向英杰，魏連鎖，謝思雅，馬敬云，孫明

模糊推理下多模型融合的異步測距定位算法

向英杰，魏連鎖，謝思雅，馬敬云，孫明

（齊齊哈爾大學 計算機與控制工程學院，黑龍江 齊齊哈爾 161006）

針對水下節(jié)點隨著洋流運動具有移動性特性，導(dǎo)致現(xiàn)有水下測距定位算法存在定位精度低、抗干擾能力差等問題．對此，提出一種模糊推理下多模型融合的異步定位算法．首先采用深海拉格朗日洋流模型描述水下節(jié)點運動規(guī)律，模擬節(jié)點運動速度，構(gòu)建錨節(jié)點與待定位節(jié)點信息動態(tài)交互模型．在此基礎(chǔ)上，構(gòu)建基于信號傳播時延（Round-trip Time，RTT）與接收信號強度（Received Signal Strength Indication，RSSI）動態(tài)定位模型，再引入波動系數(shù)作為調(diào)節(jié)因子，利用模糊推理規(guī)則建立RTT與RSSI相融合的動態(tài)定位模型，提出模糊推理下多模型融合的異步測距定位算法．仿真實驗表明，改進算法與對比算法相比，考慮了水下節(jié)點的移動性，降低了水聲信道的不穩(wěn)定性對定位精度的影響，定位誤差降低了25.58%，抗干擾能力顯著提高．

水下傳感器網(wǎng)絡(luò)；模糊推理；多模型融合；異步定位

海洋是21世紀最具有探索意義的領(lǐng)域，也是未來世界各國競爭的核心地方[1]，它擁有大量的資源，可以為人類提供生存與發(fā)展的新空間．對海洋資源的開發(fā)與利用離不開水下無線傳感器網(wǎng)絡(luò)（Underwater Wireless Sensor Networks，UWSNs），UWSNs是由各種各樣的傳感器節(jié)點組成，具有自組織性、可靠性高等特點[2]．人類對海洋資源的探索也是依靠這個網(wǎng)絡(luò)，在UWSNs基礎(chǔ)研究中，水下節(jié)點定位起著舉足輕重的作用，不但為節(jié)點感知數(shù)據(jù)提供重要的位置信息，也為水下目標跟蹤提供位置依據(jù)[3]．和地面?zhèn)鞲衅骶W(wǎng)絡(luò)相比，水下節(jié)點定位主要面臨２方面的挑戰(zhàn)[4]：（1）水下傳感器節(jié)點會隨著洋流移動，若定位算法未考慮節(jié)點的移動性則會增加定位誤差；（2）水下傳感器節(jié)點間只能通過水聲信道進行數(shù)據(jù)傳輸，因此，水下傳感器節(jié)點間的通信時延較大，且受海洋復(fù)雜環(huán)境的影響，定位的精度和可靠性會降低．

現(xiàn)有UWSNs節(jié)點定位算法中，根據(jù)距離測量可分為基于免測距定位[5-6]和測距定位[7-11]算法，免測距與測距結(jié)合的定位算法[12]，而水下異步定位是測距定位算法研究的熱點．Yeredor[13]提出了使用協(xié)作節(jié)點進行節(jié)點定位，該方法解決了異步時鐘下精度差的問題，但其魯棒性較差，復(fù)雜度高，容易受海洋復(fù)雜環(huán)境的影響．Canclini[14]等為了解決上述問題，提出為每個傳感器節(jié)點選擇可行的到達時間差關(guān)系，利用幾何考慮和總體廣義互相關(guān)系（GCC）形狀的表征，設(shè)計了一種復(fù)雜度低和魯棒性強的算法．Carroll[15]等又針對其能量消耗大的問題，提出了按需請求的異步定位算法，但其抗干擾的能力差．孫彥龍[16]基于文獻[15]的算法提出了具有抗干擾能力的異步定位算法．該算法變相使用了RTT與RSSI測距技術(shù)，消除了節(jié)點間時鐘異步的影響，但其未考慮節(jié)點的移動性對定位誤差的影響，且抗干擾能力較差．

因此，本文采用拉格朗日洋流模型描述節(jié)點運動規(guī)律，模擬節(jié)點運動速度，構(gòu)建錨節(jié)點與待定位節(jié)點信息動態(tài)交互模型，對基于信號傳播時延與信號強度2個定位算法進行動態(tài)修正，再引入波動系數(shù)作為調(diào)節(jié)因子，利用三角棣屬度函數(shù)，構(gòu)建模糊推理下RTT與RSSI融合定位模型，從而設(shè)計出一個定位精度高，抗干擾能力強的水下傳感器網(wǎng)絡(luò)異步定位算法．

