一种滤波RSSI和禁忌搜索聚类的传感节点定位方法

摘要

本申请公开了一种滤波RSSI和禁忌搜索聚类的传感节点定位方法，应用于无线传感器网络，在RSSI测量过程中，该方法利用STF法和MAF法对RSSI测量值进行分析和优化处理，通过结合两种滤波法得到RSSI优化的测量值，避免了环境因素对信号强度的干扰，从而得到更准确的节点间距离。在节点定位过程中，该方法将定位问题转化为全局优化问题，利用禁忌搜索聚类法对节点位置坐标进行寻优，减少了定位误差，提升了节点定位结果的准确性。此外，本申请还提供了一种滤波RSSI和禁忌搜索聚类的传感节点定位装置、设备及可读存储介质，其技术效果与上述方法的技术相对应。

权利要求

1.一种滤波RSSI和禁忌搜索聚类的传感节点定位方法，其特征在于，应用于无线传感器网络，包括：利用STF法和MAF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值；

根据RSSI优化的测量值，确定所述待定位节点与所述锚节点之间的距离值；

根据所述待定位节点与所述锚节点之间的距离值，利用极大似然估计法生成约束函数，以作为禁忌搜索聚类法的适应度函数；

将定位问题转换为寻优问题，基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果；

所述基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果，包括：S11、根据所述待定位节点与所述锚节点之间的距离值，利用聚类法确定初始解，以作为初始的当前最优解；

S12、根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的候选解集合；

S13、根据适应度函数，确定所述候选解集合中适应度值最大的候选解；在该候选解的适应度值大于当前最优解的适应度值时，更新所述禁忌表，并更新所述当前最优解；

S14、重复S12和S13，直至迭代次数达到预设次数，得到目标最优解，以作为定位结果。

2.如权利要求1所述的方法，其特征在于，利用STF法和MAF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值，包括：利用MAF法，确定STF法的强跟踪滤波弱化因子；

根据所述强跟踪滤波弱化因子，利用STF法对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值。

3.如权利要求1所述的方法，其特征在于，所述根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的候选解集合，包括：S21、根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的采样解；

S22、重复S21，得到采样解集合；

S23、对所述采样解集合中的采样解进行局部搜索，得到与各个采样解对应的候选解集合。

4.如权利要求3所述的方法，其特征在于，所述根据适应度函数，确定所述候选解集合中适应度值最大的候选解，包括：根据适应度函数，分别确定与各个采样解对应的候选解集合中适应度值最大的候选解，得到与各个采样解对应的局部最优解，并得到全局最优解。

5.如权利要求4所述的方法，其特征在于，在所述根据适应度函数，确定所述候选解集合中适应度值最大的候选解之后，还包括：在所述局部最优解的适应度值大于所述全局最优解的适应度值时，减小搜索步长，否则增加搜索步长，其中，所述搜索步长预先设置有最小值。

6.如权利要求3所述的方法，其特征在于，所述根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的采样解，包括：根据禁忌表，在当前最优解的邻域内，沿着上次搜索方向的相反方向进行禁忌搜索，得到不被禁忌的采样解。

7.一种滤波RSSI和禁忌搜索聚类的传感节点定位装置，其特征在于，应用于无线传感器网络，包括：滤波模块：用于利用STF法和MAF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值；

距离确定模块：用于根据RSSI优化的测量值，确定所述待定位节点与所述锚节点之间的距离值；

适应度函数确定模块：用于根据所述待定位节点与所述锚节点之间的距离值，利用极大似然估计法生成约束函数，以作为禁忌搜索聚类法的适应度函数；

位置确定模块：用于将定位问题转换为寻优问题，基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果；

所述基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果，包括：S11、根据所述待定位节点与所述锚节点之间的距离值，利用聚类法确定初始解，以作为初始的当前最优解；

