專利名稱：：一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位領(lǐng)域，特別是三維空間中無(wú)線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)自定位，一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法。
背景技術(shù)：
：隨著無(wú)線通訊、傳感器、微機(jī)電系統(tǒng)、數(shù)字電子等技術(shù)的發(fā)展，以數(shù)據(jù)為中心的無(wú)線傳感器網(wǎng)絡(luò)(WSN)已成為目前IT領(lǐng)域的研究熱點(diǎn)之一。無(wú)線傳感器節(jié)點(diǎn)具有數(shù)據(jù)采集、處理和通信等功能，可實(shí)時(shí)監(jiān)測(cè)、感知和處理無(wú)線傳感器網(wǎng)絡(luò)分布區(qū)域內(nèi)的各種環(huán)境信息，然后傳送給所需要信息的終端用戶。無(wú)線傳感器網(wǎng)絡(luò)在軍事安全、環(huán)境監(jiān)測(cè)及預(yù)報(bào)、工業(yè)控制、交通運(yùn)輸、智能家居、物流管理、智能農(nóng)業(yè)和醫(yī)療護(hù)理等多方面都有很廣泛的用途。傳感器節(jié)點(diǎn)自定位技術(shù)是無(wú)線傳感器網(wǎng)絡(luò)的關(guān)鍵支撐技術(shù)之一。在實(shí)際應(yīng)用中，位置信息是傳感器節(jié)點(diǎn)監(jiān)測(cè)信息的重要組成部分。例如，監(jiān)測(cè)森林火險(xiǎn)的無(wú)線傳感器網(wǎng)絡(luò)在監(jiān)測(cè)到火情時(shí)，不僅需要及時(shí)報(bào)告火災(zāi)情況，還需要報(bào)告火災(zāi)發(fā)生的地理位置，以便消防部門能及時(shí)趕到事發(fā)地點(diǎn)；天然氣管道出現(xiàn)泄漏時(shí)，部署在管網(wǎng)上的傳感器節(jié)點(diǎn)除了能報(bào)告泄漏信息外，還需要提供具體泄漏的位置；部署在戰(zhàn)場(chǎng)上的無(wú)線傳感器網(wǎng)絡(luò)只有提供了敵人的具體位置，才能對(duì)其實(shí)施精準(zhǔn)的打擊等，這些功能的實(shí)現(xiàn)都要求傳感器節(jié)點(diǎn)事先知道自身的位置。然而，在無(wú)線傳感器網(wǎng)絡(luò)實(shí)際應(yīng)用中，傳感器節(jié)點(diǎn)通常隨機(jī)部署(如飛機(jī)布撒)在不同的環(huán)境中執(zhí)行各種監(jiān)測(cè)任務(wù)，自身的位置無(wú)法事先確定，因此節(jié)點(diǎn)在部署后首先需要實(shí)時(shí)地進(jìn)行自定位。定位技術(shù)對(duì)于無(wú)線傳感器網(wǎng)絡(luò)基于位置的網(wǎng)絡(luò)協(xié)議(如網(wǎng)絡(luò)管理、地理路由等)的研究也有重要意義。傳感器節(jié)點(diǎn)自定位是指自身位置未知的節(jié)點(diǎn)(未知節(jié)點(diǎn))根據(jù)少數(shù)已知位置的節(jié)點(diǎn)(錨節(jié)點(diǎn))，按照某種定位機(jī)制確定自身的位置。根據(jù)定位過(guò)程中是否需要測(cè)量節(jié)點(diǎn)間的距離(或角度)，可將定位方法分為基于距離(range-based)的定位方法和距離無(wú)關(guān)(range-free)的定位方法。大多數(shù)方法中，定位過(guò)程主要包括兩個(gè)階段(1)節(jié)點(diǎn)間距離(或角度)的測(cè)量采用的技術(shù)主要有接收信號(hào)強(qiáng)度指示(RSSI)、信號(hào)到達(dá)時(shí)間/時(shí)間差(T0A/TD0A)、信號(hào)到達(dá)角度(AOA)等；當(dāng)節(jié)點(diǎn)不具有測(cè)距功能時(shí)，可以使用節(jié)點(diǎn)間的跳數(shù)來(lái)代替實(shí)際距離。(2)得到未知節(jié)點(diǎn)坐標(biāo)當(dāng)未知節(jié)點(diǎn)獲得到一定數(shù)量錨節(jié)點(diǎn)的距離時(shí)，可以使用三(四)邊法、三(四)角法、極大似然估計(jì)法等得到自身坐標(biāo)；此外，還可以通過(guò)凸規(guī)劃、MDS-MAP等全局方法得到全部未知節(jié)點(diǎn)的坐標(biāo)。在無(wú)線傳感器網(wǎng)絡(luò)中，由于成本、體積等因素制約，錨節(jié)點(diǎn)的數(shù)量是很有限的，未知節(jié)點(diǎn)通訊范圍內(nèi)錨節(jié)點(diǎn)的個(gè)數(shù)往往達(dá)不到得到自身坐標(biāo)所需的最小錨節(jié)點(diǎn)數(shù)量。多跳定位方法一般使用未知節(jié)點(diǎn)到錨節(jié)點(diǎn)的最短跳段距離來(lái)代替真實(shí)距離，這樣可以解決錨節(jié)點(diǎn)數(shù)量不足引起的定位覆蓋率下降的問(wèn)題，但最短跳段距離的累加機(jī)制帶來(lái)的距離估計(jì)誤差使得定位精度大大下降，這種影響在三維空間定位中表現(xiàn)尤為突出。神經(jīng)網(wǎng)絡(luò)是目前各領(lǐng)域應(yīng)用最廣泛的一種人工智能技術(shù)，它是通過(guò)多個(gè)非常簡(jiǎn)單的處理單元(神經(jīng)元)按某種方式相互連接形成的一種智能網(wǎng)絡(luò)系統(tǒng)，它能夠反映人腦的6一些基本功能，是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)模型。近些年，一些學(xué)者將神經(jīng)網(wǎng)絡(luò)用于無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位中，取得了較為理想的效果。AliShareef等分別使用三種不同的神經(jīng)網(wǎng)絡(luò)(MLP、RBF和RNN)來(lái)逼近節(jié)點(diǎn)間距離和位置的函數(shù)關(guān)系，并定量比較了各自的性能；S.Rajaee等使用概率神經(jīng)網(wǎng)絡(luò)(PNN)估計(jì)未知節(jié)點(diǎn)的坐標(biāo)，并利用獨(dú)立成分分析(ICA)減少定位過(guò)程中所需的計(jì)算量和能量消耗；YurongXu等通過(guò)在每個(gè)節(jié)點(diǎn)上構(gòu)造BP神經(jīng)網(wǎng)絡(luò)得到自身的跳數(shù)坐標(biāo)(Hop-Coordinates)，然后與基于跳數(shù)的定位方法相結(jié)合，有效提高了節(jié)點(diǎn)的定位精度；Y皿Sukhy皿等利用神經(jīng)網(wǎng)絡(luò)建立信號(hào)強(qiáng)度和節(jié)點(diǎn)位置間的近似關(guān)系，以此實(shí)現(xiàn)拓?fù)浣Y(jié)構(gòu)較為簡(jiǎn)單的無(wú)線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)定位等。