[发明专利]一种基于支持向量回归机的异构无线传感器网络的定位算法

摘要

一种基于支持向量回归机的异构无线传感器网络的定位算法，利用训练模型得到的输出作为未知节点的坐标，采用标准均方根误差来测试模型的准确性。通过简化经典EHP算法中的CDF公式来降低复杂度，以较快的收敛速度获得目标锚节点与未知节点的计算距离，再通过支持向量回归机(SVR)做训练回归预测，得到精确的未知节点的坐标位置。为了减少锚节点数目，可把各目标锚节点之间的距离向量作为模型的训练集。这种方式会同时保证较高的定位精度以及较少的开销成本，通过利用支持向量回归机充分挖掘出异构网络中的潜在有用信息，获得较好的定位效果。

主权项

1.一种基于支持向量回归机的异构无线传感器网络的定位算法，采用经典EHP方法作为的测距公式(1)，由公式(1)可知，两节点间的距离包括E(d_i‑k)和E(d_k‑j)，其中E(d_i‑k)表示预期跳跃进展(ExpectedHop progress，EHP)，即第一跳距离与中间跳距离之和；表示最后一跳跳距(Last‑Hop Distance，LHD)，并由公式(1)得到异构无线传感器网络中精确的距离矩阵，其特征在于：用支持向量回归机定位异构无线传感器，具体包括如下步骤：步骤一：将网络中锚节点分为目标锚节点和训练锚节点，其中锚节点自身装备有GPS装置，通过GPS装置获得目标锚节点与训练锚节点之间精确的距离向量D1，式中，把网络中节点总数设置为N，锚节点总数设置为N_a，前x个锚节点作为目标锚节点，第(x+1)个锚节点到第N_a个锚节点作为训练锚节点，第(Na+1)以后的节点为未知节点，用公式(2)来表示距离向量D₁；步骤二：通过EHP方法来计算未知节点到目标锚节点之间的距离，得到未知节点与目标锚节点之间的距离矩阵D₂；步骤三：在进行训练前需要将距离向量D₁和D₂进行z‑score标准化，得到新的距离向量，防止节点与节点之间的距离相差过大；步骤四：以标准化之后的距离向量D₁作为模型的输入，训练锚节点的坐标作为模型的输出，建立SVR训练样本集，得到需要的模型；步骤五：利用步骤四得到的模型，以标准化之后的距离向量D₂作为的输入，所得到的输出就是所要求得的未知节点坐标。