点到地面节点之间的通信对于无人机与地面节点进行测距的精度将远远高于地面节点之间的通信测距，且单一无人机移动节点只需要一个GPS设备进行定位，本专利技术针对无线传感器网络中的节点定位问题，为实现现有研究基础上更高的定位精度，提出采用无人机空中锚节点的形式，通过无人机在空中以固定高度固定轨迹飞行，经由A2G信道与地面节点通信测试得到无人机信标节点与地面节点之间的RSSI值，每次飞行周期中所有信标节点与地面节点之间RSSI值形成RSSI向量计算锚节点与待定位节点的RSSI相似度估计节点间距离，以估计的距离作为人工神经网络的输入变量，通过卷积神经网络模型构建以及数据计算，得到地面节点的位置，实现无线传感器网络中的节点定位功能。该方法利用了无人机A2G信道的通信优势以及深度学习
中的人工神经网络的强大学习能力，为解决无线传感器网络中的节点定位问题提出了一种全新的思路，在一定程度上有效降低了环境误差噪声对于测距与定位精度产生的影响，具有广泛应用前景。

技术实现思路

[0006]本专利技术所要解决的技术问题是在考虑无线传感器网络覆盖的室外矩形实验区域内存在环境噪声的情况下，针对LOS(Line
‑
of
‑
Sight)视距环境场景，提出一种可靠的无人机辅助地面传感器节点卷积神经网络定位模型，以空中飞行的无人机作为辅助，定时发送多个信标节点，以地面待定位节点以及固定锚节点接收的信标信号计算RSSI值形成RSSI向量计算节点之间的RSSI相似度，通过RSSI相似度计算锚节点与未知节点间距离为输入，节点位置坐标作为输出，以准确定位未知节点的位置坐标，为人工神经网络在无线传感器网络研究领域内的推广和应用提供理论基础。
[0007]为解决上述技术问题，本专利技术所采用的技术方案为：
[0008]1、定位场景基础条件部署，确定目标传感器节点定位区域，在无线传感器节点分布区域内建立定位参考平面坐标系，确定无人机的飞行高度、飞行区域、以及当前环境场景下RSSI自由路径传播模型的路径损耗指数与噪声标准差，其中无人机飞行区域设定为以地面待定位节点分布的矩形区域为中心，地面节点分布区域的边长两倍为边长的矩形区域，该种设定经过实验证明在信标节点数足够多时，地面节点之间的RSSI相似度与距离存在线性关系，无人机飞行高度参考地面试验区域与飞行区域的面积，选择一个适合的高度确保在选择的高度飞行时，无人机通信范围可以覆盖地面所有传感器节点，部署地面锚节点在固定位置呈n*n矩阵形分布，并确定相邻锚节点间距为d
width
，记录每一个锚节点位置坐标，无人机在飞行区域内飞行时地面固定锚节点分布为：
[0009][0010]x
i+1
‑
x
i
＝y
j+1
‑
y
j
＝d
width
[0011]2、确定无人机飞行高度与飞行区域后，选择合适的无人机飞行轨迹，选择无人机飞行轨迹的原则是：
[0012]a.飞行轨迹尽量覆盖飞行区域的大量面积，确保空中信标节点位置能够尽量均匀并分散的分布在飞行区域内的大部分面积范围内；
[0013]b.飞行轨迹设置为封闭曲线形状，确保一次一次飞行结束后可以立即开始下一周期的飞行，为系统多次测距提供便利；
[0014]c.信标节点均匀等间距分布在设定的无人机飞行轨迹上，方便无人机匀速飞行时可以在等时间间隔时刻向地面节点发送信标信号；
[0015]确定无人机飞行轨迹后，建立距离估计DE(Distance Estimation)模块，在无人机空中信标位置处发送信标信号，地面节点接收空中信标节点发送的信号计算RSSI值并且形成RSSI向量返回给无人机，无人机根据地面节点返回的RSSI向量计算节点间RSSI相似度，并根据RSSI相似度计算节点间距离，具体过程表示为：
[0016](1)无人机空中信标信号发送时间间隔以及轨迹方程：
[0017][0018]t
transmission
＝{t＝(k
‑
1)*t
T
|k＝1,2,...,K}
[0019](2)地面节点i接收无人机空中信标节点k广播的信标信号RSSI值表示为
[0020][0021](3)地面索引为i的节点接收到无人机在第m次飞行周期内发送信标信号形成的RSSI向量为
