移動傳感網節點位置預測方法研究

楊文忠 夏揚波 張振宇 王慶鵬

摘 ?要： 針對現有稀疏傳感網中移動節點位置預測精度較低，提出一種基于深度信念網絡的移動未知節點位置預測方法。首先利用深度信念網絡強大的特征學習能力，分析不同信號強度向量樣本集;其次在深度信念網絡的最后一層級聯一層支持向量機，將所學習到的信號強度分布特征作為頂層支持向量機的輸入，構建距離預測模型;最后預測未知節點與其相鄰節點之間的距離，判斷其可能位置所在區域，計算得出未知節點的預測位置。仿真實驗結果表明，文中所提出的位置預測方法與RBF神經網絡位置預測方法相比，預測精度提高了19.3%;與支持向量機預測方法相比，預測精度提高了23%;與改進的MCL相比，預測精度提高了33.4%，且有較強的魯棒性，適用于稀疏傳感網絡節點位置預測。

關鍵詞： 移動無線傳感器網絡; 節點位置預測; 深度信念網絡; 支持向量機; 構建預測模型; 仿真驗證

中圖分類號： TN711?34; TP393 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? 文章編號： 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

移動無線傳感器網絡作為一種集智能與網絡于一體的新興技術，被廣泛的應用于各個領域[1?2]。網絡中各節點以互相協作的方式實現用戶對目標區域的監控。在實際監測情況中由于節點能量有限、地震或者火災等其他因素導致節點“死亡”的現象時有發生，從而形成節點分布比較稀疏的稀疏傳感網絡。如何在稀疏傳感網絡中預測并確定某一移動未知節點所在的位置是如今廣大學者研究的目標。對未知節點位置的預測具有重大的實際意義，比如在礦井救援等地下環境中，由于安全事故需要對人員實現位置預測;牧區深處，對自由放牧的牲畜可以防走失、找回，便于管理;位置預測對于基于位置的路由建立也具有一定的參考價值等。

文獻[3]提出了一種基于蒙特卡羅的改進移動未知節點位置預測定位算法。在位置預測的過程中將周圍錨節點分布相對比較密集的未知節點轉化為虛擬錨節點來輔助對其他移動未知節點的位置預測，同時根據虛擬錨節點的實際預測誤差引進擴張系數，從而改進采樣的效率，提升算法的預測精度。但這種方法計算量大，需要反復采樣、過濾，沒有考慮到實際節點能量有限的這一約束。文獻[4]提出一種基于隨機游走的社會推薦算法來為移動節點未來位置進行預測。該算法假設將移動節點的歷史訪問位置看作一個評分特征轉移矩陣，網絡中每一個節點都記錄著所有移動節點的訪問次數，對某一移動節點的位置預測就采用隨機游走的相似性度量來尋找可能的位置點，通過定義的相似性度量，來尋找更多可能的位置點。由于此種方法具有社會性質較高，所以導致有些位置點可能永遠也不會訪問到。文獻[5]提出一種基于支持向量機技術的WSN移動節點預測定位算法，該算法通過支持向量機技術建立起節點測量向量與位置之間的對應關系，并通過牛頓插值的方法計算并更新節點位置的樣本集，最后通過向量機計算和糾正錯誤坐標，從而實現節點位置的預測，但該方法計算量大，計算復雜。

2.2.2 ?第二階段：位置預測

稀疏傳感網絡中對移動未知節點的位置預測可以分為以下兩種情況：待預測節點通信范圍內存在信標節點;待預測節點通信范圍內不存在信標節點。

針對第一種情況，待預測節點可直接與信標節點通信，則待預測節點必然存在于以上一時刻位置點為圓心，節點單位時間內最大運動速度[V]為半徑作圓和所通信信標節點通信半徑圓的相交區域內（假設單位時間間隔為1 min，且每間隔1單位時間做一次預測）。在相交區域內均勻取k個位置值，作為待預測節點可能存在的位置點，然后將待預測節點自身存儲的信號強度向量作為DBN?SVM距離預測模型的輸入，預測出自身位置到通信信標節點之間的歐氏距離d，并將結果發送給通信信標節點。信標節點接收到預測結果，便可以進一步縮小待預測節點的取值范圍，從而排除錯誤位置值對最終位置預測的影響。最后取剩余位置值的均值作為待預測節點的位置所在：[（x，y）=1ki=1k（xi，yi）]。

