基于有效集的协同定位算法.docxVIP

基于有效集的协同定位算法 作为海洋勘探的重要工具，海洋传感器网络（osys）在气候预测和资源开发等应用中发挥着重要作用。 为此，Huang等提出一种OSNs稀疏性节点定位方法。该方法利用基于到达角度（Angle of Arrival,AOA）的测距方法来估计锚节点与多跳路由节点间的欧式距离 相对于TOA、AOA、TDOA等测距技术而言，基于信号强度指示值（Received Signal Strength Indication,RSSI）的测距方法成本较廉价，通信开销较小，不需要TDOA、TOA技术的时钟校正要求，也不要AOA技术天线相控的需求 然而，当网络中存在多个目标时，利用上述定位技术对多目标单一循环依次定位，则相应的定位效率较低。为此，引入协同理论，通过多目标节点间的信息交互，能够有效地提升定位效率，提高定位精度 1 最大似然估计器 假设OSNs水面部署有N个浮标节点以及M个目标节点，第i个锚节点位置表示为a 式中，P 若观测值的矩阵为 式中，x=[x 通过最大化概率密度函数，可得到最大似然估计器，即： 但基于最大似然估计，即式（4）具有较高的非凸性，求解相应的全局最优值较为困难，且计算复杂度较高 2 基于有效集合的再优化合作定位asm-recl 2.1 亚模斯结构 当γ较小，d 原最大似然估计可转化为最小二乘框架，即： 式中， 平方式（6）中的每一项并展开后，可得： 式中， 令θ 式中： 2.2 基于asm的求解 由于ASM能够在有限的迭代次数里获得较高精度的解，相较于其他求解ANCLS框架的问题而言，不仅计算复杂度较低，计算效率亦较好 假设Γ={1,2,3}表示矩阵ξ的列以及矩阵θ行的索引集合，Λ和Ξ分别为Γ两个子集，代表主动集和被动集，即Λ?Ξ=Γ。若存在某一矩阵?∈? ASM通过内外循环来将式（8）分解成M个子问题进而求解ANCLS，即： ASM算法伪代码如下： 具体地： (1）在外循环过程中利用LS求得可行解，即： 式中，z 其中κ为被动集Ξ相应索引值。 在求得可行解后，寻找索引l∈Λ使得δ (2）在内循环过程，通过约束优化可行解，将约束外的解剔除，即： 通过来回在主动集和被动集间交换可行解索引，进而求得式（8）的解。 2.3 基于最大方差估计的方法 然而，ASM的实质亦是利用LS求解，而LS的求解精度并非全局最优值 式中，Q=[I 其中 定义ν为关于θ的函数，即： 式（8）则可进一步转化为优化方程： 对于第j个目标节点来说，在 对于M个目标节点来说： 将式（18）代入式（17）可得： 利用式（20）对x?| 当式（21）的偏导为零时，ASM-RECL可得： CRLB为无偏估计可能达到的最小方差的理论极限，通常用于评估不同估计算法的性能 式中，tr表示矩阵的迹。 根据式（1）和式（2），对于第j个目标节点来说： 对于M个目标节点来说，设 式中， 对于F 相对应的FIM可表示为： 式中，F 式中，n表示蒙特卡洛仿真次数，MC表示蒙特卡洛仿真总次数。 3 模拟结果分析 为验证提出算法的有效性，仿真实验在Matlab R2018b进行，仿真区域35 m×35 m,P 3.1 不同节点数下的定位误差 为探究不同锚节点数量情况下的定位误差，仿真设置M=3，σ 3.2 不同噪声条件下的定位误差 为探究不同噪声条件下的定位误差，仿真 3.3 不同目标节点的检测误差 3.4 cdf仿真实验 为进一步探究本文提出算法在协同定位方面的优越性，基于上述三个仿真实验的在每个场景下的仿真条件，对相应的CDF进行仿真，结果如图4所示。在不同锚节点数量条件下的CDF，如图4(a）所示，从图中可以看出，对于ASM-RECL而言，其 3.5 各定位方法在twsns下的静态定位场景 不同于相对高动态性的OSNs,TWSNs节点通常是静态部署。为探究本文提出方法是否能够在相对静态的TWSNs网络中也有着在OSNs的良好定位表现，仿真在不同噪声条件下进行，且设置N=10,M=3。静态的部署场景如图5所示。 从图6的定位误差可以看出，在TWSNs中，不同噪声情况下各个方法的定位效果较为接近，且都随着噪声的增大而变差。本文提出的算法虽然在某些条件下的定位效果稍逊于现有算法，但总的来说其在相对静态的TWSNs中仍具有较好表现。相比之下，在动态性较高的OSNs，即每一时刻节点位置处于变化的状态，本文提出的算法具有较好的鲁棒性，且从图1到图4的结果中可以看出，其定位效果的优越性相较于静态的TWSNs来得明显。因此，在某种程度上，本文提出的算法更适用于动态性较高的OSNs，能够为OSNs提供较为准确的目标节点位置信息。 4 实验结果分析 本文提出一种OSNs协同定位算法，即ASM-RECL。将原非线性非凸的定位问题转化在ANCLS框架下，利用ASM内外循环进行