移动传感网节点位置预测方法研究

来源:用户上传      作者:

　　摘  要： 针对现有稀疏传感网中移动节点位置预测精度较低，提出一种基于深度信念网络的移动未知节点位置预测方法。首先利用深度信念网络强大的特征学习能力，分析不同信号强度向量样本集;其次在深度信念网络的最后一层级联一层支持向量机，将所学习到的信号强度分布特征作为顶层支持向量机的输入，构建距离预测模型;最后预测未知节点与其相邻节点之间的距离，判断其可能位置所在区域，计算得出未知节点的预测位置。仿真实验结果表明，文中所提出的位置预测方法与RBF神经网络位置预测方法相比，预测精度提高了19.3%;与支持向量机预测方法相比，预测精度提高了23%;与改进的MCL相比，预测精度提高了33.4%，且有较强的鲁棒性，适用于稀疏传感网络节点位置预测。
　　关键词： 移动无线传感器网络; 节点位置预测; 深度信念网络; 支持向量机; 构建预测模型; 仿真验证
　　中图分类号： TN711?34; TP393                  文献标识码： A                       文章编号： 1004?373X（2020）02?0168?06
　　Method of node location prediction for mobile sensor network
　　YANG Wenzhong1， XIA Yangbo2， ZHANG Zhenyu1， WANG Qingpeng2
　　Abstract： In allusion to the low accuracy of mobile node location prediction in existing sparse sensor networks， a method of mobile unknown nodes location prediction based on deep belief network is proposed. Firstly， the different signal strength vector sample sets are analyzed based on the powerful feature learning ability of deep belief network. The last layer of the deep belief network is cascaded with one layer of support vector machine， and the learned signal strength distribution features are used as the input of the top?layer support vector machine to construct distance prediction model. The distance between the unknown node and its neighbors are predicted， the region where it might be located is judged， so as to calculate the predicted position of the unknown nodes. The simulation experiment results show that in comparison with the RBF neural network location prediction method， the support vector machine prediction method and the improved MCL， the prediction accuracy of the location prediction method proposed in this paper improves by 19.3%， 23% and 33.4%， respectively， and it has strong robustness， which is suitable for node location prediction in sparse sensor networks.
　　Keywords： mobile wireless sensor network; node location prediction; deep belief nets; support vector machine; construction prediction model; simulation verification
　　0  引  言