S12、根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的候选解集合；

S13、根据适应度函数，确定所述候选解集合中适应度值最大的候选解；在该候选解的适应度值大于当前最优解的适应度值时，更新所述禁忌表，并更新所述当前最优解；

S14、重复S12和S13，直至迭代次数达到预设次数，得到目标最优解，以作为定位结果。

8.一种滤波RSSI和禁忌搜索聚类的传感节点定位设备，其特征在于，包括：存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序，以实现如权利要求1-6任意一项所述的滤波RSSI和禁忌搜索聚类的传感节点定位方法的步骤。

9.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-6任意一项所述的滤波RSSI和禁忌搜索聚类的传感节点定位方法的步骤。

说明书

一种滤波RSSI和禁忌搜索聚类的传感节点定位方法

技术领域

[0001] 本申请涉及无线通信技术领域，特别涉及一种滤波RSSI和禁忌搜索聚类的传感节点定位方法、装置、设备及可读存储介质。

背景技术

[0002] 在无线传感器网络中，为了保证在无线传感器节点出现故障时能够及时维护和监测数据具有位置属性，节点的定位就显得很关键，而且，传感器节点的位置信息还可用于路由协议、数据融合和盲区处理等。因此，无线传感器网络节点定位技术是当前研究的热点。

[0003] 许多学者进行了无线传感器网络定位技术的研究工作，并提出了一些定位方法。例如，基于RSSI的定位法通过RSSI测量获得节点间距离，然后使用最大似然估计法获得定位节点的坐标。但是，RSSI测量易受到环境因素的干扰，而且通过极大似然估计法获得的节点坐标误差偏大，导致节点定位结果准确性不高。

[0004] 为了确保在复杂环境噪声下获得准确的RSSI测量值，相关学者使用移动平均滤波器(move average filter，MAF)来处理测量的RSSI，MAF法对环境变化具有很强的适应性，对噪声具有良好的抑制作用，但在恶劣的环境噪声下无法收敛，存在较大的定位误差。还有一些学者提出采用卡尔曼滤波法(Kalman filter，KF)对RSSI进行数据优化处理，可以较好地得出真实的RSSI，但是KF法跟踪系统突变状态的能力较弱，当RSSI发生环境噪声突变时，处理效果不理想。为增强KF及其改进方法扩展卡尔曼滤波法(extended Kalman filter，EKF)对系统突变状态的跟踪能力，一些学者提出了强跟踪滤波法(strong tracking filter，STF)，该方法具有比KF或EKF更强的自适应能力，并在故障诊断、目标跟踪、能耗建模等多个领域取得了成功应用，但是强跟踪滤波弱化因子只能凭经验选择，实际应用难度较大，且当RSSI跃变幅值与环境噪声比值较小时，STF法对系统突变反应不灵敏，可靠性较低。

[0005] 综上，基于RSSI的定位法在RSSI测量和最大似然估计过程中均存在误差偏大，导致节点定位结果准确性不高。

发明内容

[0006] 本申请的目的是提供一种滤波RSSI和禁忌搜索聚类的传感节点定位方法、装置、设备及可读存储介质，用以解决由于在RSSI测量和最大似然估计过程中均存在较大误差，导致基于RSSI的定位法的节点定位结果准确性不高的问题。其具体方案如下：

[0007] 第一方面，本申请提供了一种滤波RSSI和禁忌搜索聚类的传感节点定位方法，应用于无线传感器网络，包括：

[0008] 利用STF法和MAF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值；

[0009] 根据RSSI优化的测量值，确定所述待定位节点与所述锚节点之间的距离值；

[0010] 根据所述待定位节点与所述锚节点之间的距离值，利用极大似然估计法生成约束函数，以作为禁忌搜索聚类法的适应度函数；

[0011] 将定位问题转换为寻优问题，基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果。

[0012] 优选的，利用STF法和MAF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值，包括：

[0013] 利用MAF法，确定STF法的强跟踪滤波弱化因子；

[0014] 根据所述强跟踪滤波弱化因子，利用STF法对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值。