然而，以上方法未考慮未知節(jié)點(diǎn)和錨節(jié)點(diǎn)不相鄰時(shí)最短跳段距離對(duì)定位性能的影響；只是粗略獲取神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需的樣本，樣本代表性不強(qiáng)，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)不能較好的體現(xiàn)無(wú)線傳感器網(wǎng)絡(luò)幾何結(jié)構(gòu)的主要性質(zhì)，大多只能適用于拓?fù)浣Y(jié)構(gòu)較為固定的情況；另外，以上方法針對(duì)的是二維空間的節(jié)點(diǎn)定位問(wèn)題，而實(shí)際應(yīng)用中無(wú)線傳感器網(wǎng)絡(luò)往往分布在三維空間中，因此對(duì)三維空間節(jié)點(diǎn)自定位問(wèn)題的研究更具有現(xiàn)實(shí)意義。
發(fā)明內(nèi)容本發(fā)明的目的是為了解決上述問(wèn)題，提供一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，通過(guò)構(gòu)造用于計(jì)算不相鄰節(jié)點(diǎn)間實(shí)際距離的神經(jīng)網(wǎng)絡(luò)，并根據(jù)錨節(jié)點(diǎn)間的位置關(guān)系提取訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；未知節(jié)點(diǎn)利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)得到自身到不相鄰錨節(jié)點(diǎn)的實(shí)際距離，進(jìn)而得到自身的三維坐標(biāo)，實(shí)現(xiàn)自定位。本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，通過(guò)以下步驟來(lái)實(shí)現(xiàn)步驟一初始化無(wú)線傳感器網(wǎng)絡(luò)；步驟二建立用于計(jì)算不相鄰節(jié)點(diǎn)間實(shí)際距離的神經(jīng)網(wǎng)絡(luò)；步驟三根據(jù)無(wú)線傳感器網(wǎng)絡(luò)中的錨節(jié)點(diǎn)到其它錨節(jié)點(diǎn)的最短跳段距離d^、最短距離跳數(shù)H。。u、最短距離局部密度DSUffl以及錨節(jié)點(diǎn)各自的三維坐標(biāo)，提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；步驟四利用步驟三中獲得的訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；步驟五根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，每個(gè)未知節(jié)點(diǎn)得到自身到不相鄰錨節(jié)點(diǎn)的實(shí)際距離；步驟六未知節(jié)點(diǎn)根據(jù)錨節(jié)點(diǎn)的三維坐標(biāo)以及自身到錨節(jié)點(diǎn)的實(shí)際距離得到自身三維坐標(biāo)。本發(fā)明的優(yōu)點(diǎn)在于(1)本發(fā)明建立了用于計(jì)算不相鄰節(jié)點(diǎn)間實(shí)際距離的神經(jīng)網(wǎng)絡(luò)，降低了最短跳段距離累加機(jī)制帶來(lái)的距離估計(jì)誤差，有效提高了三維無(wú)線傳感器網(wǎng)絡(luò)定位精度；(2)根據(jù)錨節(jié)點(diǎn)間的位置關(guān)系提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，樣本獲取方式簡(jiǎn)單且樣本代表性較強(qiáng)，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)能較好的體現(xiàn)無(wú)線傳感器網(wǎng)絡(luò)幾何結(jié)構(gòu)的主要特征；(3)相對(duì)于只使用未知節(jié)點(diǎn)通訊范圍內(nèi)的錨節(jié)點(diǎn)進(jìn)行定位的情況，此方法中未知節(jié)點(diǎn)將自身記錄的信息代入神經(jīng)網(wǎng)絡(luò)，得到自身到不相鄰錨節(jié)點(diǎn)的實(shí)際距離，在提高定位覆蓋率的同時(shí)，定位精度卻沒(méi)有受到太大影響。圖1為本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法的流程圖；圖2為本發(fā)明中更新錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀的流程圖；圖3為本發(fā)明中神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；圖4為本發(fā)明中使用基于泰勒級(jí)數(shù)展開(kāi)的最小二乘法得到未知節(jié)點(diǎn)三維坐標(biāo)的流程圖；圖5為本發(fā)明實(shí)施例中三維無(wú)線傳感器網(wǎng)絡(luò)部署結(jié)構(gòu)示意圖；圖6為本發(fā)明節(jié)點(diǎn)定位方法與距離向量法各節(jié)點(diǎn)定位誤差對(duì)比圖；圖7為本發(fā)明節(jié)點(diǎn)定位方法與距離向量法在不同網(wǎng)絡(luò)連通度下平均定位誤差曲線圖。