劉麗萍，操劉生，陳?夢(mèng)

?

基于AR模型和卡爾曼濾波的UWSNs節(jié)點(diǎn)分層預(yù)測(cè)定位

劉麗萍，操劉生，陳?夢(mèng)

(天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院，天津 300072)

水下無(wú)線傳感器網(wǎng)絡(luò)(UWSNs)拓?fù)渥兓l繁，通信能力有限，給水下環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)中的節(jié)點(diǎn)定位技術(shù)帶來(lái)很大挑戰(zhàn)．近海環(huán)境監(jiān)測(cè)中，考慮到節(jié)點(diǎn)隨著洋流移動(dòng)并呈現(xiàn)出半周期性，利用節(jié)點(diǎn)運(yùn)動(dòng)模型，設(shè)計(jì)了基于 AR 模型和卡爾曼濾波的 UWSNs 節(jié)點(diǎn)分層預(yù)測(cè)定位方法(HPLM-AK)．建立了錨節(jié)點(diǎn)速度的 AR 預(yù)測(cè)模型，綜合考慮網(wǎng)絡(luò)能量消耗和定位精度的需求，進(jìn)一步建立了錨節(jié)點(diǎn)速度的狀態(tài)方程和觀測(cè)方程，利用卡爾曼濾波算法實(shí)現(xiàn)對(duì)錨節(jié)點(diǎn)速度的最優(yōu)估計(jì)，進(jìn)而提高了定位精度且降低了網(wǎng)絡(luò)通信能耗；普通節(jié)點(diǎn)利用與錨節(jié)點(diǎn)運(yùn)動(dòng)的空間相關(guān)性，根據(jù)參考節(jié)點(diǎn)的速度和位置信息估算自身的速度并結(jié)合上一時(shí)刻的位置信息完成定位．考慮到提高節(jié)點(diǎn)的定位覆蓋度，設(shè)計(jì)了節(jié)點(diǎn)的定位置信度，并通過(guò)將置信度較高的普通節(jié)點(diǎn)升級(jí)為參考節(jié)點(diǎn)的方式來(lái)彌補(bǔ)錨節(jié)點(diǎn)稀疏的不足．同時(shí)，設(shè)計(jì)了參考節(jié)點(diǎn)列表更新機(jī)制，通過(guò)更新參考節(jié)點(diǎn)的信息，普通節(jié)點(diǎn)選取置信度較高的參考節(jié)點(diǎn)來(lái)參與自身的定位，提高了預(yù)測(cè)定位精度．本文以E117.25°～E132.20°、N24.00°～N43.45°洋流數(shù)據(jù)為實(shí)驗(yàn)背景對(duì)算法進(jìn)行了仿真，并且與可擴(kuò)展的移動(dòng)預(yù)測(cè)定位(SLMP)方法進(jìn)行了分析比較，仿真結(jié)果表明，HPLM-AK方法提高了定位覆蓋度和定位精度，且降低了網(wǎng)絡(luò)的通信能耗．

水下傳感器網(wǎng)絡(luò)；AR模型；卡爾曼濾波；參考節(jié)點(diǎn)列表；分層預(yù)測(cè)定位

水下無(wú)線傳感器網(wǎng)絡(luò)(underwater wireless sensor networks，UWSNs)在海洋環(huán)境監(jiān)測(cè)、洋流數(shù)據(jù)采集、海域資源勘測(cè)、海嘯預(yù)警等應(yīng)用方面有著不可替代的價(jià)值[1]．實(shí)際應(yīng)用中，傳感器節(jié)點(diǎn)的位置是網(wǎng)絡(luò)收集有效信息的基礎(chǔ)．水下環(huán)境中，傳感器網(wǎng)絡(luò)拓?fù)潆S著洋流運(yùn)動(dòng)不斷改變，通信信號(hào)衰減快、帶寬窄，這些因素都極大地影響水下傳感器節(jié)點(diǎn)定位的精度.