1 模型構(gòu)建

1.1 洋流模型

雖然水下環(huán)境十分復(fù)雜，但水下物體運動并不是完全無規(guī)律的，而是呈現(xiàn)出半周期的運動特性，在水下無線傳感器網(wǎng)絡(luò)中，水下傳感器節(jié)點會隨著洋流一起運動，其運動特征在時間與空間上呈現(xiàn)相關(guān)性．因此，本文考慮利用洋流模型來描述節(jié)點的運動情況．

在文獻[17]中提出一種權(quán)威的洋流模型，本文用此模型模擬節(jié)點的運動態(tài)勢

1.2 移動節(jié)點位置信息交互過程

圖1 待定位節(jié)點位置變化

圖2 定位過程中的信息交互過程

1.3 基于傳播時延（RTT）的動態(tài)定位模型

基于信號傳播時延的定位算法中水下傳感器網(wǎng)絡(luò)節(jié)點使用的異步時鐘模型為

1.4 基于接收信號強度（RSSI）的動態(tài)定位模型

式中：右側(cè)第1項為傳播損失，柱面?zhèn)鞑r為2，球面?zhèn)鞑r為1；右側(cè)第2項為衰減損失；右側(cè)第3項是其他原因引起的傳播損耗，如多徑傳播損耗，這個值可以認為是5～10 dB的一個常數(shù)．

則使所有誤差值之和最小的待定位傳感器節(jié)點位置最優(yōu)估計函數(shù)為

2 模糊推理下TDOA與RSSI融合定位模型

基于信號傳播時延與基于接收信號強度的測量方法可分別得到一個估算位置，在一般情況下基于信號傳播時延的方法得到的估算位置精度較高，基于接收信號強度的方法得到的估算位置精度較低．但在實際的測量場景中，人為的攻擊，環(huán)境的強干擾，設(shè)備時鐘的不穩(wěn)定都會造成時間測量出現(xiàn)錯誤[18]，從而造成水下待定位傳感器節(jié)點使用基于信號傳播時延的算法定位結(jié)果出現(xiàn)較大誤差．由于接收信號強度值的獲取方法是對一個時間段內(nèi)的信號強度進行連續(xù)采樣后取均值，因此，通過權(quán)重系數(shù)將２種算法得到的估算位置進行融合就能增強定位算法的魯棒性．根據(jù)洋流模型可知水下傳感器節(jié)點的速率變化規(guī)律，本文提出了一種自適應(yīng)的權(quán)重動態(tài)調(diào)整算法．

圖3 模糊推理下RTT與RSSI融合定位模型

模糊推理下RTT與RSSI融合定位模型見圖3．主要包括3個步驟：

（1）模糊化：利用輸入棣屬度函數(shù)將清晰的數(shù)字輸入轉(zhuǎn)換為模糊集的過程．本文采用三角棣屬度函數(shù)

式（16）為其三角函數(shù)式，其中：代表三角函數(shù)曲線與橫坐標的2個交點值；代表曲線頂點的橫坐標對應(yīng)的值．和分別有各自的三角棣屬度函數(shù)（見圖4），這些棣屬度函數(shù)儲存在知識庫中．輸入與輸出的模糊集都使用小小（Small Small，SS），?。⊿mall，S），中（Middle，M），大（Large，L），大大（Large Large，LL）5個語言變量來標記．和的論域均為[0，1]．

（2）模糊推理：在模糊化后，模糊推理使用知識庫和規(guī)則庫將輸入模糊集映射到輸出模糊集．規(guī)則庫是基于實驗與經(jīng)驗建立的規(guī)則表，自適應(yīng)權(quán)重因子調(diào)整算法的規(guī)則見表1．模糊推理的過程有２步，第１步蘊涵，從規(guī)則表中找到與輸入的模糊集對應(yīng)的所有規(guī)則；第２步聚合，通過取最大值的方法將所有選擇的輸出模糊集聚合成一個輸出模糊集．

表1 模糊推理規(guī)則表

3 模糊推理下多模型融合的異步定位算法

本文提出的模糊推理下多模型融合的異步定位算法（Localization of Multi-Model Fusion under Fuzzy Reasoning，F(xiàn)R-LOMMF）分為3個步驟：