具體實(shí)施例方式下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，流程如圖1所示，通過(guò)以下步驟來(lái)實(shí)現(xiàn)步驟一初始化無(wú)線傳感器網(wǎng)絡(luò)；每個(gè)節(jié)點(diǎn)通過(guò)和自身鄰居節(jié)點(diǎn)進(jìn)行信息交互，獲取節(jié)點(diǎn)自身局部密度，并測(cè)出自身到鄰居節(jié)點(diǎn)的距離；通過(guò)所有錨節(jié)點(diǎn)的位置信息數(shù)據(jù)幀在無(wú)線傳感器網(wǎng)絡(luò)中傳播，所有節(jié)點(diǎn)獲取自身到所有錨節(jié)點(diǎn)的最短跳段距離、最短距離跳數(shù)和最短距離局部密度；所述節(jié)點(diǎn)自身局部密度是指節(jié)點(diǎn)通訊范圍內(nèi)鄰居節(jié)點(diǎn)的數(shù)目；所述最短跳段距離是指兩個(gè)節(jié)點(diǎn)間能互相通訊的最短路徑的長(zhǎng)度；所述最短距離跳數(shù)是指兩個(gè)節(jié)點(diǎn)間最短跳段距離所在的路徑包含的跳段數(shù)目；所述最短距離局部密度是指最短跳段距離所在的路徑包含的所有節(jié)點(diǎn)的自身局部密度之和；具體步驟為(1)所有節(jié)點(diǎn)廣播包含自身ID的請(qǐng)求應(yīng)答數(shù)據(jù)幀，鄰居節(jié)點(diǎn)收到請(qǐng)求應(yīng)答數(shù)據(jù)幀后發(fā)送應(yīng)答數(shù)據(jù)幀進(jìn)行應(yīng)答，每個(gè)節(jié)點(diǎn)統(tǒng)計(jì)自身收到的應(yīng)答數(shù)據(jù)幀的數(shù)目，得到自身局部密度，并測(cè)出自身到鄰居節(jié)點(diǎn)的距離；(2)所有錨節(jié)點(diǎn)向無(wú)線傳感器網(wǎng)絡(luò)中廣播包含自身ID和自身三維坐標(biāo)的位置信息數(shù)據(jù)幀F(xiàn)ramem，m為自然數(shù)；Framem的格式如下Frame邁={IDm，xm，ym，zm，H，d，D}(1)其中，IDm為第m個(gè)錨節(jié)點(diǎn)的ID，(xm，ym，zm)為第m個(gè)錨節(jié)點(diǎn)的三維坐標(biāo)；H為Framem所經(jīng)過(guò)的跳段數(shù)目，d為Frames所經(jīng)過(guò)的跳段距離之和，D為Frame^所經(jīng)過(guò)的所有節(jié)點(diǎn)的局部密度之和；H、d初始化為0，D初始化為錨節(jié)點(diǎn)的局部密度；(3)當(dāng)無(wú)線傳感器網(wǎng)絡(luò)中一個(gè)節(jié)點(diǎn)接收到自身鄰居節(jié)點(diǎn)發(fā)送或轉(zhuǎn)發(fā)的錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rames時(shí)，判斷節(jié)點(diǎn)自身是否收到過(guò)此錨節(jié)點(diǎn)的位置信息數(shù)據(jù)幀F(xiàn)ranKv流程如圖2所示；①當(dāng)節(jié)點(diǎn)沒(méi)有收到過(guò)此錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rames時(shí)，則需更新Frame^,更新后的錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rame/為Frame/={IDm，xm，ym，zm，(H+l)，(d+d')，(D+D')}(2)其中，d'為節(jié)點(diǎn)到向自身發(fā)送或轉(zhuǎn)發(fā)Frames的鄰居節(jié)點(diǎn)的距離，D'為節(jié)點(diǎn)自身的局部密度，節(jié)點(diǎn)保存更新后的錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rame/，并將Frame/廣播給整個(gè)無(wú)線傳感器網(wǎng)絡(luò)；②當(dāng)節(jié)點(diǎn)收到過(guò)此錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)ramem時(shí)，判斷Framem中的d加上d'是否小于節(jié)點(diǎn)自身已保存的到此錨節(jié)點(diǎn)的跳段距離之和；如果小于，則按照公式(2)更新節(jié)點(diǎn)自身保存的此錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rames為Frame/，并將Frame/廣播給整個(gè)無(wú)線傳感器網(wǎng)絡(luò)，否則丟棄此錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀Pramem;當(dāng)無(wú)線傳感器網(wǎng)絡(luò)中不再有信息交互時(shí)，所有節(jié)點(diǎn)記錄的錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rames中的d、H、D即為自身到相應(yīng)錨節(jié)點(diǎn)的最短跳段距離d^、最短距離跳數(shù)H。。u和最短距離局部密度Ds。步驟二建立用于計(jì)算不相鄰節(jié)點(diǎn)間實(shí)際距離的神經(jīng)網(wǎng)絡(luò)；建立包括輸入層1、輸出層0和一個(gè)隱含層H的三層神經(jīng)網(wǎng)絡(luò)，如圖3所示，其中，輸入層I包括三個(gè)神經(jīng)元，分別為神經(jīng)元L神經(jīng)元I2和神經(jīng)元13，神經(jīng)元L的輸入為節(jié)點(diǎn)間的最短跳段距離cLn，神經(jīng)元I2的輸入為最短距離跳數(shù)H。。u，神經(jīng)元I3的輸入為最短距離局部密度DSUffl;輸出層0包括一個(gè)神經(jīng)元(V輸出為節(jié)點(diǎn)間的實(shí)際距離4;隱含層H包括GH個(gè)神經(jīng)元，分別為H2，，He%，GH為隱含層神經(jīng)元的個(gè)數(shù)；所述的隱含層神經(jīng)元數(shù)目GH通常取輸入層神經(jīng)元數(shù)目的2-10倍。設(shè)神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元Ip和隱含層神經(jīng)元Hq的連接權(quán)值為wpq，隱含層神經(jīng)元Hq和輸出層神經(jīng)元的連接權(quán)值為vql，隱含層神經(jīng)元Hq的輸出為hq，隱含層神經(jīng)元Hq的閾值為1v輸出層神經(jīng)元(^的閾值為b。，隱含層和輸出層神經(jīng)元的傳遞函數(shù)分別為^和f。；其中P、q為自然數(shù)，P=l，2，3，q=1，2，…，GH;整個(gè)神經(jīng)網(wǎng)絡(luò)輸入和輸出的關(guān)系為<formula>formulaseeoriginaldocumentpage9</formula>步驟三根據(jù)無(wú)線傳感器網(wǎng)絡(luò)中的錨節(jié)點(diǎn)到其它錨節(jié)點(diǎn)的最短跳段距離d^、最短距離跳數(shù)H。。u、最短距離局部密度DSUffl以及錨節(jié)點(diǎn)各自的三維坐標(biāo)，提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；①如果錨節(jié)點(diǎn)Na和Nb能通過(guò)直接或多跳的方式進(jìn)行通訊，則根據(jù)Na的三維坐標(biāo)(xa，ya，za)和Nb的三維坐標(biāo)(xb，yb，zb)得到Na到Nb的實(shí)際距離:<formula>formulaseeoriginaldocumentpage9</formula>(4》其中a，b為自然數(shù)，且a^b;根據(jù)Na到Nb的最短跳段距離cU(a，b)、最短距離跳數(shù)H。。