法律状态公告日
法律状态信息
法律状态
2022-01-04
专利权人的姓名或者名称、地址的变更 IPC(主分类):H04W64/00 专利号:ZL2015101070010 变更事项:专利权人 变更前:深圳数位传媒科技有限公司 变更后:深圳数位大数据科技有限公司 变更事项:地址 变更前:518000 广东省深圳市南山区粤海街道高新区社区高新南环路42号北邮科技大厦1001 变更后:518000 广东省深圳市南山区粤海街道高新区社区高新南环路42号北邮科技大厦1001
专利权人的姓名或者名称、地址的变更
2019-01-25
专利权的转移 IPC(主分类):H04W64/00 登记生效日:20190108 变更前: 变更后: 申请日:20150311
专利申请权、专利权的转移
2018-03-16
授权
授权
2015-08-12
实质审查的生效 IPC(主分类):H04W64/00 申请日:20150311
实质审查的生效
2015-07-15
公开
公开
技术领域
本发明涉及一种基于GMP算法的高目标识别性能的无线网络定位方法,属于移动计算 和网络定位技术领域。
背景技术
精确定位,作为信号处理领域的一个基本而又富有挑战性的问题,已经引起众多学者很 大的兴趣,并广泛地应用于诸如无线传感器网络中的设备监控、移动用户的定位服务、基于 射频无线电认证(RFID)的追踪、提供精确及时的定位信息等众多领域。
压缩感知(CS)理论,作为一种新颖的稀疏信号处理方法,可以用于定位系统中估计多 目标的位置。在离散化的定位区域,通过一组接入点(APs)可以获得目标信号的接收信号 强度(RSS)值,并且这些RSS测量值会因目标的移动而产生变化。正常情况下,目标个数要 比离散的网格数目少得多。因此,多目标定位问题可以转化为稀疏信号的恢复问题。使用CS 技术来估计多个目标位置不仅可以降低RSS测量值的数目,而且具有较好的精度和鲁棒性。 由于其不需要昂贵的硬件,可以简单的实现,基于接收信号强度(RSS)的定位方法已被广 泛研究。
目前已经很多基于CS的方法被提出来用于多目标定位。冯辰等人用CS方法解决无线传 感器网络(WSNs)中的多目标定位问题。该方法拥有较低的计算复杂度,并且可以精确的估 计目标位置。其缺点是需要知道先验稀疏度。
B.Zhang等人提出了一种贪婪匹配追踪算法(GMP)用于目标统计和定位,[B.Zhang,and X.Cheng,and N.Zhang,and Y.Cui,and Y.Li,and Q.Liang,“SparseTarget Counting and Localization in Sensor NetworksBased on Compressive Sensing”,IEEEINFOCOM 2011,Shanghai, China,pp.2255-2263,2010.]。与传统的经典CS算法(诸如BP算法和OMP算法)相比,GMP 算法不需要知道先验稀疏度K。因此,更适合用于目标数目未知情况下的定位问题。但是该 算法拥有较高的虚警概率和丢失概率。而本发明能够很好地解决上面的问题。
发明内容
本发明目的在于提供一种基于GMP的高目标识别性能的无线网络定位方法,该方法解 决了传统GMP算法的高丢失概率和虚警概率的问题,具有较高的目标识别效果;该方法以 降低GMP算法的丢失概率和虚警概率。首先,在传统的GMP算法迭代终止后,引入一个松 弛的预定义的阈值来重新计算残差。通过这个方法,可以选择更多的可能的目标位置,这样 就降低了目标的丢失概率。然后,使用最小二乘(LS)方法来确定目标位置。选择那些大于 阈值的分量所对应的网格作为最终的目标估计位置。在这一步,大部分伪目标被去除,从而 降低了目标的虚警概率。
本发明解决其技术问题所采取的技术方案是:一种基于GMP的高目标识别性能的无线 网络定位方法,该方法包括如下步骤:
阶段一:降低目标丢失概率
步骤1:使用传统GMP算法找到绝大部分估计目标位置,存入估计目标位置索引集并记录影响因子最小值Qmin;
步骤2:引入阈值γ1(γ1>Qmin),在剩下的格子即支撑集Γ中找到一个使影响因子Q下降 最大幅度的格子i,将序号i添加到估计目标位置索引集中,并从支撑集Γ中移出:
