本發(fā)明涉及水聲傳感器智能感知技術領域，尤其是一種基于改進的最小二乘支持向量機的水下目標定位方法。

背景技術：

水下目標定位，旨在通過水下水聲傳感網(wǎng)絡的通信與計算能力，來獲取水下目標的相關位置信息。水下目標定位技術可為海軍防衛(wèi)、海洋生命監(jiān)測以及地震、臺風預測等應用提供理論依據(jù)和技術支撐。相比于陸地環(huán)境，水下環(huán)境更復雜，節(jié)點間在水下進行通信會受到大的噪聲干擾，同時傳感器會受到來自障礙物的干擾。上述弱通信特征，使得水下目標精確定位成為一個挑戰(zhàn)性的問題。

經(jīng)對現(xiàn)有文獻檢索發(fā)現(xiàn)，中國專利申請?zhí)枮?01210082153.6，名稱為“一種無線傳感網(wǎng)絡節(jié)點三維定位方法”，該方法通過不共面的四個錨節(jié)點與未知節(jié)點通信，得到未知節(jié)點到錨節(jié)點的距離估計值，然后結合距離估計值計算位置節(jié)點的位置坐標，實現(xiàn)水下傳感器網(wǎng)絡節(jié)點精確定位。然而，該方法實現(xiàn)精確目標定位的前提是距離估計值足夠精確，而水聲弱通信特征使得距離估計往往包含著噪聲。如果不對干擾噪聲進行處理，那么定位精度將大大降低。

另外，中國專利申請?zhí)枮?01510677240.x，名稱為“一種基于遺傳算法的室內(nèi)水下目標定位方法”，該方法將水下目標的定位問題轉化為優(yōu)化問題，并應用混合遺傳算法求解優(yōu)化問題，使得測量誤差對定位的影響減小，提高了定位精度。然而該學習方法容易得到局部最優(yōu)解，不能達到理想的全局最優(yōu)解。

檢索還發(fā)現(xiàn)，中國專利申請?zhí)枮?01610645052.3，名稱為“一種基于信道狀態(tài)信息和支持向量機的室內(nèi)被動定位方法”，該方法采用支持向量機回歸的方式確定目標精確位置。雖然該方法減小了測量誤差對定位帶來的影響，但其定位精度依賴于訓練數(shù)據(jù)，當障礙物出現(xiàn)干擾定位過程時，定位精度會大大降低。

因此，在考慮障礙物情況及傳感網(wǎng)絡弱通信特征的情況下，設計一種能克服測量誤差影響的精確定位方法仍是一個待解決的問題。

技術實現(xiàn)要素：

本發(fā)明的目的在于克服上述不足，提供一種基于改進的最小二乘支持向量機的水下目標定位方法，以提高對水下目標定位的精度。

為達到上述目的，本發(fā)明是采用下面技術方案實現(xiàn)的：

一種基于改進的最小二乘支持向量機的水下目標定位方法，該方法內(nèi)容包括以下步驟：

步驟1，在定位區(qū)域部署n個傳感器節(jié)點，每個節(jié)點與目標節(jié)點通過水聲通信方式進行信息交互，并根據(jù)節(jié)點間距離確定子傳感網(wǎng)絡，以構建分布式水聲傳感網(wǎng)絡；通過構建的分布式水聲傳感網(wǎng)絡得到訓練數(shù)據(jù)集，對最小二乘支持向量回歸(leastsquaressupportvectorregression,lssvr)模型進行初始化；

步驟2，在原傳感網(wǎng)絡的基礎上，設計有效節(jié)點策略，以判斷目標節(jié)點與其它節(jié)點通信是否被障礙物影響，如果判定被影響則進行步驟3，否則進行步驟4；

步驟3，根據(jù)水下傳感器節(jié)點與目標節(jié)點通信得到的受影響數(shù)據(jù)，使用迭代收斂策略對數(shù)據(jù)進行處理，處理后的數(shù)據(jù)作為最小二乘支持向量回歸(lssvr)模型的輸入得到子傳感網(wǎng)絡的預測值；