[0015] 优选的，所述基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果，包括：

[0016] S11、根据所述待定位节点与所述锚节点之间的距离值，利用聚类法确定初始解，以作为初始的当前最优解；

[0017] S12、根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的候选解集合；

[0018] S13、根据适应度函数，确定所述候选解集合中适应度值最大的候选解；在该候选解的适应度值大于当前最优解的适应度值时，更新所述禁忌表，并更新所述当前最优解；

[0019] S14、重复S12和S13，直至迭代次数达到预设次数，得到目标最优解，以作为定位结果。

[0020] 优选的，所述根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的候选解集合，包括：

[0021] S21、根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的采样解；

[0022] S22、重复S21，得到采样解集合；

[0023] S23、对所述采样解集合中的采样解进行局部搜索，得到与各个采样解对应的候选解集合。

[0024] 优选的，所述根据适应度函数，确定所述候选解集合中适应度值最大的候选解，包括：

[0025] 根据适应度函数，分别确定与各个采样解对应的候选解集合中适应度值最大的候选解，得到与各个采样解对应的局部最优解，并得到全局最优解。

[0026] 优选的，在所述根据适应度函数，确定所述候选解集合中适应度值最大的候选解之后，还包括：

[0027] 在所述局部最优解的适应度值大于所述全局最优解的适应度值时，减小搜索步长，否则增加搜索步长，其中，所述搜索步长预先设置有最小值。

[0028] 优选的，所述根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的采样解，包括：

[0029] 根据禁忌表，在当前最优解的邻域内，沿着上次搜索方向的相反方向进行禁忌搜索，得到不被禁忌的采样解。

[0030] 第二方面，本申请提供了一种滤波RSSI和禁忌搜索聚类的传感节点定位装置，应用于无线传感器网络，包括：

[0031] 滤波模块：用于利用STF法和MAF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值；

[0032] 距离确定模块：用于根据RSSI优化的测量值，确定所述待定位节点与所述锚节点之间的距离值；

[0033] 适应度函数确定模块：用于根据所述待定位节点与所述锚节点之间的距离值，利用极大似然估计法生成约束函数，以作为禁忌搜索聚类法的适应度函数；

[0034] 位置确定模块：用于将定位问题转换为寻优问题，基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果。

[0035] 第三方面，本申请提供了一种滤波RSSI和禁忌搜索聚类的传感节点定位设备，包括：

[0036] 存储器：用于存储计算机程序；

[0037] 处理器：用于执行所述计算机程序，以实现如上所述的滤波RSSI和禁忌搜索聚类的传感节点定位方法的步骤。

[0038] 第四方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的滤波RSSI和禁忌搜索聚类的传感节点定位方法的步骤。

[0039] 本申请所提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位方法，应用于无线传感器网络，包括：利用STF法和MAF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值；根据RSSI优化的测量值，确定待定位节点与锚节点之间的距离值；根据待定位节点与锚节点之间的距离值，利用极大似然估计法生成约束函数，以作为禁忌搜索聚类法的适应度函数；将定位问题转换为寻优问题，基于适应度函数，利用禁忌搜索聚类法对待定位节点的位置坐标进行寻优，得到定位结果。

[0040] 可见，在RSSI测量过程中，该方法利用STF法和MAF法对RSSI测量值进行分析与优化处理，通过结合两种滤波法得到RSSI优化的测量值，避免了环境因素对信号强度的干扰，从而得到更准确的节点间距离。在节点定位过程中，该方法将定位问题转化为全局优化问题，利用禁忌搜索聚类法对节点位置坐标进行寻优，减少了定位误差，提升了节点定位结果的准确性。

[0041] 此外，本申请还提供了一种滤波RSSI和禁忌搜索聚类的传感节点定位装置、设备及可读存储介质，其技术效果与上述方法的技术相对应，这里不再赘述。

附图说明

[0042] 为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0043] 图1为本申请所提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位方法实施例一的实现流程图；

[0044] 图2为本申请所提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位方法实施例二的实现流程图；

