一種基于pso-ga-rbf-hop的無線傳感器網絡定位算法
【技術領域】
[0001] 本發(fā)明設及一種基于神經網絡的非測距無線傳感器網絡定位的算法，同時利用粒 子群和遺傳算法對徑向基函數(shù)神經網絡進行改進，實現(xiàn)精度的提高。
【背景技術】
[0002] 無線傳感器網絡(Wireless Sensor Networks，WSN)是由若干個傳感器節(jié)點組成 的網絡拓撲結構，運些節(jié)點被廣泛分布在監(jiān)測區(qū)域內，它們利用無線通信協(xié)議進行通信，在 區(qū)域內會形成一個多跳的網絡拓撲結構，通過大量的傳感器對所覆蓋區(qū)域內的監(jiān)測對象進 行數(shù)據采集，同時傳感器間互相協(xié)作最終把信息反饋給觀測者。在WSN網絡中，傳感器定位 技術是最為重要的技術，運個技術可W反映各個傳感器節(jié)點的位置信息，從而更有利于觀 測者掌握監(jiān)測區(qū)域內的情況，定位算法可W分為:基于距離的(range-based)定位算法和距 離無關的（range-free)定位算法。
[0003] 基于距離的（range-based)定位算法主要是基于傳感器節(jié)點間的距離值或角度值 來計算的，其中最為典型的算法有1'04^004、404、1?551等，但是基于距離的定位算法對外界 環(huán)境和硬件支持要求非常高，例如基于距離定位的算法中，TOA算法需要時間同步非常精 確，TDOA算法則需要的傳感器的價格過高，AOA算法則受外界的干擾十分嚴重。距離無關的 (range-free)定位算法，主要原理是通過網絡之間的連通來進行定位的，不需要其它的相 關硬件設備，但是精度往往不是很高，常見的距離無關定位算法有凸規(guī)劃、質屯、、DV-Hop、A-morphous、APIT。綜上所述，亟待開發(fā)一種與距離無關的傳感器網絡定位算法，可W更精確 地定位還可W提高精度，成為公眾研究得到的目標。
[0004] 在各種與距離無關的定位方法中，應用較多且易于改進的當屬DV-Hop算法，該算 法對標定節(jié)點間的比例要求比較少且定位精度比較高，因此在近年來對此算法的研究較為 廣泛，對無線傳感器網絡中DV-Hop定位算法存在著眾多改進方法，對DV-Hop定位算法的性 能尤其是精確度都有顯著的提高，所WWSN定位算法中，利用DV-Hop算法為基礎，復合一種 或多種經過尋優(yōu)操作后的逼近算法，成為人們關注的重點。

【發(fā)明內容】

[0005] 為了克服上述現(xiàn)有技術的不足，本發(fā)明提供了一種基于徑向基函數(shù)神經網絡和 DV-化P相結合的無線傳感器網絡定位算法，同時利用粒子群和遺傳算法對神經網絡上的參 數(shù)進行優(yōu)化。
[0006] 徑向基函數(shù)（Radial Basis Function,RBF)是屬于人工神經網絡（A;rtificial 化ural化tworks，A順)的范疇，它的最大特點是最佳逼近具有唯一性，同時可W避免局部 逼近的問題存在，RB巧申經網絡具有直觀且良好的"輸入-輸出"映射功能，在本發(fā)明中采用 RB巧巾經網絡與DV-Hop結合的WSN定位算法。但是RB巧巾經網絡的收斂速度很慢而且還存在 泛化能力較弱、模型參數(shù)和結構難W設置、連接權值的求解等多個病態(tài)問題，基于提高精度 的考慮，把RBF中的一些參數(shù)引入全局優(yōu)化算法進行優(yōu)化，從而達到改善RB巧申經網絡的性 能的作用，在眾多全局優(yōu)化算法中，粒子群算法(particle swarm optimization，PSO)由于 它的數(shù)學結構模型簡單易用，從而得到了廣泛地使用。但是PSO算法同樣存在著一些缺點， 比如說收斂速度慢、精度低、種群易早熟等。因此將遺傳算法(Genetic Algorithm,GA)中的 選擇、交叉、變異運些核屯、算法操作引入到粒子群算法中，在加快粒子群收斂速度的同時還 解決了粒子群的早熟問題。
[0007] 本發(fā)明提供一種基于PSO-GA-RBF-冊P的無線傳感器網絡的定位算法，主要包括如 下幾個步驟：
[0008] 步驟一、錯節(jié)點初始化及跳數(shù)平均距離的計算；
[0009] 步驟二、跳數(shù)更新；
[0010] 步驟=、隨機生成虛擬節(jié)點，生成訓練數(shù)據；
[0011] 步驟四、用GA對PSO中的參數(shù)進行變異更新；
[001 ^ 步驟五、用GA-PSO優(yōu)化RBF參數(shù)的具體步驟；
[oou]步驟六、未知節(jié)點定位。
[0014] 本發(fā)明的優(yōu)點在于：