步驟4，由步驟2知，此時目標節(jié)點與其它節(jié)點通信未受影響，直接將測量數(shù)據(jù)作為最小二乘支持向量回歸(lssvr)模型的輸入，對每個子傳感網(wǎng)絡相對于目標節(jié)點的位置進行預測，得到子傳感網(wǎng)絡的預測值；

步驟5，在有效節(jié)點基礎上，設計與通信距離和有效節(jié)點數(shù)目有關的權值函數(shù)，根據(jù)權值函數(shù)計算得到每個子傳感網(wǎng)絡的權值；

步驟6，根據(jù)步驟3或步驟4得到的子傳感網(wǎng)絡的預測值以及步驟5得到的每個子傳感網(wǎng)絡的權值，結合子傳感網(wǎng)絡的預測值和與其對應的子傳感網(wǎng)絡的權值，最終得到目標的預測位置。

更進一步，在步驟2中，所述判斷目標節(jié)點與其它節(jié)點通信是否被障礙物影響，系采用如下規(guī)則進行判斷：

式中τ為判斷目標是否被影響的臨界值，將上述目標節(jié)點與其它節(jié)點通信得到的測量距離與原先對應的測試數(shù)據(jù)最小差值|xl-hl|min和τ作比較，如果大于臨界值τ則表明目標被影響，則與其進行通信的節(jié)點被稱為無效節(jié)點，否則目標正常未被影響，與其進行通信的節(jié)點被定義為有效節(jié)點。

更進一步，在步驟3中，所述使用迭代收斂策略對數(shù)據(jù)進行處理，就是使用如下公式對數(shù)據(jù)進行處理：

x^(k+1)＝δx^(k)

式中k為迭代步數(shù)，δ為正參數(shù)，當滿足終止條件時，迭代過程結束得到處理后的數(shù)據(jù)。

更進一步，在步驟4中，所述直接將測量數(shù)據(jù)作為最小二乘支持向量回歸(lssvr)模型的輸入，對每個子傳感網(wǎng)絡相對于目標節(jié)點的位置進行預測，得到子傳感網(wǎng)絡的預測值，就是使用最小二乘支持向量回歸(lssvr)模型的下述回歸函數(shù)獲得子傳感網(wǎng)絡的預測值：

其中nk為子網(wǎng)絡中有效節(jié)點數(shù)量，和x分別為訓練數(shù)據(jù)和測試數(shù)據(jù)，αi和b由最小二乘支持向量機模型通過訓練數(shù)據(jù)集訓練得到，當測試數(shù)據(jù)x作為輸入后，通過該回歸函數(shù)能夠輸出相應的預測值。

更進一步，在步驟5中，所述設計與通信距離和有效節(jié)點數(shù)目有關的權值函數(shù)，其設計步驟如下：

在確定目標是否被影響后，每個子傳感網(wǎng)絡包含的有效節(jié)點數(shù)目將被確定，同時所有有效節(jié)點的平均位置作為子傳感網(wǎng)絡的位置；目標節(jié)點與子傳感網(wǎng)絡的距離為該子傳感網(wǎng)絡與目標節(jié)點的通信距離。將有效節(jié)點數(shù)目和通信距離作為子傳感網(wǎng)絡權重的決定因素，使得有效節(jié)點越多、與目標節(jié)點通信距離越小的子傳感網(wǎng)絡得到更大的權重；權值函數(shù)設計如下：

其中yp表示目標的預估位置，ui表示第i個子傳感網(wǎng)絡的位置，li為第i個子傳感網(wǎng)絡的傳感器節(jié)點密度，ni為第i個子傳感網(wǎng)絡的有效節(jié)點數(shù)目，k為子傳感網(wǎng)絡的個數(shù)。

更進一步，在步驟6中，所述結合子傳感網(wǎng)絡的預測值和與其對應的子傳感網(wǎng)絡的權值，最終得到目標的預測位置，就是當計算出每個子傳感網(wǎng)絡對目標位置預測的權值(也即貢獻值)和子傳感網(wǎng)絡的預測值后，通過對子傳感網(wǎng)絡的預測值加權求和獲得最終的目標預測值；對子傳感網(wǎng)絡的預測值加權求和為：

