英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
无线传感器网络的区间2型模糊定位
摘要
无线传感器网络(WSN)室内定位是一个具有挑战性的过程。本文提出了一种解决定位问题的新方法，一种模糊语言定位方案。该方案基于区间2型模糊逻辑(IT2FL)，利用无线电信号强度指示器（RSSI）的信号处理将室内障碍物引起的锚定RSSI测量的不确定性降至最低。模糊系统在模糊集上细分映射由一种新的模糊位置指示器(FLI)描述。由于输入侧的IT2FL和输出侧的FLI，RSS指纹的波动会减少。在WSN试验台上的Cynapsys室内环境中进行实验，实验结果证明，由于FLI概念和区间2型模糊逻辑处理信号波动的优越性，该方案位置估计的成功率更高。
关键词：区间2型模糊逻辑，信号处理，无线传感器网络，定位
1导言
我们真的需要用x，y，z坐标来进行室内定位吗？当我们受到人类本地化的影响，我们通常指的是语言本地化（例如靠近桌子，靠近电视机前的窗户hellip;hellip;）。
因此，将定位这个问题的模糊化可以改变我们的视角，并将我们对定位方法的认识从欧几里德几何方程和信号传播模型扩大到更开放的智能和普适计算。
无线通信的可用性和多样性(无线区域网络(WAN),无线传感器网络(WSN)...)给予研究人员大量的创造性空间。这些可用的传输数据和指标可在应用中加以利用，以促进人类的生活。
建造智能建筑、智能家居以及无处不在的都市是先驱公司领先项目的发展趋势。因此，基于“智能”目的的无线传感器网络部署的进展，除了那些在这个领域的大型科技公司的影响以外，各种通信技术也为创新提供了巨大的动力。对于WSN设计，移动性和定位确实是两个限制因素。许多新兴的上下文感知应用程序都是基于位置的服务（LBS）。
自那时以来，地理定位在WSN中一直是许多研究的主题。对于室外和室内环境，计算智能在本地化技术中的应用并不是一种新发明的方法。但是，室内环境的特殊性质（阴影，反射，路径损耗等）是使用不同的优化技术进行深度调查的结果。
类型1模糊逻辑（T1FL）是用于几何定位和基于聚类的方法之一。尽管如此，还没有尝试研究区间2型模糊逻辑（IT2FL）在室内地理定位中的应用。但是，事实证明，在测量中呈现高度不确定性的复杂实际应用中使用IT2FL表现更好[1–3]。在控制理论中，[4]给出了一些工业应用结果，2型模糊逻辑控制器（FLC）应用于三个领域：工业控制，移动机器人控制和环境智能环境控制。作者证明，对于每个应用程序，type 2 FLC都能提供比type 1更好的平滑响应。这是由于2型FLC强大的范式可以处理现实环境中存在的高度不确定性。
在[5]中，提出了一种数据驱动的IT2模糊逻辑建模框架，并通过实际的工业案例研究证明了很好的计算效率，与第1类模糊逻辑相比，该案例对数据不确定性提出了特殊的挑战。在[6]和[7]中也证明了IT2FL具有在处理实际应用中的测量不确定性方面优于类型1的优势。
由于我们在此讨论的定位问题基于无线电信号强度指示器，该指示器在室内环境中会出现较大程度的波动和不确定性，因此事实证明，区间2型模糊定位系统（IT2FLS）在处理数据不确定性方面可提供更好的结果， IT2FLS的使用可能会在基于射频（RF）的定位上产生相似的结果。
本文提出了一种新的模糊地理定位方法。 基于语言概念，专家针对目标环境构建了自适应模糊模型。 在第一个学习阶段，他以覆盖所有目标空间的方式定义了锚节点的分布。 然后，他使用语言模糊描述符{低，中或高}对无线电信号强度指示符（RSSI）进行范围设置。由于室内RSSI测量的不稳定性，因此需要对IT2FL处理进行编程。 另一方面，专家使用新的模糊位置指示器（FLI）将目标地图聚类在模糊集上。因此，对于每个FLI，专家将获得RSS指纹并继续进行规则库的建立。 通过语义关系，将几何图的配置模糊化为“ if-then”语言描述。在在线阶段，将信号提交给IT2模糊化，然后使用模糊定位系统（FLS）的推理引擎进行汇总。 FLI被模糊化为一个清晰的值，用于描述地图中的位置区域。 在Cynapsys室内环境中进行的实验证明了这种方法的有效性。
本文的组织如下。第2节将介绍基于模糊逻辑的定位算法的背景。 第3节将详细介绍所提出的方法概念。在第4节中，讨论了实验过程和结果。最后，对全文进行总结和展望。
2 背景