提高定位精度、降低網(wǎng)絡(luò)通信能耗是水下無(wú)線傳感器網(wǎng)絡(luò)定位方法的設(shè)計(jì)目標(biāo)．區(qū)域定位機(jī)制(area-based localization scheme，ALS)[2]中提出了無(wú)需測(cè)距的區(qū)域定位機(jī)制，錨節(jié)點(diǎn)通過(guò)發(fā)送不同能級(jí)的數(shù)據(jù)將網(wǎng)絡(luò)劃分為不同的區(qū)域，待定位節(jié)點(diǎn)將接收到的錨節(jié)點(diǎn)信息以及相應(yīng)的能級(jí)發(fā)送給匯聚節(jié)點(diǎn)，匯聚節(jié)點(diǎn)根據(jù)已知錨節(jié)點(diǎn)信息來(lái)定位未知節(jié)點(diǎn)，但算法的通信能耗較高．為減少網(wǎng)絡(luò)通信開銷，運(yùn)動(dòng)感知的自定位(motion-aware self-localization，MASL)方法[3]設(shè)計(jì)了集中式定位算法，在匯聚節(jié)點(diǎn)處計(jì)算位置信息，降低了各個(gè)節(jié)點(diǎn)的計(jì)算負(fù)荷，整體網(wǎng)絡(luò)能耗降低，但定位實(shí)時(shí)性不足．考慮大規(guī)模網(wǎng)絡(luò)中，信標(biāo)節(jié)點(diǎn)的數(shù)量有限，大規(guī)模水下網(wǎng)絡(luò)定位機(jī)制(localization scheme for large scale underwater networks，LSLS)[4]提出了將已經(jīng)定位的節(jié)點(diǎn)升級(jí)為參考節(jié)點(diǎn)來(lái)輔助未知節(jié)點(diǎn)定位的方法，該方法在一定程度上提高了定位覆蓋度．為提高節(jié)點(diǎn)的定位精度，基于粒子群優(yōu)化的移動(dòng)預(yù)測(cè)定位(localization method based on mobility prediction and partial swarm optimization algorithms，MP-PSO)[5]采用粒子群算法優(yōu)化錨節(jié)點(diǎn)位置坐標(biāo)，但錨節(jié)點(diǎn)周期性優(yōu)化坐標(biāo)信息增加了網(wǎng)絡(luò)通信能耗，對(duì)能量受限的網(wǎng)絡(luò)帶來(lái)很大的挑戰(zhàn)．可擴(kuò)展的移動(dòng)預(yù)測(cè)定位(scalable localization with mobility pattern，SLMP)[6]算法提出利用預(yù)測(cè)運(yùn)動(dòng)模型來(lái)估計(jì)位置，根據(jù)節(jié)點(diǎn)預(yù)測(cè)位置與實(shí)際位置的差值是否超過(guò)某一閾值來(lái)更新運(yùn)動(dòng)模型，網(wǎng)絡(luò)通信能耗較低．

綜合考慮通信能耗和定位精度，結(jié)合節(jié)點(diǎn)的運(yùn)動(dòng)規(guī)律，本文提出了基于AR模型與卡爾曼濾波的UWSNs節(jié)點(diǎn)分層預(yù)測(cè)定位方法(hierarchical prediction localization method based on AR model and Kalman algorithm，HPLM-AK)．利用AR模型建立錨節(jié)點(diǎn)速度的狀態(tài)方程和觀測(cè)方程，通過(guò)卡爾曼遞推方程對(duì)錨節(jié)點(diǎn)的速度信息做出最優(yōu)估計(jì)，進(jìn)而對(duì)錨節(jié)點(diǎn)進(jìn)行預(yù)測(cè)定位；在普通節(jié)點(diǎn)定位過(guò)程中，利用普通節(jié)點(diǎn)和錨節(jié)點(diǎn)運(yùn)動(dòng)的空間相關(guān)性，結(jié)合錨節(jié)點(diǎn)的運(yùn)動(dòng)信息，實(shí)現(xiàn)普通節(jié)點(diǎn)的預(yù)測(cè)定位．以MITgcm 模型[7]下獲得的E117.25°～E132.20°，N24.00°～N43.45°海域的環(huán)境數(shù)據(jù)為基礎(chǔ)進(jìn)行了仿真分析；仿真結(jié)果顯示，定位覆蓋度、平均定位誤差和平均通信能耗均優(yōu)于SLMP算法．

