[发明专利]一种基于隐含马尔可夫模型的WSN室内定位方法

权利要求书

1.一种基于隐含马尔可夫模型的WSN室内定位方法，其特征在于它的定位过程：

步骤一：针对室内环境布置多个感知锚节点（Anchor Sensor Node），部署的密度要求确保所述环境中需要被定位的任意一点被一个或一个以上的ASN发出的无线射频信号覆盖，并在所述室内环境中均匀规划N_RP个学习参考点；

步骤二：ASN采集分别采集N_RP个学习参考点的特征向量值，生成观察序列，根据隐含马尔可夫模型的定义以及建立模型的                                                   算法，在进行样本的采集时提取出节点的观察值序列，观察值序列是在建立指纹库时训练节点定位HMM模型的依据；选取一个参考点为坐标的原点   建立二维直角坐标系，获得N_RP个参考点的坐标值，根据隐含马尔可夫模型的定义和ASN的特征，可以把ASN分为四个状态，分别与节点ID，节点坐标，RSSI值，LQI值相对应，在这里状态数N=4，依据每一个参考点上的信号接收机采集来自每一个接入点的这四个状态值建立数据指纹库；

步骤三：训练节点建立隐含马尔可夫模型（HMM），先对ASN的数据进行采集，并将其生成观察值序列，用这些观察值序列为每一个节点确定一组经过优化的HMM参数，训练出节点的隐含马尔可夫模型(HMM)；

步骤四：节点定位，对于任意一个移动节点(MB)，我们首先要对节点的特征值进行预处理，再用所述训练好的隐含马尔可夫模型(HMM)做特征值匹配处理，处理结果输出即获得MB位置信息。

2.根据权利要求1所述的一种基于隐含马尔可夫模型的WSN室内定位方法，其特征在步骤三的训练节点隐含马尔可夫模型的过程，训练过程如下：

步骤三一：将要训练的节点所在的区域进行统一的分割，按照上面的讲述为每一个ASN提取相关联的观察值序列；

步骤三二：建立一个通用的HMM模型确定模型的状态数，允许的状态转移和观测序列向量的大小；

步骤三三：将训练得到的数据与 N 个状态进行对应 , 计算隐含马尔可夫模型的初始参数，状态之间的转移概率矩阵 A 在这里初始化，设定状态只能返回到本身或者转移到状态 ,即,或者,即

对于初始状态概率分布 ,我们设定,即假设 HMM 是从第一个状态开始的，而对于观察概率的初始化，我们假设：,这样 ,就初始化出一个隐含马尔可夫模型；

步骤三四：最后采用向前-向后算法或者算法计算出观察向量在这个模型下的，用分割取代均匀分割 ,重新进行参数的初始估计；

步骤三五：初始模型确定以后 ,利用重估算法对初始隐含马尔可夫模型进行重新计算，隐含马尔可夫模型的各个参数在这个步骤中得以重新估计 ,得到一个新的，然后利用向前-向后算法或者算法计算出观察值序列在这个模型下的，为了估计出最接近于观察值序列的模型,设定门限值,当时 (此时收敛 ) ,即得到训练出的隐马尔可夫模型 , 否则令重复此步骤 ,直至收敛 ,得到最接近于观察值序列的隐含马尔可夫模型。

3.根据权利要求1所述的一种基于隐含马尔可夫模型的WSN室内定位方法，其特征在步骤四的节点定位过程，假定指纹库中已有个训练好的节点隐含马尔可夫模型，其定位的算法如下 :

步骤四一：提取出需要定位的节点的观察向量序列；

步骤四二：然后计算此节点的观察向量序列与节点指纹库中各个节点的隐含马尔可夫模型相似或然率，相似或然率的计算是通过向前-向后算法或者算法得出；

步骤四三：相似或然率反映了待定位节点观察向量序列与数据指纹库的节点隐含马尔可夫模型的相似度，这就是如果在中值最大，那么就是与待定位节点最接近的节点隐含马尔可夫模型，至此，定位结束。