定位系统设计的基础是选择两种主要的技术：本地化技术和定位技术。首先，基于位置的系统通常是基于RF的技术。由于纳米技术的快速发展[8]（易于接触的接收器和传感器）该技术大量涉及短距离通信，特别是WiFi，蓝牙和ZigBee，因而本地化应用变得可用，一些基于混合系统，从机器人引导[9]到基于位置的服务。在他们的调查[10]中，Liu等人介绍了市场上现有的室内应用及其不同的性能标准。 他们得出的结论是，指纹识别方案在室内开放区域比较好。
其次，定位技术可以分为三类。第一个由确定性技术组成，分类为几何方法。它们是基于范围的，并且通过多方位估计目标的协调性，如三角测量，角度，到达角（AoA）和到达时间（TOA）。在他们的工作中，Yan等人 [11]提出了一种基于模糊的几何概率方法来处理非视线（NLOS）条件。虽然它提供了良好的结果，但它们的算法需要复杂的计算，并取决于锚配位的已知和精度。
另一方面，大量研究工作考虑像贝叶斯算法[12]这样的概率方法[10]，第三个定位过程基于机器学习方法[13-15]，使SVM[16]和基于神经网络的算法[17]。在这一类中，在指纹算法[14,18,19]中深入研究了K-最近邻（KNN）分类。它在提供足够的估计精度方面显示出促进结果；但是需要大量锚来达到该精度。
模糊逻辑有两种开发方式：几何模糊概念[20]和基于规则的模糊概念。 Wang等人[20]证明模糊几何方法优于传统的最小二乘法。然而，这种方法虽然只需要测量速度和方位角，但成本很高。
此外，该系统仅适用于线性轨迹，而不适用于各种模糊观测器轨迹。Fan等人 [21]建议在递归最小二乘滤波器中使用模糊逻辑。 尽管它提出了一种不同于统计的方法来处理噪声模型，它使用经典的基于坐标的定位技术，从而提高了滤波过程，从而导致计算复杂性的增加。
Garcia-Valverde等人[22]和[23]中的人研究了基于模糊逻辑的移动应用程序。他们为系统建立了一个基于规则的自适应模型。通过RSS分类中的T1模糊化，所使用的技术能够自动离线和在线学习以适应环境变化，达到成功准确率的82.22％。但是，为了处理RSS波动，他们使用了两种选择：启发式预处理算法和基于修剪的响应通用算法，该方法基于类似修剪的操作来去除峰和滴，以及对每个接入点的最后接收RSSI值应用基于改进标准差的技术。另一方面，论文[24]研究了基于RSS的无范围模糊环方法。面对无线电传播不规则现象，该方法证明了良好的性能。但是，它依赖于传播模型参数估计，因此计算量大并且在实验部署中比较困难。
在[25]中，作者使用T1FL进行RSS聚类，并用FLS建立线性方程来估计定位区域。该系统定位准确率达95%，而定位粒度大（区域和非房间），彼此相对较远，在相邻房间情况下不提供定位结果。
此外，IT2FL没有用于本地化。它通常用于无线传感器网络中对感测数据进行聚类。尽管梁和王在[26]中提出了一种方法来模拟RSSi的不确定度并对测量结果进行聚类，但并没有在局部化方面加以利用。在文献中，没有发现基于2型模糊逻辑的室内移动应用的真实实验，这是本文的主要贡献。
我们提出的基于锚的方法提供了高粒度的位置定义。它不使用预处理算法，而是在模糊化阶段使用IT2来处理RSS波动。下一节将详细介绍拟议的方法。
3 提议的方法
在进行地理定位时，通常采用几何定位来计算移动节点的坐标。很少有研究提到“语言”的地理定位。在我们提出的语言方法中，计算移动节点的位置是基于层次模糊聚类的。如图1所示，在第一学习阶段，目标空间被细分为以FLI为特征的区域。FLI递增是为了尊重几何空间的连续性和房间之间的平移。FLI中的这种连续性将保证模糊空间中的连续性，其中每个房间被视为一个模糊集（FS）。因此，每个房间都用一个模糊的FLIn向量来描述。
在每个FLI中，RSS测量都是从数据库（DB）中的锚节点收集的。利用区间2型模糊逻辑算法对这些测量值进行处理，以通过其不确定性足迹（FOU）特性最小化该指示器的不稳定性。基于所建立的数据库，专家提取语言规则，形成模糊过程的规则库。在联机阶段，RSSi测量首先使用图2中描述的IT2过程进行模糊化，并传输到推理引擎，推理引擎将继续参考规则库进行蕴涵和聚合方法。然后，聚合的类型2输出将被类型化为模糊类型1 FLI。最后，解模糊模块将通过计算crisp对应的FLI来总结位置估计过程。
3.1 模糊区间2型输入处理
