[发明专利]一种分级快速的无线传感器网络节点精准定位方法及装置

说明书

本申请公开了一种分级快速的无线传感器网络节点精准定位方法、装置、设备及可读存储介质，针对传统节点定位方案效率低且定位精度不高的问题，先利用曲线距离分析方法对待定位节点进行粗略定位，得到粗略的相对坐标，以提升节点定位效率；再利用线性变换将相对坐标转换成绝对坐标；最后通过自适应莱维飞行鲸鱼优化方法对待定位节点进行全局和局部搜索寻优处理，从而提升定位精度，实现了同时提升定位效率和定位准确性的目的。

技术领域

本申请涉及无线监测数据定位技术领域，特别涉及一种分级快速的无线传感器网络节点精准定位方法、装置、设备及可读存储介质。

背景技术

无线传感器网络(Wireless Sensor Network,WSN)是通过部署大量具有感知、计算和无线通信能力的传感器节点而组成的网络，传感器节点之间彼此协同完成特定任务。很多情况下，需要获知节点位置信息。由于传感器节点往往是随机部署的，通过人力来获取每个节点的位置信息，效率太低；而通过在每个节点设置定位模块来获取节点位置信息，则成本太高。因此，需要通过适当的定位方法来获取无线传感器网络的节点位置信息。

目前，节点定位方法主要有距离相关和距离无关两种。多维定标MDS-MAP方法在两种情况下均可运行，该方法的特点是所需锚节点较少，定位精度高于一般方法，但其使用节点间的最短路径作为真实距离计算节点位置，造成的定位误差较大。对此问题较热门的解决方法，一是采用扩展卡尔曼滤波(extended Kalman filter，EKF)及相对方位角和节点移动位移信息进行建模滤波对MDS-MAP的定位坐标之间的非线性关系进行求精，但在实际测试中，多数坐标值不符合正态分布且容易产生传感器累积误差，对后期定位精度的提高效果不理想；二是利用曲元分析(Curvilinear component Analysis，CCA)对多维定标所估计的坐标进行迭代降维求精，方法计算效率有所提高，但没有使用任何优化步骤且使用欧氏距离代替真实距离，定位精度的提高不太明显；三是用鲸鱼优化方法(Whale OptimizationAlgorithm，WOA)对全局最优化问题求解，优势在于调节参数简单，运算速度较快，但收敛速度和跳出局部最优能力不强。

可见，针对传统的节点定位方案的定位准确性较差，且定位效率低，如何提升定位准确性和定位效率，是亟待本领域技术人员解决的问题。

发明内容

本申请的目的是提供一种分级快速的无线传感器网络节点精准定位方法、装置、设备及可读存储介质，用以解决传统的节点定位方案的定位准确性较差，且定位效率低的问题。其具体方案如下：

第一方面，本申请提供了一种分级快速的无线传感器网络节点精准定位方法，包括：

获取无线传感器网络的节点间距离矩阵；

利用曲线距离分析方法对所述节点间距离矩阵进行非线性映射，得到节点的相对坐标，其中所述节点包括锚节点和待定位节点；

根据所述锚节点的所述相对坐标和所述锚节点的绝对坐标之间的转换关系，将所述待定位节点的所述相对坐标转换为绝对坐标，得到待定位节点的绝对坐标估计值；

根据所述绝对坐标估计值，利用自适应莱维飞行鲸鱼优化方法，确定所述待定位节点的绝对坐标精确值。

优选的，所述利用曲线距离分析方法对所述节点间距离矩阵进行非线性映射，得到节点的相对坐标，包括：

利用曲线距离分析方法对所述节点间距离矩阵进行非线性映射，根据代价函数，对映射得到的相对坐标矩阵进行优化，直至得到最优的相对坐标矩阵，以作为节点的相对坐标；

其中，所述对映射得到的相对坐标矩阵进行优化，包括：以第一节点的相对坐标固定不变为基础，调整第二节点的相对坐标，直至根据所述代价函数确定的代价值最小。

优选的，所述根据所述绝对坐标估计值，利用自适应莱维飞行鲸鱼优化方法，确定所述待定位节点的绝对坐标精确值，包括：