[发明专利]无线传感器网络变分贝叶斯期望最大化定位方法及系统

权利要求书

1.一种无线传感器网络变分贝叶斯期望最大化定位方法，其特征在于，包括：

对含有空洞的无线传感器网络进行定位，得到定位信息；

根据所述定位信息，确定空洞边界上的节点；

采用多跳方式得到各个所述节点间的距离信息；

确定各个所述节点的折角信息；

根据所述距离信息和所述折角信息，建立附带隐含变量的最大似然估计模型；

根据所述最大似然估计模型建立变分贝叶斯期望最大化定位模型；

更新所述变分贝叶斯期望最大化定位模型的参数，调整未知节点的估计位置，经过多次迭代之后，得到未知节点的位置信息；

所述根据所述定位信息，确定空洞边界上的节点，具体包括：

根据所述定位信息，得到所述空洞的位置信息和形状信息；

采用最短路径树方法，确定空洞粗粒度内边界上的节点，其中，最短路径树的构建方法采用Dijkstra算法，在根节点的对角区域，节点连线出现区域剖分，将剖分区域的末节点以通讯半径为约束进行两两组合，来源于不同路径且位于通讯半径内的两个节点定义为cut节点对，在最短路径树的构图中，存在多个cut节点对，选取其中一个cut节点对，连同cut节点的最短路径树将cut节点对相连，探寻能够完全围绕空洞的封闭曲线，该曲线以根节点为起点，在cut节点对处汇合，从而形成一条围绕空洞的封闭曲线，该空洞称为无线传感器网络的粗粒度内边界；

采用极值点优化所述空洞粗粒度内边界上的节点，得到精确围绕空洞边界的节点，具体包括以下过程：在已知粗粒度内边界的情况下，设置节点命令使粗粒度内边界上的所有节点向周围节点进行泛洪，从而使网络中的其他节点获知自身与粗粒度内边界的最小跳数，每个节点根据自己以及邻居节点的信息判断自己是否为极值点，对于处在分布区域内边界和外边界上的节点，其距离粗粒度内边界的最小跳数应为局部最大，将最小跳数为局部最大的节点定义为极值点；已确定的极值点根据最短路径树网络图的结构分为两类，一类是围绕空洞内边界上的极值点，另一类是节点分布区域外边界上的节点；区分内边界和外边界的极值点需要借助锚节点信息，首先选取位于外边界附近的锚节点，以通讯半径衡量节点间的距离，若极值点在所选取的锚节点一跳范围内，则将该极值点标记为外边界上的节点，按照此方法依次判断所有极值点的连通性并分为两类，位于外边界的极值点与所选取的锚节点和已标记的极值点借助其他极值点具有连通关系，位于内边界的极值点无法借助其他极值点与所选取的锚节点形成连通关系，基于以上判断，可将位于内边界和外边界上的节点进行区分；最后，将内边界上的极值点进行连接，并表示成传感器节点分布区域的空洞边界；

所述根据所述距离信息和所述折角信息，建立附带隐含变量的最大似然估计模型，具体包括：

根据所述距离信息和所述折角信息，建立附带隐含变量的最大似然估计模型

其中，d_m为未知节点与锚节点最短路径上的观测距离，为未知节点与锚节点最短路径上的折角集合，为折角的先验概率，为折角的后验概率，为和的KL散度，θ_m为未知节点m的位置；

