[发明专利]基于ZigBee的QPSO自校正定位方法

说明书

技术领域

本发明属于无线传感器网络技术领域，具体涉及无线传感器网络自校正定位方法。

背景技术

在WSN(Wireless sensor networks)中，位置信息对传感器网络的监测活动至关重要，事件发生的位置或获取信息的节点位置是传感器节点监测信息中所包含的重要信息，没有位置信息的监测往往毫无意义。目前，全球定位系统GPS(global position system)具有定位精度高、实时性好、抗干扰能力强等优点，是应用得最广泛、最成熟的定位系统。但由于GPS系统用户节点通常能耗高、体积大、成本高、需要固定的基础设施等，这使得它在许多应用中(如特别低成本自组织的传感器网络)不可行。目前，国内外研究者已经提出了很多定位方法，都具有各自的特点和适用范围，没有哪种方法是最优的，且大都对信标节点密度和网络部置条件的依赖度较高，虽然可以依靠循环求精度等方法抑制测距误差和提高定位精度，但同时增大通信和计算开销，加大了定位的不确定性。针对不同的实际应用，应该通过综合考虑节点的规模、能耗、成本和对定位精度的要求，来选择最合适的定位方法。

发明内容

本发明的目的在于针对现有技术存在的不足，提出一种基于ZigBee的QPSO自校正定位方法，旨在能够提高无线传感器网络中未知节点的定位精度，减少由于环境等因素造成的误差。

本发明具体采取以下技术方案：

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

首先启动后台监测中心，配置节点传输时的端口配置以及Rx时间间隔配置，初始化系统中所运用到的路径衰减指数、1米处RSSI参考值无线信号衰减模型中所运用的参数。

（2）确定算法的中心学习点

在系统启动后，未知节点会在每500ms间隔时间内收集到信标节点发送来的LQI值，在收集到多个LQI值之后，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（每一轮QPSO算法中，PSO只计算一次，并非全部迭代完），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靠近的过程中逐渐达到稳定，得到最理想值。

（3）确定适应度函数

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

L是体现粒子的创造性的一个重要参数，L的值越大表示粒子找到新知识的可能性越高，通过这个参数，在处理未知节点收集到信标节点的LQI值的过程中，可以有效地找到更优的位置；此外，该参数也是粒子塌缩过程中的一个重要参数，粒子塌缩可以得到这一时刻的位置参数。

确定估计参数L的方法为：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，满足高斯分布；运用高斯分布来处理整体粒子群的学习点，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

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RSSI(Received Signal Strength Indication接收的信号强度指示)，并最后得到理论的节点间的距离d。

所述整个量子例子群优化算法的迭代次数设定为200，所述高斯分布中概率p<0.2的数据舍去。