[0045] 图3为本申请所提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位方法实施例二中禁忌搜索聚类法的流程图；

[0046] 图4为本申请所提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位装置实施例的功能框图；

[0047] 图5为本申请所提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位设备实施例的结构示意图。

具体实施方式

[0048] 本申请的核心是提供一种滤波RSSI和禁忌搜索聚类的传感节点定位方法、装置、设备及可读存储介质，降低了节点硬件的物理要求，能够适应复杂环境下的传感器节点定位，具有较高的定位精度和稳定性。

[0049] 为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0050] 下面对本申请提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位方法实施例一进行介绍，参见图1，实施例一应用于无线传感器网络，包括：

[0051] S101、利用STF法和MAF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值；

[0052] S102、根据RSSI优化的测量值，确定所述待定位节点与所述锚节点之间的距离值；

[0053] S103、根据所述待定位节点与所述锚节点之间的距离值，利用极大似然估计法生成约束函数，以作为禁忌搜索聚类法的适应度函数；

[0054] S104、将定位问题转换为寻优问题，基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果。

[0055] 节点定位的原理是，在节点间传送位置信息期间，获得随机分布的锚节点与待定位节点之间的距离，再根据节点间距离优化算出待定位节点的位置坐标。为提升定位准确性，一方面需要提升RSSI(Received Signal Strength Indication，接收信号强度指示)抗干扰能力，提高其自适应准确测量能力；另一方面需要降低根据节点间距离确定节点位置坐标的误差。

[0056] 目前，STF法和MAF法均可以用于滤波处理RSSI测量值，但是两者都有各自的缺陷。例如，MAF在恶劣的环境噪声下无法收敛，存在较大的误差；STF的强跟踪滤波弱化因子只能凭经验选择，实际应用难度较大，且当RSSI跃变幅值与环境噪声比值较小时，STF法对系统突变反应不灵敏，可靠性较低。

[0057] 针对上述问题，本实施例提供一种新型强跟踪滤波法(Novel strong tracking filter，NSTF)，即结合STF法和MAF法的优点，对RSSI测量值进行滤波处理，从而获得更准确的锚节点与待定位随机节点间距离。首先对锚节点和待定位节点接收到的信号强度信息进行跟踪滤波处理，克服环境噪声变化带来的信号强度弱化及偏差，提高稳定性，然后根据RSSI与距离相关的对数衰落模型获得节点间距离值。

[0058] 具体的，建立RSSI状态空间模型，将STF法应用于RSSI测量值优化，利用对高斯分布数据的采样过程分析STF法，确定强跟踪滤波弱化因子，引入MAF法，克服传统RSSI状态空间模型的不准确性，提高了RSSI自适应测量能力。对RSSI测量优化后，根据对数衰落模型，即可获得更加准确的节点间的距离值。

[0059] 作为一种具体的实施方式，STF法和MAF法的结合方式为：利用MAF法，确定STF法的强跟踪滤波弱化因子；根据所述强跟踪滤波弱化因子，利用STF法对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值。

[0060] 在节点定位过程中，传统的方法是采用极大似然估计法直接算出节点的坐标，但定位精度低，故本实施例将定位问题转化为最优化问题，应用禁忌搜索聚类法进行全局和局部寻优，局部寻优时参考极大似然估计法得到的优化的节点坐标，每次迭代的最优值代入适应度函数进行比较，当适应度函数取得最优值，对应坐标即为最优坐标。

[0061] 具体的，根据极大似然估计法，生成适应度函数，作为一个约束条件。通过这种方式，将定位问题转化为约束条件下的最优化问题，并采用智能优化法来寻求适应度函数的最优解。禁忌搜索聚类法部分模拟定位场景，通过运算可以得出一系列坐标值，将这些坐标值代入适应度函数，适应度函数值越大，坐标值越优。经过多轮迭代，最终输出最优坐标值即为所求定位坐标。

