一种基于IDE-BP神经网络的实时水声定位方法技术

本发明专利技术涉及一种基于IDE

【技术实现步骤摘要】
一种基于IDE
‑
BP神经网络的实时水声定位方法


[0001]本专利技术涉及定位
，尤其是涉及一种基于IDE
‑
BP神经网络的实时水声定位方法。

技术介绍

[0002]无线传感器网络(wireless sensor networks,WSNs)广泛用于军事和民用应用中，例如交通控制和环境监测。WSN中的多目标定位是必不可少的，因为收集的数据通常只有在地理参考时才有意义。然而，在动态水下无线传感器网络(underwater wireless sensor networks,UWSNs)中，准确的多目标定位是困难的。基于射频、GPS和光学信号的传统定位技术不适用于水下环境。在本专利技术中，海面浮标节点和已知位置的水下锚节点随机部署在UWSN中，节点间利用声信号进行通信。岸基收集来自这些节点的信息，并将其传输到基站中心。利用这些信息可确定未知目标节点的位置。然而，路径损耗与吸收损耗的混合使得基站中心实现实时而准确的定位变得困难。
[0003]已经有关于UWSN中定位的研究。这些研究主要分为基于测距的或非测距的方法。基于测距的方法使用接收信号强度(received signal strength,RSS)、接收信号强度差(received signal strength difference,RSSD)、到达时间(time of arrival,TOA)和到达角度(angle of arrival,AOA)等信号测量值来估计目标位置。相反地，基于非测距的方法主要采用跳数和传感器密度等参数，并且不考虑信号测量，因此估计精度通常不如基于测距的方法。因此，基于测距的方法通常用于定位应用程序。在基于测距的方法中，基于RSS和RSSD的技术因其实现简单和低成本而广受欢迎，但大多数应用是地面传感器网络定位。一些学者提出了一种基于矩阵分解的方法，它提供了良好的定位精度。还考虑了基于最小平方相对误差的方法并利用半定松弛解决的非凸问题。针对非高斯环境中存在故障节点的情况提出了一种鲁棒的容错定位方案。采用了具有对立和重定向的差异进化(differential evolution with opposition and redirection,DEOR)来处理同质和非同质环境。
[0004]相比之下，使用RSS和RSSD测量在UWSN中定位受到的研究关注要少得多，因为由于路径损耗和声学信号损耗(例如几何损耗和吸收损耗)的存在，它更具挑战性。这些损耗会显著降低定位精度并使许多基于RSS的方案效果不佳。因此，研究人员探索了各种方法来减轻它们的影响。他们开发了一种鲁棒的的非协同定位算法(robust,non
‑
cooperative localization algorithm,RNLA)，以使用二分法提高准确性。考虑了最小
‑
最大策略，以限制由于在浅水中吸收引起的衰减。并提出了一种两阶段鲁棒方法来联合估计位置和发射功率。该方法结合了内点法和主要化
‑
最小化(interior point method and majorization
‑
minimization,IPM
‑
MM)以使用初始IPM解搜索最优解。然而，糟糕的初始解决方案会降低定位性能。因此，还提出了一种加权最小二乘法技术，用于将原始问题转换为已知和未知发射功率条件下的广义信赖域子问题。但是，所采用的近似值会影响定位性能。
[0005]水下声信道非常动态，这使得数据链路不可靠。因此，很难为水下环境开发强大的
基于RSS的定位技术。大多数方法的数据速率都非常低，例如10kHz至100kHz。更高的速率需要更高的传输频率，但这会增加吸收损耗。路径损耗和吸收损耗会对性能产生不利影响，减轻这些损耗对实时UWSN定位性能的影响是一项具有挑战性的任务。

