大尺度水声传感器网络精准节点定位技术研究

In the context of having been effectively solved for the node localization problem in small-scale underwater acoustic sensor network (UASN), this project aims to research on the node localization problem in wireless sensor network of large-scale underwater environment. To achieve the precise localization problem for nodes of large-scale UASN, this project firstly starts from two aspects of the accuracy and real-time performance for the underlying node localization algorithm: on the one hand, by the optimization of sound velocity estimation model and the underwater acoustic propagation time-delay estimation model, we can obtain the distance information with high precision, and then the accuracy will be improved for the node localization algorithm; on the other hand, by introducing a fast machine learning algorithm (i.e. Extreme Learning Machine, ELM), the data maintenance and update time among network nodes will be greatly decreased, and then the real-time performance can be satisfied for the node localization algorithm. Moreover, starting from the upper network structure model, this project explores the large-scale node localization scheme with both the accuracy and real-time performance and proposes a novel large-scale network structure model basing on the idea of sub-map. The research of this project will provide a new node localization method and target navigation scheme with great expansibility and effectiveness.

在小尺度水声传感器网络(UASN)节点定位问题得到有效解决的背景下，本项目旨在探索并研究大尺度水下环境中的无线传感器网络节点定位问题。为了实现大尺度UASN节点的精准定位，本项目首先将从底层节点定位算法的精确性和实时性两方面入手：一方面，通过对水下声速估计模型和水声传播时延估计模型的优化，获得高精度的测距信息，进而提高节点定位算法的精确性；另一方面，通过引入极限学习机(ELM)这种快速机器学习算法，极大地降低网络节点间数据的维护和更新时间，进而满足节点定位算法的实时性需求。此外，本项目还将从上层网络结构模型出发，探索精确性和实时性可以兼顾的大尺度节点定位方案，创新性地提出基于子地图的大尺度UASN网络结构模型。本项目的研究将为大尺度水声传感器网络系统提供新的具有良好延展性和有效性的节点定位机制以及目标导航方案。

由于水下环境的复杂性，水下传感器节点的移动性，以及水下传感器网络范围(即尺度)的逐渐增大，大尺度水声传感器网络节点定位问题成为无线传感器网络领域亟需解决的新挑战。在小尺度水声传感器网络(UASN)节点定位问题得到有效解决的背景下，本项目旨在探索并研究大尺度水下环境中的无线传感器网络节点定位问题。为了实现大尺度UASN节点的精准定位，首先针对底层节点定位算法的精确性问题，引入了两种蒙特卡罗移动定位算法:CRMCL和PRMCL算法，保障了定位精度与鲁棒性的要求，同时，提出了区间误差识别的移动定位算法解决了浅海非视距环境下移动节点定位误差大的问题；其次针对底层节点算法的实时性问题，引入了快速的基于极限学习机(Extreme Learning Machine，ELM)的节点定位算法，极大降低定位时间的同时，可以实现高精度定位，从而保障了实时性的要求；最后从上层的网络结构模型出发，提出了一种改进的CWDV-Hop算法和自主式水下机器人（Autonomous Underwater Vehicle，AUV）辅助的定位算法KVDV-Hop，用以兼顾节点定位过程中的精确性和实时性问题。本项目相关研究成果发表在Sensor Review、IEEE Access、International Journal of System Assurance Engineering and Management 和电子学报等国内外重要学术期刊上。通过本项目的研究工作，本项目共发表论文7篇，其中SCI论文3篇。此外，本项目还参加学术会议三次，授权专利两项，培养年轻教师及硕士研究生多名。目前，已经按计划完成了本项目的研究工作，达到了项目的研究目标。