[發明專利]一種基于虛擬訓練集和馬爾科夫鏈的煤礦井下定位方法

有效

• 申請號: 201410017796.1
• 申請日: 2014-01-15
• 公開（公告）號: CN103796304B
• 公開（公告）日: 2017-06-30
• 發明（設計）人: 崔麗珍;李蕾;高麗麗;員曼曼;史明泉
• 申請（專利權）人: 內蒙古科技大學
• 主分類號: H04W64/00
• 分類號: H04W64/00
• 代理公司: 北京中譽威圣知識產權代理有限公司11279
• 代理人: 蔣常雪

1.一種基于虛擬訓練集和馬爾科夫鏈的煤礦井下定位方法，其特征在于：在煤礦井下需要目標定位的區域內，部署多個信標節點并合理選取出若干個采樣位置，并按以下四個步驟進行構建離線虛擬訓練集和實現井下定位算法：

步驟1：搭建井下無線傳感器定位網絡，其方法包括：

①網關節點作為協調器，信標節點和移動節點作為終端設備，網關節點廣播信標節點配置請求和移動節點配置請求，配置4個信標節點和1個移動節點信息；

②移動節點廣播Cluster Id為1的定位數據幀；

③信標節點接收到該數據幀后，提取RSSI存入負載，并向網關節點發送Cluster Id為2的數據幀；

④網關節點分別接收到4個信標節點發來的數據幀，對其進行處理并作為指紋信息通過串口發送到上位機；

步驟2：離線構建虛擬訓練數據集：

不同位置信道衰減因子n由式(2)

RSSI＝A₀-10nlg(d/d₀)+X_σ(2)

計算可得為：

采用線性插值：

n(i)＝α×n(i-1)+(1-α)×n(i+1)(4)

其中α為插值系數，其值為：

式(2)、(3)、(4)和(5)中，d為距離，i表示第i個位置；

利用線性插值法可得到各插值點處的n，實現了動態衰減因子，利用經典模型式(2)可計算出相應的RSSI，從而得到虛擬RSSI指紋訓練數據集；

步驟3：在線定位目標：

在線定位階段利用貝葉斯估計計算目標位置的后驗概率，最后選擇最大后驗概率的訓練數據所對應的位置作為估計位置，由貝葉斯準則可知：

p(R|l_k)＝p(r₁,r₂,···,r_q|l_k)＝p(r₁|l_k)p(r₂|l_k)···p(r_q|l_k)(7)

其中，p(l_k)與目標的運動習慣有關，為歸一化常量，故

p(l_k|_R)∝p(R|l_k)p(l_k)(8)

若先驗概率不偏向任何位置即p(l_k)相同，貝葉斯最大后驗概率取決于最大似然函數；以核函數法構造的似然函數p(R|l_k)的模型可以更精確的表示RSSI概率密度分布情況，即

式中，K(R,Rⁿ)為核函數，N_S為樣本數，Rⁿ為數據庫中第n個樣本的RSSI指紋；核函數法將每個訓練位置上的每個樣本數據賦予一個以自身為“核心”的函數，等權重的所有樣本對應核函數的總和為在該位置處的概率密度分布；核函數選用高斯核函數：

式中，σ決定了核函數的寬度；在先驗概率相同情況下，綜合式(3)-式(10)可得到基于核函數法的最大后驗概率：

l_k＝argmax[p(l_k|R)](12)

加權核函數法，首先，利用基于貝葉斯估計的核函數法計算似然函數，并在虛擬數據集中查詢出概率較大的K個l_k位置信息；然后，求其對應的樣本指紋與在線采集的指紋的歐幾里得距離；最后，將該距離作為權重，計算目標位置；

步驟4：基于高斯模型的馬爾科夫鏈定位算法：

采用Markov鏈方法，利用目標的歷史狀態信息，對下一刻目標所處的可能位置進行限制，從而抑制前后時刻目標位置估計可能產生的大幅度跳變，t+1時刻后驗概率：

其中，A為Markov鏈狀態轉移概率矩陣，表示從上一時刻到下一時刻，目標在任一位置轉移到其他位置的概率；

在定位過程中，節點以某一時間間隔采樣目標運動時狀態，以s′＝Ts*v為跳變距離進行轉移，認為目標下一時刻所在位置服從以μ_i＝s^1:t+s′為均值，σ_i＝2s′為方差的高斯分布；故

首先，在線獲取未知節點指紋信息，從虛擬數據庫中提取訓練指紋，根據加權核函數法構建似然函數；其次，通過本發明中的基于高斯模型的馬爾科夫鏈算法(13)～(15)式計算出：

最后，根據l_k^t+1在虛擬訓練數據集中查詢到相應的位置坐標；

式(6)-(16)中，p為概率的定義；l_k為位置信息；R為由列向量r₁、r₂構成的矩陣；其中r₁表示訓練集中第1個(數字1)位置的RSSI值，以此類推；σ為標準差；T_s為跳變時間或時間片；v為速度；μ_i為第i行樣本數據的均值；s^1:t為待定位目標節點在1到t時刻的位移。