基于目標追蹤的無線網絡異常通信節點定位

柴軍

（北京市數字教育中心（北京電化教育館），北京 100089）

無線網絡除了應用于人們日常生活外，還能應用于災難救助領域中，這樣的工作模式對無線網絡的精準定位提出了高標準需求。如何在無線網絡中快速發現異常通信節點，成為當前人們研究的重點。然而，傳統的集中式定位算法只選取一個網絡節點作為參考節點，整個網絡內的所有異常節點都要通過基準節點傳送，從而導致系統對基準節點的依賴性過大。在大規模網絡中，由于有大量的異常節點需要進行定位，因此必須接收各個節點之間的通信信息，從而造成了數據傳輸負荷過大的問題，無法迅速找到異常節點。為此，諸多學者進行了相關研究，文獻[1]提出了基于加權質心算法的定位方法，在網絡坐標系統中引入標準方程，得到了該模型的坐標，并根據誤差的倒數進行加權，利用形心算法模擬定位點的位置坐標；文獻[2]提出了基于跳距修正的WSNs 定位方法，根據共線度的概念選擇合適的錨點，并用無偏量估算出異常節點。結合構造的定位目標函數，利用Java 算法對異常節點進行定位。但由于無線網絡容易受到外界干擾影響，導致定位結果不精準。為此，提出了基于目標追蹤的無線網絡異常通信節點定位方法。

1 無線網絡通信節點異常范圍確定

在無線網絡中，由于采用了低成本、自組織協作模式的通信協議，因此易受外界電磁干擾，而且隨著通信距離的增大，傳感器節點間的數據會發生衰減，從而導致數據丟失[3]。因此，在一個特定的位置上，可以確定無線網絡中的通信節點異常范圍。

在無線網絡中，基站的主要節點將群集信息傳送給每個節點，然后按照簇首的分布密度對節點進行聚類，從而達到優化能耗的目的[4]。簇首在簇的邊緣處，其網絡能耗大于簇中央，因此在簇首處于集群邊緣的情況下，通過確定通信節點異常范圍，可以實現簇群內部成員節點的直接通信[5-7]。同時，新一輪的簇首選擇是將簇頭中剩余的能量最多的節點作為新的簇頭，經過多次通信，可以顯著降低剩余的能量損失，并隨著簇頭數量的增加，選擇節點的概率也會相應增加，從而改善整個網絡的功率和負載均衡，進而有效延長網絡的壽命[8-10]。

根據上述分析的無線網絡通信節點容易出現異常的位置，設計了無線網絡通信節點異常范圍劃分流程，如圖1 所示。

圖1 無線網絡通信節點異常范圍劃分流程

當簇首聚集在集群的中央時，由成員節點根據生成樹的最小路徑將數據反向傳送給簇首，簇首接收到的信息會被壓縮，然后用相同的方法與無線網絡通信基地臺的主節點進行通信[11]。

2 基于目標追蹤的異常通信節點定位

2.1 異常通信節點定位目標追蹤流程設計

針對無線網絡容易受到外界干擾影響，導致出現不確定性結果的問題，為了克服不確定因素對跟蹤性能的負面影響，提出了基于區域劃分和目標感知的方法。同時，利用不確定度作為額外信息，可以有效改善跟蹤的精準度[12]。異常通信節點定位目標追蹤流程如圖2 所示。

圖2 異常通信節點定位目標追蹤流程

對每個參與位置的節點，在不同時間段內，若兩個節點的感知結果是相反的，則將異常通信節點指派為0；若兩個節點在同一次序上，則按其遞增或遞減的次序，將異常通信節點指派為1 或-1[13]。將節點ID 從小到大依次列舉，并排列出所有節點對應的值，從而獲得了感知矢量。根據群體感知所生成的感知矢量，將各目標的位置與各劃分區域上的特征矢量進行比較，確定了正常節點與異常目標之間的相對位置關系，由此進行目標跟蹤[14]。

2.2 異常通信節點定位

為了有效捕獲目標追蹤過程中的感知向量，提高目標追蹤結果的可靠性，構建感知向量[15]。假設追蹤區域內部署了多個傳感器節點，在短時間內，各個傳感器節點幾乎同時對目標節點進行k次采樣，這些感知結果為一個分組感知，可用如下矩陣表示：

式中，rN,tm-1表示任意節點不同時刻的采樣結果集合。對于任意一個節點對及感知結果，存在三種情況：如果r1中所有參數均大于r2，則定義r1＞r2；如果r1中所有參數均小于r2，則定義r1＜r2；如果r1中并非所有參數均大于或小于r2，則定義r1≈r2。充分考慮上述存在的三種情況，將感知結果引入目標追蹤過程中，結合歷史定位信息，使每次定位都能在短時間內完成，大大降低跟蹤復雜程度[16]。