[0062] 作为一种具体的实施方式，根据所述待定位节点与所述锚节点之间的距离值，利用聚类法确定初始解，以作为初始的当前最优解；根据禁忌表，在当前最优解的邻域内进行禁忌搜索，得到不被禁忌的候选解集合；根据适应度函数，确定所述候选解集合中适应度值最大的候选解；在该候选解的适应度值大于当前最优解的适应度值时，更新所述禁忌表，并更新所述当前最优解；重复上述搜索和更新过程，直至迭代次数达到预设次数，得到目标最优解，即为所述待定位节点的位置坐标。

[0063] 本实施例所提供一种滤波RSSI和禁忌搜索聚类的传感节点定位方法，应用于无线传感器网络，在RSSI测量过程中，该方法利用STF法和MAF法对RSSI测量值进行分析和优化处理，通过结合两种滤波法得到RSSI优化的测量值，避免了环境因素对信号强度的干扰，从而得到更准确的节点间距离。在节点定位过程中，该方法将定位问题转化为全局优化问题，利用禁忌搜索聚类法对节点位置坐标进行寻优，减少了定位误差，提升了节点定位结果的准确性。

[0064] 下面开始详细介绍本申请提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位方法实施例二，实施例二基于前述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。

[0065] 在介绍实施例二的实施过程之前，先对相关技术背景进行介绍。

[0066] 首先介绍信号强度指示模型。传感器节点之间的距离需要通过信号强度指示来间接反映。在复杂的非煤矿山井下环境中，RSSI受巷道、中段高度和环境变化等的影响，相较于开阔空旷环境，信号传输干扰抖动现象明显，环境噪声对RSSI扰动突出。RSSI一般服从对数衰落模型，如式(1)所示：

[0067]

[0068] 式中，RSSI(d)为距发射源d处RSSI值，单位为dBm；RSSI(d0)为距离d0处RSSI值；n为路径衰减指数；Xσ服从均值为0、标准差为σ的高斯分布。

[0069] 对RSSI进行抗干扰优化，将式(1)拆分，由空旷环境标准RSSI和井下环境干扰造成的额外RSSI两部分组成，即：

[0070]

[0071] 式中，RSSI(d0,n0)为标准RSSI部分；RSSI(d,n,σ)为额外RSSI部分；n0为空旷环境路径传输衰减指数，取值[1.8,2.2]；n为井下环境路径传输衰减指数，取值[2,6]。

[0072] 通过式(1)和式(2)可发现，井下环境无线传输的路径衰减指数n和标准差由环境干扰而发生随机变化，即使固定节点的RSSI也不稳定，甚至发生跃变，这些特点使得井下RSSI可靠性不高，观测结果差异较大，测距精度低。改善RSSI抗干扰能力，提高其自适应准确估计能力，从而提高测距精度是本实施例需要解决的问题。

[0073] 下面对极大似然估计法进行介绍。极大似然估计法定位原理为：假设待监测区域有1个待定位随机节点，q个锚节点，锚节点坐标已知且锚节点与待定位节点间距离通过RSSI得到测量距离，从而得到待定位节点与锚节点间距离方程。设各锚节点坐标为(x1,y1)，(x2,y2)，…，(xq,yq)，待定位随机节点的坐标为(x,y)，锚节点与待定位随机节点的测量距离为d1,d2,…,dq，则有方程组：

[0074]

[0075] 在求解过程中将方程组转化为：

[0076] AX＝B                                               (4)

[0077] 将A,B简化,并求解X如下：

[0078]

[0079] 采用最小二乘法求解得到估计X，当测量值B与对应估计值AX间误差平方和最小时，可得较准确解。最小二乘法求解的准确程度受参考方程本身误差的限制，所以需要将式(4)展开成式(6)，其中ei为锚节点与待定位随机节点间的测距误差：

[0080]

