專利名稱：一種無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法
技術(shù)領(lǐng)域：
本發(fā)明屬于聲源定位領(lǐng)域，具體涉及一種無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法。
背景技術(shù)：
無(wú)線傳感器網(wǎng)絡(luò)(Wireless Sensor Network, WSN)是由大量集成了傳感、數(shù)據(jù)收集、處理和無(wú)線通信單元的小體積、低成本傳感器節(jié)點(diǎn)構(gòu)成的多跳自組織網(wǎng)絡(luò)。在無(wú)線傳感器網(wǎng)絡(luò)的眾多應(yīng)用領(lǐng)域中，聲源定位是其中的一個(gè)重要方面，它是利用網(wǎng)絡(luò)內(nèi)傳感器節(jié)點(diǎn)檢測(cè)到的聲源信息估計(jì)出某一時(shí)刻該聲源的位置?；诼曇裟芰康亩ㄎ怀２捎枚ㄎ痪容^高的最大似然估計(jì)法(ML，MaximumLikehood)，即基于聲音信號(hào)模型，用最大似然方法將聲源的定位問(wèn)題轉(zhuǎn)化為似然函數(shù)的最優(yōu)化問(wèn)題，然后使用優(yōu)化算法解決搜索似然函數(shù)極值的問(wèn)題。文獻(xiàn)1(《Robustexpectation-maximization algorithm for multiple widebandacoustic sourcelocalization in the presence of nonuniform noisevariances))作者 Lu Lu)、文獻(xiàn) 2( ((Maximum likelihood mu I tip I e-source localizat ion using acoustic energymeasurements with wireless sensornetworks》作者 Sheng Xionghong 等人)在 ML 算法的基礎(chǔ)上利用最大期望算法(EM)求解最大似然估計(jì),文獻(xiàn)3 (《Acoustic Target LocationBased on RSSIand DFP in WSN)))使用 DFP (Davidon-Fletcher-Powell)算法求似然函數(shù)最優(yōu)解。根據(jù)以往研究表明，全局優(yōu)化化算法在解決非線性優(yōu)化問(wèn)題時(shí)具有很好的效果。文獻(xiàn) 4( ((Source Localization Based on Particle Swarm Optimizationfor WirelessSensor Network)))通過(guò)粒子群優(yōu)化(PSO)算法求似然函數(shù)的極值來(lái)解決聲源定位,文獻(xiàn)
5(〈〈Force-directed hybrid PSO-SNTO algorithm foracoustic source localization insensor networks》作者Yu Zhi jun)在PSO算法的基礎(chǔ)上提出一種基于虛擬力導(dǎo)向的混合PSO-SNTO算法，該算法有效的解決了 PSO對(duì)初始解的依賴，取得了較好的定位效果。但PSO和SNTO均容易陷入局部最優(yōu)，并且二者的收斂性能隨著維數(shù)的提高迅速惡化。針對(duì)PSO和SNTO的缺陷，許多研究者從不同的角度對(duì)它們進(jìn)行了改進(jìn)。孫俊從量子力學(xué)的觀點(diǎn)提出了具有量子行為的粒子群優(yōu)化算法(QPSO)，并從理論上證明QPSO算法能夠收斂到全局最優(yōu)，通過(guò)計(jì)算和分析算法的時(shí)間復(fù)雜度及收斂速度評(píng)價(jià)算法的性能優(yōu)于PS0。方開(kāi)泰針對(duì)序貫算法(SNTO)極易陷入局部最優(yōu)的缺陷，提出RSNTO算法。文獻(xiàn)
