基于无线传感器网络拓扑结构的物联网定位模型

模型

摘要

无线传感器网络是物联网的重要组成部分，利用其实现物联网中目标的定位技术已经成为研究热点之一，由于受环境，障碍物，网络攻击和硬件错误等诸多因素的影响，传感器节点采集的数据易产生较大误差，形成错误数据，从而对定位造成严重影响，尽管已经发展出众多定位算法和模型，但针对错误数据实现定位的研究还比较少见，尤其国内，几乎空白。

文中针对上述问题，旨在利用网络(几何)拓扑结构信息，提出一种用局部信息刻画全局分布密度信息的新颖物联网定位模型，鲁棒的局部保持的典型相关分析定位模型LE-RLPCCA，与现有同类模型方法在真是环境中的实验结果相比，LE-RLPCCA具有更高的定位鲁棒性和稳定性。

摘要.........................................................................................................................2引言.........................................................................................................................4一．二．三．

基于传感器网络的物联网定位机制.......................................................6LE-LPCCA的模型建立..............................................................................8LE-RLPCCA定位模型的提出..................................................................11

1.错误数据的几何表现.............................................................................112.RlPCCA模型描述....................................................................................113.LE-RLPCCA定位算法..............................................................................12小结.......................................................................................................................14

引言

物联网是把具有标识，感知和只能处理能力的物体，借助通信技术互联而成的网络，这些无需人工干预即可实现协同和互动，木钉在于为人们提供只能服务，由于物联网可广泛用于各种自然灾害的监测，医疗卫生，电力系统，智能交通，智能小区管理，军事，航空和航天等领域，因此美国，日本等国大力投资着手开展对其相关技术的研究，并建立或正在建立国家级感知中心，目前我国也正在建立自己的“传感信息中心”，无疑，物联网正在进入迅速发展的时期。

随着物联网发展，传感器技术已开始得到广发关注和应用，通过它构成的无线传感网络可连接物理世界和数字世界，目前国际上已有研究工作将其应用与环境监测和保护以及时发现和定位事故源，航空和航天的落点控制，军事目标的定位和跟踪等方面，在各种应用中，位置信息和物联网的监测活动至关重要，虽然可以通过全球定位系统GPS实现定位，但是其适应于无遮挡的室外环境，且用户节点通常能耗高，体积大，成本较高，还需要固定的基础设施，因此在GPS应用受限的场景下，或是在人类难以胜任或无法到达的复杂环境中，采用体积小，能量消耗低，价格低廉的传感器网络可以很好的解决目标发现及定位等问题。因而，作为物联网应用的基础和关键技术，传感器节点的定位问题已得到越来越多的关注。

目前的WSN定位技术有基于接收信号强度指示(RSSI),基于到达时间，基于到达时间差和基于到达角度等方法，其中，因RSSI定位技术无需额外硬件设备支持，且符合低功率，低成本等要求，故得到更广泛的应用。

然而基于RSSI的定位结果常不稳定，故应用性受到一定限制，为了解决这一问题，研究者们已经提出了众多改进策略和算法，今年来，借助机器学习对定位机制进行策略和算法设计已经成为一个研究热点之一，该类方法的实质是将传感定位过程视为一个机器学习问题，通过深入挖掘可用传感数据所隐含的信息（如网络拓扑结构，数据的非线性表示等），学习并建立一个从信号空间到物理空间的映射，而后运用该映射估计出未知节点的空间(位置)坐标，从而实现定位，其中，其最近提出一个联合充分利用信号空间和物理空间局部拓扑节后信息的无线传感

器网络定位(Location-Estimation-LocalityProcessingCanonicalCorrelationAnalysis，LE-LPCCA)，与目前的同类方法相比，其定位精度和稳定性显著提高。