[0015] 1.雖然非測距方式傳感器網絡定位在性能上還不如測距的定位方式效果好，但是 非測距不依賴于外界環(huán)境和硬件條件，基于神經網絡的非測距方法具有更加良好的性能。
[0016] 2.利用遺傳算法改進粒子群算法，通過粒子群交叉操作及變異操作，尋求迭代精 度最大或適應度最好的情況，能夠有效避免PSO的收斂速度慢精度低的缺點，提高粒子種群 的多樣性，還解決了粒子群的早熟問題，
[0017] 3.引入改進的粒子群算法用于確定RB巧申經網絡中的樣本數(shù)據中屯、、樣本方差W 及隱含層和輸出層的連接權值寬度，使訓練后的神經網絡更加適應期望的樣本數(shù)據，從而 提高了傳感器網絡定位的精度。
【附圖說明】
[0018] 圖1為本發(fā)明中傳感器定位方法的流程圖；
[0019] 圖2為本發(fā)明中RB巧申經網絡示意圖；
[0020] 圖3為實施案例中錯節(jié)點的坐標位置圖；
[0021 ] 圖4為實施案例中定位算法RBF、GA-RBF和PSO-GA-RBF的坐標誤差比較圖；
【具體實施方式】
[0022] 下面結合附圖和實施例對本發(fā)明進行詳細說明。
[0023] 本發(fā)明是一種基于PS0-GA-RBF-H0P的無線傳感器網絡定位算法，系統(tǒng)框圖如圖1 所示，具體包括步驟如下：
[0024] 步驟一、錯節(jié)點初始化及跳數(shù)平均距離的計算；
[0025] 首先系統(tǒng)需要將每個錯節(jié)點之間相對應的跳數(shù)數(shù)據信息進行初始化歸零處理，每 個錯節(jié)點采用廣播的通信方式向下游錯節(jié)點提供自己的位置信息，隨后系統(tǒng)再根據WSN中 每個錯節(jié)點自身的位置信息，通過統(tǒng)計原點到每個錯節(jié)點的相對應的跳數(shù)和距離，從而計 算出跳數(shù)的平均距離，每個錯節(jié)點A根據收集的各個錯節(jié)點的位置信息(x，y)和對應的跳數(shù) 值h，按照公式（1 )計算跳數(shù)的平均距離Cl。
[0026] (1)
[0027] 步驟二、跳數(shù)更新；
[0028] 在WSN網絡中，每個未知傳感器節(jié)點會通過廣播的方式尋求最近的錯節(jié)點，該最近 錯節(jié)點上記錄的跳數(shù)數(shù)值信息加1，則最近錯節(jié)點會轉發(fā)給它對應的下游錯節(jié)點，下游錯節(jié) 點收到跳數(shù)信息后，也會更新跳數(shù)，同時轉發(fā)下游錯節(jié)點，重復此步驟，直到所有的未知節(jié) 點到各錯節(jié)點的跳數(shù)固定，不再發(fā)生變化為止。假設錯節(jié)點數(shù)量為M，未知節(jié)點數(shù)量為N，則 需要產生一個NXM的跳數(shù)矩陣作為樣本輸入。
[0029] 步驟=、隨機生成虛擬節(jié)點，訓練數(shù)據清洗；
[0030] 在已經固定好的WSN區(qū)域內，利用軟件隨機生成V個虛擬節(jié)點坐標，虛擬節(jié)點編號 分別為1，2,3, . . .，V，節(jié)點坐標為Vxyi=(xi，yi)，根據步驟二中所述的錯節(jié)點跳數(shù)更新方法， 分別計算出每一個生成的虛擬節(jié)點到已經固定的各錯節(jié)點的跳數(shù)矩陣，記虛擬節(jié)點Vi到錯 節(jié)點的跳數(shù)矩陣為VMi=比ii，hi2，hi3,. . .，hiM]，將該矩陣作為用GA和PSO改進后的RB巧申經 網絡訓練的訓練樣本輸入，對應的訓練樣本期望輸出為該虛擬節(jié)點的實際坐標，即Vxyi。
[0031] 在得到訓練樣本后，還要對訓練樣本進行數(shù)據篩選，本發(fā)明中選取的篩選方法為 主元分析法。主元分析法(principal component analysis，PCA)也稱為矩陣數(shù)據分析法， 是非常常見的數(shù)據篩選方法。對于給定的訓練樣本集H=[VMi|Vxyi] = [hij，hij，...，hv(M+2) ]T，訓練樣本為VX(M+2)的矩陣。令hi/ =hij-E化），H'=山1'山2'，. . .，hv(M+2)']使樣本中 屯、化，如公式(2)所示：
(2)
[0033] 輸入樣本的協(xié)方差矩陣如公式(3)所示：
[0034] Ch=E(H'化'）T) (3)
[0035] 利用公式(4)計算得出Ch的特征值Ai，A2, . . .和對應的特征向量ui，U2,...， U如刮：
[0036] CH*Ui =、*Ui，i = l，2,. . .，M+2 (4)
[0037] 設特化值入I >入2 ^ . . ^入(M+2 )，則UiT就是輸入對特化向重的投影。令U = [ Ul , 化，...，u(M刮