6( ((Particle Swarm Optimization with AdaptiveMutation》)提出一種自適應(yīng)變異的粒子群優(yōu)化算法，根據(jù)群體適應(yīng)值方差以及當(dāng)前最優(yōu)解的大小來(lái)確定當(dāng)前最優(yōu)粒子的變異概率，以此增強(qiáng)算法跳出局部最優(yōu)解的能力。文獻(xiàn)7 (《A New Cultural Algorithm Basedon Hybrid of GA andPSO Algorithm)))將PSO納入文化算法框架作為種群空間的進(jìn)化算法，利用文化算法的雙層進(jìn)化機(jī)制，種群空間和信念空間獨(dú)立并行演化，并且信念空間適時(shí)的對(duì)種群空間的進(jìn)化進(jìn)行引導(dǎo)。但是，PSO算法的尋優(yōu)性能嚴(yán)重依賴于通過(guò)偽隨機(jī)發(fā)生器產(chǎn)生的粒子位置，因此PSO算法的尋優(yōu)性能不穩(wěn)定。
SNTO算法主要的思想是當(dāng)當(dāng)前代的最優(yōu)解較上一次有提高時(shí)，按照一定比例收縮搜索區(qū)域，這樣可以提高算法的速度。但是隨著搜索區(qū)域的收縮，真實(shí)的解有可能是落在收縮后的區(qū)域之外，這樣算法就不能找到最優(yōu)解。RSNTO是先利用SNTO算法求得一個(gè)解，再在這個(gè)解的周圍重新定義搜索區(qū)域，并利用SNTO算法繼續(xù)搜索，如此這樣反復(fù)進(jìn)行直到達(dá)到截止條件。

發(fā)明內(nèi)容
本發(fā)明的目的在于解決上述現(xiàn)有技術(shù)中存在的難題，提供一種無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法，針對(duì)混合PSO-SNTO算法在解決聲源定位中存在的不足，提出一種基于文化改進(jìn)量子粒子群算法的無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法。該方法在算法的全局搜索能力和收斂速度上做了改進(jìn)，在解決聲源定位的非線性優(yōu)化問(wèn)題時(shí)能夠更快的收斂，獲得更優(yōu)的解。本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的一種無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法，利用最大似然估計(jì)算法將聲源定位問(wèn)題轉(zhuǎn)化為非線性方程組，然后對(duì)該非線性方程組進(jìn)行求解得到的最優(yōu)解即為聲源的位置。所述方法包括以下步驟第一步，根據(jù)聲音能量衰減模型和最大似然估計(jì)法，構(gòu)造基于能量聲源定位的似然函數(shù)；第二步，對(duì)所述能量向量Y的對(duì)數(shù)似然函數(shù)進(jìn)行求解得到最優(yōu)解；第三步，利用文化算法的雙重進(jìn)化機(jī)制提高執(zhí)行效率。所述第一步具體如下把每個(gè)粒子當(dāng)作是估計(jì)的聲源，假設(shè)無(wú)線傳感器網(wǎng)絡(luò)中分布有N個(gè)傳感器節(jié)點(diǎn)，每個(gè)傳感器節(jié)點(diǎn)都能測(cè)到未知位置P處聲源發(fā)出的聲音能量，若傳感器節(jié)點(diǎn)接收到的能量大于閾值T，則認(rèn)為該傳感器節(jié)點(diǎn)能探測(cè)到聲源的存在；假設(shè)有M個(gè)傳感器節(jié)點(diǎn)能探測(cè)到聲源，其中第i個(gè)傳感器節(jié)點(diǎn)接收到的聲音能量的表達(dá)式為

權(quán)利要求
1.一種無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法，其特征在于所述方法利用最大似然估計(jì)算法將聲源定位問(wèn)題轉(zhuǎn)化為非線性方程組，然后對(duì)該非線性方程組進(jìn)行求解得到的最優(yōu)解即為聲源的位置。
2.根據(jù)權(quán)利要求1所述的無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法，其特征在于所述方法包括以下步驟 第一步，根據(jù)聲音能量衰減模型和最大似然估計(jì)法，構(gòu)造基于能量聲源定位的似然函數(shù)； 第二步，對(duì)所述能量向量Y的對(duì)數(shù)似然函數(shù)進(jìn)行求解得到最優(yōu)解； 第三步，利用文化算法的雙重進(jìn)化機(jī)制提高執(zhí)行效率。