1?網(wǎng)絡(luò)結(jié)構(gòu)及節(jié)點(diǎn)運(yùn)動(dòng)方程

本文考慮分層的水下無(wú)線傳感器網(wǎng)絡(luò)拓?fù)洌鐖D1所示．節(jié)點(diǎn)包括信標(biāo)節(jié)點(diǎn)、錨節(jié)點(diǎn)以及普通節(jié)點(diǎn)3種類型．漂浮在水面的信標(biāo)節(jié)點(diǎn)裝有GPS設(shè)備，能夠直接與衛(wèi)星通信進(jìn)行定位；錨節(jié)點(diǎn)具有較強(qiáng)的通信能力和計(jì)算能力，能夠通過(guò)與信標(biāo)節(jié)點(diǎn)通信進(jìn)行自定位；普通節(jié)點(diǎn)由于能量有限，通信能力弱，只能通過(guò)與錨節(jié)點(diǎn)通信來(lái)進(jìn)行定位．

在近海區(qū)域，潮汐是影響網(wǎng)絡(luò)節(jié)點(diǎn)運(yùn)動(dòng)的主要因素．節(jié)點(diǎn)的速度由均勻振蕩的潮汐場(chǎng)和順時(shí)針及逆時(shí)針交替構(gòu)成無(wú)窮序列的剩余場(chǎng)組成[8]，如圖2呈現(xiàn)確定的半周期性，因此能夠根據(jù)歷史數(shù)據(jù)進(jìn)行線性預(yù)測(cè)．本文假定所有節(jié)點(diǎn)帶有深度傳感器，能夠獲得在深度方向的位置信息，僅考慮二維平面上的節(jié)點(diǎn)．節(jié)點(diǎn)采用周期性定位算法，其預(yù)測(cè)定位方程為

將式(1)離散化，可得節(jié)點(diǎn)的預(yù)測(cè)定位方程為

（a）方向速度

（b）y方向速度

2?節(jié)點(diǎn)分層預(yù)測(cè)定位

2.1?錨節(jié)點(diǎn)混合預(yù)測(cè)定位

考慮到減小網(wǎng)絡(luò)開銷，降低通信能耗，通過(guò)建立錨節(jié)點(diǎn)的運(yùn)動(dòng)模型來(lái)對(duì)錨節(jié)點(diǎn)進(jìn)行預(yù)測(cè)定位．時(shí)間序列分析理論能夠利用樣本所具有的時(shí)序性和自相關(guān)性來(lái)建立預(yù)測(cè)模型，因此可以利用AR模型構(gòu)建關(guān)于錨節(jié)點(diǎn)速度變化規(guī)律的運(yùn)動(dòng)模型，但考慮到實(shí)際應(yīng)用中水下節(jié)點(diǎn)的有限存儲(chǔ)能力，節(jié)點(diǎn)根據(jù)有限的樣本并不能夠建立起高精度的預(yù)測(cè)模型．同時(shí)，由于水下環(huán)境存在動(dòng)態(tài)噪聲，導(dǎo)致預(yù)測(cè)的結(jié)果并不準(zhǔn)確．卡爾曼濾波算法[10]能夠利用狀態(tài)方程的遞推性以及線性無(wú)偏最小均方差估計(jì)準(zhǔn)則，結(jié)合觀測(cè)值對(duì)狀態(tài)估計(jì)值進(jìn)行實(shí)時(shí)修正，依靠遞推方程來(lái)消除隨機(jī)干擾．卡爾曼濾波算法在沒(méi)有提高錨節(jié)點(diǎn)運(yùn)動(dòng)模型階次的情況下，提高了錨節(jié)點(diǎn)速度的預(yù)測(cè)精度．本文將AR模型與卡爾曼濾波算法相結(jié)合來(lái)建立錨節(jié)點(diǎn)的運(yùn)動(dòng)模型進(jìn)行預(yù)測(cè)定位，根據(jù)AR模型建立卡爾曼濾波算法的狀態(tài)方程和觀測(cè)方程，通過(guò)卡爾曼遞推算法對(duì)錨節(jié)點(diǎn)的速度做出最優(yōu)估計(jì)．

2.1.1?錨節(jié)點(diǎn)運(yùn)動(dòng)模型

在錨節(jié)點(diǎn)速度預(yù)測(cè)過(guò)程中，利用高階AR()模型來(lái)建立卡爾曼濾波算法的狀態(tài)方程和觀測(cè)方程．AR模型為

令＝＋1可得

錨節(jié)點(diǎn)速度的觀測(cè)方程為

將錨節(jié)點(diǎn)速度的狀態(tài)方程(7)和觀測(cè)方程(8)代入卡爾曼遞推方程組(9)，可獲得錨節(jié)點(diǎn)速度的最優(yōu)估計(jì)．