4 仿真分析

4.1 算法時間復(fù)雜度分析

4.2 定位誤差分析

截取不同信號傳播時延噪聲方差下相同10個時間點上的定位數(shù)據(jù)（見圖5），RTT隨方差增大定位誤差逐漸增大，RSSI誤差則相對穩(wěn)定在4 m上下波動，而ABWF與FR-LOMMF介于2種算法之間，且FR-LOMMF更接近于RTT，誤差更?。纱丝芍?，在沒有出現(xiàn)時間測量錯誤的情況下，4種算法都能很好地完成10次定位任務(wù)，說明了４種定位算法的有效性，也能直觀地展現(xiàn)出４種算法的定位精度．且由于FR-LOMMF每次定位均獨立進行，由RTT與RSSI動態(tài)融合所得，所以不會出現(xiàn)誤差積累，誤差不會隨時間出現(xiàn)變大現(xiàn)象．

圖5 不同信號傳播時延噪聲方差下的定位誤差

4.3 抗干擾性分析

截取相同的10個時間點（見圖6），在截取的第3個和第8個時間點上加入了錯誤的時間測量．RTT在這２處時間點上都出現(xiàn)了大的偏差，也就是如果在出現(xiàn)大偏差時權(quán)重值選取不當將存在較大的風險，在圖6中，F(xiàn)R-LOMMF展現(xiàn)出了更強的抗干擾能力．

時間測量錯誤時（見圖7），在第3個時間點和第8個時間點RTT分別出現(xiàn)了13 m和17 m的定位誤差，而RSSI使用的是一段時間內(nèi)的信號強度連續(xù)采樣后的平均值，因此該算法定位表現(xiàn)不受影響．FR-LOMMF在RTT出現(xiàn)較大誤差時依然能維持在一個較低的誤差范圍，相較之下，比ABWF的抗干擾能力有極大的提高．

圖6 時間測量出現(xiàn)錯誤４種算法的定位情況

圖7 時間測量出現(xiàn)錯誤的情況下水下節(jié)點的定位誤差

4.4 定位精度隨錨節(jié)點密度變化分析

圖8 定位精度隨錨節(jié)點密度變化分析

5 結(jié)語

針對現(xiàn)有水下節(jié)點異步定位算法未考慮節(jié)點的移動性導(dǎo)致定位誤差大，抗干擾能力差等問題，在深海拉格朗日洋流模型基礎(chǔ)上，利用模糊推理規(guī)則，構(gòu)建了RTT與RSSI融合動態(tài)定位模型，進而提出了一種模糊推理下多模型融合的異步測距定位算法（FR-LOMMF）．仿真實驗表明，本文提出的算法比傳統(tǒng)的算法定位誤差更低，且在時間測量出現(xiàn)錯誤時具有較好的抗干擾能力．

雖然該算法降低了定位誤差，提高了抗干擾能力，但由于水下環(huán)境復(fù)雜，聲速和錨節(jié)點速度是變化的，本文只考慮了存在誤差的情況下如何進行求解，并沒有對誤差進行建模得到較好的估算．因此，后續(xù)的工作將著眼于誤差建模研究．

[1] 李晉，姜曉軼．助力海洋強國建設(shè)：海洋信息互聯(lián)互通、深度融合、智慧應(yīng)用：2018中國海洋信息技術(shù)高端論壇會議綜述[J]．海洋信息，2018，33（3）：5．

[2] Tuna G．A survey on deployment techniques，localization algorithms，and research challenges for underwater acoustic sensor networks[J]．International Journal of Communication Systems，2017，30（17）：12-13．

[3] ErolKantarci M，Mouftah HT，Oktug S．A survey of architectures and localization techniques for underwater acoustic sensor networks[J]．IEEE Communications Surveys and Tutorials，2011，13（3）：487-502．

[4] Tan H P，DiamantＲ，Seah WKG．A survey of techniques and challenges in underwater localization[J]．Ocean Engineering，2011，38（14）：1663-1676．

[5] HAN G，JIANG J，ZHANG C，et al．A survey on mobile anchor node assisted localization in wireless sensor networks[J]．IEEE Communications Surveys and Tutorials，2016，18（3）：2220-2243．

[6] 王采薇，杜秀娟．水下無線傳感器網(wǎng)絡(luò)節(jié)點定位的定點神經(jīng)網(wǎng)絡(luò)算法研究[J]．信息技術(shù)與信息化，2020（5）：231-233．