其中y(x)為目標的最終預測值，y(x)為子預測值，γi為第i個子傳感網(wǎng)絡的權值，k為子傳感網(wǎng)絡個數(shù)。

與現(xiàn)技術相比較，本發(fā)明具有如下優(yōu)點：

1、通過采用分布式的拓撲結構，實現(xiàn)了短距離通信，減小了通信過程帶來的測量誤差，避免了集中式算法帶來的通信冗余，同時有效節(jié)點的引入，使得傳感網(wǎng)絡具備了對障礙物提前預估的能力；

2、提出基于通信距離和有效節(jié)點數(shù)目的權值函數(shù)，使得有效節(jié)點越多、與目標節(jié)點通信距離越小的子傳感網(wǎng)絡得到更大的權重，削弱了測量誤差及障礙物對定位過程帶來的影響，從而提高了定位精度；

3、通過提出基于迭代方式的新穎的回歸函數(shù)，對被障礙物影響的測量數(shù)據(jù)進行處理，避免直接使用帶噪聲數(shù)據(jù)帶來的大誤差情況，進一步提高了定位精度。

附圖說明

圖1為本發(fā)明用于水下目標定位的三維模型示意圖；

圖2為有效節(jié)點機理圖；

圖3為本發(fā)明定位過程流程圖；

圖4、圖5和圖6分別為本發(fā)明在不同水下環(huán)境中，與傳統(tǒng)lssvr方法的仿真對比圖。

具體實施方式

下面結合附圖對本發(fā)明作進一步說明：

本發(fā)明的一種基于改進的最小二乘支持向量機的水下目標定位方法，其定位過程流程圖如圖3所示，該方法內(nèi)容包括以下步驟：

步驟1，圖1所示為本發(fā)明用于水下目標定位的三維模型示意圖，在水下探測區(qū)域，根據(jù)需要隨機部署數(shù)個靜態(tài)傳感器節(jié)點來構建水聲傳感網(wǎng)絡，根據(jù)節(jié)點間距離的遠近及節(jié)點間層次高低，將距離近且處于相近層次的節(jié)點當做同一個子傳感網(wǎng)絡節(jié)點，由此傳感網(wǎng)絡被分成幾個子傳感網(wǎng)絡。目標節(jié)點(如圖1中auv所示)分別與子網(wǎng)絡中的節(jié)點進行水聲通信，由到達時間(toa)方法獲得目標節(jié)點與其它節(jié)點的距離信息d

d＝v·t

其中v為聲速，t為通信時間。

步驟2，在原傳感網(wǎng)絡的基礎上，設計有效節(jié)點策略，采用下式判斷目標節(jié)點與其它節(jié)點通信是否被障礙物影響，如果判定被影響則進行步驟3，否則進行步驟4；

若目標未被影響則節(jié)點為有效節(jié)點，如圖1中白色節(jié)點，在圖2所示的有效節(jié)點機理圖中使用二維平面形式簡單地描述了有效節(jié)點的形成和定義過程，當目標節(jié)點與某節(jié)點進行通信獲得距離信息后，通過分析該距離信息，解析上述方程判斷是否被影響，如果被影響則該節(jié)點被標記為無效節(jié)點。

步驟3，根據(jù)水下傳感器節(jié)點與目標節(jié)點通信得到的受影響數(shù)據(jù)，使用迭代收斂策略對數(shù)據(jù)進行處理，處理后的數(shù)據(jù)作為最小二乘支持向量回歸(lssvr)模型的輸入得到子傳感網(wǎng)絡的預測值；其過程如下：

首先采用下述迭代公式對數(shù)據(jù)進行處理，

x^(k+1)＝δx^(k)

式中k為迭代步數(shù)，x為測量值，參數(shù)δ是一個n×n維矩陣對角，其元素值被設計如下：

xl為測量數(shù)據(jù)x的第l個元素，為所有訓練數(shù)據(jù)第l個元素的平均值，這意味著所有與目標節(jié)點通信中被影響的節(jié)點即無效節(jié)點得到的測量數(shù)據(jù)都將以迭代方式獲得最終的子傳感網(wǎng)絡預測值，而有效節(jié)點得到的測量數(shù)據(jù)則直接使用原始lssvr模型的回歸函數(shù)得到預測值；