針對第二種情況，待預測節點的通信范圍內不存在信標節點，信標節點是待預測節點的二跳或者三跳節點，甚至更多，則可以依據通信路徑上的每一個未知節點存儲的信號強度向量來初步地依次預測出兩兩節點之間的歐氏距離。本文以信標節點是待預測節點的二跳節點為例來進行說明，如圖2所示。假設待預測節點下一時刻將由B點運動到C點，由于信標節點D不在待預測節點的通信范圍內 （此處的通信鏈路路徑為C→F→D），將信息傳播路徑上每個節點存儲的信號強度向量依次輸入到DBN?SVM距離預測模型中預測出兩兩節點之間的歐氏距離d，并將預測結果傳輸至離本節點最近的Sink節點。圖2中節點D距離未知節點F的預測距離為X1，未知節點F距離節點C的預測距離為X2。則由三角形三邊關系定理可知節點C必然位于以上一時刻位置點B為圓心，移動節點單位時間內最大運動速度[V]為半徑作圓和以節點D為圓心，以不大于X1+X2（兩邊之和大于第三邊）為半徑作圓的相交區域內。同時，由于節點C不在節點D的通信半徑圓內，所以可以進一步縮小待預測節點位置取值區域，排除錯誤位置取值點，最后未知節點C的取值區域如圖中C型陰影所示。假若未知節點F的位置用同樣的方式可以確定下來，則依據未知節點F與節點C之間的歐氏距離預測，可以更進一步縮小節點C的取值范圍，如圖2中月牙型深色陰影部分所示。最后同樣取剩余位置點的均值作為最終預測移動節點的位置所在。

3 ?實驗仿真與結果分析

3.1 ?實驗數據集與實驗環境

文中所使用的數據集由Matlab實驗仿真所得，網絡中信標節點個數設為100個，未知節點個數設為200個，節點的通信范圍設置為R=10 m，初始信號強度大小設為0 dBm。在區域中隨機挑選100個節點作為信號強度采集參考點，其中包含信標節點43個，未知節點57個。在每一個節點通信范圍內用第2.1節所述數據采樣方法，總共收集了21 200條信號強度向量數據。在數據特征學習，提取過程中本文使用的是Windows 7下安裝的Theano來搭建的DBN，通過Theano可以對深度學習的算法進行快速的建模和驗證算法的有效性。所用的個人電腦配置為：Intel CORE i7?4790 CPU，3.6 GHz，

8 GB內存，1 TB硬盤，GPU GeForce GTX TITAN X。

3.2 ?DBN參數設置

在構建DBN?SVM模型的過程中，DBN的層數、迭代次數以及每一隱藏層節點的個數對模型的構建和特征學習效果的優劣顯得極為重要。為了能更好地構建預測模型，設置隱藏層初始值為4，增量為1，每層的節點數初始值為5，增量為5，迭代次數增量設置為1。對于網絡模型的微調階段，過大的學習速率會導致模型構建的不理想。本文將采用梯度下降法來微調網絡模型，學習速率設置為0.05。頂層SVM分類器的參數設置分別為：核函數采用RBF徑向基核函數，懲罰因子C=0.5。如圖3所示，通過調節不同的隱藏層層數以及每層節點的個數來查看DBN模型的特征學習效果，同時采用RMSE作為評價指標。均方根誤差（Root Mean Square Error，RMSE） 亦稱標準誤差，它可以很好地反映出觀測值與真值之間的偏差程度。RMSE值越小，表明預測值與真值越接近;反之，預測值偏離真實值。RMSE的計算公式如下：

[RMSE=1ni=1nobservedi-predictedi2] ?（8）

如圖3所示，當隱藏層層數固定時，隨著每一層節點數的增加，RMSE呈下降趨勢，當隱藏層節點數為20時，DBN?SVM模型的特征學習效果達到最好;當固定每一隱藏層節點個數時，隨著隱藏層層數的增加圖形呈現出了凹狀，當隱藏層層數達到6層時，DBN?SVM模型的特征學習效果最佳。綜上所述，將文中預測模型隱藏層層數設置為6，每一隱藏層節點個數設置為20，此時的DBN?SVM模型的特征學習效果最好。

迭代次數也是有效構建DBN?SVM模型的主要參數之一，迭代次數過多可能會導致模型過學習。從圖4可知，隨著學習迭代次數的增加，RMSE值呈下降趨勢，當迭代次數為23次時，RMSE表現出最佳值為0.010 65。

結合前面參數設置對比實驗，本文最終將DBN?SVM模型的隱藏層層數設置為6層，每一隱藏層節點數設置為20，學習迭代次數設置為23次，學習速率設置為0.05;頂層支持向量機的核函數選用RBF徑向基核函數，懲罰因子C=0.5。

