[发明专利]一种基于图卷积神经网络的节点定位方法

权利要求书

1.一种基于图卷积神经网络的节点定位方法，其特征在于：所述的方法包括步骤如下：

S1：通过锚节点信息泛洪，无线传感器网络中所有节点均在其锚节点信息表中记录了所有锚节点的坐标以及节点自身与锚节点的最小跳数信息；

S2：将无线传感器网络的拓扑网络结构信息构建成图数据，并将节点自身与锚节点的最小跳数信息作为特征，锚节点的坐标作为标签，对特征和标签分别进行归一化，分别将特征和标签的数值缩放到单位大小；

S3：利用归一化后的特征和标签对图卷积神经网络进行半监督训练；

S4：根据归一化与反归一化的映射关系，对训练结果进行反归一化，通过反归一化后直接得到未知节点的位置。

2.根据权利要求1所述的基于图卷积神经网络的节点定位方法，其特征在于：

无线传感器网络中的包括锚节点和未知节点在内的所有节点均需在内存中建立并维护一个锚节点信息表AT，用于保存收集到的锚节点信息，信息表AT的长度等于无线传感器网络中锚节点的数量。

3.根据权利要求2所述的基于图卷积神经网络的节点定位方法，其特征在于：所述的锚节点信息泛洪，具体如下：

当无线传感器网络部署完毕后，无线传感器网络中的锚节点在接收到控制中心发来的定位命令后，开始向无线传感器网络中广播包括自身ID信息，位置信息和Hop Count三个字段的Message数据包；

包括锚节点和未知节点在内的所有节点在收到锚节点发送的Message数据包后，需要检查该Message数据包中的自身ID信息是否存在于其所维护的信息表AT中。

4.根据权利要求3所述的基于图卷积神经网络的节点定位方法，其特征在于：若Message数据包中的自身ID信息不存在于节点所维护的信息表AT中，则节点将该Message数据包中的信息即三个字段，保存到其信息表AT中，并将该Message数据包中的Hop Count字段加一后转发给其邻居节点；

若Message数据包中的自身ID信息存在于节点所维护的信息表AT中，且Message数据包中的Hop Count字段小于信息表AT中对应于自身ID信息的记录的Hop Count字段，则将信息表AT中对应于自身ID信息的记录进行更新，即更新该记录的Hop Count字段；最后，节点将该Message数据包中的Hop Count字段加一后转发给其邻居节点；

当收到的Message数据包不满足上述两种判定时，节点将丢弃该Message数据包。

5.根据权利要求3所述的基于图卷积神经网络的节点定位方法，其特征在于：所述的归一化，具体使用特征和标签的数值的最大绝对值按比例缩放到单位大小。

6.根据权利要求1所述的基于图卷积神经网络的节点定位方法，其特征在于：当使用对称归一化时，得到所述的图卷积神经网络的单层最终形式：

式中：I是单位矩阵；H是每一层的特征；σ是非线性激活函数；是的度矩阵，公式表示为：

7.根据权利要求6所述的基于图卷积神经网络的节点定位方法，其特征在于：构建图卷积神经网络具体如下：首先定义一个两层的图卷积神经网络，其中输入的维度是节点总数量，隐藏层维度设为16，最后一层的图卷积神经网络将输出维度变为二维坐标的维度2；激活函数使用的是ReLU，其指代数学中的斜坡函数，具体形式如下：

φ(x)＝max(0,x) (3)

RuLU函数作为神经元的激活函数，为神经元在线性变换W^TX+b之后的非线性输出结果；换言之，对于进入神经元的来自上一层神经网络的输入向量x,使用ReLU函数的神经元会输出max(0,W^TX+b)至下一层神经元或作为整个神经网络的输出。

8.根据权利要求7所述的基于图卷积神经网络的节点定位方法，其特征在于：对图卷积神经网络进行半监督训练具体如下：采用评价定位算法平均定位误差的归一化均方根误差作为损失函数对图卷积神经网络进行训练。