2.1.2?錨節(jié)點(diǎn)位置預(yù)測(cè)

在定位過(guò)程中，考慮到定位精度，將錨節(jié)點(diǎn)的預(yù)測(cè)位置和測(cè)量位置進(jìn)行比較，如果定位誤差小于閾值，錨節(jié)點(diǎn)就會(huì)將當(dāng)前的位置信息以及預(yù)測(cè)速度信息發(fā)送給普通節(jié)點(diǎn)，否則，錨節(jié)點(diǎn)會(huì)重新計(jì)算時(shí)間窗口內(nèi)的運(yùn)動(dòng)信息，并將更新后的位置信息和預(yù)測(cè)速度信息發(fā)送給普通節(jié)點(diǎn)．錨節(jié)點(diǎn)發(fā)送給普通節(jié)點(diǎn)的數(shù)據(jù)包結(jié)構(gòu)如圖3所示．

節(jié)點(diǎn)ID時(shí)間戳速度向量位置置信度

2.2?普通節(jié)點(diǎn)定位

2.2.1?普通節(jié)點(diǎn)運(yùn)動(dòng)模型

則普通節(jié)點(diǎn)的運(yùn)動(dòng)模型為

2.2.2?普通節(jié)點(diǎn)預(yù)測(cè)定位

在普通節(jié)點(diǎn)定位過(guò)程中，如果普通節(jié)點(diǎn)接收到來(lái)自參考節(jié)點(diǎn)的信息，就利用接收到的參考節(jié)點(diǎn)的信息來(lái)更新移動(dòng)模型(12)完成節(jié)點(diǎn)速度預(yù)測(cè)，利用式(13)實(shí)現(xiàn)普通節(jié)點(diǎn)的位置預(yù)測(cè)．否則就利用上一時(shí)間窗口的位置和估計(jì)速度來(lái)更新當(dāng)前時(shí)刻的位置．

2.2.3?普通節(jié)點(diǎn)的參考列表更新機(jī)制

在錨節(jié)點(diǎn)稀疏的水下傳感器網(wǎng)絡(luò)中，綜合考慮網(wǎng)絡(luò)的定位精度和覆蓋度，設(shè)計(jì)了精度較高普通節(jié)點(diǎn)升級(jí)為參考節(jié)點(diǎn)輔助定位的方法．引入普通節(jié)點(diǎn)的置信度作為升級(jí)為參考節(jié)點(diǎn)的衡量標(biāo)準(zhǔn)，其表達(dá)式為

當(dāng)普通節(jié)點(diǎn)的置信度高于某一閾值時(shí)，節(jié)點(diǎn)升級(jí)為鄰居節(jié)點(diǎn)的參考節(jié)點(diǎn)，并將自身的位置、速度信息、置信度廣播給鄰居節(jié)點(diǎn)．節(jié)點(diǎn)收到新的參考節(jié)點(diǎn)信息時(shí)，會(huì)根據(jù)參考節(jié)點(diǎn)的置信度和實(shí)時(shí)性確定該參考節(jié)點(diǎn)參與定位的權(quán)重．參考節(jié)點(diǎn)的定位權(quán)重定義為

參考節(jié)點(diǎn)的定位權(quán)重除了和定位置信度有關(guān)外，還和時(shí)間密切相關(guān)，當(dāng)前時(shí)間與確定節(jié)點(diǎn)置信度的時(shí)間間隔越大，該參考節(jié)點(diǎn)參與普通節(jié)點(diǎn)定位的權(quán)重越低；對(duì)于相同置信度的參考節(jié)點(diǎn)來(lái)說(shuō)，參考節(jié)點(diǎn)的時(shí)間戳越接近當(dāng)前時(shí)間，其定位權(quán)重值越高．

參考列表更新機(jī)制具體步驟如下.