u(a，b)、最短距離局部密度D，(a，b)和兩個(gè)錨節(jié)點(diǎn)間的實(shí)際距離dr(a，b)，得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本Samplej={dmin(a，b)，Hcou(a，b)，Dsum(a，b)，dr(a，b)}(5)其中，，Sample為第j個(gè)訓(xùn)練樣本，j屬于自然數(shù)。②如果錨節(jié)點(diǎn)Na和Nb不能通過(guò)直接或多跳的方式進(jìn)行通訊，則無(wú)法根據(jù)Na和Nb的位置關(guān)系提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，此時(shí)根據(jù)無(wú)線傳感器網(wǎng)絡(luò)中其它能夠通過(guò)直接或多跳的方式進(jìn)行通訊的錨節(jié)點(diǎn)的位置關(guān)系提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；設(shè)無(wú)線傳感器網(wǎng)絡(luò)中錨節(jié)點(diǎn)的個(gè)數(shù)為GA，未知節(jié)點(diǎn)個(gè)數(shù)為Gu，根據(jù)一個(gè)錨節(jié)點(diǎn)和其它錨節(jié)點(diǎn)的位置關(guān)系最多可提取G「1個(gè)訓(xùn)練樣本，整個(gè)無(wú)線傳感器網(wǎng)絡(luò)最多可提取的訓(xùn)練樣本總數(shù)量Gs為:GS=GA(GA_l)/2;步驟四利用步驟三中獲得的訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；設(shè)定神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度ew和神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)N^，利用步驟三中式(5)獲得的Gs個(gè)訓(xùn)練樣本對(duì)步驟二中建立的神經(jīng)網(wǎng)絡(luò)式(3)進(jìn)行訓(xùn)練，使神經(jīng)網(wǎng)絡(luò)達(dá)到預(yù)先設(shè)定的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度eN或達(dá)到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)Nmax;具體步驟為對(duì)應(yīng)于每一個(gè)樣本Samplej，j=1，2，*"，&，神經(jīng)網(wǎng)絡(luò)期望輸出為dj，實(shí)際輸出為d'jGO，均方差函數(shù)Ms氣為,卞ZK化)—《'《6》神經(jīng)網(wǎng)絡(luò)通過(guò)式(7)對(duì)各層間的連接權(quán)值和閾值沿著均方差函數(shù)Afr氣的負(fù)梯度方向進(jìn)行調(diào)整，最終滿足A^、S&的精度要求或迭代次數(shù)ks達(dá)到最大迭代次數(shù)Nmax;拜〈.國(guó)w/—",^_、，A*3,氣+i=氣-氣5(M_"、)(7》、竭其中，,&是當(dāng)前神經(jīng)網(wǎng)絡(luò)的連接權(quán)值矩陣，,*,+1是下一步迭代得到的連接權(quán)值矩陣，4,.是當(dāng)前神經(jīng)網(wǎng)絡(luò)的閾值矩陣，4^是下一步迭代得到的閾值矩陣，《*,是當(dāng)前學(xué)習(xí)速率；通過(guò)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)記錄了無(wú)線傳感器網(wǎng)絡(luò)的幾何結(jié)構(gòu)的主要特征。步驟五根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，每個(gè)未知節(jié)點(diǎn)得到自身到不相鄰錨節(jié)點(diǎn)的實(shí)際距離；將步驟四中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元間的連接權(quán)值和各層神經(jīng)元的閾值廣播給整個(gè)無(wú)線傳感器網(wǎng)絡(luò)，設(shè)定最短距離跳數(shù)H。。u的最大允許值Hmax，未知節(jié)點(diǎn)Nx得到自身到錨節(jié)點(diǎn)K的實(shí)際距離dr(x，i)，x，i為自然數(shù)；分為以下三種情況(1)當(dāng)Nr到&的最短距離跳數(shù)H。。u(x，i)=1，即&為Nx的鄰居節(jié)點(diǎn)時(shí)，Nx到^的最短跳段距離dmin(X，i)即為Nx到&的實(shí)際距離;(2)當(dāng)1<Hcou(x，i)《L時(shí)，將Nx到&的最短跳段距離dmin(x，i)、最短距離跳數(shù)H。。u(x，i)和最短距離局部密度D，(x，i)代入式(3)，得到N,到Ni的實(shí)際距離;(3)當(dāng)H。。u(x，i)>Hmax時(shí)，不計(jì)算Nx到Ni的實(shí)際距離。步驟六未知節(jié)點(diǎn)根據(jù)錨節(jié)點(diǎn)的三維坐標(biāo)以及自身到錨節(jié)點(diǎn)的實(shí)際距離得到自身三維坐標(biāo)；10當(dāng)未知節(jié)點(diǎn)獲得自身到四個(gè)或四個(gè)以上錨節(jié)點(diǎn)的實(shí)際距離時(shí)，建立歐式距離方程組，得到自身三維坐標(biāo)；具體步驟為當(dāng)未知節(jié)點(diǎn)K獲得自身到四個(gè)或四個(gè)以上錨節(jié)點(diǎn)&的實(shí)際距離dr(x，i)時(shí)，i=n，n為自然數(shù)，n>4，錨節(jié)點(diǎn)^的三維坐標(biāo)為(Xi，yi，z》，建立如下歐式距離方1，2，程組:>廣豐《輔|#廣Af2|=《(x,2》《8》使用基于泰勒展開(kāi)的最小二乘迭代法，得到未知節(jié)點(diǎn)Nx的三維坐標(biāo)，流程如圖4所示，通過(guò)以下步驟實(shí)現(xiàn)①取n個(gè)錨節(jié)點(diǎn)&的質(zhì)心或式(8)的極大似然解作為未知節(jié)點(diǎn)Nx的初始三維坐標(biāo)(x。，y。，z。)，且設(shè)迭代次數(shù)kE=0;②將式(8)在(x。，y。，z。)處進(jìn)行泰勒級(jí)數(shù)展開(kāi)，忽略二階以上分量，將式(8)轉(zhuǎn)化為線性方程組AS=B(9)其中丄<formula>formulaseeoriginaldocumentpage11</formula>A為(x。