[发明专利]无线传感器网络中基于RSS的多目标定位方法与系统

说明书

本发明提供一种无线传感器网络中基于RSS的多目标定位方法，通过粗定位和细定位实现多目标定位，在粗定位阶段，采用序贯压缩感知原理选择最优观测次数，当重构误差小于预先给定的门限值时，停止接收观测值；然后，通过求解一个l_p最优化问题重构出稀疏向量，从而确定出目标所在的初始候选网格；在细定位阶段，将粗定位确定的候选网格利用四分法进行细划分，每个候选网格都被划分为四个相等的子网格，利用最小残差准则选择目标所在的候选子网格，再对得到的子网格进行划分选择；经过多次划分、选择之后，每个目标的估计位置被限定在足够小的子网格上。本发明在目标个数未知的场景下具备更优的定位性能，且明显减少了定位时间。

技术领域

本发明涉及多目标定位技术领域，具体而言涉及一种无线传感器网络中基于RSS的多目标定位方法与 系统。

背景技术

无线传感器网络(Wireless Sensor Network,WSN)是由部署在监测区域内大量的廉价微型传感器节点组 成，通过无线通信方式形成的一个多跳自组织网络。基于MEMS(微机电系统)的微传感技术和无线联网 技术为WSN赋予了广阔的应用前景，使其在军事、航空、反恐、防爆、救灾、环境、医疗、家居、工业、 商业等领域发挥了重要作用。在这些应用中，不仅关心多个监测目标的状态，而且关心这些目标的位置， 只有获取位置信息后才能采取合理的应对措施。特别地，传感器的感知数据只有在获得目标位置信息后才 具有更高的使用价值。例如，反恐行动必须实时掌握恐怖分子的活动轨迹；煤气泄漏必须准确判别泄漏点在居民楼中的位置；商业区火灾报警必须了解火灾的具体位置。因此，没有位置信息的监测消息将毫无意 义，所以多目标定位是WSN的关键技术之一。传统的定位系统往往基于某种特殊信号，如超宽带信号、 红外信号，需要部署专用硬件设备以测量这些信号，导致了较高的成本和巨大的工作量，极大地限制了定 位系统的应用。为了解除硬件的限制，现有技术还指出几乎所有的无线电设备都可以独立测量其接收信号 的强度，而不需要其它设备的辅助。于是，基于接收信号强度(Received Signal Strength,RSS)的技术可以完 成多目标定位任务。但是，传统的RSS定位方法需要测量和处理大量的数据，而传感器节点自身能量受限、 计算能力有限、易受环境影响，若持续进行RSS定位将耗费大量资源，减少网络生命时间，这将严重阻碍 基于WSN的多目标定位技术的应用。

压缩感知理论(Compressive Sensing，CS)为解决上述问题提供了新的思路。在信号具有稀疏性的前提 下[8]，CS提供了一种全新的信号处理方法，它可用远低于奈奎斯特采样率的速率对信号进行采样(或称 为观测)，并实现信号的精确重构。在CS框架下，采样速率不再取决于信号的带宽,而在很大程度上取决 于信号的稀疏性。基于WSN的多目标定位问题具有天然的稀疏性，因而CS理论被广泛应用于其中以大 幅减少各节点的采样数据量，从而大幅减少网络的资源消耗。

近年来，基于CS的多目标定位技术已成为一个研究热点，例如将WSN的监测区域划分成若干个网格， 并在CS框架下将多目标定位问题建模成一个稀疏估计问题，极大地减少了节点之间的通信数据量。然而， 该方法需要在每个节点建立不同的冗余字典，这导致了巨大的工作量和不可避免的误差积累。又如，通过 离散物理空间将每个目标的位置转化成稀疏度为1的向量，从而将多目标定位问题转化成多稀疏向量重 构问题，利用l₁最优化重构稀疏向量，以估计目标所在的网格位置。但是，该方法数据压缩不充分，且需 要事先知道目标个数。在实际应用中，节点无法了解监测区域内目标个数，也就无法确定满足CS重构条件 所需的采样数据量。针对采样数据量未知的问题，采用了序贯压缩感知(SequentialCompressed Sensing,SCS) 算法，在初始观测向量上叠加T个观测值，若重构误差的估计值大于预先给定的门限值，则继续叠加T个观 测值；反之，若重构误差的估计值小于门限值，则停止接收观测值。SCS实现了自适应选择最优观测次数， 克服了因采样数据量未知而导致的不充分或过度采样问题。