　　移动无线传感器网络作为一种集智能与网络于一体的新兴技术，被广泛的应用于各个领域[1?2]。网络中各节点以互相协作的方式实现用户对目标区域的监控。在实际监测情况中由于节点能量有限、地震或者火灾等其他因素导致节点“死亡”的现象时有发生，从而形成节点分布比较稀疏的稀疏传感网络。如何在稀疏传感网络中预测并确定某一移动未知节点所在的位置是如今广大学者研究的目标。对未知节点位置的预测具有重大的实际意义，比如在矿井救援等地下环境中，由于安全事故需要对人员实现位置预测;牧区深处，对自由放牧的牲畜可以防走失、找回，便于管理;位置预测对于基于位置的路由建立也具有一定的参考价值等。
　　文献[3]提出了一种基于蒙特卡罗的改进移动未知节点位置预测定位算法。在位置预测的过程中将周围锚节点分布相对比较密集的未知节点转化为虚拟锚节点来辅助对其他移动未知节点的位置预测，同时根据虚拟锚节点的实际预测误差引进扩张系数，从而改进采样的效率，提升算法的预测精度。但这种方法计算量大，需要反复采样、过滤，没有考虑到实际节点能量有限的这一约束。文献[4]提出一种基于随机游走的社会推荐算法来为移动节点未来位置进行预测。该算法假设将移动节点的历史访问位置看作一个评分特征转移矩阵，网络中每一个节点都记录着所有移动节点的访问次数，对某一移动节点的位置预测就采用随机游走的相似性度量来寻找可能的位置点，通过定义的相似性度量，来寻找更多可能的位置点。由于此种方法具有社会性质较高，所以导致有些位置点可能永远也不会访问到。文献[5]提出一种基于支持向量机技术的WSN移动节点预测定位算法，该算法通过支持向量机技术建立起节点测量向量与位置之间的对应关系，并通过牛顿插值的方法计算并更新节点位置的样本集，最后通过向量机计算和纠正错误坐标，从而实现节点位置的预测，但该方法计算量大，计算复杂。 　　针对稀疏传感网中节点位置预测精度不足的问题，本文提出了一种基于深度信念网络与支持向量机相结合的稀疏传感网节点位置预测方法。该方法结合了深度信念网络和支持向量机各自的优点来构建一个距离预测模型对未知节点的位置进行预测。Matlab仿真实验结果表明，本文所提出的移动节点位置预测方法具有更高的准确率，相比于文献[3]中改进的MCL位置预测算法精度提高了33.4%，比文献[5]中基于支持向量机的位置预测算法以及文献[6]中提出的基于RBF神经网络的位置预测方法准确率各提高了23%和19.3%，且鲁棒性更强。
　　1  深度信念网络算法
　　1.1  受限玻尔兹曼机
　　受限玻尔兹曼机（Restricted Boltzmann Machines， RBM）是一种特殊的马尔可夫随机场。一个RBM中，[v]表示所有可见单元，[h]表示所有隐单元，给定模型参数[θ]，可见单元和隐单元的联合概率分布[p（v，h;θ）]用能量函数[E（v，h;θ）]定义为：
　　 [p（v，h;θ）=exp（-E（v，h;θ））H]       （1）
　　式中，[H=vhexp（-E（v，h;θ））]是一个归一化因子或配分函数。
　　对于一个伯努利（可见单元）分布?伯努利（隐单元）分布的RBM，能量函数的定义为：
　　[E（v，h;θ）=-i=1Mj=1Nwijvihj-i=1Mbivi-j=1Najhj]  （2）
　　式中：[w]表示可见单元[v]和隐单元[h]之间的对称连接权值;[b]和[a]表示偏置项;[M]和[N]是可见单元和隐单元的总数目。条件概率计算公式为：
　　[p（hj=1|v;θ）=σi=1Mwijvi+aj]     （3）
　　[p（vj=1|h;θ）=σj=1Nwijhj+bi]     （4）
　　式中，[σ（x）=1（1+exp（-x））]为Logistic函数。
　　相似地，对于一个高斯（可见单元）分布?伯努利（隐单元）分布RBM，条件概率为：
　　[p（hj=1|v;θ）=σi=1Mwijvi+aj]      （5）
　　[p（vi|h;θ）=Qj=1Nwijhj+bi，1]       （6）
　　式中，[v]取实值，服从均值为[j=1Nwijhj+bi]，方差为1的高斯分布。
　　1.2  深度信念网络
　　DBN是由一组受限玻尔兹曼机（RBM）堆叠而成的[7?9]，在深度信念网络的构建过程中是采用分层训练的方法来进行的，包括最后一层的分类器也是单独训练的，因此，在深度信念网络的最后输出层，将其级联为支持向量分类器用于根据DBN学习出来的特征进行预测分类。
　　DBN在模型训练的过程中主要分为以下两步：
　　1） 输入采集的原始信号强度数据集分别单独无监督地训练每一层神经元，确保特征向量映射到不同的特征空间时，都能最大限度的不丢失数据的相关特征。
　　2） 在DBN的最后一层级联一层支持向量分类器，其接收上一层神经元输出的特征向量作为它的输入特征向量，有监督地训练实体关系分类器，依据每一个信号强度向量对接收点与信号源之间的欧氏距离做一个距离分类。
　　2  基于DBN?SVM的节点位置预测
　　2.1  数据采集
