基于SVR回归建模的无线传感器网络定位理论和算法

摘要

定位问题是无线传感器网络(Wireless Sensor Networks，WSN)应用的基本问题之一，实现高效可靠的节点定位对事件观测、目标跟踪及提高路由效率等方面具有重要实际价值。论文以“基于SVR回归建模的无线传感器网络定位理论和算法”为题，系统地研究基于支持向量回归机(Support Vector Regression，SVR)回归建模的定位理论以及在WSN中的应用方法，这对促进网络化测控技术的发展和应用，具有重要的学术价值和实际意义。论文研究工作得到粤港关键领域重点突破项目(2007A30310004)和广东省自然科学基金项目(7000815)资助。 论文对基于非测距的集中式定位(Centralized Range—free Localization，CRFL)和基于非测距的分布式定位(Distributed Range—free Localization，DRFL)以及提高DRFL方法性能的国内外研究现状进行分析，确定论文将利用SVR的学习功能和泛化能力，挖掘定位系统中测量信息和定位信息的数理关系并建立定位模型，利用得到的模型可以突破现有定位方法的局限性，期望降低测距误差的影响、降低对网络部署条件的依赖性和锚节点比例需求，以进一步提高定位准确度和定位系统适用性。主要工作包括： (一)系统深入研究SVR回归建模的数学理论，所研究结论对SVR回归建模具有通用的指导价值。指出机器回归学习可以表示为在设定损失函数下，求解期望风险最小下回归函数；SVR通过引入核函数，实现非线性逼近问题的简化以及维数灾难问题的避免；ε—不敏感损失函数使得SVR可以用少量的支持向量来表示决策函数；LS—SVR引入了最小二乘线性系统，计算效率得到大大提高；训练样本集的构成、SVR算法类型、核函数以及模型参数是影响SVR回归模型性能的重要因素等。 (二)创新性地把三边测量节点位置估计模型(NLM—TRI)转换为基于NLM—TRI的多维空间模型，提出基于NLM—TRI的位置估计方法。基于NLM—TRI的多维空间模型是依靠探测区域Q、三维空间W中的曲面Z以及它们之间的对应关系建立起来，它从几何空间的角度表达了未知节点坐标与各锚节点的距离值之间的非线性关系，并满足应用SVR进行回归未知节点位置估计建模的基本条件。提出一种基于NLM—TRI的节点位置估计方法(NL—SVR)。该方法采用未知节点到各锚节点的距离值构造特征向量，通过对曲面Z进行离散化获得样本集，用SVR对训练样本集进行训练获得定位模型，以三边测量值输入定位模型得到位置估计值。NL—SVR方法能充分利用SVR良好的容噪能力和泛化能力，大大减少测距误差对位置估计结果的影响。 (三)在理论上证明(在锚节点数大于3的情况下)未知节点到各锚节点距离向量与未知节点坐标之间的非线性关系，可以通过LS—SVR拟合出相应的映射ψ，借助所获得的LS—SVR定位模型，创造性地提出该模型在DRFL方法中的应用方法(L—LSSVR)。L—LSSVR根据已知锚节点坐标信息，通过对探测区域网格化采样，得到包含未知节点到各锚节点的距离和未知节点坐标的训练样本集，利用LS—SVR训练得到定位模型，定位时以未知节点到各锚节点经多跳测距得到的距离向量作为模型的输入，将模型输出作为未知节点的估计坐标。对L—LSSVR方法与DV—Hop方法进行比较，在能耗方面两种方法的总体能耗基本相同；在定位准确度方面，节点均匀分布，L—LSSVR方法的平均定位误差比DV—Hop小；在距离估计误差更大的随机分布网络中，L—LSSVR方法的平均定位误差显著减小。 (四)创造性地提出基于特征量重要度的IFLS—SVR算法和基于IFLS—SVR定位模型的节点定位方法L—IFSVR。L—IFSVR方法以未知节点到锚节点的最小跳数值来确定特征量的重要度，使测距误差小的距离值获得更大的影响作用。与L—LSSVR方法相比，L—IFSVR方法降低了平均定位误差的波动幅度和单个未知节点定位误差的波动幅度，提高了定位准确度和定位稳定性，降低了对网络部署条件的依赖性。 (五)开拓性地通过对LS—SVR定位模型的扩展，得到LS—SVR三维定位模型，实现立体空间中传感器网络节点的定位，进一步完善了基于LS—SVR回归建模的定位方法；针对未知节点移动或有新的未知节点加入的情况，提出了L—LSSVR近似定位方法。该方法尽量避免计算那些没有变化或变化较少的参量，通过向邻居节点索取LS—SVR模型数据与定位信息实现本身的定位。 论文仿真实验表明LS—SVR定位模型除具有减小节点间距离测距误差影响的特点外，还能充分利用各锚节点的信息最优化取值；IFLS—SVR定位模型通过增加测距误差小的特征分量个数，能进一步提高了定位准确度和定位稳定性，降低了对网络部署条件的依赖性。所开展基于SVR回归建模的RSSI定位方法实际实验结果表明，SVR回归建模方法能够取得良好的定位准确度，并表现出较好的定位稳定性。在WLAN和ZigBee网络中，使用该方法后定位准确度可以分别提高24％～66％和39％～50％。