然而，在大规模物联网中，由于硬件错误，网络攻击，能力不足，恶劣天气等实际环境因素的影响，所采集的数据常含有较大误差，从而影响定位结果。本文针对该问题，在提出LE-LPCCA的基础上，通过对信号空间和物理空间局部信息的刻画进行改造，提出具有较好鲁棒性的LE-RobustLPCCA定位模型，使其包含局部结构信息的基础上包含相对全局的拓扑结构信息，并利用这些结构信息最大程度地减小错误数据在整个建模过程中的影响。

一．基于传感器网络的物联网定位机制

物联网的层次结构自底向上可分为四层，传感器网络层，接入网络层，中间件层和应用层。传感器网络层处于最底层，它将各种设备上的传感器连接起来形成一个信息采集和控制的网络，由图1可见，定位机制涉及到物联网的4个层次，受限，在最底层由传感器采集各类监控信号，经过WSN的汇聚节点或基站传输到上一层网络空间；其次，在网络层对数据进行融合(预处理)，通过网桥，网关，路由等网络设备接入核心网络；接着，在中间件层，传输来的数据被存储在相应服务器中，并由定位模型成算法进行定位；最后，定位结果一方面在应用层呈现给管理员，另一方面根据应用需求，反馈给物联网底层，实现对应的控制，该文的重点在中间件层，研究如何根据已知节点的信号强度和屋里坐标，建立定位模型。

图1

在基于WSN的物联网定位机制中，利用信号空间和物理空间的两个配对的数据集，来建立两个空间之间的映射是一个关键步骤。在WSN中，

节点功率，传输模型相似的情况下，若俩个传感器节点接收到的信号强度值相似，那么他们在网络中的实际物理位置也相邻。这一特性表面信号与物理位置之间存在相关性。

针对该问题，典型关联联系（CCA）可用来建立俩个数据集之间的映射并且使之相关性最大。但此方法只适用数据间的线性关系。本文提出一种具有鲁棒性的定位模型。

二．LE-LPCCA的模型建立

在基于RSSI的WSN定位机制中，节点的定位分为训练阶段和定位阶段。在训练阶段，通常对已知节点的信号强度和物理坐标来得出信号空间和物理空间的映射，建立定位模型；在定位阶段，运用得出的模型对未知节点进行位置估计。

在WSN中，已知传感器所采用的信号空间的和物理空间数据可以分别表示成两组数据集，记

为n个已知节点所接收到的信号强度，其中每

个信号向量xi的维度为p，p为AP节点的个数。

为相应节点的物理坐标，通常在实际空间中，

坐标为二维或者三维。因此q=2或3，构建定位模型的首要任务就是建立两个数据集之间的映射。

CCA是用来构建俩组数据间的映射的经典方法，其目标是分别为X和Y寻找两组基向量wx,和wy，使得变换后的数据的相关性达到最大，其中

，

模型如下：

分别是X和Y的样本均值，

和

之间

其中型，

=,对于模型的求解，可以转化为如下模

通过优化模型，可以得到线性变换可以将信号强度和物理坐标值映射于同一空间，并且找到其最大相关的向量。

但是上述模型，只能挖掘俩组数据之间的线性相关现象，而且没有利用网络的局部结构信息。为了弥补这个问题，利用LE-LPCCA算法在构建映射时，将网络的局部结构引入到CCA中，将原来的全局非线性问题变为若干局部线性问题，计算每个邻域内的典型相关问题，然后对这些子问题求解，因此通过局部线性的方法达到解决非线性问题的目的。

LE-LPCCA模型首先给出了WSN中近邻节点的定义。

定义1.在信号空间中，ne(i)表示与i节点所接收到的信号强度相似的节点标号集合，即xi的局部近邻样本下标集。

根据上述定义，WSN的拓扑结构在信号空间和物理空间的相似度矩阵为Sx=

和SY+=

其中矩阵元素：

其中

M=x或者M=y；

因此，可以看出S越大意味着xi与xj距离越近，如互不在邻域范围内，则相似度为零，并且依赖于传感器节点的布局，因此S可以随着网络的拓扑结构的变化而变化，从而显示出高度的灵活性。因而原模型可转化为下面模型：

