室内无设备定位技术的LD-SVR模型研究

工程科学与技术，国际期刊23（2020）483完整文章基于LD-SVR的室内无设备定位技术K.S.阿努沙河Ramanathan，M. 贾古玛电子和通信工程系，工程学院，Coimbatore，Amrita Vishwa Vidyapeetham，641112，印度阿提奇莱因福奥文章历史记录：2019年1月11日收到2019年8月26日修订2019年9月17日接受在线预订2019年保留字：无设备本地化机器学习RSSI支持向量机回归Link距离A B S T R A C T无线传感器网络中使用无设备定位（DFL）的室内定位由于DFL的潜在优势而获得了越来越多的发展DFL中使用的技术可以大致分为统计方法、压缩感知、机器学习、无线电层析成像方法等。当设置中涉及的损耗因子和噪声不可预测时，基于机器学习的目标检测技术可以在更大程度上改善结果。支持向量机的自适应性使我们选择机器学习算法变得容易，支持向量机回归（SVR）是提出的用于目标位置预测的机器学习方法提出了一种基于链接距离的支持向量机（LD-SVR）模型，用于室内环境下单目标和多目标的基于链接距离的DFL利用参数均值误差和均值误差的概率分布函数，分析了在不同节点数和目标数下，引入测量误差后，支持向量回归模型的性能。仿真结果被发现是非常有前途的3D室内环境。测量误差对链路距离影响的平均误差最大值小于1 m。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍最近的位置估计的目标已成为一个有趣的研究领域，在无线传感器网络。在上下文感知计算领域，感兴趣的主要能力之一是位置估计。室内定位受多径干扰、反射、散射、路径中的障碍物等，从而引起射频（RF）信号的衰落和多径传播。从而影响了室内定位技术的精度。此外，由于在目标位置估计期间引起的基础设施费用，使用基于设备的定位技术的室内定位是无效的。在理解定位技术、进行比较以及室内环境中的挑战方面进行了许多研究[1]。在基于设备的定位中，目标携带设备进行定位。很多时候，设备不能由目标持有，用于特定场景，如入侵者跟踪，战场上的敌方车辆检测，野生动物的栖息地监测，获得房间中老年人或不同能力的人的轨迹等。为了取代，无设备定位（DFL）技术已经成为实现这些目标的最终选择，*通讯作者。电子邮件地址：ks_anusha@cb.amrita.edu（K.S.Anusha），r_ramanathan@cb.amrita.edu（R.Ramanathan），m_jayakumar@cb.amrita.edu（M.Jayakumar）。由Karabuk大学负责进行同行审查目标不需要配备用于运行其定位算法的一部分的任何设备因此，在目标定位的自适应选择中，将DFL技术结合到预先部署的无线传感器网络的传感器节点DFL的概念于2007年首次提出。在无设备定位技术的情况下，没有额外的硬件要求，因此它可以轻松地重新定位到任何环境包括传感器节点的无线传感器网络测量连接任意两个节点的链路之间的接收信号强度。当目标可用时，从所有节点获得的接收功率或接收信号强度指示符（RSSI）使用合适的DFL技术识别目标的基于统计[3]、压缩感知、机器学习（ML）[4，5]和无线电成像等，存在广泛的DFL技术。在这些方法中，机器学习（ML）分类器通过环境友好的传感器部署实现传感器节点数据不变性并减轻噪声各种类型的噪声可能会怀疑地影响传感器数据的准确性，由于房间中物体定位的动态变化或由于广泛的环境影响或由于串扰引起的噪声而影响偏移。因此，无条件的传感器输出大多需要显著的后处理，以便实现应用所需的更好的定位精度。在数据处理技术中，机器学习（ML）算法是最有前途的它们的显著特点包括有效的业绩，https://doi.org/10.1016/j.jestch.2019.09.0042215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch484K.S. Anusha等人/工程科学与技术，国际期刊23（2020）483训练要求和计算复杂度。