所述更新所述变分贝叶斯期望最大化定位模型的参数，调整未知节点的估计位置，经过多次迭代之后，得到未知节点的位置信息，具体包括：

更新所述变分贝叶斯期望最大化定位模型的参数；

根据更新后的参数调整未知节点的估计位置；

当所述未知节点的估计位置变化小于设定阈值时，迭代结束，得到求解的节点位置信息，所述求解的节点位置信息为未知节点的位置信息。

2.一种无线传感器网络变分贝叶斯期望最大化定位系统，其特征在于，包括：

定位模块，用于对含有空洞的无线传感器网络进行定位，得到定位信息；

空洞边界上的节点确定模块，用于根据所述定位信息，确定空洞边界上的节点；

节点间的距离信息确定模块，用于采用多跳方式得到各个所述节点间的距离信息；

节点的折角信息确定模块，用于确定各个所述节点的折角信息；

最大似然估计模型建立模块，用于根据所述距离信息和所述折角信息，建立附带隐含变量的最大似然估计模型；

变分贝叶斯期望最大化定位模型建立模块，用于根据所述最大似然估计模型建立变分贝叶斯期望最大化定位模型；

未知节点的位置信息确定模块，用于更新所述变分贝叶斯期望最大化定位模型的参数，调整未知节点的估计位置，经过多次迭代之后，得到未知节点的位置信息；

所述空洞边界上的节点确定模块，具体包括：

空洞位置形状信息确定单元，用于根据所述定位信息，得到所述空洞的位置信息和形状信息；

空洞粗粒度内边界上的节点确定单元，用于采用最短路径树方法，确定空洞粗粒度内边界上的节点，其中，最短路径树的构建方法采用Dijkstra算法，在根节点的对角区域，节点连线出现区域剖分，将剖分区域的末节点以通讯半径为约束进行两两组合，来源于不同路径且位于通讯半径内的两个节点定义为cut节点对，在最短路径树的构图中，存在多个cut节点对，选取其中一个cut节点对，连同cut节点的最短路径树将cut节点对相连，探寻能够完全围绕空洞的封闭曲线，该曲线以根节点为起点，在cut节点对处汇合，从而形成一条围绕空洞的封闭曲线，该空洞称为无线传感器网络的粗粒度内边界；

精确围绕空洞边界的节点确定单元，用于采用极值点优化所述空洞粗粒度内边界上的节点，得到精确围绕空洞边界的节点，具体包括以下过程：在已知粗粒度内边界的情况下，设置节点命令使粗粒度内边界上的所有节点向周围节点进行泛洪，从而使网络中的其他节点获知自身与粗粒度内边界的最小跳数，每个节点根据自己以及邻居节点的信息判断自己是否为极值点，对于处在分布区域内边界和外边界上的节点，其距离粗粒度内边界的最小跳数应为局部最大，将最小跳数为局部最大的节点定义为极值点；已确定的极值点根据最短路径树网络图的结构分为两类，一类是围绕空洞内边界上的极值点，另一类是节点分布区域外边界上的节点；区分内边界和外边界的极值点需要借助锚节点信息，首先选取位于外边界附近的锚节点，以通讯半径衡量节点间的距离，若极值点在所选取的锚节点一跳范围内，则将该极值点标记为外边界上的节点，按照此方法依次判断所有极值点的连通性并分为两类，位于外边界的极值点与所选取的锚节点和已标记的极值点借助其他极值点具有连通关系，位于内边界的极值点无法借助其他极值点与所选取的锚节点形成连通关系，基于以上判断，可将位于内边界和外边界上的节点进行区分；最后，将内边界上的极值点进行连接，并表示成传感器节点分布区域的空洞边界；

所述最大似然估计模型建立模块，具体包括：

最大似然估计模型建立单元，用于根据所述距离信息和所述折角信息，建立附带隐含变量的最大似然估计模型

其中，d_m为未知节点与锚节点最短路径上的观测距离，为未知节点与锚节点最短路径上的折角集合，为折角的先验概率，为折角的后验概率，为和的KL散度，θ_m为未知节点m的位置；

所述未知节点的位置信息确定模块，具体包括：

参数更新单元，用于更新所述变分贝叶斯期望最大化定位模型的参数；

调整单元，用于根据更新后的参数调整未知节点的估计位置；

未知节点的位置信息确定单元，用于当所述未知节点的估计位置变化小于设定阈值时，迭代结束，得到求解的节点位置信息，所述求解的节点位置信息为未知节点的位置信息。