步驟1普通節(jié)點(diǎn)S接收到鄰居節(jié)點(diǎn)S的信息后，判斷S是否已經(jīng)在參考列表中，如果已存在，S更新參考列表中關(guān)于S的信息；否則，進(jìn)入步驟2．

步驟2判斷S的參考節(jié)點(diǎn)列表中是否有空閑位置，若有，則將節(jié)點(diǎn)S的信息添加到列表中的空閑位置；否則，遍歷S的參考節(jié)點(diǎn)列表，當(dāng)且僅當(dāng)節(jié)點(diǎn)S的置信度大于參考列表中置信度最小的參考節(jié)點(diǎn)時(shí)，節(jié)點(diǎn)S的信息替換該參考節(jié)點(diǎn)．

步驟3S的參考節(jié)點(diǎn)列表中某個(gè)參考節(jié)點(diǎn)在小于個(gè)定位周期內(nèi)沒(méi)有給S發(fā)送任何信息，那么根據(jù)式(15)重新計(jì)算該參考節(jié)點(diǎn)的置信度；否則，將該參考節(jié)點(diǎn)信息已失效，從列表中刪除該參考節(jié)點(diǎn)．

3?仿真與分析

3.1?實(shí)驗(yàn)參數(shù)設(shè)置

本文以MITgcm模型獲得的E117.25°～E132.20°、N24.00°～N43.45°海域的環(huán)境數(shù)據(jù)為基礎(chǔ)，用HPLM-AK定位方法對(duì)100m×100m×100m區(qū)域內(nèi)的500個(gè)傳感器節(jié)點(diǎn)進(jìn)行了仿真分析，并與SLMP方法進(jìn)行了比較．具體仿真參數(shù)設(shè)置如表1所示．

表1?實(shí)驗(yàn)仿真參數(shù)

Tab.1?Simulation parameters of experiment

3.2?算法評(píng)價(jià)標(biāo)準(zhǔn)

根據(jù)水下定位的實(shí)際情況，本文考慮定位覆蓋度、平均定位誤差、平均通信能耗3個(gè)定位指標(biāo)．

(1)定位覆蓋度：定位誤差(節(jié)點(diǎn)的預(yù)測(cè)位置與真實(shí)位置的差值)小于50%通信距離的已定位節(jié)點(diǎn)占網(wǎng)絡(luò)中所有節(jié)點(diǎn)的比例．

(2)平均定位誤差：定位誤差小于0.05的節(jié)點(diǎn)平均位置誤差與通信距離的比值．

(3)平均通信能耗：節(jié)點(diǎn)發(fā)送的數(shù)據(jù)包格式相同，假設(shè)不考慮數(shù)據(jù)包的大小，定義平均通信能耗為平均每秒每個(gè)節(jié)點(diǎn)交換信息的次數(shù)．

3.3?仿真結(jié)果分析

3.3.1?節(jié)點(diǎn)通信半徑對(duì)定位覆蓋度的影響

定位覆蓋度是衡量定位算法適應(yīng)性的重要指標(biāo)．算法的定位覆蓋度越高，其適應(yīng)性越強(qiáng)．在錨節(jié)點(diǎn)分布確定的水下傳感器網(wǎng)絡(luò)中，節(jié)點(diǎn)的通信半徑越大，網(wǎng)絡(luò)的定位覆蓋度越高，如圖4所示．在節(jié)點(diǎn)通信半徑或者錨節(jié)點(diǎn)比例相同時(shí)，SLMP算法依賴錨節(jié)點(diǎn)速度的AR模型來(lái)實(shí)現(xiàn)預(yù)測(cè)定位，HPLM-AK算法在錨節(jié)點(diǎn)速度AR模型的基礎(chǔ)上加入了Kalman濾波機(jī)制來(lái)進(jìn)行預(yù)測(cè)，提高了算法在水下傳感器網(wǎng)絡(luò)系統(tǒng)中的抗干擾能力，使得錨節(jié)點(diǎn)的定位精度得到了提高，普通節(jié)點(diǎn)根據(jù)錨節(jié)點(diǎn)的速度信息和位置信息來(lái)實(shí)現(xiàn)定位，因此普通節(jié)點(diǎn)的位置精度增加，從而實(shí)現(xiàn)定位的節(jié)點(diǎn)數(shù)量增加．故HPLM-AK算法的定位覆蓋度要明顯優(yōu)于SLMP算法．