但是，由于其对不断变化的条件的适应性，机器学习技术被认为可以有效地消除不必要的重新设计。此外，基于机器学习的技术鼓励许多实用的解决方案，以最大限度地利用资源，从而提高传感器网络的寿命我们的目标是利用接收信号功率的潜在好处，一种有效的机器学习技术来解决室内定位问题[6]。DFL技术在安全、环境监测、实时监测、医疗保健和辅助、智能家居、军事应用等领域有着广泛的应用前景。在基于指纹的DFL方法中，用于目标的不同位置的训练数据库被馈送到机器学习分类器，并且目标位置可以用新的指纹来预测[4]。同时对不同类型的基于指纹的位置估计技术进行了研究.预测模型使用的学习方法是支持向量机回归（SVR）.一般来说，支持向量机（SVM）是有监督的机器学习模型，用于评估基于分类和回归的问题[7，8]。在无设备被动定位的背景下，使用SVM分类器进行了许多工作。他们的内在能力，熟悉多类环境容易，是最重要的标准选择来解决我们的问题事实上，在许多工作中，研究人员声称，仅通过接收信号强度测量来正确定位目标是困难的。基于精确接收信号的定位的主要挑战之一是由于无线电信道的动态性而引起的RSSI的在这项研究中，我们提出了一个准确的和低复杂度的DFL技术的基础上SVR学习跟踪单个和多个目标的性能和评估。工作的主要重点如下。针对传统的直接根据接收功率预测目标位置的方法，提出了一种基于链路距离的通用预测模型。单参数简化模型。通过消除由于杂散环境引起的功率变化来减小接收功率与传统的机器学习算法不同，该模型消除了对大数据集的要求本文的结构安排如下：第二节阐述了DFL的相关工作。第3节解释了问题的制定。第4节详细描述了基于链路距离的DFL技术及其数学建模和方法。第5节给出了模拟结果，在粒度和整体水平进行了详细的分析。最后，第6节给出了模型的亮点和进一步改进的可能研究方向。2. 相关作品在无设备定位中，对于包括无线传感器节点的任何环境，通过理解收发器链路上的信号强度变化，通过合适的无设备定位技术来检测静止或移动目标的位置。本节重点介绍了在不同场景下用于目标定位的各种无设备定位技术。 在过去，已经提出了许多基于机器学习技术的室内定位技术。基于ML的技术的比较描述了在几年内选择最佳的，不同场景下的错误算法许多研究人员已经讨论了使用机器学习技术进行室内目标定位的多种方法[9，10]。除此之外，2015年还开发了基于无设备定位的目标检测实验测试床。Marc Caesar等人[11]提出了一种精确的算法，适用于具有低存储和计算要求的资源受限应用。事先的位置估计和链接过滤器包括改善的结果。Jie Wang等人[12]通过快速链路扫描过程和使用FDMA的阴影链路的先验预测，设计了一种时间和能量高效的基于飞行时间的DFL。该方法显示出改进的室外精度。Stefano Savazzi等人[13]提出了一种新技术，用于检测和跟踪人类-机器人工业场景中的目标，该技术通过使用低成本嵌入式RF接收器的RSS值和RF场扰动获得。Jie Wang等人[14]提出了一种基于贝叶斯网格方法（BGA）的低计算成本无设备定位，该方法利用了阴影链路的信息、先前估计中的先验信息和非阴影链路中的约束信息。Saeed、Ahmed等人[15]提出了Ichnaea一种重量轻、精度高、开销低的无设备被动定位系统。Ich- naea统计检测异常，并利用顺序蒙特卡罗/粒子滤波，同时适应环境的变化，使用IEEE802.11a硬件的目标运动定位。Stefano Savazzi等人[16]提出了一种新的随机方法，其中平均路径损耗和目标引起的接收信号强度变化联合建模于衍射理论概念。利用现有的无线基础设施，该方法被证明是一个具有成本效益的解决方案，以补充现有的监测技术。Jie Wang等人[17]提出了多维无线链路信息（MDWL）以提高效率。使用现有链路中的多频率和多发射功率电平的顺序扫描来培育链路信息。作为稀疏恢复问题，位置识别使用递归压缩感知模型使用可用的测量样本来完成。Jiming Chen等人。[18]通过使用图论开发陷阱覆盖，提出了无线传感器网络场景中移动目标的能量有效概率检测。