，y。，z。)到錨節(jié)點(diǎn)&的距離A=Vx。—Jr,)+(乂」—>',).!一z,),(Ax，Ay，Az)分別為(x。，y。，Z。)的增量；③使用最小二乘法，得到式(9)的最小二乘解S=(ATA)—IS;④判斷迭代停止條件||S||2《eE是否成立，eE通常取大于0且小于1的一個(gè)小數(shù)；若條件成立，停止計(jì)算，(x。，y。，z。)即為未知節(jié)點(diǎn)Nx的三維坐標(biāo)；否則，令kE=kE+l;⑤判斷kE>Kmax是否成立，Kmax為設(shè)定的求解方程組的最大迭代次數(shù)；如果成立，則停止計(jì)算，(x。，y。，z。)即為節(jié)點(diǎn)Nx的三維坐標(biāo)；否貝U，取《=x0+A^X=j0+Ay，《=z0+Az，令《；，為，；)=(《，>4，《)，返回步驟，直到得到Nx的三維坐標(biāo)。當(dāng)三維無(wú)線傳感器網(wǎng)絡(luò)為二維無(wú)線傳感器網(wǎng)絡(luò)時(shí)，節(jié)點(diǎn)的坐標(biāo)為二維坐標(biāo)，用二維坐標(biāo)替換本發(fā)明方法中節(jié)點(diǎn)的三維坐標(biāo)，步驟六中，當(dāng)未知節(jié)點(diǎn)Nx獲得自身到三個(gè)或三個(gè)以上錨節(jié)點(diǎn)Ni的實(shí)際距離cUx，i)時(shí)，i=1，2，…，n，n為自然數(shù)，n^3，建立歐式距離方程組，用二維坐標(biāo)替換三維坐標(biāo)，最后得到未知節(jié)點(diǎn)Nx的二維坐標(biāo)。實(shí)施例如圖5所示，在200mX200mX200m的三維空間區(qū)域內(nèi)按均勻分布隨機(jī)部署200個(gè)無(wú)線傳感器節(jié)點(diǎn)；圖中，錨節(jié)點(diǎn)為實(shí)心五角星，比例為20%，ID為1-40;未知節(jié)點(diǎn)為實(shí)心圓點(diǎn)，比例為80%，ID為41-200。分別使用本發(fā)明節(jié)點(diǎn)定位方法與距離向量法進(jìn)行節(jié)點(diǎn)定位，得到的各個(gè)節(jié)點(diǎn)的定位誤差如圖6所示，圖中實(shí)線為使用本發(fā)明方法得到的各個(gè)節(jié)點(diǎn)的定位誤差，平均定位誤差為23.45%;圖中虛線為使用距離向量法得到的各個(gè)節(jié)點(diǎn)的定位誤差，平均定位誤差為43.67%;相對(duì)于距離向量法，本發(fā)明方法能將定位精度提高大約20%;使用距離向量法進(jìn)行定位，51.25%的節(jié)點(diǎn)定位誤差超過(guò)40%;而使用本發(fā)明方法進(jìn)行定位，只有大約10%的節(jié)點(diǎn)定位誤差超過(guò)40%。調(diào)節(jié)節(jié)點(diǎn)的通訊半徑，在網(wǎng)絡(luò)連通度為515下，分別使用本發(fā)明節(jié)點(diǎn)定位方法和距離向量法進(jìn)行節(jié)點(diǎn)定位，得到的不同網(wǎng)絡(luò)連通度下平均定位誤差如圖7所示，實(shí)線為距離向量法的平均定位誤差，虛線為本發(fā)明方法的平均定位誤差；在網(wǎng)絡(luò)連通度小于等于10時(shí)，本發(fā)明方法的定位精度比距離向量法的定位精度高20%左右；在網(wǎng)絡(luò)連通度大于10時(shí)，本發(fā)明方法的定位精度也比距離向量法的定位精度高10%以上。由此可見(jiàn)，本發(fā)明提供的節(jié)點(diǎn)定位方法能有效提高三維無(wú)線傳感器網(wǎng)絡(luò)的定位精度。1權(quán)利要求一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，其特征在于通過(guò)以下步驟來(lái)實(shí)現(xiàn)步驟一初始化無(wú)線傳感器網(wǎng)絡(luò)；每個(gè)節(jié)點(diǎn)通過(guò)和自身鄰居節(jié)點(diǎn)進(jìn)行信息交互，獲取節(jié)點(diǎn)自身局部密度，并測(cè)出自身到鄰居節(jié)點(diǎn)的距離；通過(guò)所有錨節(jié)點(diǎn)的位置信息數(shù)據(jù)幀在無(wú)線傳感器網(wǎng)絡(luò)中傳播，所有節(jié)點(diǎn)獲取自身到所有錨節(jié)點(diǎn)的最短跳段距離、最短距離跳數(shù)和最短距離局部密度；所述節(jié)點(diǎn)自身局部密度是指節(jié)點(diǎn)通訊范圍內(nèi)鄰居節(jié)點(diǎn)的數(shù)目；所述最短跳段距離是指兩個(gè)節(jié)點(diǎn)間能互相通訊的最短路徑的長(zhǎng)度；所述最短距離跳數(shù)是指兩個(gè)節(jié)點(diǎn)間最短跳段距離所在的路徑包含的跳段數(shù)目；所述最短距離局部密度是指最短跳段距離所在的路徑包含的所有節(jié)點(diǎn)的自身局部密度之和；步驟二建立用于計(jì)算不相鄰節(jié)點(diǎn)間實(shí)際距離的神經(jīng)網(wǎng)絡(luò)；建立包括輸入層I、輸出層O和一個(gè)隱含層H的三層神經(jīng)網(wǎng)絡(luò)；其中，輸入層I包括三個(gè)神經(jīng)元，分別為神經(jīng)元I1、神經(jīng)元I2和神經(jīng)元I3，神經(jīng)元I1的輸入為節(jié)點(diǎn)間的最短跳段距離dmin，神經(jīng)元I2的輸入為最短距離跳數(shù)Hcou，神經(jīng)元I3的輸入為最短距離局部密度Dsum；輸出層O包括一個(gè)神經(jīng)元O1，輸出為節(jié)點(diǎn)間的實(shí)際距離dr；隱含層H包括GH個(gè)神經(jīng)元，分別為GH為隱含層神經(jīng)元的個(gè)數(shù)；設(shè)神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元Ip和隱含層神經(jīng)元Hq的連接權(quán)值為wpq，隱含層神經(jīng)元Hq和輸出層神經(jīng)元O1的連接權(quán)值為vq1，隱含層神經(jīng)元Hq的輸出為hq，隱含層神經(jīng)元Hq的閾值為bq，輸出層神經(jīng)元O1的閾值為bo，隱含層和輸出層神經(jīng)元的傳遞函數(shù)分別為fH和fo；其中p、q為自然數(shù)，p＝1，2，3，q＝1，2，…，GH；整個(gè)神經(jīng)網(wǎng)絡(luò)輸入和輸出的關(guān)系為<mrow><mfencedopen='{'close=''><mtable><mtr><mtd><mrow><msub><mi>h</mi><mi>q</mi></msub><mo>=</mo><msub><mi>f</mi><mi>H</mi></msub><mrow><mo>(</mo><msub><mi>w</mi><mrow><mn>1</mn><mi>q</mi></mrow></msub><msub><mi>d</mi><mi>min</mi></msub><mo>+</mo><msub><mi>w</mi><mrow><mn>2</mn><mi>q</mi></mrow></msub><msub><mi>D</mi><mi>sum</mi></msub><mo>+</mo><msub><mi>w</mi><mrow><mn>3</mn><mi>q</mi></mrow></msub><msub><mi>H</mi><mi>cou</mi></msub><mo>+</mo><msub><mi>b</mi><mi>q</mi></msub><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><msub><mi>d</mi><mi>r</mi></msub><mo>=</mo><msub><mi>f</mi><mi>o</mi></msub><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>q</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>G</mi><mi>H</mi></msub></munderover><msub><mi>v</mi><mrow><mi>q</mi><mn>1</mn></mrow></msub><msub><mi>h</mi><mi>q</mi></msub><mo>+</mo><msub><mi>b</mi><mi>o</mi></msub><mo>)</mo></mrow></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>步驟三根據(jù)無(wú)線傳感器網(wǎng)絡(luò)中的錨節(jié)點(diǎn)到其它錨節(jié)點(diǎn)的最短跳段距離dmin、最短距離跳數(shù)Hcou、最短距離局部密度Dsum以及錨節(jié)點(diǎn)各自的三維坐標(biāo)，提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；①如果錨節(jié)點(diǎn)Na和Nb能通過(guò)直接或多跳的方式進(jìn)行通訊，則根據(jù)Na的三維坐標(biāo)(xa，ya，za)和Nb的三維坐標(biāo)(xb，yb，zb)得到Na到Nb的實(shí)際距離<mrow><msub><mi>d</mi><mi>r</mi></msub><mrow><mo>(</mo><mi>a</mi><mo>,</mo><mi>b</mi><mo>)</mo></mrow><mo>=</mo><msqrt><msup><mrow><mo>(</mo><msub><mi>x</mi><mi>a</mi></msub><mo>-</mo><msub><mi>x</mi><mi>b</mi></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mo>(</mo><msub><mi>y</mi><mi>a</mi></msub><mo>-</mo><msub><mi>y</mi><mi>b</mi></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mo>(</mo><msub><mi>z</mi><mi>a</mi></msub><mo>-</mo><msub><mi>z</mi><mi>b</mi></msub><mo>)</mo></mrow><mn>2</mn></msup></msqrt><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>其中a，b為自然數(shù)，且a≠b；根據(jù)Na到Nb的最短跳段距離dmin(a，b)、最短距離跳數(shù)Hcou(a，b)、最短距離局部密度Dsum(a，b)和兩個(gè)錨節(jié)點(diǎn)間的實(shí)際距離dr(a，b)，得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本Samplej＝{dmin(a，b)，Hcou(a，b)，Dsum(a，b)，dr(a，b)}(3)其中，Samplej為第j個(gè)訓(xùn)練樣本，j屬于自然數(shù)；②如果錨節(jié)點(diǎn)Na和Nb不能通過(guò)直接或多跳的方式進(jìn)行通訊，則無(wú)法根據(jù)Na和Nb的位置關(guān)系提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，此時(shí)根據(jù)無(wú)線傳感器網(wǎng)絡(luò)中其它能夠通過(guò)直接或多跳的方式進(jìn)行通訊的錨節(jié)點(diǎn)的位置關(guān)系提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；設(shè)無(wú)線傳感器網(wǎng)絡(luò)中錨節(jié)點(diǎn)的個(gè)數(shù)為GA，未知節(jié)點(diǎn)個(gè)數(shù)為GU，根據(jù)一個(gè)錨節(jié)點(diǎn)和其它錨節(jié)點(diǎn)的位置關(guān)系最多可提取GA-1個(gè)訓(xùn)練樣本，整個(gè)無(wú)線傳感器網(wǎng)絡(luò)最多可提取的訓(xùn)練樣本總數(shù)量GS為GS＝GA(GA-1)/2；步驟四利用步驟三中獲得的訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；設(shè)定神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度εN和神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)Nmax，利用步驟三中式(3)獲得的GS個(gè)訓(xùn)練樣本對(duì)步驟二中建立的神經(jīng)網(wǎng)絡(luò)式(1)進(jìn)行訓(xùn)練，使神經(jīng)網(wǎng)絡(luò)達(dá)到預(yù)先設(shè)定的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度εN或達(dá)到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)Nmax；步驟五根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，每個(gè)未知節(jié)點(diǎn)得到自身到不相鄰錨節(jié)點(diǎn)的實(shí)際距離；將步驟四中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元間的連接權(quán)值和各層神經(jīng)元的閾值廣播給整個(gè)無(wú)線傳感器網(wǎng)絡(luò)，設(shè)定最短距離跳數(shù)Hcou的最大允許值Hmax，未知節(jié)點(diǎn)Nx得到自身到錨節(jié)點(diǎn)Ni的實(shí)際距離dr(x，i)，x，i為自然數(shù)；步驟六未知節(jié)點(diǎn)根據(jù)錨節(jié)點(diǎn)的三維坐標(biāo)以及自身到錨節(jié)點(diǎn)的實(shí)際距離得到自身三維坐標(biāo)；當(dāng)未知節(jié)點(diǎn)獲得自身到四個(gè)或四個(gè)以上錨節(jié)點(diǎn)的實(shí)際距離時(shí)，建立歐式距離方程組，得到自身三維坐標(biāo)。