[0022][0023](4)对每一对地面节点收集到RSSI向量进行相似度计算及距离估计过程表示为
[0024][0025][0026]其中，P(t)表示t时刻无人机飞行所到达的位置坐标，分为横坐标x(t)与纵坐标y(t)，t
T
为无人机从每一次向地面节点发送信标的时间间隔，t
transmission
为无人机空中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的无人机辅助无线传感器网络节点定位方法，其特征在于，包括如下步骤：步骤1：定位场景基础条件部署，确定目标传感器节点定位区域，在无线传感器节点分布区域内建立定位参考平面坐标系，确定无人机的飞行高度、飞行区域、以及当前环境场景下RSSI自由路径传播模型的路径损耗指数与噪声标准差，在固定位置部署地面锚节点呈n*n矩阵形分布，并且记录每一个锚节点位置坐标，确定无人机在飞行区域内飞行时通信范围可以覆盖地面所有传感器节点；步骤2：设定无人机固定飞行轨迹与速度、信号发送周期以及信标数量，根据实验仿真测试无人机沿设定轨迹飞行并按设定的信号发送周期在规定位置向地面节点发送信标信号，地面节点接收信标信号计算RSSI值形成RSSI向量，地面节点间RSSI向量计算相似度与节点间距离之间的线性关系，得到RSSI相似度
‑
距离估计曲线；步骤3：建立卷积神经网络模型，其中输入变量的每个特征图的高度和宽度为n，神经元个数为n*n，每个神经元的输入值为地面待定位节点与对应锚节点的的估计距离，通道数为无人机距离估计模块进行距离估计的次数，通过两层卷积层以及两层全连接层，最终输出待定位节点的位置坐标；步骤4：建立训练集数据对卷积神经网络模型进行训练，选择合适的优化器、学习率与迭代次数，更新网络参数以提高网络的定位性能，不断缩小网络的位置估计坐标与节点真实坐标的误差，对于得到的卷积神经网络模型进行性能评估与误差分析；步骤5：收集地面锚节点与待定位接收到的无人机信标信号计算RSSI值得到RSSI向量，计算得到锚节点与待定位节点之间的RSSI相似度，通过RSSI相似度
‑
距离曲线估计锚节点与待定位节点之间的直线距离，加工排列为卷积特征块的模式，输入训练好的卷积神经网络模型得到地面节点在无线传感器网络中的位置坐标估计。2.根据权利要求1所述的一种基于深度学习的无人机辅助无线传感器网络节点定位方法，其特征在于，步骤1中，无人机飞行高度选择为空地信道传输路径损耗指数最小的飞行高度，无人机飞行区域设置为平行于地面传感器节点分布区域，且该区域面积为地面实验区域4倍的空中二维平面，设定地面固定锚节点的分布呈n*n横纵轴等距均匀分布在无线传感器网络覆盖实验区域中，相邻锚节点间距相等表示为d
width
，对每个固定锚节点编号为A
p
，其中p＝1,2,...,n*n，地面固定锚节点部署坐标分布为：x
i+1
‑
x
i
＝y
j+1
‑
y
j
＝d
width
。3.根据权利要求1所述的一种基于深度学习的无人机辅助无线传感器网络节点定位方法，其特征在于，步骤2中，设定无人机固定飞行轨迹为一闭合曲线，即一个周期飞行结束回到飞行起点进行下一个周期的飞行，设定信标节点总数为K，K个信标节点均匀等距分布在无人机飞行轨迹P(t)上、信号发送周期t
T
设置为无人机从一个信标飞行到下一个相邻信标的时间间隔，地面节点i接收第m次飞行过程中空中所有信标信号得到RSSI值形成RSSI向量RSSI
im
，根据RSSI向量计算节点之间RSSI相似度进而计算节点之间的距离，具体表示为：
(1)无人机在空中飞行的轨迹方程：t
transmission
＝{t＝(k
‑
1)*t
T
|k＝1,2,...,K}(2)地面节点i接收无人机空中信标节点k广播的信标信号得到RSSI值表示为(3)地面索引为i的节点接收到无人机在第m次飞行周期内发送的信标信号形成的RSSI向量为(4)对每一对地面锚节点j与未知节点i收集到RSSI向量进行相似度计算及距离估计过程表示为程表示为...

【专利技术属性】
技术研发人员：燕锋，张涵君，夏玮玮，沈连丰，胡静，宋铁成，
申请(专利权)人：东南大学，
类型：发明
国别省市：