3.根據(jù)權(quán)利要求2所述的無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法，其特征在于所述第一步具體如下 把每個(gè)粒子當(dāng)作是估計(jì)的聲源，假設(shè)無(wú)線傳感器網(wǎng)絡(luò)中分布有N個(gè)傳感器節(jié)點(diǎn)，每個(gè)傳感器節(jié)點(diǎn)都能測(cè)到未知位置P處聲源發(fā)出的聲音能量，若傳感器節(jié)點(diǎn)接收到的能量大于閾值T，則認(rèn)為該傳感器節(jié)點(diǎn)能探測(cè)到聲源的存在；假設(shè)有M個(gè)傳感器節(jié)點(diǎn)能探測(cè)到聲源，其中第i個(gè)傳感器節(jié)點(diǎn)接收到的聲音能量的表達(dá)式為
4.根據(jù)權(quán)利要求3所述的無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法，其特征在于所述第二步具體如下 第二步A，使用全局最優(yōu)位置(Pg)代替平均最優(yōu)位置，粒子的位置更新公式如下
5.根據(jù)權(quán)利要求4所述的無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法，其特征在于所述第三步包括以下步驟 (1)種群空間和信念空間都實(shí)數(shù)編碼，設(shè)迭代代數(shù)t= (^Aci = Ajci = B,記Aci = (a1；…，aD), BO = (b1；…，bD),在[A, B]上使用glp集合初始化種群空間，計(jì)算群體適應(yīng)值； (2)把種群空間中適應(yīng)值較優(yōu)的前40%的個(gè)體作為信念空間的初始群體； (3)自適應(yīng)變異按式(8)、(9)計(jì)算種群空間的適應(yīng)值方差x2，若x2<Tx且f(pg)> Tf時(shí)，根據(jù)(9)式對(duì)全局最優(yōu)位置Pg以Pm為變異概率執(zhí)行變異； (4)位置更新根據(jù)式(4)，(5)，(6)更新種群空間粒子位置，評(píng)價(jià)適應(yīng)函數(shù)值，更新粒子個(gè)體最優(yōu)位置和全局最優(yōu)位置； (5)接受操作若當(dāng)前迭代代數(shù)t為AcceptSt印的整數(shù)倍，則用種群空間最優(yōu)個(gè)體替換信念空間的最差個(gè)體； (6)信念空間更新分別對(duì)信念空間群體執(zhí)行雜交、變異操作產(chǎn)生雜交群、變異群，再用隨機(jī)的方式產(chǎn)生隨機(jī)群； (7)影響操作當(dāng)信念空間的最優(yōu)個(gè)體優(yōu)于種群空間的最差個(gè)體時(shí)，用信念空間的最優(yōu)個(gè)體替換種群空間的最差個(gè)體；(8)收縮搜索空間令Ct= (Bt-At)/2,其中 At = (aljt, ...，aD, t),Bt= (bljt---, bDj t)；若max(Ct) < e，則當(dāng)前搜索區(qū)域足夠小，根據(jù)RSNTO算法重新定義搜索區(qū)域[At+1，Bt+1]。若Pg在當(dāng)前代未更新，轉(zhuǎn)到步驟(9);否則，通過(guò)收縮因子\收縮下一代的搜索區(qū)域[At+1，Bt+i]; (9)迭代代數(shù)t
全文摘要
本發(fā)明提供了一種無(wú)線傳感器網(wǎng)絡(luò)聲源定位方法，屬于聲源定位領(lǐng)域。所述方法利用最大似然估計(jì)算法將聲源定位問(wèn)題轉(zhuǎn)化為非線性方程組，然后對(duì)該非線性方程組進(jìn)行求解得到的最優(yōu)解即為聲源的位置。所述方法包括以下步驟第一步，根據(jù)聲音能量衰減模型和最大似然估計(jì)法，構(gòu)造基于能量聲源定位的似然函數(shù)；第二步，對(duì)所述能量向量Y的對(duì)數(shù)似然函數(shù)進(jìn)行求解得到最優(yōu)解；第三步，利用文化算法的雙重進(jìn)化機(jī)制提高執(zhí)行效率。本發(fā)明方法解決了聲源定位的非線性優(yōu)化問(wèn)題，提高了定位精度。
文檔編號(hào)G01S5/18GK103064059SQ20121056875
公開(kāi)日2013年4月24日 申請(qǐng)日期2012年12月24日 優(yōu)先權(quán)日2012年12月24日
發(fā)明者孫學(xué)梅, 劉玉柱 申請(qǐng)人:天津工業(yè)大學(xué)