[0081] 即最小二乘法要使 取最小值，从而得到定位精度更高的节点坐标。

[0082] 通过上述分析可以发现，RSSI和极大似然估计法结合的定位方法得到的待定位随机节点的坐标都存在较大误差。因此，本实施例利用NSTF法处理RSSI，能够获得更准确的锚节点与待定位随机节点间距离，在采用智能法进一步优化极大似然估计法估算的坐标，较好的提高定位精度。

[0083] 参见图2，实施例二应用于无线传感器网络，包括：

[0084] S201、建立井下环境的RSSI状态空间模型；

[0085] 井下环境中，对RSSI连续取样，两固定节点真实RSSI由于障碍物、人员移动等影响，获得的RSSI会产生频繁波动现象。当固定节点间产生新的环境噪声，RSSI会发生跃变并保持稳定状态，不再受环境噪声影响。根据式(7)建立RSSI状态空间模型：

[0086]

[0087] 式中，h为RSSI值；z为RSSI测量值，k表示时刻。系统噪声ω和测量噪声υ都服从式(8)：

[0088]

[0089] 式中，Q和R服从标准噪声方差。

[0090] S202、利用NSTF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值，进而确定所述待定位节点与所述锚节点之间的距离值；

[0091] 本实施例中，NSTF法的原理是将STF法与MAF法融合，首先将NSTF运用于RSSI状态空间模型(7)中，得到关于井下RSSI测量NSTF法，该方法主要是通过一系列公式的推算，如下：

[0092]

[0093]

[0094]

[0095] N(k+1)＝S0(k+1)-Q-βR                                (12)

[0096] M(k+1)＝P(k|k)                                      (13)

[0097]

[0098]

[0099] P(k+1|k)＝λ(k+1)P(k|k)+Q                               (16)

[0100]

[0101]

[0102] P(k+1|k+1)＝[1-K(k+1)]P(k+1|k)                           (19)

[0103] N(k+1)＝S0(k+1)-Q-6R                                 (20)

[0104] 式中， 为参考k时刻RSSI预测得到的k+1时刻RSSI， 为k时刻新的STF法输出的估计RSSI；γ为RSSI估计残差；S0为估计残差方差；ρ为遗忘因子，取ρ＝0.95；N()表示正态分布函数，Q，R表示标量噪声方差，弱化因子β≥1；λ为渐消因子，λ0表示比例因子；
M()表示高斯分布函数，P为状态协方差，P(k+1|k)，P(k|k)分别表示利用k时刻的状态协方差得到的k+1时刻状态协方差，k时刻状态协方差；K为卡尔曼增益； 且

[0105] 关于MAF法与STF法的融合。在STF法中，弱化因子β取定值时，一般取β＝6，要提高系统稳定性时，只能处理环境噪声标准差。环境噪声标准差δ由环境因素决定，可采取数据处理来降低环境噪声标准差。将MAF法运用于井下RSSI的测量过程，得到：

[0106]

[0107] 式中，θ为滑动窗口时间。对于z函数，z(k-θ+1),z(k-θ+2),…,z(k)相互独立，且分别服从正态分布 ( 为均值)，故式(21)服从正态分布MAF法对信号变化有较强的跟踪能力，能够较大程度的降低环境噪声方差。所
以将MAF法的式(21)融合到STF法，即将STF法的方程式(10)改为：

[0108]

[0109] 综上，NSTF法完整的计算过程为依次计算式(9)、(22)、(11)、(20)及(13)-(19)。其计算过程复杂度低，可以很好运用于无线传感器网络节点测距优化。通过对RSSI进行跟踪滤波处理，并代入到式(1)、(2)中，得到精度更高的传感器节点间的距离值。

[0110] S203、根据所述待定位节点与所述锚节点之间的距离值，利用极大似然估计法生成约束函数，以作为禁忌搜索聚类法的适应度函数；

[0111] S204、将定位问题转换为寻优问题，基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果。

