本发明专利技术涉及一种高斯混合噪声环境下的RSSD定位方法，包括：获取锚节点采集的RSS测量值，计算得到RSSD值；构造基于RSSD的非凸最大似然问题，并基于反向学习和混沌图，获得多样化种群；采用自适应变异策略进行全局搜索，通过交叉处理、异常值处理，最终选择得到最优个体，以作为目标节点的定位信息估计。与现有技术相比，本发明专利技术构造基于RSSD的非凸最大似然问题，以避免因近似引入额外的误差；基于改进的差分进化算法来获得可行的解决方案；将反向学习结合混沌图来获得多样化的种群，从而提升种群质量；此外，基于两种不同子策略的自适应变异，以保持全局探索和收敛之间平衡。由此能够有效解决高斯混合噪声和未知发射功率的定位问题，提升定位的速度和精度。提升定位的速度和精度。提升定位的速度和精度。
【技术实现步骤摘要】
一种高斯混合噪声环境下的RSSD定位方法
[0001]本专利技术涉及无线传感定位
，尤其是涉及一种高斯混合噪声环境下的RSSD定位方法。
技术介绍
[0002]在环境监测、军事安全和海上救援等应用中，无线传感器网络(Wireless Sensor Network，WSN)中的定位显得尤为重要，主要是利用具有已知位置的空间分布传感器，以获得测量值，包括：接收信号强度(received signal strength，RSS)、接收信号强度差(received signal strength difference，RSSD)、到达角(angle of arrival，AOA)、到达时间(time of arrival，TOA)、到达时间差(time difference of arrival，TDOA)或这些的组合，由此来定位目标节点。然而，基于TOA和TDOA的定位依赖于精确的时钟同步，而基于AOA的定位则依赖于精确的天线阵列，相比之下，RSS和RSSD方案由于其低复杂性和低成本而更具有吸引力。
[0003]目前，大多数基于RSS的估计技术需要已知的发射功率(known transmit power，KTP)，通常情况下这是不现实的。因此，现有技术针对未知发射功率的情况提出了以下方案：
[0004]一种是基于矩阵分解的最小
‑
最大策略，被设计来提供良好的定位精度；
[0005]一种是基于最小二乘相对误差的算法，用于提高定位性能，并利用半定松弛来解决非凸问题。
[0006]此外，基于RSSD的方法，相比基于RSS的解决方案，其具有如下优点：不需要KTP、且无需锚点和目标之间的协同。有研究提出一种扩展的总最小二乘方法来处理盲信道定位问题，另有研究开发了一种基于半定规划的估计器，用来提高定位的鲁棒性，此外，还有研究提出了最小均方误差半定规划方法的RSSD凸松弛法，以应对传感器位置误差。
[0007]综上可知，当前利用RSS和RSSD测量值进行定位的方案在仅仅考虑加性高斯白噪声时，能够具备较好的的定位性能，然而，这种假设在许多情况下并不成立，例如：多个异质源或复杂的环境因素。为此，针对非高斯环境，一些学者开发了一种鲁棒的递归最小二乘法方法，并且针对存在故障节点的情况，提出了一种鲁棒的容错定位技术。尽管这些方法表现良好，但它们均基于一定的近似并且需要合适的初始解来保证良好的定位性能，依旧无法保证定位的快速性和精准性。
技术实现思路
[0008]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种高斯混合噪声环境下的RSSD定位方法，基于RSSD测量值，并结合改进的差分进化(improved differential evolution，IDE)算法，以提高定位的精度，同时提升定位求解的速度。
[0009]本专利技术的目的可以通过以下技术方案来实现：一种高斯混合噪声环境下的RSSD定位方法，包括以下步骤：
[0010]S1、获取锚节点采集的RSS测量值，并计算得到RSSD值；
[0011]S2、构造基于RSSD的非凸最大似然(maximum likelihood，ML)问题，并基于反向学习和混沌图，获得多样化种群；
[0012]S3、采用自适应变异策略进行全局搜索，通过交叉处理、异常值处理，最终选择得到最优个体，以作为目标节点的定位信息估计。
[0013]进一步地，所述步骤S1具体是从维度为M
d
的WSN中获取锚节点的RSS测量值，通过计算差值得到多个RSSD值，所述WSN中包括N个已知位置的锚节点以及一个未知位置的目标节点：为未知的目标节点，i＝1,2,...,N,N＞3为已知的锚节点位置，其中，(
·
)
T
为转置。
[0014]进一步地，所述步骤S2具体包括以下步骤：
[0015]S21、根据目标节点与锚节点之间的距离，确定锚节点的接收信号功率，结合高斯混合模型，得到目标节点的ML估计表达式；
[0016]S22、基于混沌变量，利用逻辑图生成种群个体，并得到反向向量，由此获得多样化种群。