　　本文的应用场景为同构式200 m×200 m二维稀疏传感器网络，假设网络中各节点具有相同的通信半径R=10 m且不具备覆盖全区域，每一个移动节点上均携带有信号接收装置用于接收和测量其他节点到自身节点的信号强度，令[Pr（d）]表示接收者在距离信号源距离为[d]的位置处接收到的信号强度。在真实环境中由于信号的反射、散射或者遮蔽等现象通常会使信号强度产生衰减，因此一般假设接收信号强度满足对数正态分布。在该假设条件下，信号强度随距离变化的模型可以被进一步刻画为对数正态阴影模型（Log?normal Shadowing）[10]：
　　[Pr（d）=P0（d0）-10ηlgdd0+Dσ]     （7）
　　式中：[P0（d0）]表示接收者在距离信号源为[d0]处接收到的信号强度;[η]表示路径损耗参数;[Dσ]是服从对数正态分布的随机变量，用来表征信號的反射现象对接收者接收到的信号强度造成的影响。因此，当路径损耗参数已知时，接收者可以通过接收到的信号强度来大概衡量自己与信号源之间的欧氏距离。实验中通过多次改变[η]的值来模拟复杂多变的现实环境，并在距信号源相同距离的不同方位多次采样来增加样本数量，并据此进行分组获得较多的“信号强度?距离”标签样本。将每次采样增加距离设为1 m，由此可以建立节点的信号强度向量[B=ID，dn，（xj，yj），Pr1（dn），Pr2（dn），…，Prm（dn）]，[dn∈N*]且[dn]<R，其中[ID]为信号源标号，[（xj，yj）]是信号源j的位置坐标，[dn]表示接收点与信号源之间的距离，在分类中做分类标签使用，[Prm（dn）]为距离信号源[dn]处不同方位所接收到的信号强度大小。将收集到一定数量的信号强度向量[B]作为DBN的输入进行距离预测模型的训练，模型的输出为距离标量d。信号采集示意图如图1所示。
　　2.2  位置预测方法描述
　　2.2.1  第一阶段：训练DBN?SVM距离预测模型
　　在Matlab仿真实验中，采用文献[11]的信号传播模型来模拟采集复杂条件下的信号强度向量分布，并将仿真得到的实验数据向量集作为DBN的输入用于构建DBN?SVM距离预测模型。模型的训练由汇聚节点来完成，并将训练好的距离预测模型广播至全网络的所有节点，其中预测模型参数的设置见3.2小节。 　　2.2.2  第二阶段：位置预测
　　稀疏传感网络中对移动未知节点的位置预测可以分为以下两种情况：待预测节点通信范围内存在信标节点;待预测节点通信范围内不存在信标节点。
　　针对第一种情况，待预测节点可直接与信标节点通信，则待预测节点必然存在于以上一时刻位置点为圆心，节点单位时间内最大运动速度[V]为半径作圆和所通信信标节点通信半径圆的相交区域内（假设单位时间间隔为1 min，且每间隔1单位时间做一次预测）。在相交区域内均匀取k个位置值，作为待预测节点可能存在的位置点，然后将待预测节点自身存储的信号强度向量作为DBN?SVM距离预测模型的输入，预测出自身位置到通信信标节点之间的欧氏距离d，并将结果发送给通信信标节点。信标节点接收到预测结果，便可以进一步缩小待预测节点的取值范围，从而排除错误位置值对最终位置预测的影响。最后取剩余位置值的均值作为待预测节点的位置所在：[（x，y）=1ki=1k（xi，yi）]。
　　针对第二种情况，待预测节点的通信范围内不存在信标节点，信标节点是待预测节点的二跳或者三跳节点，甚至更多，则可以依据通信路径上的每一个未知节点存储的信号强度向量来初步地依次预测出两两节点之间的欧氏距离。本文以信标节点是待预测节点的二跳节点为例来进行说明，如图2所示。假设待预测节点下一时刻将由B点运动到C点，由于信标节点D不在待预测节点的通信范围内 （此处的通信链路路径为C→F→D），将信息传播路径上每个节点存储的信号强度向量依次输入到DBN?SVM距离预测模型中预测出两两节点之间的欧氏距离d，并将预测结果传输至离本节点最近的Sink节点。图2中节点D距离未知节点F的预测距离为X1，未知节点F距离节点C的预测距离为X2。则由三角形三边关系定理可知节点C必然位于以上一时刻位置点B为圆心，移动节点单位时间内最大运动速度[V]为半径作圆和以节点D为圆心，以不大于X1+X2（两边之和大于第三边）为半径作圆的相交区域内。同时，由于节点C不在节点D的通信半径圆内，所以可以进一步缩小待预测节点位置取值区域，排除错误位置取值点，最后未知节点C的取值区域如图中C型阴影所示。假若未知节点F的位置用同样的方式可以确定下来，则依据未知节点F与节点C之间的欧氏距离预测，可以更进一步缩小节点C的取值范围，如图2中月牙型深色阴影部分所示。最后同样取剩余位置点的均值作为最终预测移动节点的位置所在。
　　3  实验仿真与结果分析
　　3.1  实验数据集与实验环境
　　文中所使用的数据集由Matlab实验仿真所得，网络中信标节点个数设为100个，未知节点个数设为200个，节点的通信范围设置为R=10 m，初始信号强度大小设为0 dBm。在区域中随机挑选100个节点作为信号强度采集参考点，其中包含信标节点43个，未知节点57个。在每一个节点通信范围内用第2.1节所述数据采样方法，总共收集了21 200条信号强度向量数据。在数据特征学习，提取过程中本文使用的是Windows 7下安装的Theano来搭建的DBN，通过Theano可以对深度学习的算法进行快速的建模和验证算法的有效性。所用的个人电脑配置为：Intel CORE i7?4790 CPU，3.6 GHz，