[0112] 禁忌搜索聚类法的基本思想：基于聚类法得到一组最优解，在其邻域内进行禁忌搜索，对领域候选解进行聚类迭代后判断禁忌，不断更新搜索中心与禁忌表，但搜索次数达到最大迭代次数时将搜索过程中记忆的最优解作为问题的解。

[0113] 关于禁忌表、禁忌长度和禁忌判断，本实施例中，禁忌表采用短期表和长期表结合的方式，短期表记忆到达点，长期表记忆迭代过程，当迭代被记忆的序列捕获时可立即重置迭代。禁忌长度可采用固定值或变化值，使用变化值时，禁忌长度应与当前迭代次数逆相关。禁忌判断考虑对局部收敛区域进行禁忌，另外簇顺序与聚类效果无关，因此需在禁忌判断时以固定的规则排序，排除次顺序的影响。

[0114] 邻域：质心V为c*s矩阵(c为聚类数，s为记录属性数)，其邻域通常指半径为r的区域，定义为式(23)的超球域。

[0115] N(V,r)＝{V'|V'-V|≤r}                                 (23)

[0116] 其中半径r为搜索步长。

[0117] 具体的，本实施例使用了一种变步长的搜索方式，当本次搜索的最优结果与基准比较差时，增加步长，在更大范围内搜索，反之减少步长，在局部搜索。考虑到搜索的多样化策略，r应给定最小值，防止候选解移动过小，降低全局搜索能力。根据惯性现象的启发，本实施例对超球邻域进行强化，邻域生成时参考上次迭代时质心的移动轨迹，向反方向进行邻域取样。邻域重复采样时引入混沌优化策略，设置混沌序列a＝{a0,a1,…,ag}，其中a0∈[-1,1]，序列由混沌自映射函数式(24)获得：

[0118]

[0119] 由混沌序列a与步长r决定邻域采样聚类中心V'相对原点移动的距离。

[0120] 如图3所示，禁忌搜索聚类法的具体流程如下：

[0121] S301、利用聚类法确定初始解，以作为初始的当前最优解；

[0122] 使用聚类法得到问题的一组最优解(U*,V*),U*为ψ*c的隶属度矩阵(ψ为记录数，c为聚类数)，将V*加入空的禁忌表。

[0123] S302、在当前最优解的邻域内，沿着上次搜索方向的相反方向进行禁忌搜索，得到采样解；

[0124] 在V最后一次移动方向的反方向上，将V*移动a*r距离，得到邻域内的一个采样解V'并记录。

[0125] S303、根据禁忌表，判断采样解是否被禁忌；

[0126] 判断V'是否被禁忌，判断前对聚类中心进行排序，排除顺序影响。计算U'，与禁忌表中的对象V*进行比较，若满足式(25)则采样解被禁忌：

[0127]

[0128] S304、重复S302和S303，得到采样解集合；

[0129] 上述采样解集合具体可以为待搜索队列。具体的，重复S302和S303的操作L次，完成邻域采样与禁忌判断，定义队列W＝{V1,V2,…,VL}队列长度为L，若L个结果全部禁忌，则W＝{V1,V2,…,VL}；否则W＝{V'|V'未禁忌}。

[0130] S305、对所述采样解集合中的采样解进行局部搜索，得到与各个采样解对应的候选解集合；根据适应度函数，分别确定与各个采样解对应的候选解集合中适应度值最大的候选解，得到与各个采样解对应的局部最优解，并得到全局最优解；在该候选解的适应度值大于当前最优解的适应度值时，更新所述禁忌表，并更新所述当前最优解，减小搜索步长，否则增加搜索步长，其中，所述搜索步长预先设置有最小值；

[0131] 从待搜索队列取(Uα,Vα)作初始值，运行CM算法(C-Means，聚类法)局部搜索得到新解(Uα*,Vα*)，并定义一个评价指标Cα*(C越大则表示解越好)，获得Cα*的最大值Clocal以及对应的局部最优解(Ulocal,Vlocal)，若Clocal＞C*(C*为起始解(U*,V*)对应的指标)，则步长r＝r-Δr，否则r＝r+Δr，Clocal与已知全局最优解(Uglobal,Vglobal)对应的Cglobal比较，若(Ulocal,Vlocal)更大，则更新全局最优解，无论如何都将(Ulocal,Vlocal)记为(U*,V*)。