子傳感網(wǎng)絡預測值由下式得到：

y^(k+1)(x)＝y(tǒng)^(k)(δx)

式中y(·)為lssvr模型的回歸函數(shù)，其形式表達如下

αi和b通過將訓練數(shù)據(jù)用于lssvr模型訓練得到，為了輸出優(yōu)異的迭代結果，終止條件被設計如下：

式中yp為初始粗略位置由等式得到，yc表示有效節(jié)點與目標節(jié)點通信得到的距離。

步驟4，當目標節(jié)點正常未被影響時，相當于步驟3中δ＝1，因此最小二乘支持向量機回歸函數(shù)被用于每個子傳感網(wǎng)絡對目標節(jié)點位置進行預測，得到子預測值，即

步驟5，每個子傳感網(wǎng)絡使用支持向量機訓練后，在不同的情況下通過不同的方法獲得了其預測值后，合適的權值被分別賦予所有的子傳感網(wǎng)絡將它們聯(lián)系起來；考慮到通信距離及有效節(jié)點數(shù)對通信的影響，與通信距離和有效節(jié)點數(shù)有關的權值函數(shù)被提出來決定每個子傳感網(wǎng)絡的權值大??；該權值函數(shù)使得有效節(jié)點越多、與目標節(jié)點通信距離越小的子傳感網(wǎng)絡得到更大的權重，其權值函數(shù)如下

其中函數(shù)ψ(·)表示如下：

ui和li分別表示子傳感網(wǎng)絡的位置及子傳感網(wǎng)絡傳感器節(jié)點密度，表示如下：

ym和yn代表節(jié)點的固定位置，|di|表示第i個子傳感網(wǎng)絡中傳感器節(jié)點的個數(shù)。

步驟6，結合子預測值與其對應子網(wǎng)絡的權值，最終得到目標的預測位置。

綜上所述，本發(fā)明是一種基于機器學習策略處理測量誤差提高定位精度的優(yōu)化策略，適用于水下多徑、長延時及障礙物干擾的水聲通信環(huán)境，通過構建權值函數(shù)弱化了測量誤差的影響，同時，新的回歸函數(shù)對測量數(shù)據(jù)進行優(yōu)化，解決了障礙物帶來的影響。

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合實施例，對本發(fā)明進行進一步詳細說明。

實施例1

該例適用于無障礙物情形，僅僅考慮由于弱通信特征帶來的測量誤差對定位性能的影響。

步驟1，20個錨節(jié)點被部署于30m×15m×30m的水下空間，根據(jù)距離近、相近層次節(jié)點歸于同一子傳感網(wǎng)絡的節(jié)點分配策略，4個子傳感網(wǎng)絡集被得到并分別與目標節(jié)點進行通信獲得相關距離信息，由距離信息構成訓練數(shù)據(jù)集，對lssvr模型進行初始化；

步驟2，由于沒有障礙物影響，因此步驟1中部署的所有的錨節(jié)點均為有效節(jié)點，進行步驟4；

步驟4，使用最小二乘支持向量回歸算法，對每個子傳感網(wǎng)絡相對于目標節(jié)點的位置進行預測，得到子預測值

步驟5，在通過步驟4得到每個子傳感網(wǎng)絡對目標位置的子預測值基礎上，考慮有效節(jié)點數(shù)目及通信距離，計算得到每個子傳感網(wǎng)絡在對目標節(jié)點進行預測過程所具備的權重值γi

在權重中有效節(jié)點數(shù)目和通信距離作為子傳感網(wǎng)絡權重的決定因素，使得有效節(jié)點越多、與目標節(jié)點通信距離越小的子傳感網(wǎng)絡得到更大的權重；

步驟6，根據(jù)上述步驟得到的子預測值及子權重值，通過對子預測值加權求和獲得最終的目標預測值y(x)