　　8 GB内存，1 TB硬盘，GPU GeForce GTX TITAN X。
　　3.2  DBN参数设置
　　在构建DBN?SVM模型的过程中，DBN的层数、迭代次数以及每一隐藏层节点的个数对模型的构建和特征学习效果的优劣显得极为重要。为了能更好地构建预测模型，设置隐藏层初始值为4，增量为1，每层的节点数初始值为5，增量为5，迭代次数增量设置为1。对于网络模型的微调阶段，过大的学习速率会导致模型构建的不理想。本文将采用梯度下降法来微调网络模型，学习速率设置为0.05。顶层SVM分类器的参数设置分别为：核函数采用RBF径向基核函数，惩罚因子C=0.5。如图3所示，通过调节不同的隐藏层层数以及每层节点的个数来查看DBN模型的特征学习效果，同时采用RMSE作为评价指标。均方根误差（Root Mean Square Error，RMSE） 亦称标准误差，它可以很好地反映出观测值与真值之间的偏差程度。RMSE值越小，表明预测值与真值越接近;反之，预测值偏离真实值。RMSE的计算公式如下：
　　[RMSE=1ni=1nobservedi-predictedi2]  （8）
　　如图3所示，当隐藏层层数固定时，随着每一层节点数的增加，RMSE呈下降趋势，當隐藏层节点数为20时，DBN?SVM模型的特征学习效果达到最好;当固定每一隐藏层节点个数时，随着隐藏层层数的增加图形呈现出了凹状，当隐藏层层数达到6层时，DBN?SVM模型的特征学习效果最佳。综上所述，将文中预测模型隐藏层层数设置为6，每一隐藏层节点个数设置为20，此时的DBN?SVM模型的特征学习效果最好。
　　迭代次数也是有效构建DBN?SVM模型的主要参数之一，迭代次数过多可能会导致模型过学习。从图4可知，随着学习迭代次数的增加，RMSE值呈下降趋势，当迭代次数为23次时，RMSE表现出最佳值为0.010 65。
　　结合前面参数设置对比实验，本文最终将DBN?SVM模型的隐藏层层数设置为6层，每一隐藏层节点数设置为20，学习迭代次数设置为23次，学习速率设置为0.05;顶层支持向量机的核函数选用RBF径向基核函数，惩罚因子C=0.5。
　　3.3  实验结果分析
　　实验从预测精度以及主要影响位置预测的信标节点占比、节点通信半径等因素进行了分析和验证。位置预测精度主要考察预测方法的预测效果，而信标节点占比和节点通信半径主要影响了预测模型的有效构建。
　　为了验证本文所提出的DBN?SVM位置预测方法的有效性，分别与文献[3]提出的改进蒙特卡罗位置预测方法、文献[5]提出的支持向量机位置预测方法以及文献[6]中提出的RBF神经网络位置预测方法进行了预测精度的比较。 　　如图5所示，当信标节点个数相对较少时，由于信标节点不是均匀覆盖整个网络，可能存在网络空洞等情况，虽然本文提出的DBN?SVM位置预测方法适用于稀疏传感网，但可能存在对移动未知节点进行位置预测时不能获取足够有效的辅助信息，导致位置预测的结果与实际值偏差较大。同时，其他三种位置预测方法效果都不太理想，但DBN?SVM位置预测方法依然要优于它们。随着信标节点在整个网络空间中占比的增多，提供的位置预测有效信息也越来越多，出现孤立节点的可能性减小，RMSE值快速下降。同时注意到，当移动传感网中信标节点的数量占比达到20%时，此时相比于其他三个位置预测方法，DBN?SVM位置预测效果显著提高。此时，本文所提出的DBN?SVM位置预测方法相比于基于蒙特卡罗的位置预测算法精度提高了33.4%;与RBF神经网络位置预测方法相比，预测精度提高了19.3%;与支持向量机预测方法相比，精度提高了23%。说明本文提出的DBN?SVM位置预测方法适用于稀疏移动传感网节点位置预测。
　　如图6所示，在相同数量的信标节点情况下，随着节点通信半径R的增大，整个网络的连通率增大，节点所能接收到其他节点的信号强度分量增多，用于预测两点之间欧氏距离的有用信息增加，所以整个网络中可预测节点数增加。当通信半径一定时，随着信标节点数的增加，提供的位置预测辅助有效信息增加。当信标节点数基本达到60个时，网络中可预测节点数的占比将不再发生大的波动，说明在200 m×200 m的二维区域中，对移动未知节点基本可以实现位置预测。再次验证了本文提出的DBN?SVM位置预测方法适用于稀疏传感网节点位置预测。
　　图7展示了未知节点运动速度V对预测效果的影响。由图可知，改变节点的运动速度对位置预测效果的影响并不是很大，主要原因是本文所提出的位置预测方法首先是通过判断节点位置所在区域，然后再选取区域中的若干个取值点，最后再排除不可能的位置点，取均值，最终得到节点位置。节点运动速度大小的改变并不会引起预测区域的改变，所以，改变节点的运动速度并不会过多地影响预测效果，也说明了本文所提出的位置预测方法具有一定的鲁棒性。