3.3.2?節(jié)點(diǎn)通信半徑對(duì)平均定位誤差的影響

平均定位誤差是衡量節(jié)點(diǎn)定位精度的重要性能指標(biāo)．算法的平均定位誤差越小，其應(yīng)用范圍越廣．節(jié)點(diǎn)通信半徑的增加提高了鄰居參考節(jié)點(diǎn)數(shù)量，普通節(jié)點(diǎn)選擇置信度較高的參考節(jié)點(diǎn)來(lái)參與自身定位過(guò)程，定位誤差減小，如圖5所示．在節(jié)點(diǎn)通信半徑或錨節(jié)點(diǎn)比例相同時(shí)，HPLM-AK算法的平均定位誤差小于SLMP算法．兩種算法中，平均定位誤差都是由錨節(jié)點(diǎn)定位誤差和普通節(jié)點(diǎn)定位誤差組成的．SLMP算法中普通節(jié)點(diǎn)的累積誤差完全依賴于錨節(jié)點(diǎn)速度的預(yù)測(cè)精度．在HPLM-AK算法中，對(duì)錨節(jié)點(diǎn)速度預(yù)測(cè)時(shí)考慮到噪聲的干擾，利用卡爾曼濾波方法對(duì)錨節(jié)點(diǎn)的速度信息做出最優(yōu)估計(jì)，提高了錨節(jié)點(diǎn)的速度和位置精度；同時(shí)參考節(jié)點(diǎn)信息列表更新機(jī)制提高了參考節(jié)點(diǎn)信息的準(zhǔn)確性和實(shí)時(shí)性，降低了普通節(jié)點(diǎn)的定位誤差．

圖4?定位覆蓋度與節(jié)點(diǎn)通信半徑的關(guān)系

圖5?平均定位誤差與節(jié)點(diǎn)通信半徑的關(guān)系

3.3.3?節(jié)點(diǎn)通信半徑對(duì)平均通信能耗的影響

水下傳感器節(jié)點(diǎn)的能量受限，因此降低傳感器網(wǎng)絡(luò)的通信能耗也是節(jié)點(diǎn)定位方法重要的衡量指標(biāo)．算法的平均通信能耗越低，其網(wǎng)絡(luò)壽命越長(zhǎng)．節(jié)點(diǎn)通信半徑的增加使得普通節(jié)點(diǎn)的鄰居參考節(jié)點(diǎn)數(shù)量增加，則節(jié)點(diǎn)間通信次數(shù)增加，進(jìn)而通信能耗增加，如圖6所示．在節(jié)點(diǎn)通信半徑或錨節(jié)點(diǎn)比例相同時(shí)，HPLM-AK算法的平均通信能耗小于SLMP算法．在HPLM-AK算法中，基于AR模型利用卡爾曼濾波算法對(duì)錨節(jié)點(diǎn)的速度信息做出了最優(yōu)估計(jì)，相比SLMP算法中錨節(jié)點(diǎn)的運(yùn)動(dòng)模型更為精確，使用時(shí)間長(zhǎng)，降低了錨節(jié)點(diǎn)運(yùn)動(dòng)信息的更新頻率，從而降低了通信能耗．

圖6?平均通信能耗與節(jié)點(diǎn)通信半徑的關(guān)系

4?結(jié)?語(yǔ)

本文針對(duì)水下無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)移動(dòng)性強(qiáng)、拓?fù)渥兓l繁的特點(diǎn)，提出了基于AR模型和卡爾曼濾波的UWSNs節(jié)點(diǎn)分層預(yù)測(cè)定位算法．利用AR模型和卡爾曼濾波算法建立了錨節(jié)點(diǎn)的預(yù)測(cè)定位算法，錨節(jié)點(diǎn)能夠與信標(biāo)節(jié)點(diǎn)直接通信更新錨節(jié)點(diǎn)的運(yùn)動(dòng)預(yù)測(cè)模型，在保證節(jié)點(diǎn)預(yù)測(cè)定位精度的同時(shí)，有效減少了網(wǎng)絡(luò)的能量消耗．普通節(jié)點(diǎn)利用鄰居參考節(jié)點(diǎn)的運(yùn)動(dòng)信息，來(lái)建立自身的運(yùn)動(dòng)模型進(jìn)行預(yù)測(cè)定位，通過(guò)更新參考節(jié)點(diǎn)列表機(jī)制選擇精度較高的參考節(jié)點(diǎn)來(lái)輔助自身定位，提高了節(jié)點(diǎn)的定位精度．對(duì)E117.25°～E132.20°和N24.00°～N43.45°海域數(shù)據(jù)仿真分析結(jié)果表明：HPLM-AK算法性能優(yōu)于SLMP算法，HPLM-AK算法的定位覆蓋度更高，平均定位誤差更小，平均通信能耗更低．

［1］ Akyildiz L F，Pompili D，Melodia T. Underwater acoustic sensor networks：Research challenges[J]. Ad Hoc Networks，2005，3(3)：257-279.

