无线传感网中低功耗的多声源定位与跟踪

冯玉武　胡国华　洪蕾

【摘   要】   针对传统的无线传感网中多声源定位与跟踪功耗高、定位精度低以及适应环境能力弱等问题，提出了基于完全分布式结构的低功耗鲁棒性多声源定位方法。首先构造完全分布式结构的无线传感器网络，然后建立含混合噪声的声源信号模型。在此基础上采用EM算法的E步完成传感器检测信号总能量的分解，针对每个节点利用M估计完成声源位置的估计;利用鲁棒性均值一致性算法对每个节点所得的估计值进行融合以得声源位置的全局估计值，进一步提高定位精度;最后利用仿真实验验证了算法的有效性。

【关键词】   无线传感网;多声源;定位与跟踪;低功耗

Low Power Multi-source Localization and Tracking

in Wireless Sensor Networks

Feng Yuwu， Hu Guohua， Hong Lei

（ Hefei University， Hefei 230601， China）

【Abstract】    Aiming at the problems of high power consumption， low positioning accuracy and weak ability to adapt to the environment in traditional wireless sensor networks， a robust multi-source localization method with low power consumption based on fully distributed structure is proposed in this paper. Firstly， a completely distributed wireless sensor network is constructed. Then， a sound source signal model with mixed noise is established. On this basis， E step of EM algorithm is used to complete the decomposition of the total energy of the sensor detection signal， and M estimation is used to complete the estimation of the sound source position for each node and the robust mean consistency algorithm is used to fuse the estimated value of each node to obtain the global estimate value of the sound source location， which further improves the positioning accuracy. Finally， a large number of simulation experiments verify the effectiveness of the proposed algorithm.

【Key words】     wireless sensor network; multi sound source; location and tracking; low power consumption

〔中圖分类号〕  TN913.2               〔文献标识码〕  A              〔文章编号〕 1674 - 3229（2022）02- 0040 - 05

0     引言

无线传感网中的声源定位方法根据传感器节点采集的物理量可分为三类：基于DOA、TDOA与 RSS的声源定位算法。基于DOA的声源定位算法中，硬件的要求相对较严格，计算的复杂度也较高;基于TDOA的声源定位算法中，对时钟的同步要求比较高，而精准的时钟同步在无线传感网中又很难实现。对于能量受限的无线传感网来说，定位精度高、能量消耗少的基于RSS的声源定位算法是比较适合的[1]。在基于RSS的定位方法中，极大似然估计算法由于其定位精度高，既适合单声源定位又适合多声源定位，应用较为广泛。在极大似然估计方法中，对所建立的似然方程进行优化求解是整个定位算法实现的关键，它所面临的主要问题是优化精度与计算量之间的矛盾，研究人员一直致力于极大似然函数的优化函数的研究。SHENG[2]等人提出引用EM算法来减少MLE定位算法的计算量。EM算法对初始状态非常敏感，不能保证在任何初始状态下都能得到全局最优解。为了减少能量的消耗，近年来基于分布式结构的声源定位算法相继被一些研究学者提出来，如分布式次梯度递增算法[3]、分布式EM算法[4]和分布式粒子滤波器算法[5]等。然而这些算法仍然存在一些问题，比如局限于单声源定位，或者容易陷入局部最优解的情况、计算量大等等。同时在这些定位算法中，通常假设环境噪声为高斯白噪声，然而在实际应用环境中如停车场、野外恶劣环境中，受外在环境因素和人为因素等的影响，高斯噪声模型不能再适应实际工作中的定位需求[6]。针对上述存在的不足，本文研究一种基于完全分布式结构的无线传感网中低功耗的多声源定位方法，在保证定位精度的同时尽量减少能量的消耗。0903A774-C8CA-488F-964C-45596FCBF1E3

1     无线传感器网络架构模型

2     构建含混合噪声的声源信号模型

3     基于完全分布式结构的声源定位算法

4     仿真实验

4.1   静态多声源定位

在一个100m×100m的二维监测区域内，假设在任意位置有多个声源发出声音信号，在单位距离1m处的能量强度均设为500pJ/m²，在这一监测区域内随机布设N个传感器节点，每一传感器节点的增益相同为g_n=1，同时假设在每个传感器节点处检测的噪声均为混合噪声，高斯噪声部分均值为10，方差为3，非高斯噪声部分假设在区间[0，65535]为均匀分布的噪声。在单位窗时间内采样点数为1000。同时假设每个节点的单跳范围距离为20m。

本文所提出的基于完全分布式结构的定位算法针对多声源的定位情况图3及图4所示，监测区域内布设60个传感器节点。其中图3为4个声源的情况，图4为5个声源的情况。从图3、图4中可以看出，利用本文所提出的在完全分布式网络结构基础上的定位算法估计出的声源位置非常接近声源的实际位置，即便是在声源个数达到5个的情况下，定位的情况也是比较理想的，因此仿真实验验证了在完全分布式网络结构基础上，本文所提算法具有较高的定位精度。