2.根據(jù)權(quán)利要求1所述一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，其特征在于所述步驟一的初始化無(wú)線傳感器網(wǎng)絡(luò)的具體步驟為(1)所有節(jié)點(diǎn)廣播包含自身ID的請(qǐng)求應(yīng)答數(shù)據(jù)幀，鄰居節(jié)點(diǎn)收到請(qǐng)求應(yīng)答數(shù)據(jù)幀后發(fā)送應(yīng)答數(shù)據(jù)幀進(jìn)行應(yīng)答，每個(gè)節(jié)點(diǎn)統(tǒng)計(jì)自身收到的應(yīng)答數(shù)據(jù)幀的數(shù)目，得到自身局部密度，并測(cè)出自身到鄰居節(jié)點(diǎn)的距離；(2)所有錨節(jié)點(diǎn)向無(wú)線傳感器網(wǎng)絡(luò)中廣播包含自身ID和自身三維坐標(biāo)的位置信息數(shù)據(jù)幀F(xiàn)ramem，m為自然數(shù)；Framem的格式如下<formula>formulaseeoriginaldocumentpage3</formula>其中，IDm為第m個(gè)錨節(jié)點(diǎn)的ID，(xm，ym，zm)為第m個(gè)錨節(jié)點(diǎn)的三維坐標(biāo)；H為Framem所經(jīng)過(guò)的跳段數(shù)目，d為Frames所經(jīng)過(guò)的跳段距離之和，D為Frame^所經(jīng)過(guò)的所有節(jié)點(diǎn)的局部密度之和；H、d初始化為0，D初始化為錨節(jié)點(diǎn)的局部密度；(3)當(dāng)無(wú)線傳感器網(wǎng)絡(luò)中一個(gè)節(jié)點(diǎn)接收到自身鄰居節(jié)點(diǎn)發(fā)送或轉(zhuǎn)發(fā)的錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rames時(shí)，判斷節(jié)點(diǎn)自身是否收到過(guò)此錨節(jié)點(diǎn)的位置信息數(shù)據(jù)幀F(xiàn)rame^;①當(dāng)節(jié)點(diǎn)沒(méi)有收到過(guò)此錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rames時(shí)，則需更新Frame^,更新后的錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rame/為<formula>formulaseeoriginaldocumentpage3</formula>其中，d'為節(jié)點(diǎn)到向自身發(fā)送或轉(zhuǎn)發(fā)Frames的鄰居節(jié)點(diǎn)的距離，D'為節(jié)點(diǎn)自身的局部密度，節(jié)點(diǎn)保存更新后的錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rame/，并將Frame/廣播給整個(gè)無(wú)線傳感器網(wǎng)絡(luò)；②當(dāng)節(jié)點(diǎn)收到過(guò)此錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rames時(shí)，判斷Framem中的d加上d'是否小于節(jié)點(diǎn)自身已保存的到此錨節(jié)點(diǎn)的跳段距離之和；如果小于，則按照式(5)更新節(jié)點(diǎn)自身保存的此錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rames為Frame/，并將Frame/廣播給整個(gè)無(wú)線傳感器網(wǎng)絡(luò)；否則丟棄此錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀Pramem;當(dāng)無(wú)線傳感器網(wǎng)絡(luò)中不再有信息交互時(shí)，所有節(jié)點(diǎn)記錄的錨節(jié)點(diǎn)位置信息數(shù)據(jù)幀F(xiàn)rames中的d、H、D即為自身到相應(yīng)錨節(jié)點(diǎn)的最短跳段距離d^、最短距離跳數(shù)H。。u和最短距離局部密度Ds。3.根據(jù)權(quán)利要求1所述一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，其特征在于步驟二中，隱含層神經(jīng)元數(shù)目GH通常取輸入層神經(jīng)元數(shù)目的2-10倍。4.根據(jù)權(quán)利要求1所述一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，其特征在于所述步驟四的利用步驟三中獲得的訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的具體步驟為對(duì)應(yīng)于每一個(gè)樣本Samplej，j=1，2，，Gs，神經(jīng)網(wǎng)絡(luò)期望輸出為dj，實(shí)際輸出為dj'(ks)，均方差函數(shù)A^氣為<formula>formulaseeoriginaldocumentpage4</formula>《6》神經(jīng)網(wǎng)絡(luò)通過(guò)式(7)對(duì)各層間的連接權(quán)值和閾值沿著均方差函數(shù)A&氣的負(fù)梯度方向進(jìn)行調(diào)整，最終滿足MS、^&的精度要求或迭代次數(shù)ks達(dá)到最大迭代次數(shù)Nmax;<formula>formulaseeoriginaldocumentpage4</formula>其中，,*,是當(dāng)前神經(jīng)網(wǎng)絡(luò)的連接權(quán)值矩陣，》;+1是下一步迭代得到的連接權(quán)值矩陣，^,是當(dāng)前神經(jīng)網(wǎng)絡(luò)的閾值矩陣，A一是下一步迭代得到的閾值矩陣，C^是當(dāng)前學(xué)習(xí)速率；通過(guò)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)記錄了無(wú)線傳感器網(wǎng)絡(luò)的幾何結(jié)構(gòu)的主要特征。