一个下限的可能检测和障碍覆盖率也formulated使用图论。一个本地化的协议，概率传输控制协议（PTCP）的传感器节点的适当调度，使传感器网络的能量有效。Moustafa Seifeldin 和 Moustafa Youssef[19] 开 发 了 一 种 称 为Nuz- zer的精确、可扩展、无设备被动定位技术，该模型是基于基于概率的被动无线电地图生成。该方法利用离散空间估计器运算从RSSI矢量中识别目标的最高可能位置，而连续空间估计器利用时间和空间平均技术识别目标的最精确位置Zhiyong Yang et al.[20]提出了一种资源有效的DFL技术和在实时场景中快速执行压缩最大匹配选择（CMMS）算法。该算法识别可能的区域和仅与该区域内的相关链路相关联的RSS值，用于重建信号，从而减少执行时间。Joey Wilson和Neal Patwari[21]提出了在静态和动态环境中基于统计反演的接收信号强度无设备定位（RSS-DFL）模型，具有更好的准确性和鲁棒性。本文提出了一种斜拉普拉斯似然估计模型，用于基于后验分布的静止或运动目标的状态空间坐标识别。Neal Patwari和JoeyWilson[22]推导出基于RSSI的统计模型，可以准确地映射各种●●●K.S. Anusha等人/工程科学与技术，国际期刊23（2020）483485S.0········..×¼rS.Σ4.5..63..23S4567.qp。目标相对于收发器的坐标位置。多径信道模型结合衰落与总估计功率（ETAP）由于散射和反射也作为目标的位置测量。在机器学习方法中，人工智能被赋予系统模型以理解数据，从而从该数据预测参数。首先，系统将使用训练集进行训练，并针对稍后的测试集进行分析当目标存在时，某些链路受到影响，例如从tp到rq的链路和从tq到rp的链路。由于目标的位置而修改的接收功率矩阵由下式给出：S11························S1n.21·········..6······0 pq. 7..通过实验测试台验证Stephan Sigg et al.[23]第二十三话提出了一种基于RF变化的设备无活动识别在用于分类和目标定位的通道中，精度用于无设备激活识别（DFAR）的k-NN分类器中的分类参数多为时域参数。Jihoon Hong和Tomoaki Ohtsuki[24]提出了一种基于无设备的被动定位阵列传感器（PLAS），用于室内环境的高效和鲁棒的DFL系统PLAS系统使用无线网络中的信号子空间特征，而不是基于RSS的方法。设计了基于统计的离群链接消除系统，消除了不必要的链接，从而提高了模型的准确性。然而，使用该技术的多目标定位仍在审查中。Brag Mager等.[4]各种手指的性能比较···S qp···Sn1······················· Snn也就是说，Spq变为S现在，使用接收信号功率的改变的值，我们可以识别对应的发射机和接收机节点，并且因此连接对应节点的链路的接收信号功率指示目标的存在。为了避免房间中存在物体，理想的是采用差分接收信号功率，其给出如下：20·········036 7基于打印的技术和分析本地化的退化607随着时间的推移或环境的变化。 五个实验组，安排了4个不同的分类器，.六四·····DS pq.· · ·DS0· ··75随机森林（RF），K-NN（K最近邻），SVM（支持向量机），线性判别分析（LDA）。其中有发现RF的性能是最好的，因为发现对于所有技术具有可比较的错误百分比率的分类器参数。Jie Wang等人[5]提出了无设备定位和活动识别（DFLAR），其在时域和频域中表征阴影效应图，从而定位具有不同活动的目标。该模型的亮点是它的判别性质和强度的小波模型使用。多目标主动识别是一个开放的研究领域3. 问题公式化在使用接收信号强度的传统DFL方法中，使用整个RSSI值或接收功率矩阵来找到目标位置。对于另一个目标位置，虽然影响的链接数量有限，但需要为机器学习分类器生成整个矩阵，最终需要大量的资源。如果节点数发生变化，整个模型需要重新训练，将节点纳入网络中。环境不应因房间中椅子、桌子的位置等情况而改变，这实际上是如果有变化，则需要进行再培训。在拟议的模型中，上述问题得到解决。在该模型中，由N个传感器节点在3 m× 3 m× 3 m的房间内的感兴趣区域周围部署在4层中，使得每层都包含0·········0这些数据可用于了解目标.接收功率的广义矩阵表示如表1所示。4. 提出的链接距离-支持向量回归方法（LD-SVR方法）4.1. 基于链路距离的无设备定位技术该模型的目标是设计和开发一种准确的，低复杂度的接收信号功率为基础的设备免费定位技术的机器学习在室内环境中使用无线传感器网络。在该模型中，我们分别对链路进行训练，并在有和没有目标位置的情况下为每个链路找到DP接收根据差分接收信号功率矩阵，得到目标位置该网络包括一组传感器节点，这些传感器节点测量连接任意两个节点的链路之间的接收信号强度，这两个节点的作用类似于发射器（Tx）和接收器（Rx），如图2中的二维所示。 1（a）和三维图。 1（b）.接收功率由自由空间中的Friis传输公式给出：. k2保持相同数量的节点。设l为来自发射机t1的链路以及接收器R1，其中T1-R1。设S11为t1和r1之间的测量接收信号功率。因此，对于整个配置，我们具有以接收功率矩阵的形式表示的一组Snn值下面还给出了一般的接收信号功率矩阵Pr<$Pt Gt GrPPtkd2其中，4pdð1Þð2Þ2S11621· · ·· ···· ·S1n.· · ······ 7K2k¼Gt Gr4p...···· ·S pq..·· ·S qp···。Sn1······················ SnnPtGt486K.S. Anusha等人/工程科学与技术，国际期刊23（2020）483D22019-05-2500：00：001/4天-d天11表1LD-SVR模型输入的矩阵表示。接收功率（Pr）节点1节点2.. .节点n节点10节点1和2.. .节点1和n节点2节点2和10.. .节点2和n.. .. . ... .0.. .节点n节点n和1节点n和2.. .0Fig. 1. （a）演示2D（b）3D（c）目标探测模型中的节点放置。Dk考虑链路路径中存在障碍物或目标PVTX ¼L1Pt k1其中L1是损耗因子ð4Þ如图1（c）所示。然后我们可以将目标的位置视为虚拟接收机位置（VRx），同时视为虚拟发射机位置（VTx）。Pt是来自发射机Tx的发射功率，Pvtx是虚拟接收机处的接收功率。在考虑与目标性质有关的损耗因子L1的情况下，将目标视为虚发射，得到PvtxkPr21P t L k22 21ð6Þ之三. 因此，我们可以应用相同的表达式来找到接收机处的接收对于塔吉特，（6）-kPt L1 k2 PtPt kDP¼d2-d2d-d27Pv 1/4天2ð3Þ111假设虚拟接收机具有与原始接收机相同的增益：当存在目标时，节点获得信号值的变化，具体地，从所有节点接收功率或RSSI，如图1中的样本对所示。信号强度K.S. Anusha等人/工程科学与技术，国际期刊23（2020）483487J-n≤j1/2千美图二.目标位置估计的过程流程图。n 1可以被认为是在具有和不具有目标的自由空间介质中的由于损耗因子L1是未知的，这完全取决于目标的性质和所网络中不同节点上的接收功率/RSSI值的差异该接收功率/RSSI矩阵将是稀疏矩阵，其中大部分矩阵将为零，因为目标将影响其区域中的所选链路。该矩阵中高于阈值（在我们的情况下为零）的非零元素表示该链接中存在目标该数据可用于使用适当的算法来识别目标的精确位置在我们的模型中，用于目标检测的特征参数是D-P接收功率在方程。（7）。可以注意到，从节点1到2获得的接收功率与具有目标的节点2到1不同图2中的流程图表示在我们提出的目标检测模型如前所述，在所提出的模型中，我们分别训练链路，并使用和不使用目标位置找到每个链路的DP接收信号值训练数据库是针对链路中目标的不同位置的所有DP接收信号值的集合，因此针对所有一个接一个地连接在这个网络中。