论文部分内容阅读
随着越来越多的无线传感器融入到人们的生活，室内位置服务已广泛应用于各种场合，包括老人健康照护、火场救援以及安全监控等。在诸多技术中，基于射频的无设备被动定位因为无需携带任何设备就可实现室内人员的定位和追踪，具有隐式感知、非侵入性的特性，能够提供良好的隐私保护。由于室内环境的复杂性，如噪声干扰、碰撞冲突等，容易引起丢包并对定位精度产生影响。为提高精度，现有被动定位方法通常部署过多的传感器节点，从而造成包括节点冗余和链路冗余的“两级”冗余，使总体定位成本过高且影响精度。针对上述问题，本文开展节点优化的关键技术研究，主要研究成果包括:
(1)针对室内环境易发生丢包而影响定位精度的问题，提出了一种基于指纹的丢包容忍定位方法(Quick and Robust LocalizationApproach，QRLA)。该方法定义三个指标以定量描述室内环境的丢包率。基于指标，提出丢失数据处理算法以有效应对不同程度的丢包。以支持向量机模型训练分类器，QRLA得到较高的定位精度。实验结果表明，QRLA方法具有定位精度高、丢包容忍等特点。此外，还具有动作不敏感特性，只需建立一个分类器就可定位站立和走动两种动作的测试样本，有效地降低分类器训练成本。
(2)现有被动定位研究通常按照经验来设置传感器节点的布局和数量。为提高定位精度，往往部署过多的传感器而产生节点冗余(一级冗余)，从而产生硬件成本高、定位时间开销大等问题。针对节点冗余，提出了一种启发式节点优化方法(Redundancy Reduction Method for Indoor Localization,RRIL)。该方法基于遗传算法架构迭代地选择节点子集，间接构建链路子集，通过构造支持多目标优化的适应度函数来确定链路子集的适应度值，使具有更好适应度值的节点子集能够有更多的机会产生下一代，直至找到近似最优解。实验结果表明:遗传算法的染色体编码易于表示节点组合，能够有效地减少了节点数量，缩短定位响应时间。
(3)通过分析发现，在遗传算法遴选的节点组合中仍然存在链路冗余(二级冗余)。该级冗余是在受试者同时扰动定位点内的多条链路，使链路产生一致地相关变化，链路间存在强相关性而造成的。针对链路冗余，提出基于特征提取的节点优化算法(RRIL based on Feature Extraction，RRIL-FE)。该方法在遗传算法产生定位数据子集时，基于特征提取从数据子集中抽取一系列正交、不相关的二次特征，以此为基础重构一个非冗余的定位数据集并训练分类器。实验结果表明，相比RRIL，RRIL-FE方法能够有效控制节点冗余和链路冗余，减少节点数量，降低总体部署成本，保持定位稳定。
(4)针对RRIL-FE方法不能评价节点质量的问题，探索性地提出基于组特征选择的节点优化算法(ReliefF Group Feature Selection,RGFS)。该算法提出面向节点性能评价的方法(ReliefF Group，ReliefF-G)，通过评价与节点关联的一组特征来确定该节点重要性。在此基础上，基于序列前向搜索和封装式特征选择方法提出RGFS算法。该算法首先使用ReliefF-G评价每个节点的质量并降序排列节点;然后，分别从每类中遴选节点，构建候选节点组合以训练分类器，通过分类器的性能决定该节点是否可以入选最优子集。实验结果表明:RGFS能够有效地评价节点质量，获得最优节点组合，降低搜索最优子集的时间复杂度。
(1)针对室内环境易发生丢包而影响定位精度的问题，提出了一种基于指纹的丢包容忍定位方法(Quick and Robust LocalizationApproach，QRLA)。该方法定义三个指标以定量描述室内环境的丢包率。基于指标，提出丢失数据处理算法以有效应对不同程度的丢包。以支持向量机模型训练分类器，QRLA得到较高的定位精度。实验结果表明，QRLA方法具有定位精度高、丢包容忍等特点。此外，还具有动作不敏感特性，只需建立一个分类器就可定位站立和走动两种动作的测试样本，有效地降低分类器训练成本。
(2)现有被动定位研究通常按照经验来设置传感器节点的布局和数量。为提高定位精度，往往部署过多的传感器而产生节点冗余(一级冗余)，从而产生硬件成本高、定位时间开销大等问题。针对节点冗余，提出了一种启发式节点优化方法(Redundancy Reduction Method for Indoor Localization,RRIL)。该方法基于遗传算法架构迭代地选择节点子集，间接构建链路子集，通过构造支持多目标优化的适应度函数来确定链路子集的适应度值，使具有更好适应度值的节点子集能够有更多的机会产生下一代，直至找到近似最优解。实验结果表明:遗传算法的染色体编码易于表示节点组合，能够有效地减少了节点数量，缩短定位响应时间。
(3)通过分析发现，在遗传算法遴选的节点组合中仍然存在链路冗余(二级冗余)。该级冗余是在受试者同时扰动定位点内的多条链路，使链路产生一致地相关变化，链路间存在强相关性而造成的。针对链路冗余，提出基于特征提取的节点优化算法(RRIL based on Feature Extraction，RRIL-FE)。该方法在遗传算法产生定位数据子集时，基于特征提取从数据子集中抽取一系列正交、不相关的二次特征，以此为基础重构一个非冗余的定位数据集并训练分类器。实验结果表明，相比RRIL，RRIL-FE方法能够有效控制节点冗余和链路冗余，减少节点数量，降低总体部署成本，保持定位稳定。
(4)针对RRIL-FE方法不能评价节点质量的问题，探索性地提出基于组特征选择的节点优化算法(ReliefF Group Feature Selection,RGFS)。该算法提出面向节点性能评价的方法(ReliefF Group，ReliefF-G)，通过评价与节点关联的一组特征来确定该节点重要性。在此基础上，基于序列前向搜索和封装式特征选择方法提出RGFS算法。该算法首先使用ReliefF-G评价每个节点的质量并降序排列节点;然后，分别从每类中遴选节点，构建候选节点组合以训练分类器，通过分类器的性能决定该节点是否可以入选最优子集。实验结果表明:RGFS能够有效地评价节点质量，获得最优节点组合，降低搜索最优子集的时间复杂度。