通過仿真驗證了本發(fā)明在考慮傳統(tǒng)噪聲干擾的情況下，與傳統(tǒng)lssvr算法的性能對比。如圖4所示，總體上本發(fā)明較傳統(tǒng)lssvr算法在定位性能上得到了提高。

實施例2

該例適用于一障礙物情形，在考慮弱通信帶來測量誤差的同時，一障礙物出現(xiàn)在定位區(qū)域的情形被考慮。

步驟1，20個錨節(jié)點被放置于30m×15m×30m的空間，根據(jù)距離近、相近層次節(jié)點歸于同一子傳感網(wǎng)絡的節(jié)點分配策略，4個子傳感網(wǎng)絡集被得到并分別與目標節(jié)點進行通信獲得相關距離信息，由距離信息構成訓練數(shù)據(jù)集，對lssvr模型進行初始化；

步驟2，由于障礙物影響，因此錨節(jié)點可被區(qū)分為有效節(jié)點和無效節(jié)點。根據(jù)有效節(jié)點策略：

被障礙物影響的節(jié)點被判斷為無效節(jié)點，通過該節(jié)點得到的測量數(shù)據(jù)有較大誤差。

步驟3，針對步驟2中受影響數(shù)據(jù)，首先設計迭代策略對數(shù)據(jù)進行如下處理

x^(k+1)＝δx^(k)

式中k為迭代步數(shù)，x為測量值，參數(shù)δ是一個n×n維矩陣對角，其元素值被設計如下

xl為測量數(shù)據(jù)x的第l個元素，為所有訓練數(shù)據(jù)第l個元素的平均值，這意味著所有與目標節(jié)點通信中被影響的節(jié)點即無效節(jié)點得到的測量數(shù)據(jù)都將以迭代方式獲得最終的子傳感網(wǎng)絡預測值，子傳感網(wǎng)絡預測值由下式得到：

y^(k+1)(x)＝y(tǒng)^(k)(δx)

式中y(·)為lssvr回歸函數(shù)，其形式表達如下

αi和b通過將訓練數(shù)據(jù)用于lssvr模型訓練得到，為了輸出優(yōu)異的迭代結果，終止條件被設計如下：

式中yp為初始粗略位置由等式得到，yc表示有效節(jié)點與目標節(jié)點通信得到的距離。

步驟4，對于未受影響的子網(wǎng)絡，直接使用最小二乘支持向量機回歸算法，讓每個子傳感網(wǎng)絡對目標節(jié)點位置進行預測，得到子預測值。

步驟5，在通過上述步驟得到每個子傳感網(wǎng)絡對目標位置的子預測值基礎上，考慮有效節(jié)點數(shù)目及通信距離，計算得到每個子傳感網(wǎng)絡在對目標節(jié)點進行預測過程所具備的權重值γi

在權重中有效節(jié)點數(shù)目和通信距離作為子傳感網(wǎng)絡權重的決定因素，使得有效節(jié)點越多、與目標節(jié)點通信距離越小的子傳感網(wǎng)絡得到更大的權重；

步驟6，根據(jù)上述步驟得到的子預測值及子權重值，通過對子預測值加權求和獲得最終的目標預測值y(x)

圖5描述了在該情況下分別使用傳統(tǒng)lssvr方法和本發(fā)明對50個目標進行定位后得到的誤差率。目標18為被障礙物影響目標，本發(fā)明相較于傳統(tǒng)lssvr方法大大提高了定位精度。

實施例3

實例2對一障礙物情形進行了描述及仿真驗證，考慮到多障礙物情況更貼近一般情形。該實例驗證了本發(fā)明在多障礙物情況下的定位性能，實驗步驟如實例2所述。圖6描述了在多障礙物情形下，分別使用本發(fā)明和傳統(tǒng)lssvr方法得到的誤差率，目標6、20、41為被障礙物影響目標，本發(fā)明對被影響的目標得到了較好的定位精度。

本領域的技術人員容易理解，以上所述僅為本發(fā)明較佳實施方案而已，并不用以限制本發(fā)明，凡是在本發(fā)明的精神和原則之內(nèi)所做的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。