如果DP接收信号值为零或小于指示在该链路中不存在目标的阈值，则该特定链路将不会对目标位置的预测做出贡献。因此，只有选定的链接受目标将有助于预测的目标位置。为了使其成为通用模型，我们将节点配置中的每个链接转换为正交直角坐标系，使得链接沿着坐标轴之一放置，并在原点（局部坐标系）处转换，如图3所示。在LD-SVR模型中，坐标轴沿y轴。所以目标的坐标是（0，d1，0）。为了得到最终的坐标，在局部坐标系中的预测目标坐标被转换回直角坐标系。如图1所示，对于网络中的每个链路重复该过程。3.第三章。由于DP接收信号取决于目标与发射机的距离，如等式2所示（7）在目标性质未知的情况下，我们使用支持向量机由于所考虑的目标不是点目标，因此跨越目标位置的坐标的偏移区域是图三. 通用模型的轴旋转。不考虑。该算法只考虑了目标的阴影效应而不考虑多径效应对目标的影响4.2. 通过SVR方法的对于特定的节点配置，可以使用三边测量方法或相交链路方法来找到目标区域。基于这些方法的目标检测只解决了分类问题，因为我们只得到一个感兴趣的区域。应该存在至少四个彼此相交的节点。由于寻找目标的位置是一个回归问题，所以三等分法和相交链都不能直接解决这个问题。支持向量回归机（SVR）与用于分类的支持向量机（SVM）相比只有很少的差异。在支持向量机中，一个参数，即容限称为ε（e），必须设置近似的SVM。最终，目标是减少通过使超平面个体化，最大化容限，并且容许该部分误差，来消除误差假设我们有一个训练集xn，使得xn是一个多变量的 在SVM回归中，最终目标是识别函数f（x），使得它在所有训练数据中最多与原始目标y有偏差，同时尽可能平坦[25]。一个线性函数的表达式是：fxx0bb8为了确保平坦性，具有最小值（b0b）的函数f（x）被排序，因此可以用于公式化凸优化问题以最小化：Fb 1 b0bk91/2千美元S.T. ynx0nbe实际上不存在这样的条件来满足所有点的这些约束。因此，对于这样的约束，一个新的变量称为松弛变量nn和n0n的每一个点被引入。松弛变量的作用是将回归误差限制在nn和n0n以内，但仍满足所需的条件。因此，修改后的表达式为：N1XFbb0bk Cnnn0n10488K.S. Anusha等人/工程科学与技术，国际期刊23（2020）483.ΣPPXXRI¼我 Jn1我我n1i我我2升1≤n≤n1我我n1i我我I¼2i1j1S.T.yn-n≥0;该模型使用：G. x;xe-kxi-xjk215nn≥0;常数C被称为框约束参数，其是非负数，其调整施加在位于阈值裕度（e）之外的值上的误差权重，从而避免过度拟合这样的误差被e不敏感损失函数忽略，将它们视为零。通常，损失是y和e的差。这由下式给出：其中G xj;xk被称为Gram矩阵，一个n × n矩阵，其中每个元素g（i，j）= G（xi，xj）。每个元素g（i，j）等于由u变换的预测器的内积。由于我们通过这种方法，非线性SVM在变换的预测器空间中识别最优函数f（x）。非线性SVM回归的对偶公式代替了内积的谓词rs（x0ixj）与相应的元素的GramLe <$f0ifjy-f<$x <$j-eNN问题.即使在原始人和原始人之间存在着二元性的差距，0≤a0n≤C1212K.S. Anusha等人/工程科学与技术，国际期刊23（2020）483489×××××-5. 仿真分析5.1. 仿真设置该模型是在一个尺寸为3米3米3米（约10平方英尺尺寸）的单个房间中模拟的，随机放置的传感器节点，即16，32，48和64均匀分布在四层中，每层精确地定位在（L/4）m，（L/2）m，（3L/4）m和0.5 m的天花板，其中L是房间的高度。在我们的例子中，L = 3 m。为了避免任何悬挂装置，如灯/风扇，我们将其固定在距离顶部第四层0.5 m的位置，2.5 m，而不是固定在精确的3 m。此外，避免在顶部拐角处放置节点，以避免生成较长的链接。图4描绘了3 m 3 m 3 m房间的模拟集的图形表示，该模拟集被划分成分层结构，其中节点被均等地放置在每层的每一侧。