一种基于宽度学习的水下传感器定位方法技术

本发明专利技术公开了一种基于宽度学习的水下传感器定位方法，属于水下传感器定位领域，包括在监测区域内随机部署两种类型的节点；锚节点是其自身位置已知并为传感器节点提供定位参考；传感器节点是其自身位置未知，需要向锚节点发送定位请求并与锚节点进行信息交互来定位自身的位置；通过对监测区域进行均匀划分来收集标签数据；利用标签数据训练宽度学习网络；待宽度学习网络训练完成以后，传感器节点向锚节点发送定位请求并计算与锚节点之间的通信时延；将该通信时延作为已训练完成的宽度学习网络的输入，输出为该传感器节点的位置估计。本发明专利技术提高了水下传感器定位的准确性，提升了定位效率。升了定位效率。升了定位效率。

【技术实现步骤摘要】
一种基于宽度学习的水下传感器定位方法


[0001]本专利技术涉及水下传感器领域，尤其是一种基于宽度学习的水下传感器定位方法。

技术介绍

[0002]水下传感器网络广泛应用于石油泄漏监测、军事侦察和数据传输。本质上，这些应用依赖于传感器节点的位置信息，因此定位是水下传感器网络不可或缺的服务，但由于水下环境非常复杂，这使得传统陆地定位方法不能直接应用于水下环境，如果不能准确的知道传感器节点的位置信息，将有可能导致水下传感器网络节点执行任务的失败甚至导致水下传感器的丢失。
[0003]在现有技术中检索发现，申请号为201210082153.6的中国专利技术专利，公开了一种无线传感网络节点三维定位方法，该方法通过四个不共面的锚节点与未知节点通信，然后得到未知节点到锚节点的距离估计值，通过结合距离估计值来计算未知节点的位置坐标，从而实现水下传感器网络节点的精确定位。然而，该方法实现精确目标定位的前提是距离估计值足够精确，但由于水介质的不均匀特性会导致在水中声音不沿直线传播，如果不考虑这一影响，那么水下传感器网络节点的定位精度将大大降低。
[0004]另外，申请号为201510677240.X的中国专利技术专利，公开了一种基于遗传算法的室内水下目标定位方法，该方法将水下目标的定位问题转化为优化问题，并应用混合遗传算法求解优化问题。上述方法减小了测量误差对定位精度的影响，但算法中所涉及的目标函数、适应度函数以及约束条件使得该学习方法容易陷入局部最优解，不能达到理想的全局最优解。
[0005]因此，如何在考虑到水下声线弯曲效应的影响下，设计一种能得到全局最优解的水下传感器网络节点定位方法显得尤为重要。