目录

文摘

英文文摘

论文说明：主要符号表

声明

第一章绪论

1.1课题提出背景及研究意义

1.2无线传感器网络定位方法概述

1.2.1 WSN节点定位的基本概念

1.2.2 WSN节点定位中的常用术语

1.2.3 WSN节点定位的特征

1.2.4 WSN节点定位系统的评价指标

1.2.5 WSN节点定位方法的分类

1.3 WSN定位方法研究现状及分析

1.3.1 CRFL方法

1.3.2 DRFL方法

1.3.3提高DRFL方法性能的研究热点

1.4论文的主要研究内容

第二章SVR回归建模的数学基础

2.1前言

2.2机器回归学习问题的数学表述

2.3机器学习的结构风险最小化原则SRM

2.4 SVR中的核函数与ε-不敏感损失函数

2.5 ε-SVR和LS-SVR

2.6 SVR回归建模的基本过程

2.7本章小结

第三章基于NLM-TRI的NL-SVR方法研究

3.1前言

3.2基于NLM-TRI的多维空间模型

3.2.1 NLM-TRI工作原理

3.2.2基于NLM-TRI的多维空间模型

3.2.3多维空间模型的几何空间特性

3.3基于NLM-TRI的NL-SVR的工作机理

3.3.1基于NLM-TRI的训练样本集

3.3.2 NLM-TRI的训练样本预处理

3.3.3基于NLM-TRI的SVR回归模型结构

3.3.4 NL-SVR算法

3.4基于NLM-TRI的NL-SVR的实验

3.5实验结果分析

3.5.1平均估计误差eavg

3.5.2最大估计误差emax

3.5.3估计标准差σe

3.5.4不同参数下NL-SVR的估计误差

3.6本章小结

第四章基于LS-SVR回归建模的WSN节点定位研究

4.1引言

4.2基于LS-SVR的多锚节点定位建模

4.2.1多锚节点SVR回归建模的映射关系

4.2.2多锚节点LS-SVR回归建模与定位

4.3 DRFL中LS-SVR回归建模与定位

4.3.1 L-LSSVR方法实施

4.3.2 L-LSSVR与DV-Hop能耗比较

4.4 LS-SVR回归定位模型特性实验

4.4.1 L-LSSVR性能仿真实验设置

4.4.2模型参数影响实验

4.4.3锚节点比例影响实验

4.4.4网络部置条件影响实验

4.5本章小结

第五章LS-SVR定位模型在DRFL中的其它应用

5.1引言

5.2基于特征量重要度的LS-SVR定位研究

5.2.1 IFLS-SVR思想

5.2.2 IFLS-SVR回归定位模型在DRFL中的应用

5.2.3 IFLS-SVR回归定位模型特性实验

5.3基于LS-SVR定位模型的节点三维定位

5.3.1 LS-SVR三维定位思想

5.3.2 LS-SVR三维回归定位模型的效果

5.4基于LS-SVR定位模型的近似定位方法

5.4.1 L-LSSVR近似定位思想

5.4.2 L-LSSVR近似定位的效果

5.5本章小结

第六章基于SVR回归建模的定位实验

6.1引言

6.2 SVR回归建模在RSSI定位中的应用

6.2.1信号传播衰减模型建模

6.2.2基于SVR回归建模的RSSI定位过程

6.3基于LS-SVR回归建模的WLAN定位实验

6.3.1实验设置

6.3.2信号传播衰减SVR回归模型特性研究

6.3.3 RSSI为重要度的IFLS-SVR定位模型性能分析

6.4基于LS-SVR回归建模的ZIGBEE定位实验

6.4.1实验设置

6.4.2定位实验流程

6.4.3实验结果

6.5基于SVR回归建模定位的一个应用方案

6.6本章小结

结论与展望

参考文献

攻读博士学位期间取得的研究成果

致谢