如果我们只考虑一个节点随机放置在每层的每一侧，则房间的最小节点配置为16（4 4）。因此，根据我们的设置，16是最小可能的节点配置。在每个节点配置中，一个目标被放置在每个链路的不同随机位置，并且针对每个链路中的目标的每个位置生成DP接收功率值。比如说，在16节点配置中，链路总数是240，因此SVR的数量也是240。因此，在所有这240个链路中，一个目标被放置在不同的随机位置，并且使用表2中的仿真参数获得包括DP接收功率值的训练数据库。在测试阶段，每当一个目标进入房间，通过目标的链接受到影响，因此DP不等于零的这些链接。每当DP大于那些链路的预定义阈值（对于我们的情况为零）时，相应的SVR每个环节的平均定位误差或简称为平均误差是指目标的实际坐标与预测坐标之间的差值的平均值。在对所有四个提到的节点配置16、32、48、64进行一组定位实验之后进行平均误差计算。在这些节点配置中的每一个中，通过将目标放置在100个随机位置来测试每个链路。此外，通过将每个节点配置放置在不同数量的目标集（例如1、2、4）上来测试每个节点配置。图四、典型3 m× 3 m× 3 m房间的分层结构表2模拟参数。参数值号节点16，32，48，64房间尺寸3 m×3m×3m发射器功率2 mW信号频率2.4 GHz天线增益测量误差方差范围-10到10dB在每个配置中随机地。每个目标集被随机放置并迭代50次。对于每个集合，接收功率测量范围的方差在10 dB和+10 dB步进在测试过程中增加了2，以了解算法中测量误差的影响。训练期间的最大平均定位误差小于0.028米从所有链接。在测试阶段，分别计算了无测量误差和有测量误差方差情况下各环节的平均误差。在无测量误差条件下，测试阶段的平均误差最大值接近于零，最大方差条件下的平均误差为0.82m。可以注意到，高达1 m的链路距离平均误差为零。5.2. 模型与基准DFL方法的比较提出的LD-SVR模型与基准模型从三个不同的文献进行了比较Jie Wang等人[12]在2016年设计了一种基于时间和能量有效的TOF的DFL，通过加速链路扫描过程和使用FDMA的阴影链路的先验预测。该方法从无线节点的位置信息和距离测量的变化中表现出改进的位置估计。能量消耗没有随着目标数量线性增加而准确性没有任何显著变化。通常，利用在无设备定位技术中可用的不同模型，能量有效的飞行时间方法已经尝试了具有合理精度的多目标。该方法具有较低的计算复杂度和计算量，但单目标跟踪精度不高。本文基于64节点结构下1、2、4个目标的仿真结果，分析了传统DFL模型和节能DFL模型的性能。这一结果与我们提出的LD-SVR模型相比，由于其低复杂性和通用性，我们的模型在精度方面优于这些模型。该比较见表3。在另一个相关的工作中，如Osama Bin Tariq[9]等人所描述的本文将LD-SVR模型与SVM模型进行了比较，SVM模型是一种基于其在训练和测试阶段的执行时间的对等机器学习算法。仿真在2.5GHz IntelCore i5 PC机上进行，内存为8 GB的Windows 10 Professional 64-bitEdition操作系统。由于支持向量机的计算量较大，训练时间相对较长，但测试时间相对较短。这种比较显示了所提出的模型的简单性。结果列于表4中。表3与基准DFL方法的比较。目标数量精度（m）DFL[12]EDFL[12]拟定LD-SVR10.230.240.1820.280.270.2040.350.310.24表4与16节点配置的基准机器学习方法的比较训练时间（ms）SVM[17]5470拟定LD-SVR6430测试时间（ms）SVM[17]3140拟定LD-SVR805490K.S. Anusha等人/工程科学与技术，国际期刊23（2020）483--543210算法10.90.80.70.60.50.40.30.20.1图五、[26]中不同DFL算法的平均定位误差。LD-SVR模型还与Yan Gao等人[26]文献中的另一组机器学习算法进行了 比较 。