本文提出了一种基于区间2型模糊逻辑的输入处理智能定位算法。当环境太未知而无法确定确切的隶属度时，例如当训练数据受噪声影响时，通常使用类型2 FLS。在大量的控制和聚类应用中，已经证实用IT2模糊逻辑有较高的精度 [27]。Satvir等人[27]通过在实际环境中实现的系统证明了区间类型2相对于类型1 FLS的可行性。IT2通过其不确定性建模特性来处理所出现的噪声。
在他们的工作中[28]，Aladi等人证明了在给定的环境条件下，FOU大小与不确定度和噪声量之间的关系。因此，将目标空间视为模糊集会在RSS测量中包含波动。区域中的RSS向量将不像在学习阶段保存的那样具体。模糊化过程将限制这种特殊性，并考虑到信号在室内环境中传播的不稳定性。
设计IT2FLS有两种方法：第一种方法部分依赖于类型1 FLS设计，然后转换为IT2FLS。因此，T1和IT2之间的快速比较研究可以很容易地完成。第二种方法依赖于预先定义的IT2FLS参数的直接设计，从而避免了从T1转换的效果，这可能不会给出最佳结果。
在这项工作中，我们打算比较T1和IT2在定位误差方面的结果，并用第一种方法证明IT2在T1上的优越性。因此，我们将保留基本结构（成员函数的数量和规则库）。
Zadeh定义“模糊逻辑是基于隶属度而不是经典二元逻辑的清晰隶属度来确定知识表示的一组数学原理。”RSS是表示模糊域中RSSi（t）的T1 FS。根据Zadeh理论，可以定义为：
（1）
其中是论域：=[-100，-70]；是隶属函数（MF）：:→[0，1]；并且“int;”表示所有点的集合xisin;与相关的隶属度（x）考虑基于[29]中的定义描述的IT2FS：
其中x是=[-100，-70]中的主变量；
uisin;[0，1]域sube;[0，1]中的次变量,
每个xisin;；的振幅是的二级，对于forall;xisin;和forall;uisin;Jxsube;[0,1]。
由其FOU描述，如图3的右部分所示，使用上、下隶属度函数和 [29]作为
FOU在FS区域不均匀。在假设噪声/不确定度是均匀的情况下，FOU构造方法在成员中产生了等量的不确定度。
为了确保统一的FOU，基于Aladi等人的工作。[28]考虑到FOU的大小，用参数cisin;[0,1]表示。对于c=0，MFs是类型1 FS，对于c=1，它们是具有非常宽FOU的IT2集合。因此，上、下MFs表示如下：
在T1和IT2FLS中都考虑高斯隶属函数。
3.2 输出处理：FLI
通过对二维平面图的线性化处理，将标记环境“E”划分为N个模糊集、Z个模糊子集（FLI）。
为了本地化，移动节点向其覆盖范围内最近的锚发送消息。锚站在旁边，用信标信息回复发送者。此消息表示RSSI测量值，并将被分类在FLI中，分类在集合{Room a，Room B，hellip;，Room N}（图4）中。
因此，模糊集“Room_A”由Room_A={FLI1，FLI2，hellip;，FLIn}定义。因此，房间B将是房间B={FLIn 1，FLIn 2，hellip;，FLIn m}等等打开每个房间（图5）。这些FSs由1型三角隶属函数表示（图6）。
FLI规格相当于每个房间Rssi矢量的FS。
每个FLI中的变量将指定每个成员函数的间隔。对于FLI=1，将确定FLI=1的最低测量Rssi和相同FLI的较高测量Rssi的间隔。
集合FLI的子集Room A由其成员函数所诱导，该函数将FLI的指示符映射为单位区间[0，1]，:FLI→[0，1]的元素（图6）。
3.3 FLS
考虑到输入模糊RSS集与输出FLI之间的相关性，采用Mamdani模型，具有以下特点：
“模糊化=区间类型2”
“方法=主MF FOU”
“TNorm=产品”
“SNorm=Probor”
“隐含方法=产品”
“聚合方法=Probor”
“类型缩减方法=LoM”
“解模糊方法=最小值”
这些方法的详细信息见[28]和[30]。
4 实验结果与讨论
4.1试验台
对于实验装置，我们考虑在Cynapsys公司的室内环境中实现定位平台（图7）。实验台是通过部署无线传感器网络平台来实现的。Cy
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[236624]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
