[发明专利]基于ZigBee的QPSO自校正定位方法

权利要求书

1.一种基于ZigBee的QPSO自校正定位方法，包括以下步骤：

（1）初始化系统参数

（2）确定算法的中心学习点

在系统启动后，未知节点会在每一间隔时间内收集到信标节点发送来的LQI值，收集200个LQI值作为样本，运用粒子群优化算法进行处理；在粒子群优化算法迭代一次之后，会产生LQI的个体极值pbest以及全局极值gbest，以这两个极值为基础，产生一个学习点x_p，以x_p为中心建立Delta位势阱，其中：

其中，为(0,0.5)随机数，p_id与p_gd分别表示个体极值与全局极值；粒子会在不断的向x_p靠近的过程中（t→+∞，x→x_p）逐渐达到稳定，得到最理想值；

（3）确定适应度函数

在粒子群优化算法中，个体极值以及全局极值都是根据每个粒子的适应度决定的，所述算法运用归一化函数作为适应度函数，对收集到的多个LQI值进行处理；

（4）确定估计参数L

让L加入时间元素，即L=L(t)，设t→+∞，L(t)→0

利用蒙特卡洛方法进行测量，对参数L估计方法采用下式：

L(t+1)=2*α*|x_p-x(t)|

其中，t为时间，α表示量子比特处于状态0的概率；

（5）加入全局因素

未知节点接收到的信标节点的多个LQI值，以满足全局因素，这些值满足高斯分布，当概率在0.8至1之间时，被认为是大概率事件，数据保留，若落在之外的区域，则舍弃；最后得到全局学习点称为Gaubest利用高斯分布对学习点进行处理之后可将（4）中L改写为

L(t+1)=2*β*|Gaubest-x(t)|

其中，β表示量子比特处于状态1的概率；

使粒子在塌缩到位置x(t+1)的过程中能够加入全局因素；

（6）确定距离值

再利用自由空间传播模型和对数-常态分布模型将LQI值转化为接收的信号强度指示RSSI，并最后得到理论的节点间的距离d。

2.根据权利要求1所述的基于ZigBee的QPSO自校正定位方法，其特征在于，在量子粒子群优化算法完成一次后，若未达到最大迭代次数，重新返回步骤（2）得到新的个体极值pbest和全局极值gbest；整个方法迭代次数设定为200，所述高斯分布中概率p<0.2的数据舍去。

3.根据权利要求1所述的基于ZigBee的QPSO自校正定位方法，其特征在于，粒子群优化算法中，LQI值的范围为0～255，LQI值越大，则信号强度越好。

4.根据权利要求1所述的基于ZigBee的QPSO自校正定位方法，其特征在于，所述适应度函数如下：

fitness(li)=256×li-lminlmax-lmin]]>

其中l_i为所测得的LQI值样本空间中的一个样本，l_min为LQI值样本空间中的最小值，l_max为LQI值样本空间中的最大值。