文献 分析了 贪婪 匹配追 踪（ GMP ）、 正交 匹配追 踪（OMP）、变分期望最大化（VEM）、基本追踪（BP）、贝叶斯压缩感知（BCS）、多任务贝叶斯压缩感知（MBCS）等算法，信道F =5，12，20。在定位方面，我们的模型与所有这些算法具有一致性电话：+86-0511 - 8888888传真：+86-0511 - 8888888链路距离见图6。测量方差对链路距离的影响（红色虚线：6点移动平均值，测量误差方差最大绿色虚线：6点移动平均线，测量误差方差最小灰色虚线：无测量错误条件。基于模拟结果的米误差。对于我们提出的模型，在测量误差方差自由的条件下，最大定位误差远小于1，从而优于文献中提到的其他算法。这一比较如图所示。 五、5.3. 基于链接距离由于该模型是基于链路距离的，有助于预测目标的位置，因此如下所示进行主要分析5.3.1. 测量误差对链路距离的测量误差在任何实验结果中都是常见的。为了在我们的实验中纳入测量误差，我们通过添加AWGN来纳入接收功率方差1.00.90.80.70.60.50.40.30.20.10.00个0. 1个0.20.30.40.50.60.70.8 0.91平均定位误差0.311.52.133.5在表5所示的测试期间，将信号转换为现有信号。这里，SNR（信噪比）指的是信号功率与AWGN功率的比率为了避免与信道噪声等其它相关噪声混淆，SNR项用接收功率测量误差方差或简单的测量方差代替为了检验算法的有效性，增加了方差。在这里，±10 dB的值用于量化测量误差。该值在任一侧（信号或噪声）均指0.1正常情况下，如果信号或噪声大于此值，则系统是鲁棒的或最差的。因此，测量误差的值的范围。图6描绘了对所提出的模型的最大和最小测量误差影响。从图中可以明显看出，高达1 m的链路距离平均误差为零。该图显示了平均误差随链路距离的增加而增加的趋势。在10dB方差条件下，最大误差小于0.8m。可以注意到，在没有测量误差的条件下，预测链路上的平均误差接近0。随着测量变化的增加，误差也会增加。链接越长，见图7。不同链路距离下最大测量误差方差条件下的平均定位误差PDF。和最小测量方差（10 dB）分别对不同链路距离的平均定位误差的影响。因此，由于方差对链路距离的影响，平均误差高达1米，最大概率为零误差。对于10 dB，将始终存在一些误差。对于+10 dB，测量误差方差较低，因此最小误差的概率较大。5.3.2. 目标位置与平均误差目标的位置也对误差有贡献。链路距离与不同位置的平均定位误差的关系图如下图所示。 9（a）。 图图9（b）描绘了目标位置与平均定位误差的关系。目标的位置在下面的表达式中以链路距离比R给出。目标与发射机受方差影响。因此，很明显，我们应该更多地依赖较短的链接，而不是较长的链接。这一点从A链路距离比链路距离概率密度函数曲线，用于理解不同链路距离上的方差效应，如图2和图3所示。7和8它描述了最大测量误差方差（-10dB）的影响表5测量方差范围。随着目标与发射器的距离增加，误差也增加。这是由于目标距离发射机越远，目标处接收到的信号的信号功率越方差（dB）-10-8-6-4-2 0 2 4 6 8 10平均定位误差平均定位误差概率平均定位误差K.S. Anusha等人/工程科学与技术，国际期刊23（2020）48349110.90.80.70.60.50.40.30.20.100个0. 1个0.20.30.40.50.60.7 0.80.91平均定位误差0.311.52.133.50.80.750.70.650.60.550.50.450.40.350.30.250.20.150.10.05见图8。不同链路距离下最小测量误差方差条件下的平均定位误差PDF。0.060.050.1000.750.70.65平均本地化误差（一）0.040.030.020.0100.0060.0050.0040.0030.0020.0010链路距离（一）0.1 0.2 0.4 0.5 0.6 0.70.8目标位置（b）第（1）款0.50.90.60.550.50.450.40.350.30.250.20.150.10.05000.750.70.650.60.550.50.450.40.35平均定位误差1（b）第（1）款16个节点32个节点48个节点图9.