[0132] 具体的，本实施例中用于评价解的优劣的适应度函数如式(26)所示：

[0133]

[0134] 式中，(x,y)为待定位节点的真实坐标，dq为待定位节点与锚节点的估计距离。f(x,y)取得最大值时，此时待定位节点的坐标就最接近真实位置。

[0135] S306、重复S302至S305，直至迭代次数达到预设次数，得到目标最优解，以作为所述待定位节点的定位结果。

[0136] 若达到最大搜索次数，则完成搜索，输出全局最优，否则返回S302。

[0137] 可见，本实施例提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位方法，应用于无线传感器网络，基于RSSI测量处理和定位优化法，为了进一步提高定位性能，当采用RSSI测量节点间距离时，使用NSTF法对信号值进行处理，从而获得更高精度的节点间距离值；并利用禁忌搜索聚类法对节点位置坐标进行寻优，降低了定位误差。

[0138] 通过大量仿真实验，仿真结果表明，当锚节点比例、传感器节点数和环境噪声标准偏差发生变化时，本实施例具有较高的定位精度和较低的计算复杂度。因此，本实施例能够满足定位精度和快速处理的要求，具有一定的实际意义。

[0139] 下面对本申请实施例提供的一种滤波RSSI和禁忌搜索聚类的传感节点定位装置进行介绍，下文描述的一种滤波RSSI和禁忌搜索聚类的传感节点定位装置与上文描述的一种滤波RSSI和禁忌搜索聚类的传感节点定位方法可相互对应参照。

[0140] 参见图4，本实施例的滤波RSSI和禁忌搜索聚类的传感节点定位装置，应用于无线传感器网络，包括：

[0141] 滤波模块401：用于利用STF法和MAF法，对待定位节点和锚节点的RSSI测量值进行滤波处理，得到RSSI优化的测量值；

[0142] 距离确定模块402：用于根据RSSI优化的测量值，确定所述待定位节点与所述锚节点之间的距离值；

[0143] 适应度函数确定模块403：用于根据所述待定位节点与所述锚节点之间的距离值，利用极大似然估计法生成约束函数，以作为禁忌搜索聚类法的适应度函数；

[0144] 位置确定模块404：用于将定位问题转换为寻优问题，基于所述适应度函数，利用禁忌搜索聚类法对所述待定位节点的位置坐标进行寻优，得到定位结果。

[0145] 本实施例的滤波RSSI和禁忌搜索聚类的传感节点定位装置用于实现前述的滤波RSSI和禁忌搜索聚类的传感节点定位方法，因此该装置中的具体实施方式可见前文中的滤波RSSI和禁忌搜索聚类的传感节点定位方法的实施例部分，例如，滤波模块401、距离确定模块402、适应度函数确定模块403、位置确定模块404，分别用于实现上述滤波RSSI和禁忌搜索聚类的传感节点定位方法中步骤S101，S102，S103，S104。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

[0146] 另外，由于本实施例的滤波RSSI和禁忌搜索聚类的传感节点定位装置用于实现前述的滤波RSSI和禁忌搜索聚类的传感节点定位方法，因此其作用与上述方法的作用相对应，这里不再赘述。

[0147] 此外，本申请还提供了一种滤波RSSI和禁忌搜索聚类的传感节点定位设备，如图5所示，包括：

[0148] 存储器100：用于存储计算机程序；

[0149] 处理器200：用于执行所述计算机程序，以实现如上文所述的滤波RSSI和禁忌搜索聚类的传感节点定位方法的步骤。

[0150] 最后，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上文所述的滤波RSSI和禁忌搜索聚类的传感节点定位方法的步骤。

[0151] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0152] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

[0153] 以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。