技术实现思路

[0006]本专利技术需要解决的技术问题是提供一种基于宽度学习的水下传感器定位方法，以解决水下传感器节点的定位问题，有效的提高了定位精度，提升了定位效率。
[0007]为解决上述技术问题，本专利技术所采用的技术方案是：
[0008]一种基于宽度学习的水下传感器定位方法，包括以下步骤：
[0009]步骤1，在监测区域内随机部署锚节点和传感器节点；
[0010]所述锚节点是指其自身位置已知，为传感器节点提供定位参考；
[0011]所述传感器节点是指其自身位置未知，需要向锚节点发送定位请求并与锚节点进行信息交互来定位自身的位置；
[0012]步骤2，通过对监测区域进行均匀划分来收集训练宽度学习网络所需要的标签数据；所述标签数据包括传感器节点与锚节点之间的通信时延和传感器节点的位置信息；
[0013]步骤3，利用步骤2中收集到的标签数据来构建宽度学习网络框架并进行训练，让宽度学习网络学习“传感器节点与锚节点之间的通信时延”与“传感器节点的位置信息”之
间的非线性映射关系；
[0014]步骤4，待宽度学习网络训练完成以后，传感器节点向锚节点发送定位请求，待传感器节点与锚节点之间完成信息交互以后，利用收集到的时间戳来计算传感器节点和锚节点之间的通信时延；
[0015]步骤5，将步骤4中计算得到的通信时延作为已经训练完成的宽度学习网络的输入，输出即为传感器节点的位置估计。
[0016]本专利技术技术方案的进一步改进在于：步骤1中，设监测区域是体积为V
M
的长方体并将其均匀划分为m个体积为V
C
的小长方体，随机选择n
*
个小长方体部署n个传感器节点和(n
*
‑
n)个锚节点；
[0017]设第i个小长方体部署传感器节点，i∈{1,...,n}，第j个小长方体部署锚节点，j∈{1,...,n
*
‑
n}，每个小长方体中心的位置向量可以表示为P
k
＝[x
k
,y
k
,z
k
]T
，k∈{1,...,n
*
}，特别地，当传感器节点或锚节点部署在小长方体中时，其位置向量能够记为P
k
＝[x
k
,y
k
,z
k
]T
。
[0018]本专利技术技术方案的进一步改进在于：步骤2中，采用等梯度模型来描述水下声速的分布，即声速与深度成线性关系，声速建模为：
[0019]C(z)＝b+az
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0020]其中，b表示水面上的声速，a是与环境相关的标量，z是深度；因此，部署在小长方体中的传感器节点和锚节点之间的通信延迟利用声速模型计算为τ
j,i
：
[0021][0022]其中，θ
j
是小长方体j中锚节点位置的射线角，θ
i
是小长方体i中传感器节点位置的射线角，基于此，收集的标签数据描述为：
[0023][0024]Y＝{P
i
,
…
,P
n
}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0025]其中，τ
i,j
表示传感器节点i与锚节点j之间的通信延迟，X中的每一行数据对应Y中的每一个数据，需要计算每一个传感器节点与所有锚节点之间的通信时延。
[0026]本专利技术技术方案的进一步改进在于：步骤3中，为了实现上述目的，X首先通过随机加权映射成为一系列特征节点，第p个特征节点表示为：
[0027][0028]其中，ω
p
和β
p
分别表示特征数据与特征节点之间的随机权重和偏差，φ
p
是特征映射函数，N1表示特征节点的个数，将所有映射的特征节点记为
[0029]为了使网络提取到更深层次的特征，将特征节点激活为增强节点，第q个增强节点可以表示为：
[0030][0031]其中，ω
#q
和β
#q
分别表示特征节点与增强节点之间的随机权重和偏差，ψ
#q
表示激活函数，N2表示增强节点的个数；
[0032]将所有增强节点表示为记“|”表示将矩阵和按行组合为一个矩阵；至此，宽度学习网络的输出表示为：
[0033][0034]输出即为宽度学习网络对Y的估计，其中是宽度学习网络的初始输出权重，通过解决以下优化问题来获得
[0035][0036]其中，是一个数学符号，表示使得最小时的取值，ε表示惩罚因子；
[0037]通过求解上述优化问题得到：
[0038][0039]其中，I表示单位矩阵；
[0040]判断宽度学习网络是否需要进行增量学习：
[0041]如果其中有关于定位精度的误差阈值，则需要进行增量学习，具体来说，通过在原有的宽度学习网络中引入新的增强节点来提高训练精度，新增加的增强节点表示为：
[0042][0043]其中，ω
#h
和β
#h
分别表示特征节点与增强节点之间的随机权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽度学习的水下传感器定位方法，其特征在于：包括以下步骤：步骤1，在监测区域内随机部署锚节点和传感器节点；所述锚节点是指其自身位置已知，为传感器节点提供定位参考；所述传感器节点是指其自身位置未知，需要向锚节点发送定位请求并与锚节点进行信息交互来定位自身的位置；步骤2，通过对监测区域进行均匀划分来收集训练宽度学习网络所需要的标签数据；所述标签数据包括传感器节点与锚节点之间的通信时延和传感器节点的位置信息；步骤3，利用步骤2中收集到的标签数据来构建宽度学习网络框架并进行训练，让宽度学习网络学习“传感器节点与锚节点之间的通信时延”与“传感器节点的位置信息”之间的非线性映射关系；步骤4，待宽度学习网络训练完成以后，传感器节点向锚节点发送定位请求，待传感器节点与锚节点之间完成信息交互以后，利用收集到的时间戳来计算传感器节点和锚节点之间的通信时延；步骤5，将步骤4中计算得到的通信时延作为已经训练完成的宽度学习网络的输入，输出即为传感器节点的位置估计。2.根据权利要求1所述的一种基于宽度学习的水下传感器定位方法，其特征在于：步骤1中，设监测区域是体积为V
M
的长方体并将其均匀划分为m个体积为V
C
的小长方体，随机选择n
*
个小长方体部署n个传感器节点和(n
*
‑
n)个锚节点；设第i个小长方体部署传感器节点，i∈{1,...,n}，第j个小长方体部署锚节点，j∈{1,...,n
*
‑
n}，每个小长方体中心的位置向量可以表示为P
k
＝[x
k
,y
k
,z
k
]
T
，k∈{1,...,n
*
}，特别地，当传感器节点或锚节点部署在小长方体中时，其位置向量能够记为P
k
＝[x
k
,y
k
,z
k
]
T
。3.根据权利要求1所述的一种基于宽度学习的水下传感器定位方法，其特征在于：步骤2中，采用等梯度模型来描述水下声速的分布，即声速与深度成线性关系，声速建模为：C(z)＝b+az
ꢀꢀꢀꢀ
(1)其中，b表示水面上的声速，a是与环境相关的标量，z是深度；因此，部署在小长方体中的传感器节点和锚节点之间的通信延迟利用声速模型计算为τ
j,i
：其中，θ
j
是小长方体j中锚节点位置的射线角，θ
i
是小长方体i中传感器节点位置的射线角，基于此，收集的标签数据描述为：Y＝{P
i<...

【专利技术属性】
技术研发人员：闫敬，易鸣，杨晛，张良，曹文强，罗小元，
申请(专利权)人：燕山大学，
类型：发明
国别省市：