基于机器学习的无线传感网络室内定位研究

郑 春，张继山

(安徽三联学院，安徽 合肥 230601)

0 引言

随着无线传感网络通信技术的发展，采用无线传感器网络进行大数据信息采集和传输，结合无线传感器网络的自组网性和分布式协同滤波特性实现大数据集成调度，可以完成远程数据传输、在线物理信息采集和信息融合等功能，在无线传感器网络通信技术的支持下，采用无线传感通信方法进行大数据的传输和调度，提高网络通信能力和数据 传输的抗干扰能力[1].无线传感网络室内定位是实现智能家居控制、物联网组网构造的关键，传统方法中，对无线传感网络室内定位的方法主要采用基于协同Kalman滤波无线传感网络室内定位方法、随机链路分配的室内定位方法等，提取传感通信大数据的频域相关性特征量，采用协同Kalman滤波算法实现无线传感网络室内定位[2]，但上述方法进行无线传感网络室内定位的自适应性不好，随机组网性不强，对此，本文提出基于机器学习的无线传感网络室内定位方法.构建无线传感网络室内定位的节点优化部署模型，实现无线传感网络室内定位优化，最后进行仿真实验分析，展示了该方法在提高无线传感网络室内定位能力方面的优越性能.

1 无线传感网络室内定位的节点分布模型和特征提取

1.1 无线传感网络室内定位的节点分布模型

图1 无线传感网络的室内节点分布模型

为了实现无线传感网络室内定位优化，需要首先构建无线传感网络室内定位的节点分配模型，根据无线传感网络的传输信道分配特征进行均衡调度和节点传输性能分析，无线传感通信信道属于多径信道，采用CSMA/CA有限竞争的信道分配模型进行无线传感器网络的传输信道均衡配置，在网络的上行和下行通信链路中进行输出信道的自适应均衡分配[3]，采用时延均衡调度方法，构建无线传感器网络的节点自适应分配和链路均衡配置模型，提高网络的室内节点自主定位能力，根据上述分析，构建无线传感网络的室内节点分布模型，如图1所示.

(1)

(2)

采用网格均衡分配方法，将无线传感器网络节点的网格覆盖区域分为K·的块，求解传感器节点定位的测度信息，得到无线传感器网络室内定位的迭代学习方程为：

(3)

式中，T表示迭代时间，根据两相邻网格间的信道分配特征，构建无线传感网络室内定位的节点优化部署模型，采用能量负载均衡控制方法进行无线传感网络的路由探测协议设计，在连通图区域中，将网络的传输信道分配到监测区域c中，形成一个信道分配子集X，根据无线传感网络的路由分布特征进行节点定位优化[4].

1.2 路由探测协议设计

采用能量负载均衡控制方法进行无线传感网络的路由探测协议设计，建立无线传感网络节点传输的链路均衡配置模型，采用机器学习的算法[5]，假设t+1次学习中无线传感网络室内定位目标节点oi的参考节点数为L(L≥3)，根据室内环境的空间分布特性，采用路由探测协议进行能量驱动控制，在时间tk+1时，网络节点的路由探测控制方程为：

(4)

其中，用ann(u,r1,r2,α)表示无线传感器网络节点u的能量均衡控制系数，根据各个时刻节点的传输功率[6]，得到衰减信道下的相关功率谱特征分布为：

(5)

(6)

固定时间T传输的最大数据量，得到节点子载波同步误差为：

(7)

(7)式中k为子载波系数，R为t时刻信号的发射功率，根据上述分析，构建无线传感网络的路由探测协议，根据节点传输的比特率进行室内定位优化.