均方根误差（RMSE）是衡量定位精度高低的重要指标之一，本文也采用RMSE来对比不同算法的定位精度的高低。为了有效地比较完全分布式网络结构和集中式网络结构下定位算法的定位精度，在求解M估计问题时均采用迭代加权最小二乘法。图5（4个声源）和图6（5个声源）为不同网络结构下，两种算法的位置估计的均方根误差与传感器节点数量的关系图。从图5和图6中可以看出，随着传感器节点个数的增加，在完全分布式结构的基础上，本文所提算法的均方根误差逐渐减小，并逐渐趋近于基于集中式结构下的该算法。然而在基于完全分布式结构算法中，避免了大量数据的远距离无线传输，节省了大量能量。

4.2   能量消耗分析

在此次实验中假设传感器节点的数量为60，根据公式（1）所描述，阈值设为d₀=20m，传输的数据包为10bit，汇聚节点设置在监测区域的边上（110，110）处。由公式（1）可知，大量的远距离数据传输需要消耗更多的能量，尤其是当两个传感器节点间的距离大于阈值的情况下，而在完全分布式网络结构下，传感器节点的数据仅在单跳范围距离内进行数据传输，大大地减少了能量消耗。对此做了实验仿真，得出数据如下表1和表2所示，其中表1是4个声源的情况，表2是5个声源的情况。

从表1和表2中可以看出，与集中式结构相比，完全分布式网络结构下的定位算法节省了大量能量，同时结合图5和图6可得，完全分布式网络结构下的定位算法在保证定位精度的同时可以有效节省大量能量，因此对于能量有限的无线传感器网络来说，完全分布式結构是合理的。

4.3   动态声源跟踪

第二种仿真场景考虑的是两个动态声源正在不停移动的情况，在5.2分钟时间内，两个动态声源在监测区域内分别留下了两个圆形的轨迹，仿真实验中布设的传感器节点个数为80个。在完全分布式网络结构下完成的定位结构如图7所示，从图中可以看出，利用本文所提算法的定位轨迹非常接近于声源的实际运动轨迹。由此可以看出，在完全分布式网络结构下，本文所利用算法都可以较好地完成位置估计。

动态声源跟踪的定位均方根误差如图8所示，从图中可以看出，完全分布式网络结构下的定位算法的均方根误差非常接近集中式网络结构下的定位算法，但是完全分布式网络结构下的定位算法却节省了较多的能量，因此对于多声源定位和跟踪的问题，完全分布式结构下的定位算法都是比较合适的。

5     结论

针对无线传感网中多声源定位与跟踪的问题，本文研究了在完全分布式网络结构下的定位算法。此算法可以在得到较高定位精度基础上，有效地减少大量数据的远距离无线传输，大大减少能量消耗，对于能量受限的无线传感器网络来说，此种方法是比较合适的。此算法利用了EM算法和M估计算法的有效结合，采用了完全分布式网络结构模型。同时与传统声源定位算法相比，本文采用了完全分布式网络结构以及混合高斯噪声模型，减少了能量消耗，提高了定位精度，同时能够满足复杂环境多声源定位的需求。

[参考文献]

[1] JAVADI S， MOOSAEI H， CIIUNZO D.Learning Wireless Sensor Networks for Source Localization[J]. IEEE Transactions on Sensors， 2019，19（3）： 635-646.

[2] SHENG X， Hu Y.Maximum likelihood multiple source localization using acoustic energy measurements with wireless sensor networks[J].IEEE Transactions on Signal Processing，2019， 3（1）： 44-53.

[3  MENG W， XIAO W. Distributed energy-based multi-source localization in wireless sensor network[C]. IEEE International Conference on Systems， Man and Cybemetric， 2018： 2950-2954.0903A774-C8CA-488F-964C-45596FCBF1E3

[4] RABBAT M， NOWARK R.Decentralized source localization and tracking[C]. IEEE International Conference on Acoustics， Speech and Signal Processing，  2004： 921-924.

[5] SHENG X， HU Y， RAMANATHAN P. Distributed particle filter with GMM approximation for multiple targets localization and tracking in wireless sensor network[C]. IEEE International Conference on Information Processing in Sensor Networks，2005： 181-188 .

[6] LIU Y， HU Y H， PAN Q.Distributed robust acoustic source localization in a wireless sensor network[J]. IEEE Transactions on Signal Processing，2012， 60（8）：4350-4359.

[7] HEINZELMAN W， CHANDRAASAN A， BALAKRISHNAN H. An application-specific protocol architecture for wireless microsensor networks[J]. IEEE Transactions on wireless communications， 2012， 4（1）： 660-670.

[8] MENG W， XIAO W， XIE L. An Efficient EM Algorithm for Energy-Based Multisource Localization in Wireless Sensor Networks[J]. IEEE Transactions on Instrumentation and Measurement， 2011， 3（60）： 1017-1027.

[9] CHENA J， HUDONS R， YAO K.Maximum likelihood source localization and unknown sensor location estimation for wideband signals in the near-field[J]. IEEE Transactions on Signal Processing，2012 ，4（6）： 1843-1850.

[10]  YI J， AAIMI M. A robust source localization algorithm applied to acoustic sensor network[C]. IEEE International Conference on Acoustic， Speech， Signal Process， 2014： 1233-1236.0903A774-C8CA-488F-964C-45596FCBF1E3