　　位置预测模型预测精度的影响
　　4  结  语
　　本文提出一种基于深度信念网络与支持向量机相结合的移动节点位置预测方法。该方法利用深度信念网络与支持向量机各自的优点构建一个距离预测模型，然后再结合移动节点自身的运动特性进行未知节点位置的预测。Matlab实验仿真结果表明，本文提出的DBN?SVM位置预测方法在信标节点占比相对比较少的移动稀疏传感网中预测效果要优于其他方法，且提高了预测精度，鲁棒性相对而言也比较强，适用于移动稀疏传感网中进行节点位置预测。由于文中所用实验数据皆是仿真得出，所以下一步工作将要验证其在真实环境中的预测效果。
　　注：本文通讯作者为夏扬波。
　　参考文献
　　[1] PRASANNA S， RAO S. An overview of wireless sensor networks applications and security [J]. International journal of soft computing & engineering， 2012， 2（2）： 27?31.
　　[2] RASHID B， REHMANI M H. Applications of wireless sensor networks for urban areas [J]. Journal of network and computer applications， 2016（60）： 192?219.
　　[3] 张子扬.锚节点稀疏环境下WSN移动节点定位算法研究[D].赣州：江西理工大学，2015.
　　[4] JIN Z， SHI D， WU Q， et al. Random walk based location prediction in wireless sensor networks [J]. International journal of distributed sensor networks， 2013， 9（12）： 1?9.
　　[5] 汤文华，傅明.基于SVM的WSN移動节点定位算法[J].计算机工程，2012，38（22）：76?79.
　　[6] CHEN G Z， ZHOU L J， ZHU Z C， et al. RBF neural network based prediction for target tracking in chain?type wireless sensor networks [C]// 2010 2nd International Conference on Advanced Computer Control. Shenyang： IEEE， 2010： 635?639.
　　[7] DJURDJEVIC P D， HUBER M. Deep belief network for modeling hierarchical reinforcement learning policies [C]// IEEE International Conference on Systems， Man， and Cybernetics. Manchester： IEEE， 2013： 2485?2491.
　　[8] PAN G Y， WEI C， QIAO J F. Calculation for depth of deep belief network [J]. Control & decision， 2015， 30（2）： 256?260.
　　[9] QIAO J F， PAN G Y， HAN H G. Design and application of continuous deep belief network [J]. Acta automatica sinica， 2015， 41（12）： 2138?2146.
　　[10] SEIDEL S Y， RAPPAPORT T S. 914 MHz path loss prediction models for indoor wireless communications in multi?floored buildings [J]. IEEE transactions on antennas & propagation， 2002， 40（2）： 207?217.
　　[11] 高欢斌.基于深度学习的室内定位算法研究[D]. 西安：电子科技大学，2016.
　　作者简介：杨文忠（1971—），男，河南南阳人，博士，副教授，主要研究方向为舆情分析、移动传感器网络。
　　夏扬波（1992—），男，湖南郴州人，硕士研究生，主要研究方向为网络安全、移动无线传感器网络。
　　张振宇（1964—），男，山西大同人，博士，教授，主要研究方向为机会网络、移动社会网络。
　　王庆鹏（1990—），男，山西阳高人，硕士研究生，主要研究方向为舆情分析。
转载注明来源:https://www.xzbu.com/8/view-15122056.htm