Γ=Γ{i};
步骤3:计算残差r和影响因子Q:
r=r-P(:,i)θ,
Q=||r||2;
步骤4:θi=0,重复步骤2-3直到影响因子Q大于阈值γ1。
阶段二:降低目标虚警概率
步骤1:定义目标位置索引集的大小为Kt,则测量矩阵可以更新为:
其中,为测量矩阵P的一些列向量;
步骤2:使用最小二乘法得到目标位置恢复向量的最优解
步骤3:引入一个预定义的阈值γ2(γ2∈(0,1))来选择向量中的重要系数,并将这些 系数对应的序号,作为目标的可能位置放入索引集中:
索引集中对应网格的中心位置即最终的目标估计位置。
有益效果:
1、本发明通过引入松弛的预定义的阈值来重新计算残差,能够找到更多的真实目标,以 降低丢失概率。
2.本发明在测量矩阵更新的基础上,通过最小二乘法和阈值比较删除去掉伪目标,降低 虚警概率。
附图说明
图1为多目标的压缩感知定位模型图。
图2为本发明的方法流程图。
图3为网格数为196、信噪比为25dB、AP数目为48和58条件下,不同目标个数下,虚 警概率和丢失概率的性能描述。
图4为网格数为196、AP个数为48、信噪比分别为30dB和35dB条件下,不同目标个 数下,虚警概率和丢失概率的性能描述。
图5为AP个数分别为48、信噪比为25dB、网格数分别为144和169条件下,不同目标 个数下,虚警概率和丢失概率的的性能描述。
图6为网格数为196、AP个数为48、信噪比分别为25dB条件下,GMP算法和本发明方 法的虚警概率与稀疏度的比较。
图7为网格数为196、AP个数为48、信噪比分别为25dB条件下,GMP算法和本发明方 法的丢失概率与稀疏度的比较。
具体实施方式
下面结合说明书附图对本发明创造作进一步说明。
本发明所有的符号注解:
K:实际目标个数,也称为稀疏度;
N:网格个数;
M:传感器个数;
P:测量矩阵;
P0:第i个格子的信号强度;
β:衰减指数,通常范围在2和5之间;
Gij:目标信号的瑞利衰落,衰落信号的实部和虚部服从独立同分布,均值为0、方差为的高斯分布;
dij:目标所在的第j个格子到第i个AP的欧式距离;
ω:高斯白噪声;
θ:目标位置信号的稀疏表示向量;
Q:影响因子;
Γ:实际目标位置索引集;
估计目标位置索引集;
r:残差;
γ1:第一个阈值,用于增加算法迭代次数;
γ2:第二个阈值,用于控制去除的伪目标的个数;
本发明方法得到的估计目标位置索引集;
PF:虚警概率;
PM:丢失概率。
如图1所示为多目标的压缩感知定位模型,本发明考虑一个方形区域,将其分成N个离 散的网格,其中随机分布有M个AP节点,并且有K个(K<<N)位置未知的目标。假设每个 格子中最多有一个目标。在每一个采样时刻,所有的AP收集全部K个目标发出信号的功率 或能量值。然后,将这些数据传送到数据融合中心用于室内环境下的多目标定位。
目标所在的第j个格子到第i个AP的欧式距离可以表示为:
其中,(xi,yi)为第i个AP的坐标,(xj,yj)为目标所在的第j个格子的坐标。
每个AP接收到的RSS测量值通常受阻碍物、多径传播、及其他室内环境因素的影响。 所以室内环境下的无线传播模型与自由空间的很不一样。根据室内的无线传播模型,当目标 在第j个格子时,第i个AP接收到的RSS测量值为:
其中,P0为第j个格子的信号强度;β为衰减指数,通常范围在2和5之间;Gij为目标信号 的瑞利衰落,衰落信号的实部和虚部服从独立同分布,均值为0、方差为的高斯分布;dij为目标所在的第j个格子到第i个AP的欧式距离。
第i个AP接收到的所有RSS测量值为:
其中,wi是测量噪声和模型误差的累和。的值为1,说明第j个格子中有1个目标,而当的值为0时,表示第j个格子中不存在目标。
上式可以写成一个紧凑的形式:
y=Pθ+ω
其中,
值得注意的是y是一个实际测得的向量,而P是一个理论上的测量矩阵。
θ是一个表示所有目标位置的N维列向量。由于目标个数K远少于格子数目N,所以θ是一 个K稀疏向量。也就是说,其分量中只有K个是非零的,而剩下的N-K个分量均为零。所 以定位问题可以转化成离散域中稀疏向量的重构问题。