通過對感測節點的指派，對已部署的通信節點進行賦值，從而構成感知矢量，并將其與目標追蹤相關的信息結合起來。使用基于目標跟蹤的無線網絡異常通信節點定位技術，在監測區域內設置若干檢測節點，并利用其與周邊節點的通信來獲得位置測量數據。在此基礎上，利用測得的數據和定位技術，估算出異常節點的相對位置，從而精確確定異常節點位置。

異常通信節點的詳細定位步驟如下。

步驟一：在監測區域內標定一定比例的感應節點，使其在監控范圍內形成一個無線感應網，方便后續的定位；

步驟二：將異常節點和網絡中的節點進行通信，從各個節點之間的通信中抽取出網絡信息，得到了相應的信息：

式中，m表示無線網絡異常通信線路上的信息；h(gj)表示節點gj上的信息；h(gi)表示節點gi上的信息。

步驟三：利用提取的節點間通信信息，對異常通信節點最終位置進行定位，公式為：

根據式（3）的計算結果就能得到網絡異常通信節點的最終定位結果。

2.3 異常通信節點定位結果優化

無線網絡異常通信節點容易受到相鄰節點影響，出現定位結果不精準的問題[17-18]。為了解決這個問題，需要優化異常通信節點定位結果。若運營商發現的報文數目及鄰近節點接收的報文數目小于設定的閾值，則在報文發現報文數目不足時，向鄰近節點傳送信息，選取最合適的通信節點。利用估計算法獲取節點初始位置，并在此基礎上劃分各個監測區的交集范圍，如圖3 所示。

圖3 通信節點交集

圖3中頂點坐標分別為(a1,b1)、(a2,b2)、(a3,b3)、(a4,b4)，由此得到的定位節點估計位置信息為：

結果位元在搜索過程中會出現起伏的情況，且其變化幅度一般都是在自適應函數的數值范圍。這種方法似乎只能在局部區域上獲得最好的結果，而非最優。對所獲得的結果進行優化，使其能夠達到最優定位值，具體優化的公式為：

式中，X表示異常通信節點最終定位結果，ηj表示定位效率最大值，ηi表示定位效率最小值，T表示定位周期。

利用上述公式，對鄰近節點的通信估算位置信息進行了優化，得到了最優的節點位置信息。若該節點與鄰近節點的通信估算出的位置值并非全域最佳，則該迭代法由式（5）繼續進行。在此基礎上，采用逐次迭代的方法，將各相鄰節點的位置信息逐步逼近，從而獲得最精確的定位信息。優化異常通信節點定位結果，可以有效避免傳統基于基準節點的過分依賴而造成的網絡定位問題。

3 實 驗

3.1 實驗平臺

在實驗區域部署了六個傳感器節點，感知分辨率為1，分組感知采樣次數為五次。該平臺的無線網絡通信主要有單、雙頻工制的兩種工作方式，前者干擾大，后者干擾小。為了避免其他方面的干擾，使用雙頻工作方式。在這種工作方式下，最易出現的異常通信節點主要包括四個光譜空洞節點和兩個頻譜節點。

3.2 定位軌跡分析

通過實驗對基于加權質心算法的定位方法、基于跳距修正的WSNs 的定位方法和基于目標追蹤的定位方法的定位結果進行了比較。三種方法的網絡異常通信節點定位結果軌跡繪制，如圖4 所示。

由圖4 可知，使用加權質心算法的定位方法軌跡粗糙，與理想軌跡不重合，隨著橫向運動軌跡的增加，縱向與理想軌跡最大相差16 mm；使用基于跳距修正的WSNs 的定位方法軌跡雖然比使用加權質心算法的定位方法光滑，但軌跡與理想軌跡不完全重合，隨著橫向的增加，縱向與理想軌跡最大相差14 mm；使用基于目標追蹤的定位方法軌跡光滑，且與理想軌跡完全重合，隨著橫向運動軌跡的增加，縱向與理想軌跡最大誤差為0 mm。

圖4 三種方法節點定位結果軌跡繪制

3.3 可定位節點比例分析

三種方法的可定位節點比例對比結果如表1所示。

由表1 可知，使用基于加權質心算法的定位方法最高可定位節點比例為0.71，比基于目標追蹤的最高可定位節點比例低0.22；使用基于跳距修正的WSNs 的定位方法最高可定位節點比例為0.88，比基于目標追蹤的最高可定位節點比例低0.05。通過上述分析結果可知，使用基于目標追蹤的定位方法定位效果更好，可定位節點比例最高可達到0.93。

表1 三種方法可定位節點比例對比結果

4 結束語

將成對節點的不確定區域和邊界進行分區，并在節點多次取樣下，有效地減少了不可靠感知對目標跟蹤性能的影響。通過把跟蹤過程轉換成矢量匹配，減少環境因素的影響，提高跟蹤準確性。實驗結果表明，當目標跟蹤環境存在不確定性時，基于目標追蹤的定位方法體現出更好的跟蹤性能。