技术实现思路

[0006]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基于IDE
‑
BP神经网络的实时水声定位方法，实现路径损耗和吸收损耗均存在情况下在动态水下无线传感器网络中提供鲁棒的定位，同时提高了神经网络的收敛速度。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]本专利技术提供了一种基于IDE
‑
BP神经网络的实时水声定位方法，包括如下步骤：
[0009]获取水声数据，使用训练好的BP神经网络进行水下的多目标定位，
[0010]其中，所述的训练好的BP神经网络的获取包括如下步骤：
[0011]通过构建基于非凸RSS的，考虑路径损耗和吸收损耗的声学定位模型，获取训练样本集；
[0012]构建BP神经网络，基于差分进化算法获取所述BP神经网络的初始网络参数，使用所述训练样本集对所述BP神经网络进行训练，获取所述训练好的BP神经网络。
[0013]作为优选的技术方案，所述的声学定位模型包括多个锚节点以及多个未知目标节点，且所述锚节点的位置及数量与现实场景中水声传感器的位置及数量相匹配。
[0014]作为优选的技术方案，所述的训练样本集的获取过程包括如下步骤：
[0015]基于所述声学定位模型中各个锚节点和各个未知目标节点间的距离，获取考虑路径损耗、吸收偏置和测量噪声后的，各个锚节点和各个未知目标节点间的接收信号强度值；
[0016]基于所述接收信号强度值，获取目标位置估计信息；
[0017]基于所述接收信号强度值和所述目标位置估计信息，获取所述训练样本集。
[0018]作为优选的技术方案，所述的目标位置估计信息的获取包括如下步骤：
[0019]基于各个锚节点和各个未知目标节点间的接收信号强度值，获取各个未知目标节点的观测向量的概率密度函数，通过最大化所述概率密度函数得到未知目标节点位置的最大似然估计。
[0020]作为优选的技术方案，所述的接收信号强度值采用下式获取：
[0021][0022]其中，P
ij
为对于目标节点j，锚节点i处接收的信号强度值，d0是参考距离，P0是距离为d0时的发射功率，γ为路径损耗指数，n
i
是测量噪声，表示吸收偏置，为目标节点j与锚节点i之间的距离。
[0023]作为优选的技术方案，所述的目标位置估计信息为：
[0024][0025]其中，为u
j
的最大似然估计，P
ij
为对于目标节点j，锚节点i处接收的信号强度值，P0是距离为d0时的发射功率，d0是参考距离，表示吸收偏置，γ为路径损耗指数，为目标节点j与锚节点i之间的距离，为测量噪声的方差。
[0026]作为优选的技术方案，基于差分进化算法获取所述BP神经网络的初始网络参数的过程包括如下步骤：
[0027]确定网络参数的解空间，基于反向学习生成L个正向向量和L个反向向量并选择适应度最低的L个候选者作为初始种群；
[0028]基于自适应变异策略，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于IDE
‑
BP神经网络的实时水声定位方法，其特征在于，包括如下步骤：获取水声数据，使用训练好的BP神经网络进行水下的多目标定位，其中，所述的训练好的BP神经网络的获取包括如下步骤：通过构建基于非凸RSS的，考虑路径损耗和吸收损耗的声学定位模型，获取训练样本集；构建BP神经网络，基于差分进化算法获取所述BP神经网络的初始网络参数，使用所述训练样本集对所述BP神经网络进行训练，获取所述训练好的BP神经网络。2.根据权利要求1所述的一种基于IDE
‑
BP神经网络的实时水声定位方法，其特征在于，所述的声学定位模型包括多个锚节点以及多个未知目标节点，且所述锚节点的位置及数量与现实场景中水声传感器的位置及数量相匹配。3.根据权利要求1所述的一种基于IDE
‑
BP神经网络的实时水声定位方法，其特征在于，所述的训练样本集的获取过程包括如下步骤：基于所述声学定位模型中各个锚节点和各个未知目标节点间的距离，获取考虑路径损耗、吸收偏置和测量噪声后的，各个锚节点和各个未知目标节点间的接收信号强度值；基于所述接收信号强度值，获取目标位置估计信息；基于所述接收信号强度值和所述目标位置估计信息，获取所述训练样本集。4.根据权利要求3所述的一种基于IDE
‑
BP神经网络的实时水声定位方法，其特征在于，所述的目标位置估计信息的获取包括如下步骤：基于各个锚节点和各个未知目标节点间的接收信号强度值，获取各个未知目标节点的观测向量的概率密度函数，通过最大化所述概率密度函数得到未知目标节点位置的最大似然估计。5.根据权利要求3所述的一种基于IDE
‑
BP神经网络的实时水声定位方法，其特征在于，所述的接收信号强度值采用下式获取：其中，P
ij
为对于目标节点j，锚节点i处接收的信号强度值，d0是参考距离，P0是距离为d0时的发...

【专利技术属性】
技术研发人员：吴华锋，张媛媛，王维军，鲜江枫，梁立年，张倩楠，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：