［2］ Chandrasekhar W，Seah W. An area localization scheme for underwater sensor networks[C]// IEEE Oceans 2006-Asia Pacific．Singapore，2006：911-918.

［3］ Mirza D，Schurgers C. Motion-aware self-localization for underwater networks[C]// Proceedings of the 3rd International Workshop on Underwater Networks．San Francisco，CA，USA，2008：51-58.

［4］ Cheng W，Thaeler A，Cheng X Z，et al. Time-synchronization free localization in large scale underwater acoustic sensor networks[C]// 29th IEEE International Conference on Distributed Computing Systems Workshops(ICDCS Workshops)．Montreal，QC，Can-ada，2009：80-87.

［5］ Zhang Y，Liang J X，Jiang S M，et al. A localization methods for underwater wireless sensor networks based on mobility prediction and particle swarm optimization algorithms[J]. Sensors，2016，16(2)：1-17.

［6］ Zhou Z，Peng Z，Cui J H，et al. Scalable localization with mobility prediction for underwater sensor networks[J]. IEEE Transactions on Mobile Computing，2011，10(3)：335-348.

［7］ Marshall J，Adcroft A，Hill C，et al. A finite-volume，incompressible Navier Stokes model for studies of the ocean on parallel computers[J]. Journal of Geophysical Research，1997，102(C3)：5753-5766.

［8］ Beerens S P，Ridderinkhof H，Zimmerman J T F. An analytical study of chaotic stirring in tidal areas[J]. Chaos，Solitons and Fractals，1994，4(6)：1011-1029.

［9］ Bagtzoglou A C，Novikov A. Chaotic behavior and pollution dispersion characteristics in engineered tidal embayments：A numerical investigation[J]. Jawra Journal of the American Water Resources Association，2007，43(1)：207-219.

［10］ 黃小平，王?巖. 卡爾曼濾波原理及應(yīng)用[M]. 1版. 北京：電子工業(yè)大學(xué)出版社，2015.Huang Xiaoping，Wang Yan. Principle and Application of Kalman Filter[M]. 1st ed. Beijing：Publishing House of Electronics Industry，2015(in Chinese).

［11］ Schroeder M R. Linear Prediction Theory：A Mathematical Basis for Adaptive Systems[M]. Berlin：Springer-Verlag，1989.

Hierarchical Prediction Localization Method Based on AR Model and Kalman for Underwater Wireless Sensor Networks

Liu Liping，Cao Liusheng，Chen Meng

(School of Electrical and Information Engineering，Tianjin University，Tianjin 300072，China)

Underwater wireless sensor networks(UWSNs) have frequent topology changes and limited communication capabilities，which pose great challenges to localization in underwater environment monitoring network. In seashore monitoring networks，considering that node mobility pattern shows certain semi-periodic property，a hierarchical prediction localization method based on AR model and Kalman algorithm(HPLM-AK)is proposed for UWSNs. Considering the requirements of network energy consumption and localization accuracy，the state equation and the observation equation of anchor node velocity based on AR prediction model are established. Kalman algorithm is used to estimate the optimal anchor node velocity information to improve the localization accuracy and reduce communication cost. According to the spatial correlation between ordinary nodes and anchor nodes，the speed and the position information of anchor nodes are used to locate ordinary nodes. To improve the localization coverage，the localization confidence value is designed to upgrade ordinary nodes to reference nodes to compensate for the sparseness of anchor node. Moreover，an update mechanism of the reference node list，which can update the information of reference nodes in time is designed to improve the accuracy of ordinary nodes localization. The simulation results based on ocean data in the region from E117.25° to E132.20° and from N24.00° to N43.45° show that the HPLM-AK method has higher localization coverage and lower localization error and communication cost than the scalable localization with mobility pattern(SLMP)method.

underwater wireless sensor networks；AR model；Kalman filter；reference list；hierarchical prediction localization

TP393

A

0493-2137(2019)01-0098-07

2018-06-05；

2018-09-09.

劉麗萍（1979—??），女，博士，副教授.

劉麗萍，lipingliu@tju.edu.cn.

國(guó)家自然科學(xué)基金資助項(xiàng)目(61104208).

the National Natural Science Foundation of China(No. 61104208).

10.11784/tdxbz201806006

(責(zé)任編輯：孫立華)