GMP算法不需要知道先验稀疏度,即真实目标个数,所以它适用于目标数目未知的情况。 但是,GMP算法的丢失概率和虚警概率很高。基于这一点,我们提出了该算法的改进方法。
如图2所示,一种基于GMP的高目标识别性能的无线网络定位方法的流程图,设计了 该方法的实施过程,本发明的定位方法包括两个阶段:(1)降低目标丢失概率阶段;(2)降 低目标虚警概率阶段。在第一阶段,利用传统的GMP算法得到绝大部分目标的可能位置, 然后引入一个重新定义的阈值,以从剩下的格子中选择更多目标可能的位置。这样可以降低 目标的丢失概率。在第二阶段,利用最小二乘(LS)法去掉目标位置估计值中的一些异常值。 这样可以降低目标的虚警概率。
阶段一:降低目标丢失概率阶段
1.使用传统GMP算法找到绝大部分估计目标位置,存入估计目标位置索引集并记 录影响因子最小值Qmin;
2.引入阈值γ1(γ1>Qmin),以从剩余格子中找到更多的目标可能位置。在支撑集Γ中找 到一个使影响因子Q下降到最大幅度的格子i。将序号i添加到估计目标位置索引集中,并 从支撑集Γ中移出;
Γ=Γ{i}
3.计算残差和影响因子;
r=r-P(:,i)θ
Q=||r||2
4.θi=0,重复步骤2-3直到影响因子Q大于阈值γ1。
值得注意的是,这么做的好处是可以找到部分丢失目标,降低目标丢失概率。虽然在这 过程中也会引入一些伪目标,将会在下一阶段去除掉。
阶段二:降低目标虚警概率阶段
第二阶段用于降低目标的虚警概率,包括三个步骤:(1)更新测量矩阵;(2)最小二乘法; (3)阈值比较。为了去掉第一步引入的伪目标,首先根据估计目标位置索引集更新测量矩阵, 然后使用最小二乘法得到目标网格索引的重构向量,通过阈值比较去掉比阈值小的分量。具 体步骤如下:
1.定义目标位置索引集的大小为Kt,则测量矩阵可以更新为:
其中,是属于测量矩阵P的一些列向量。
2.使用最小二乘法得到目标位置恢复向量的最优解
3.引入一个预定义的阈值γ2来选择向量中的重要系数,并将这些系数对应的序号,作 为目标的可能位置放入索引集中:
因此,索引集中对应网格的中心位置就是最终的目标估计位置。
为了验证本发明方法的多目标识别性能,我们使用MATLAB平台进行所有仿真工作。首 先,构建室内多目标定位模型。将一个方形室内区域10×10m2分成N个离散的网格,并随机 布设M个AP,每个AP的位置已知。假设在整个区域中有K(K<<N)个目标,其位置未知, 并且每个格子中最多有一个目标,位置均位于网格中心。室内无线传播模型中,参数 P0=1,α=2,瑞利衰落的实部和虚部均服从均值为0、方差为0.5的高斯分布。为了更接近 真实的定位环境,我们引入高斯白噪声作为干扰,其服从N(0,σ2)的高斯分布,并使用SNR 来表示信号功率与噪声功率的比率。然后,用本发明方法估计目标的个数和位置。最后统计 其虚警概率和丢失概率。值得注意的是,在统计正确估计的真实目标个数时,我们假定:如 果一个真实目标的倍单个格子长度的半径范围内没有候选目标,则认为该目标丢失。所有 仿真均采用蒙特卡洛仿真,每次循环迭代1000次。
图3描述的是本方法在N=196、SNR=25dB、M=48及M=58条件下,虚警概率和丢失概 率与目标个数K的关系。从图中可以看出,本发明方法在不同的AP数目和目标个数情况下, 具有优异的目标识别能力。随着目标个数的增加,目标的识别性能会随之下降,这可以用压 缩感知理论来解释。另外,同等目标数目情况下,较多的AP数目会使得估计结果更精确, 因此使目标的识别性能相应的提升。
图4-5分别描述的是本发明在不同信噪比及网格数条件下的目标识别性能。从图中可以 看出,本发明具有很高的目标识别性能。
图6-7分别描述的是本发明与GMP算法的性能比较,从图中可以看出,本发明方法的性 能优于GMP,可以很好的解决其高虚警概率和丢失概率的问题。
机译: 3基于立体相机的基于3D位置的目标识别算法的相似度测量算法的精度增强
机译: Ad-hoc无线网络中基于分布式精度的定位算法
机译: Ad-hoc无线网络中基于分布式精度的定位算法