第九条。（一）. （b）目标位置与平均定位误差（在不同链路距离上平均）。由Friis传输公式给出。因此，D-P接收功率会偏低，影响预测的准确性。在较长的链接中，偏差比较短的链接更突出5.4. 总体汇总0.30.250.20.150.10.0501平均定位误差64个节点在对系统模型进行了粒度层次的分析之后，有必要对系统模型进行宏观层次的理解。为了推广链路距离模型，将分析扩展到节点配置方面.随着配置中节点数量的增加，链路距离的数量也增加。如前所述，所分析的节点配置为16、32、48和64在无测量误差条件下或理想情况下，分析了不同配置下不同数量目标的情况。可以看出，对于所有节点配置，平均定位误差为见图10。不同节点配置在最大测量误差方差条件下（a）单目标（b）两目标（c）四目标的性能比较。几乎是零。将相同的分析扩展到最大测量误差方差条件，比较如图10所示。在最大方差场景下，分析了不同节点配置在不同目标条件下的性能.图 10（a），16、32、48和64节点配置的性能16个节点32个节点48个节点64个节点16个节点32个节点48个节点64个节点平均定位误差平均定位误差平均定位误差平均定位误差0.250.821.161.521.751.912.242.492.72.933.093.263.42平均定位误差平均定位误差概率492K.S. Anusha等人/工程科学与技术，国际期刊23（2020）4830.80.750.70.650.60.550.50.450.40.350.30.250.20.150.10.0500 1平均定位误差0.650.60.550.50.450.40.350.30.250.20.150.10.0500 1平均定位误差1 目标2 目标4个目标0.60.550.50.450.40.350.30.250.20.150.10.050(a)（b）第（1）款0.60.550.50.450.40.350.30.250.20.150.10.0500 1平均定位误差0 1平均定位误差(c)（d）其他事项图十一岁（a）16节点（b）32（c）48（d）64节点配置的最大测量误差方差条件下目标数量的影响其中16个节点配置的最大概率为0.75，误差为零。对于较高的节点配置，定位误差范围随着概率的增加而增加。可以看出，随着节点数量的增加，错误从低到高增加，即获得更高错误的概率增加。可以看出，随着在这种情况下目标数量的增加，在小值中获得误差的概率降低，并且不同配置之间的误差变得相当。从不同节点配置检测4个目标的性能来看，16个节点配置的零错误概率最大，32个节点配置的零错误概率较小，48和64个节点配置的零错误概率更小。使用图11中的曲线图评估配置中目标数量的影响以获得最大测量误差方差。 显然，随着目标数量的增加，例如在16个节点配置中，对于单个目标获得零或接近零误差的最大概率为0.75，并且对于2个和4个目标，零误差的概率随后减小;对于小于0.1的值，存在更高的误差值对于32节点配置，获得最大零误差的概率降低到0.5，并扩展到下一组误差范围，最大概率为0.11。对于48节点配置，获得零误差的最大概率仍然降低到0.34，并且扩展到更高的误差范围，直到1.01对于64节点配置，不同数量目标的波段偏移对于4个目标，与单个或两个目标相比，零误差的概率是最大的，但在高达0.14 m的更高误差范围内的概率非常低。6. 结论和今后的范围通过对链接距离模型进行粒度分析和整体分析，观察到以下几点。考虑到每条链路一个目标，使用链路距离模型可以以最小误差检测到的目标的最大数目与这些配置中的链路数目相同。因此，增加节点数量会增加链路数量。尽管增加节点数量可以减少盲点，这使得精度提高的机会很小，但随着节点数量的增加，更长的链路的存在主要影响精度。随着较长的链路，接收功率降低，干扰将很高。因此，随着节点数量的增加，在配置中存在较长链路的可能性更高，并且发现准确性降低。通过优化节点的位置可以提高精度。该模型采用分