无线传感器网络中基于粒子束优化的支持向量机的定位方法

摘要

无线传感器网络中基于粒子束优化的支持向量机的定位方法，涉及一种应用于无线传感器网络中的定位方法。本发明解决了现有定位方法中存在的定位精度低、计算开销大、需要硬件支持的缺点。本发明所基于的无线传感器网络包括多个可通过信号强度测量距离的传感器节点、可收集全部节点信息并计算的网关；应用于上述无线传感器网络中的基于粒子束优化的支持向量机的定位方法为：采用统计学的方法，结合粒子束优化理论和支持向量机理论，对网络中的待测节点进行定位。本发明利用粒子束优化和支持向量机的方法提高传感器节点自身的定位精度，当网络中存在噪声干扰时，仍能得到良好的定位效果。本发明适用于基于各种应用的集中式无线传感器网络中的定位。

主权项

1.无线传感器网络中基于粒子束优化的支持向量机的定位方法，其特征在于：所述无线传感器网络包括N个可通过信号强度测量距离的传感器节点{S₁,S₂,…,S_N}、可收集全部节点信息并计算的网关；应用于上述无线传感器网络中的基于粒子束优化的支持向量机的定位方法为：采用统计学习的方法，结合粒子束优化理论和支持向量机理论，对网络中的待测节点进行定位；所述无线传感器网络中基于粒子束优化的支持向量机的定位方法的具体过程为：步骤一：初始化阶段；在此阶段中，将无线传感器网络的二维空间[0,D]×[0,D]中各方向做M等分，并建立支持向量机的高斯核函数$K(x,x_i)=\exp \{-\frac{{|x-x_i|}^2}{{\sigma }^2}\},---\left(1\right)$在各方向的支持向量机中，任意测试数据根据公式：$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{m}{\Sigma }}{{\alpha }_i}^{*}{y}_{i}K(x,x_i)+b^{*}\};---\left(2\right)$分类，其中，x_i是支持向量，K(x,x_i)是核函数，σ²为高斯核函数方差，α_i^*是x_i的拉格朗日因子，b^*是分类门限值，m为测试数据向量个数，sgn是符号函数；建立粒子束优化的目标函数$f(x,y)=\frac{1}{P}\underset{i=1}{\overset{P}{\Sigma }}{(\sqrt{{(x-x_i)}^2+{(y-y_i)}^2}-\widehat{d_i})}^2;---\left(3\right)$其中，y_i∈{-1,1}是x_i的分类标注，是加入高斯白噪声后的实际估计距离，P是待测节点的邻居锚节点数量；步骤二：支持向量机粗定位；首先，计算表示锚节点间距离的训练特征向量，并将计算结果代入支持向量机中，计算各方向上的支持向量机参数x_i、α_i^*和限值b^*；然后，估计待测节点到锚节点的距离，并将该距离和相应节点信息传到网关，并在网关中生成测试数据向量；最后通过支持向量机分类判断得到待测节点的初步位置，并将其作为步骤三中的初始位置gbest；步骤三：粒子束优化定位阶段；步骤三一、在区域中通过随机生成粒子形成粒子束，并在该区域中选择L个粒子作如下处理；步骤三二、逐一将每个粒子的位置信息带入到目标函数中获得相应的目标函数值，同时，将初始位置带入到目标函数中获得相应的目标函数值，比较获得的所有目标函数值，获得最优值，并将该最优值对应的位置信息作为更新后的待测节点的初始位置；步骤三三、更新粒子束中的每个粒子的速度和位置信息，然后返回执行步骤三二，获得更新后的待测节点的初始位置；循环执行步骤三二和步骤三三，所述循环的终止条件为：当所述初始位置满足定位精度要求时，循环终止，将该初始位置作为待测节点的估计位置；或者，当执行步骤三二到指定次数时，循环终止，将最后一次获得的初始位置作为待测结点的估计位置。