3.3 ?實驗結果分析

實驗從預測精度以及主要影響位置預測的信標節點占比、節點通信半徑等因素進行了分析和驗證。位置預測精度主要考察預測方法的預測效果，而信標節點占比和節點通信半徑主要影響了預測模型的有效構建。

為了驗證本文所提出的DBN?SVM位置預測方法的有效性，分別與文獻[3]提出的改進蒙特卡羅位置預測方法、文獻[5]提出的支持向量機位置預測方法以及文獻[6]中提出的RBF神經網絡位置預測方法進行了預測精度的比較。

如圖5所示，當信標節點個數相對較少時，由于信標節點不是均勻覆蓋整個網絡，可能存在網絡空洞等情況，雖然本文提出的DBN?SVM位置預測方法適用于稀疏傳感網，但可能存在對移動未知節點進行位置預測時不能獲取足夠有效的輔助信息，導致位置預測的結果與實際值偏差較大。同時，其他三種位置預測方法效果都不太理想，但DBN?SVM位置預測方法依然要優于它們。隨著信標節點在整個網絡空間中占比的增多，提供的位置預測有效信息也越來越多，出現孤立節點的可能性減小，RMSE值快速下降。同時注意到，當移動傳感網中信標節點的數量占比達到20%時，此時相比于其他三個位置預測方法，DBN?SVM位置預測效果顯著提高。此時，本文所提出的DBN?SVM位置預測方法相比于基于蒙特卡羅的位置預測算法精度提高了33.4%;與RBF神經網絡位置預測方法相比，預測精度提高了19.3%;與支持向量機預測方法相比，精度提高了23%。說明本文提出的DBN?SVM位置預測方法適用于稀疏移動傳感網節點位置預測。

如圖6所示，在相同數量的信標節點情況下，隨著節點通信半徑R的增大，整個網絡的連通率增大，節點所能接收到其他節點的信號強度分量增多，用于預測兩點之間歐氏距離的有用信息增加，所以整個網絡中可預測節點數增加。當通信半徑一定時，隨著信標節點數的增加，提供的位置預測輔助有效信息增加。當信標節點數基本達到60個時，網絡中可預測節點數的占比將不再發生大的波動，說明在200 m×200 m的二維區域中，對移動未知節點基本可以實現位置預測。再次驗證了本文提出的DBN?SVM位置預測方法適用于稀疏傳感網節點位置預測。

圖7展示了未知節點運動速度V對預測效果的影響。由圖可知，改變節點的運動速度對位置預測效果的影響并不是很大，主要原因是本文所提出的位置預測方法首先是通過判斷節點位置所在區域，然后再選取區域中的若干個取值點，最后再排除不可能的位置點，取均值，最終得到節點位置。節點運動速度大小的改變并不會引起預測區域的改變，所以，改變節點的運動速度并不會過多地影響預測效果，也說明了本文所提出的位置預測方法具有一定的魯棒性。

位置預測模型預測精度的影響

4 ?結 ?語

本文提出一種基于深度信念網絡與支持向量機相結合的移動節點位置預測方法。該方法利用深度信念網絡與支持向量機各自的優點構建一個距離預測模型，然后再結合移動節點自身的運動特性進行未知節點位置的預測。Matlab實驗仿真結果表明，本文提出的DBN?SVM位置預測方法在信標節點占比相對比較少的移動稀疏傳感網中預測效果要優于其他方法，且提高了預測精度，魯棒性相對而言也比較強，適用于移動稀疏傳感網中進行節點位置預測。由于文中所用實驗數據皆是仿真得出，所以下一步工作將要驗證其在真實環境中的預測效果。

注：本文通訊作者為夏揚波。

參考文獻

[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] 張子揚.錨節點稀疏環境下WSN移動節點定位算法研究[D].贛州：江西理工大學，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] 湯文華，傅明.基于SVM的WSN移動節點定位算法[J].計算機工程，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] 高歡斌.基于深度學習的室內定位算法研究[D]. 西安：電子科技大學，2016.

作者簡介：楊文忠（1971—），男，河南南陽人，博士，副教授，主要研究方向為輿情分析、移動傳感器網絡。

夏揚波（1992—），男，湖南郴州人，碩士研究生，主要研究方向為網絡安全、移動無線傳感器網絡。

張振宇（1964—），男，山西大同人，博士，教授，主要研究方向為機會網絡、移動社會網絡。

王慶鵬（1990—），男，山西陽高人，碩士研究生，主要研究方向為輿情分析。