2 无线传感网络室内定位优化

2.1 传感网络室内定位的机器学习

在采用能量负载均衡控制方法进行无线传感网络的路由探测协议设计的基础上，进行无线传感网络室内定位的优化设计，本文提出基于机器学习的无线传感网络室内定位方法.根据各个传感器之间的信道分布特性[7]，得到无线传感器节点室内定位的关联规则特征分布满足如下：

(8)

式中，i(i=1,2,…,M)表示无线传感网络室内定位机器学习的迭代数，对于WSN网络各网格，删除顶点v以及v相关的边，其中k表示边的个数，根据覆盖优先级ps得到无线传感器节点室内定位的学习目标参量集描述为：

1)C⊂S.

2)min‖C‖.

3)∀p∈A,covp≥k.

4)C中节点达到多连通.

5)max(tend-t0)，tend,t0分别表示无线传感器网络室内定位的学习终止和起始时间.

定义1如果无线传感器网络室内定位的中心聚类点P被k个网格节点覆盖到，对于所有的相邻网格M,N，存在毗邻节点si和sj，两节点的欧式距离表示为d(si,sj)，若d(si,sj)≤Rc，如果给定k覆盖多连通部署区域R中的任一点，得到无线传感器网络节点室内定位的自适应跟踪的误差公式计算为：

(9)

(10)

(11)

(12)

其中

(13)

采用机器学习算法进行无线传感网络室内定位过程中的自适应寻优[8]，提取无线传感网络节点输出信号的能谱特征量，采用自适应的CKF算法，进行节点的参数估计，实现过程如图2所示.

图2 节点室内定位的机器学习过程

2.2 网络室内定位输出

2)选择最小覆盖集C={si,…，sj,…}转为活跃状态，对传感器j(1≤j≤N)的能量函数进行谱特征分析，更新网格的覆盖度，若网格达到k覆盖，得到节点位置更新为：

(14)

(15)

在连通图G1和G2中，得到无线传感节点的最优位置估计结果为：

(16)

式中，T表示估计时间，结合信息状态分布式检测方法，在活跃状态下，节点定为的方位信息估计值为：

(17)

假设a1,a2∈V，b1,b2∈V'，根据能谱的聚类属性进行无线传感网络室内定位优化，得到：

(18)

综上分析，根据空间方位信息估计结果，实现无线传感网络的节点室内定位优化[11].

3 仿真实验与结果分析

为了验证改进方法在实现无线传感网络节点室内定位中的性能，进行仿真实验分析，实验采用Matlab设计，假设无线传感网络的识别空间分布网格区域为一个100 m*100 m的均匀正方形区域，无线传感器节点通信覆盖半径Rmax为8 m，节点的空间区域覆盖参数为(1，0.54，-0.32，0.35，-0.45)，节点传输的时延参数为(0，1.45，2.43，3.76，4.42)，根据上述仿真环境和参数设定，进行无线传感网络节点室内定位优化，测试节点的输出能量特征检测结果如图3所示.

根据能量分布，采用机器学习算法进行节点定位，测试节点的活跃度，得到结果如图4所示.

图3 节点的输出能量特征检测结果图4 节点的活跃度测试

分析图4得知，采用该方法进行无线传感网络节点室内定位的活跃度较高，有效实现节点的室内定位优化，测试在优化的定位路由探测协议下的网络寿命，结果如图5所示，分析图5得知，该方法进行无线传感网络节点室内定位的寿命周期得到提升，提高了网络的稳定性和均衡性.

图5 网络寿命对比测试

4 结语

在无线传感器网络通信技术的支持下，采用无线传感通信方法进行大数据的传输和调度，提出基于机器学习的无线传感网络室内定位方法.构建无线传感网络室内定位的节点优化部署模型，采用能量负载均衡控制方法进行无线传感网络的路由探测协议设计，建立无线传感网络节点传输的链路均衡配置模型，采用机器学习算法进行无线传感网络室内定位过程中的自适应寻优，提取无线传感网络节点输出信号的能谱特征量，根据能谱的聚类属性进行无线传感网络室内定位优化.研究得知，该方法进行无线传感网络室内定位能提高网络的寿命周期和活跃度，定位性能较好.