5.根據(jù)權(quán)利要求1所述一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，其特征在于所述步驟五中未知節(jié)點(diǎn)Nx得到自身到錨節(jié)點(diǎn)Ni的實(shí)際距離dr(x，i)分為以下三種情況(1)當(dāng)Nx到Ni的最短距離跳數(shù)H。。u(x，i)=1，即Ni為Nx的鄰居節(jié)點(diǎn)時(shí)，Nx到&的最短跳段距離cU(x，i)為Nx到&的實(shí)際距離;(2)當(dāng)1<HC0U(X，i)《Hmax時(shí)，將Nx到^的最短跳段距離dmin(X，i)、最短距離跳數(shù)Hcou(x，i)和最短距離局部密度DSUffl(x，i)代入式(1)，得到Nx到Ni的實(shí)際距離;(3)當(dāng)H。。u(x，i)>H隨時(shí)，不計(jì)算Nx到&的實(shí)際距離。6.根據(jù)權(quán)利要求1、2、3、4或5所述一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，其特征在于，所述的三維無(wú)線傳感器網(wǎng)絡(luò)為二維無(wú)線傳感器網(wǎng)絡(luò)時(shí)，節(jié)點(diǎn)的坐標(biāo)為二維坐標(biāo)，用二維坐標(biāo)替換三維坐標(biāo)。7.根據(jù)權(quán)利要求1所述一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，其特征在于，所述的步驟六中未知節(jié)點(diǎn)根據(jù)錨節(jié)點(diǎn)的三維坐標(biāo)以及自身到錨節(jié)點(diǎn)的距離得到自身三維坐標(biāo)的具體步驟為當(dāng)未知節(jié)點(diǎn)Nx獲得自身到四個(gè)或四個(gè)以上錨節(jié)點(diǎn)Ni的實(shí)際距離4(x，i)時(shí)，i=1，2，…，n，n為自然數(shù)，n^4，錨節(jié)點(diǎn)Ni的三維坐標(biāo)為(Xi，yi，z》，建立如下歐式距離方程組<formula>formulaseeoriginaldocumentpage5</formula>(8)使用基于泰勒展開(kāi)的最小二乘迭代法，得到未知節(jié)點(diǎn)Nx的三維坐標(biāo)，通過(guò)以下步驟實(shí)現(xiàn)①取n個(gè)錨節(jié)點(diǎn)Ni的質(zhì)心或式(8)的極大似然解作為未知節(jié)點(diǎn)N,的初始三維坐標(biāo)(x。，y。，z。)，且設(shè)迭代次數(shù)kE=0;②將式(8)在(x。，y。，z。)處進(jìn)行泰勒級(jí)數(shù)展開(kāi)，忽略二階以上分量，將式(8)轉(zhuǎn)化為線性方程組<formula>formulaseeoriginaldocumentpage5</formula>(9)其中<formula>formulaseeoriginaldocumentpage5</formula>A為(x。，y。，z。)到錨節(jié)點(diǎn)&的距離，《二V(U).".u:)+(;-:,),(Ax，Ay，△z)分別為(x。，y。，z。)的增量；③使用最小二乘法，得到式(9)的最小二乘解S=(ATA)—IS;④判斷迭代停止條件IISI12《eE是否成立，eE通常取大于0且小于1的一個(gè)小數(shù)；若條件成立，停止計(jì)算，(x。，y。，z。)即為未知節(jié)點(diǎn)Nx的三維坐標(biāo)；否則，令kE=kE+l;⑤判斷kE>Kmax是否成立，Kmax為設(shè)定的求解方程組的最大迭代次數(shù)；如果成立，則停止計(jì)算，(x。，y。，z。)即為節(jié)點(diǎn)Nx的三維坐標(biāo)；否則，取x'o=x。+Ax，y'。=y。+Ay，z'。二z。+Az，令(x。，y。，z。)=(x'。，y'。，z'。)，返回步驟②，直到得到N,的三維坐標(biāo)。8.根據(jù)權(quán)利要求7所述一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，其特征在于，所述的三維無(wú)線傳感器網(wǎng)絡(luò)為二維無(wú)線傳感器網(wǎng)絡(luò)時(shí)，節(jié)點(diǎn)的坐標(biāo)為二維坐標(biāo)；當(dāng)未知節(jié)點(diǎn)N,獲得自身到三個(gè)或三個(gè)以上錨節(jié)點(diǎn)Ni的實(shí)際距離4(x，i)時(shí)，1=1，2，…，n，n為自然數(shù)，n>3，建立歐式距離方程組，用二維坐標(biāo)替換三維坐標(biāo)，最后得到未知節(jié)點(diǎn)Nx的二維坐標(biāo)。全文摘要本發(fā)明公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)的三維無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)自定位方法，包括以下步驟步驟一、初始化無(wú)線傳感器網(wǎng)絡(luò)；步驟二、建立神經(jīng)網(wǎng)絡(luò)；步驟三、提取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；步驟四、利用獲得的訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；步驟五、根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，每個(gè)未知節(jié)點(diǎn)得到自身到不相鄰錨節(jié)點(diǎn)的實(shí)際距離；步驟六、未知節(jié)點(diǎn)得到自身三維坐標(biāo)。本發(fā)明的訓(xùn)練樣本獲取方式簡(jiǎn)單且代表性強(qiáng)，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)能較好的體現(xiàn)三維無(wú)線傳感器網(wǎng)絡(luò)幾何結(jié)構(gòu)的主要性質(zhì)；本發(fā)明解決了三維無(wú)線傳感器網(wǎng)絡(luò)定位過(guò)程中最短跳段距離累加機(jī)制帶來(lái)的距離估計(jì)誤差過(guò)大的問(wèn)題，有效提高了定位精度。文檔編號(hào)H04W84/18GK101695190SQ20091023637公開(kāi)日2010年4月14日申請(qǐng)日期2009年10月20日優(yōu)先權(quán)日2009年10月20日發(fā)明者萬(wàn)江文,于寧,馮仁劍,吳銀鋒,郭曉雷申請(qǐng)人:北京航空航天大學(xué);