[7] Le TK，Ono N．Closed-form and near closed-form solutions for TDOA-based joint source and sensor localization[J]．IEEE Transactions on Signal Processing，2017，65（5）：1207-1221．

[8] HU Y，Leus G．Robust differential received signal strength-based localization[J]．IEEE Transactions on Signal Processing，2017，65（12）：3261-3276．

[9] WANG Y，HO D．Unified near-field and far-field localization for AOA and hybrid AOA-TDOA positionings[J]．IEEE Transactions on Wireless Communications，2017，17（2）：1242-1254．

[10] ZHANG B，WANG H，ZHENG L，et al．Joint synchronization and localization for underwater sensor networks considering stratification effect[J]．IEEE Access，2017，5：26932-26943．

[11] YANG M，Jackson D R，CHEN J，et al．A TDOA localization method for non-line-of-sight scenarios[J]．IEEE Transactions on Wireless Communications，2019，67（4）：2666-2676．

[12] 王鑫，田藝，蔣華，等．基于錨節(jié)點移動路徑動態(tài)規(guī)劃的定位算法[J]．計算機工程與設(shè)計，2020，41（8）：6．

[13] Yeredor A．Cooperative self-localization in asynchronous sensors networks based on TOA from transmission at unknown locations//[C]．InProceedings of IEEE International Conference on Acoustic，Speech and SignalProcessing，Brisbane，QLD，Australia，2015：2844-2848．

[14] Canclini A，Bestagini P，Antonacci F，et al．A robust and low-complexity source localization algorithm for asynchronous distributed microphone networks[J]．IEEE/ACM Transactions onAudio，Speech，and Language Processing，2015，23（10）： 1563-1575．

[15] Carroll P，Mahmood K，Zhou S，et al．On-demand asynchronous localization for underwater sensor networks[J]．IEEE Transac-tions on Signal Processing，2014，62（13）：3337-3348．

[16] 孫彥龍．水下無線傳感器網(wǎng)絡(luò)中節(jié)點定位與目標跟蹤算法研究[D]．秦皇島：燕山大學，2019．

[17] Leif E A，F(xiàn)rancesco S，Lars I．An iceberg forecast approach based on a statistical ocean current model[J]．Cold Regions Science and Technology，2018：5-9．

[18] WANG Y，MA X，Leus G．Robust time-based localization for asynchronous networks[J]．IEEE Transactions on Signal Processing，2011，59（9）：4397-4410．

Multi-model fusion clock asynchronous range location algorithm based on fuzzy reasoning

XIANG Yingjie，WEI Liansuo，XIE Siya，MA Jingyun，SUN Ming

（School of Computer and Control Engineering，Qiqihar University，Qiqihar 161006，China）

Due to the mobile characteristics of underwater nodes moving with ocean currents，the existing underwater ranging and positioning algorithms have some problems such as low positioning accuracy and poor anti-jamming ability．To solve these problems，proposes an multi-model fusion clock asynchronous range location algorithm based on fuzzy reasoning．Firstly，use the deep sea Lagrange current model to describe the motion law of underwater nodes，simulate the motion speed of nodes．Then，build the dynamic interaction model of anchor nodes and unlocated nodes．On this basis，build a dynamic positioning model based on round-trip time（RTT）and received signal strength indentation（RSSI），and then import the fluctuation coefficient as the regulating factor．Based on fuzzy reasoning rules，the dynamic clock location model of RTT and RSSI fusion is established，and then propose the multi-model fusion clock asynchronous range location algorithm based on fuzzy reasoning．Simulation experiments show，compared with the comparison algorithm，the improved algorithm proposed takes the mobility of underwater nodes into consideration，reduces the influence of the instability of underwater acoustic channel on the positioning accuracy，reduces the positioning error by 25.58% and significantly improves the anti-interference ability．

underwater sensor network；fuzzy reasoning；multi-model fusion；asynchronous positioning

1007-9831（2022）10-0036-08

TP393

A

10.3969/j.issn.1007-9831.2022.10.008

2022-05-17

向英杰（1997-），男，四川南充人，在讀碩士研究生，從事水下傳感器研究．E-mail：790135337@qq.com

魏連鎖（1975-），男，黑龍江齊齊哈爾人，教授，從事水下傳感器研究．E-mail：451118227@qq.com