[发明专利]基于ZigBee的QPSO自校正定位方法

摘要

一种基于ZigBee的QPSO定位自校正定位方法，该方法通过结合量子行为和粒子群算法(量子粒子群算法(QPSO))对未知节点收到信标节点一定数量的存在偏差LQI值进行优化，实现对误差进行补偿。再将LQI值转化为RSSI值，从而得到距离。实验结果表明，该方法较直接运用粒子群以及一些传统优化方法得到的定位精度有显著提高，具有普遍应用意义。

主权项

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。