其中=,,类似前面结构。

利用上述模型，找到信号与物理信号的中对应簇。至此，LE-LPCCA模型对WSN中信号空间到物理空间的映射已建立完成。

三．LE-RLPCCA定位模型的提出

1.错误数据的几何表现

在复杂或不可信网络环境中，受网络攻击，硬件错误，环境障碍无等因素影响，数据在传输或定位过程中易发生失真或错误，与普通网络中易产生的简单误差不同，这种错误数据会产生严重地影响定位结果。

这种具有严重偏差的错误数据，也可称为“野值”，其值与所采集到的正常数据有很大偏差，从而严重影响定位结果。换言之，这类数据会是错误数据在几何空间分布上远离其他正常数据点，从而具有较低的分布密度。因此，该模型的目的，是在同一数据集中，使分布密度较低的点对定位的影响较低，以实现较好的鲁棒性。

2.RlPCCA模型描述

通过LE-LPCCA的刻画，我们有了相似度矩阵S的定义，从而可以得到

,其中，

刻画了节点i在信号空间中所处区域密集程度，

若越大，表示节点i所处的区域密度越高，进一步，我们可以刻画出基于节

点拓扑结构的密度：

显然越大，表示节点i在信号(物理)空间的密度越大。有此可以得出信

号空间的密度矩阵

将之前模型中S用代替，可以得到如下优化问题：

其中=,,定义与类似。

上述模型的求解，文献[15]给出了利用奇异值分解(SVD)技术求解CCA的方法。本文同样利用SVD求解RLPCCA，进而得到线性变换w。

3.LE-RLPCCA定位算法

已知信号强度矩阵X和对应物理坐标矩阵Y，定位模型目标就是通过未知节点g所接收到的信号向量

,估计出g的位置坐标.由RLPCCA

算法，可以使数据变幻后的信号空间和物理空间的相关性最大，且仍保持原是空间局部拓扑结构信息。因此，坐标邻近的点在变换后信号空间中依旧相邻。根据这一特性，我们可已对未知节点所接收到的信号强度值做数据变幻后，找出与之K个距离最近的已知节点，因而K个节点的物理坐标必定也在附近。最终可以通过质心法计算出g点的物理坐标：

现在总结LE-RLPCCA算法的具体构建步骤，其训练阶段和定位阶段分别描述如下：

训练阶段：

1.

计算相似度矩阵SX|Y计算密度矩阵MX|Y

求解最优化问题，学习物理空间和信号空间的关系，求出映射矩阵W

2.

3.

4.

对已知数据{X,Y}做线性变换：{间数据做相应映射，从而使的

}={

相关性达到最大。

},即对原始空

定位阶段：

1.对于未知节点g所接收到的信号向量为

对原始信号作线性变换。

2.通过欧氏距离的计算,寻找

在P中K个距离最近的已知节点。

x

,用

3.找出这K个节点的物理坐标，再通过(10)估算g点位置。

小结

文章提出的一种LE-RLPCCA物联网定位模型，通过充分利用WSN中信号空间和物理空间的拓扑结构和密度信息，可有效应用于数据采集易产生较大错误的物联网环境，以克服现有的算法或模型定位精度不高，鲁棒性差等问题。

与同类研究相比，该模型应用与错误数据的场景中，具有定位精度高且性能相对稳定的优点。

参考文献

[1]NiculescuD,NathB.AdHocPositioningSystem(APS)UsingAoA[J].Proceedings-IEEEINFOCOM,2003,3:1734-1743.

[2]HarterA,HopperA,StegglesP,etal.TheAnatomyofaContext-AwareApplication[J].WirelessNetworks,1999,8(2-3):187--197.[3]王福豹,史龙,任丰原.无线传感器网络中的自身定位系统和算法[J].软件学报,2005,16(05):857-868[4]HardoonDR,SzedmakSR,Shawe-TaylorJR.Canonicalcorrelationanalysis;Anoverviewwithapplicationtolearningmethods[J].NeuralComputation,2003,16(12):págs.2639-2664..