[0017]进一步地，所述步骤S21的具体过程为：
[0018]目标节点与锚节点i的距离为：
[0019][0020]锚节点i处的接收信号功率P
i
为：
[0021][0022]其中，S0为参考距离d0＝1m的路径损耗，P
t
为发射功率，γ为设定范围内的路径损耗指数；
[0023]设定P
i
服从对数正态分布，即有：
[0024][0025]其中，n
i
是由高斯噪声和扰动噪声组成的混合噪声，混合噪声概率密度函数(probability density function，PDF)则是高斯混合模型(Gaussian mixture model，GMM)：
[0026]Ψ(n)＝(1
‑
ω)Ψ
G
(n)+ωΨ
P
(n)
[0027]其中，ω∈[0,1]为污染率，Ψ
G
(n)和Ψ
P
(n)是独立的随机变量，分别为高斯噪声概率密度函数和扰动噪声概率密度函数，
[0028]第i个和第j个传感器之间的RSSD为：
[0029][0030]以传感器j为参考节点，矩阵i,j＝1,2,...,N,i≠j的n
ij
的条件PDF表示为：
[0031][0032]其中，z＝1,...,N，最大化上式中PDF，得到θ的ML估计为：
[0033][0034]将传感器1作为参考节点，则解空间定义为
[0035][0036]其中，d
m
和u
m
分别为下限和上限。
[0037]进一步地，所述高斯噪声的概率密度函数为所述扰动噪声的概率密度函数为
[0038]进一步地，所述步骤S22的具体过程为：
[0039]混沌变量为利用逻辑图生成：
[0040]δ
l+1,m
＝υδ
l,m
(1
‑
δ
l,m
)
[0041]m＝1,...,M
d
[0042]其中，υ＝4、δ
1,m
∈(0,1)、δ
1,m
＝0,0.25,0.75,1，L为种群规模，种群个体为：
[0043][0044]m＝1,...,M
d
[0045]进一步确定反向向量为：
[0046][0047]初始种群则取中适应度最低的前L个值。
[0048]进一步地，所述步骤S3具体是采用基于两种不同子策略的自适应变异策略进行全局搜索：
[0049]在第g代中，利用AM策略从当前种群中创建一个新种群
[0050]将自适应控制参数与阈值进行比较来选择本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种高斯混合噪声环境下的RSSD定位方法，其特征在于，包括以下步骤：S1、获取锚节点采集的RSS测量值，并计算得到RSSD值；S2、构造基于RSSD的非凸最大似然问题，并基于反向学习和混沌图，获得多样化种群；S3、采用自适应变异策略进行全局搜索，通过交叉处理、异常值处理，最终选择得到最优个体，以作为目标节点的定位信息估计。2.根据权利要求1所述的一种高斯混合噪声环境下的RSSD定位方法，其特征在于，所述步骤S1具体是从维度为M
d
的WSN中获取锚节点的RSS测量值，通过计算差值得到多个RSSD值，所述WSN中包括N个已知位置的锚节点以及一个未知位置的目标节点：为未知的目标节点，为未知的目标节点，N＞3为已知的锚节点位置，其中，(
·
)
T
为转置。3.根据权利要求2所述的一种高斯混合噪声环境下的RSSD定位方法，其特征在于，所述步骤S2具体包括以下步骤：S21、根据目标节点与锚节点之间的距离，确定锚节点的接收信号功率，结合高斯混合模型，得到目标节点的ML估计表达式；S22、基于混沌变量，利用逻辑图生成种群个体，并得到反向向量，由此获得多样化种群。4.根据权利要求3所述的一种高斯混合噪声环境下的RSSD定位方法，其特征在于，所述步骤S21的具体过程为：目标节点与锚节点i的距离为：锚节点i处的接收信号功率P
i
为：其中，S0为参考距离d0＝1m的路径损耗，P
t
为发射功率，γ为设定范围内的路径损耗指数；设定P
i
服从对数正态分布，即有：其中，n
i
是由高斯噪声和扰动噪声组成的混合噪声，混合噪声概率密度函数PDF为高斯混合模型：Ψ(n)＝(1
‑
ω)Ψ
G
(n)+ωΨ
P
(n)其中，ω∈[0,1]为污染率，Ψ
G
(n)和Ψ
P
(n)是独立的随机变量，分别为高斯噪声概率密度函数和扰动噪声概率密度函数，第i个和第j个传感器之间的RSSD为：
以传感器j为参考节点，矩阵的n
ij
的条件PDF表示为：其中，最大化上式中PDF，得到θ的ML估计为：将传感器1作为参考节点，则解空间定义为其中，d
m
和u
m
分别为下限和上限。5.根据权利要求4所述的一种高斯混合噪声环境下的RSSD定位方法，其特征在于，所述高斯噪声的概率密度函数...
【专利技术属性】
技术研发人员：吴华锋，张媛媛，王维军，梁立年，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。