基于联邦学习的水下传感器网络节点定位方法技术

本发明专利技术涉及水下声学定位技术领域，具体的说是一种能够有效提高定位精度、降低运算复杂度的基于联邦学习的水下传感器网络节点定位方法，采用分布式的模型聚合技术，在减少水下通信开销的情况下，实现各个传感器节点的模型更新和同步，从而优化整个网络的定位模型性能，提高水下定位精度，克服了现有下组合定位算法都存在积累误差的问题。算法都存在积累误差的问题。算法都存在积累误差的问题。

【技术实现步骤摘要】
基于联邦学习的水下传感器网络节点定位方法


[0001]本专利技术涉及水下声学定位
，具体的说是一种能够有效提高定位精度、降低运算复杂度的基于联邦学习的水下传感器网络节点定位方法。

技术介绍
：
[0002]水下传感器网络(Underwater Sensor Networks,USNs)是一种由多个水下传感器节点组成的自组织网络，它们可以通过水声信道进行通信和协作，实现对海洋环境的监测、探测和开发。水下传感器网络在海洋科学、军事防御、资源开采、灾害预警等领域有着广泛的应用前景。
[0003]水下传感器网络中的节点定位问题是指利用已知位置信息的节点(锚节点)来确定其他未知位置信息的节点(普通节点)的位置信息。这个问题在水下传感器网络中尤为重要，因为节点位置信息不仅影响数据收集和处理的效率和准确性，而且影响网络拓扑结构和路由协议的设计和优化。
[0004]水下传感器网络被广泛应用于海洋探测和开发中。由于电磁场在水下会快速衰减，所以传统的全球定位系统(Global Positioning System,GPS)在水下失效，因此需要采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的水下传感器网络节点定位方法，其特征在于，包括以下步骤：步骤一：建立水下传感器定位网络，采用中心式结构的水下定位网络，包括中心节点和两个以上的局部训练节点，中心节点和局部训练节点均配备水声通信收发设备；步骤二：建立水下传感器网络节点所使用的网络模型，并作为联邦学习网络的局部模型，传感器网络的本地模型依次包括输入层、多层LSTM网络层以及全连接层，所述多层LSTM网络层包括依次相连的长短期记忆网络层、随机丢弃层、长短期记忆网络层、长短期记忆网络层、随机丢弃层，传感器网络的本地模型用于对水下传感器节点采集的数据进行特征提取和预测，实现单节点的较高精度定位，其中传感器采集的数据集包括INS采集的加速度数据、DVL采集的速度数据、深度仪采集的深度数据，还有AUV节点与传感器节点的时延信息，本地模型训练采用梯度下降算法，公式为：是第k个局部模型的权重参数，η为学习率，为梯度，为损失函数，当本地训练指定周期后，把每个传感器节点训练好的模型的各层权重参数w
L
进行提取，并通过水声通信发送给中心节点；步骤三：中心节点接收到传感器网络节点的网络权重参数后，采用联邦平均算法聚合所有局部模型，更新一个全局网络模型权重，公式为：其中w
Fed
为聚合后的全局模型权重，n为水下传感器网络节点的数量，S
k
为第k个传感器节点的训练...

【专利技术属性】
技术研发人员：赵万龙，张国耀，刘功亮，程世豪，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：