基于压缩感知的大规模传感器网络定位方法研究

Large scale sensor networks have broad application prospects in many fields, such as national defense and military, traffic management, environment monitoring and so on. Location information is an quite important and necessary foundation to guarantee that the sensor networks are able to work normally. According to the characteristics and practical demands of large scale sensor networks, we study localization methods based on compressive sensing. We explore the localization mechanism for large scale sensor networks and build spatial-temporal two dimensional localization model and RSS variable based device-free localization model. To avoid a mass of signal samplings and high cost in traditional methods based on compressive sensing, we construst spatial-temporal two dimensional sparse representation bases, design uniform and random sparse measurement matrices, and achieve low energy-consumption localization for mobile device-based targets. In addition,we prove that the sensing matrix formed by RSS variable is low-rank. We build the sensing matrix using a few signal samplings, which reduces the localization cost and achieves localization for mobile device-free targets. To solve the bottleneck of low accuracy caused by false targets, we design the dictionary adapting algorithm based on adaptive grid, avoiding the appearence of false targets. Furthermore, we use Taylor approximation to improve the precision of the method, enhancing the robustness of localization method. The research results provide new solution and technical support for the target localization in large scale sensor networks.

大规模传感器网络在国防军事、交通管理、环境监测等众多领域具有十分广阔的应用前景，目标定位技术为大规模传感器网络的广泛应用提供前提和基础。针对大规模传感器网络的特点和实际需求，本项目研究基于压缩感知的定位方法。深入剖析基于压缩感知的目标定位机理，建立空时二维有源目标定位模型和基于接收信号强度增量的无源目标定位模型。针对传统基于压缩感知的动目标定位方法需要大量信号采样，定位开销大的缺陷，构建空时二维稀疏基，设计均匀和随机稀疏观测矩阵，实现低能耗有源动目标定位；证明基于接收信号强度增量的感知矩阵具备低秩特性，利用少量的信号采样构造感知矩阵，降低定位开销，实现无源动目标定位。针对压缩感知定位方法易产生字典失配，影响定位精度的瓶颈问题，设计自适应空间格点的字典适配算法，避免产生虚假目标，并利用泰勒近似提高定位方法的精度。研究成果为大规模传感器网络中的目标定位问题提供新思路和新方法。

经过4年的研究，项目取得了丰取得的主要研究成果如下：.1.提出基于压缩感知硕的研究成果，超额完成项目指标。共发表重要学术论文36篇，其中SCI检索21篇。申请国家发明专利5项，已授权3项。依托项该项目，培养博士生6名，硕士生3名。的空时二维定位方法。设计合理的时域稀疏表示基，将传统的空域压缩感知定位模型扩展为空时二维压缩感知定位模型；针对传统稠密观测矩阵难以实现的缺陷，设计实际可操作的稀疏观测矩阵，使得该方法能够利用少量的空域和时域采样实现动态目标空时二维定位。.2.提出针对运动目标的无源被动式目标定位算法，能够同时重构出目标在多个时刻的位置。探索运动目标的位置关系，并将这种约束转化到离散空间中，大大降低目标可能的位置范围；采用树搜索的方法，设计出一种潜在正交匹配追踪算法，能够实现运动目标的定位。.3.提出基于字典优化的多目标精确定位方法。将稀疏表示字典建模为一个以空间网格为参数的参数化字典，通过更新参数实现字典优化。在变分贝叶斯推理框架下推导出字典参数和稀疏表示系数的更新流程，并利用变分期望-最大化算法实现上述流程，大大提高了压缩感知定位方法的普适性。.4.提出字典失配条件下的多目标快速定位方法。建立一种更加精确的信号稀疏表示模型，将定位问题转化为测量信号在两个字典中的稀疏表示系数的联合重构问题。在变分贝叶斯推理框架下推导出两个稀疏表示系数的更新流程并利用变分期望-最大化算法实现，从而在保证定位精度的同时，能够大大减小定位开销。.5.提出字典失配条件下基于先验信息的高效定位方法。将真实稀疏表示字典在某一固定网格处进行一阶泰勒近似，将定位问题转化为在部分有误的先验信息条件下两个稀疏表示系数的联合重构问题，并在变分贝叶斯推理框架下解决该问题，能够有效利用先验信息提高定位精度。