0 引言
随着无线通信技术水平的不断提升,无线服务类型的多样化趋势越来越明显,无人机通信网络使用范围逐步扩大[1-2]。一般来说,无人机搭载的通信网络通常是由若干节点组成的无线传感网络。而无线传感器网络作为一种多跳、自组织的通信网络,其实质就是在用户感兴趣的区域布置相应的传感器节点监测该区域信息。区域信息监测过程中,用户不仅需要知道事件发生情况还需要及时了解通信网络节点位置,因此网络节点定位方法成为全球研究者都在关注的热门话题。但是由于无人机飞行过程中,通信信号会遭受来自自然环境以及飞行振动的噪声影响,降低信号的定位精度,无人机通信过程抗干扰最弱信号的节点定位就成为通信技术领域亟待解决的问题。
文献[3]通过分析通信网络的内部硬件连接结构以及运行原理,建立通信网络传输模型,结合高程模型设定网络通信的虚拟信标,完成通信节点的实时通信节点信号的获取。采用DV-Hop算法对虚拟信标节点与待定位节点之间距离展开计算,完成通信节点的定位。通过对定位误差的修正,优化通信网络节点定位结果。文献[4]针对通信网络节点数量少的问题,对通信网络参数展开具体分析,以此建立通信网络模型。采用时钟同步算法已知节点和未知节点之间的距离展开计算,初步完成节点的点位,通过对初步定位节点的校正处理结果,实现通信网络的节点定位。文献[5]采用优化粒子群算法以及膜计算算法构建通信网络节点定位模型,利用Kent映射算法对初始化种群实施优化,提升粒子群的全局寻优能力。依据模型权重因子的非线性扰动系数提升模型的局部优化能力,使用Levy飞行机制对个体位置展开优化,结合膜计算的进化规则获取模型最优解,实现通信网络节点的精准定位。
由于节点信号碰撞使其瞬时特征发生不规则变化,上述算法并未能够及时获取节点信号碰撞情况时的瞬时频率特征,导致定位效果下降,为解决通信网络节点定位时存在的问题,设计基于碰撞思维的无人机通信抗干扰最弱节点定位算法。
1 无人机通信抗干扰节点信号时频分析
1.1 节点信号碰撞思维解析模型
碰撞思维实质上就是在通信网络发生拥堵时,依据延迟影响对通信网络传输拥堵节点信号进行排队,并对拥堵的路径实施排堵清理。在无人机通信[6-7]网络中,当通信节点的数据流传输量需求超出通信网络带宽时,通信节点信号就会发生碰撞,导致节点内数据堆积,从而引发数据拥堵,影响通信网络使用寿命。因此在无人机抗干扰最弱节点展开定位前,需要根据碰撞思维对通信网络节点信号展开分析,提取节点信号碰撞时的瞬时状态向量特征。
将通信网络节点碰撞信号数量设定为M个,该网络中存在一个期望信号Ac以及Q个干扰信号,建立通信抗干扰信号的极大线性矩阵,获取信号在碰撞状态的状态转移方程,过程如下式所示:
y(n)=x(n)+b(n)=
(1)
式(1)中: 碰撞信号为x(n),噪声干扰分量为b(n),信号在通信节点中的碰撞概率为
通信网络中节点i在不同状态下的状态能量为
状态转移权重为
第q个干扰信号干扰过程中的碰撞节点信号状态为
根据状态转移方程,对通信网络节点信号展开时频分析。通过傅立叶变换方法[8]获取信号时域向频域过渡时的特征,根据该结果对信号实施傅立叶反变换,过程如下式所示:
(2)
式(2)中:信号的傅立叶反变换结果为c(t),信号额定变换分量为ej2πft,变换系数为C(f),信号尺度为f。
设定通信网络节点信号碰撞下信号状态特征集合为F,网络通信节点的链路特征为χ(βi),信号能量特征为xi(n),节点信号碰撞思维解析模型如下:
(3)
式(3)中:信号碰撞时的噪声信号为n(t),信号发生碰撞后节点信息容量值为y(t)。根据上述计算结果,将信号碰撞后的相空间中心点设定为Xm,将其最近邻点设定成Xk,碰撞信号的相频特征矩阵为δ=O*S*D,其中信号正交矩阵为O、D,信号相频矩阵为S。
基于上述设定的各项参数,结合碰撞思维理论建立碰撞信号解析模型,获取节点信号碰撞过程中无人机通信网络碰撞节点信号的时频分布,结果如式(4)所示:
(4)
式(4)中,建立的碰撞信号解析结果为z(t),信号高频分量为β(t),分解误差为ε(t),分解系数为a(t),节点信号相频分量为eiβ(t),碰撞信号的碰撞区域为
形式,碰撞次数为φ,经过碰撞思维解调后的节点信号分量为e-j2π,信号各项尺度参数用u,x表示,信号滤波系数用γ(φ,b)表示。
1.2 节点信号瞬时频率特征
结合上述通信节点信号时频分析结果,将通信网络[9]节点短时间内的通信节点信号分量设为r(t),以此获取通信抗干扰最弱节点在接收信号时的状态解析式,结果如式(5)所示:
r(t)=η1(t0)cos[w1(t0)t+ι1]+η2(t0)×
cos[w2(t0)+ι2], |t-t0|≤Δt
(5)
式(5)中:通信抗干扰最弱节点的时频信号最高与最低频率分别为w1、w2,信号幅度最大值和最小值分别为ι1、ι2,最弱节点的信号初始分量为t0,通信节点窄带节点信号和宽带节点信号用η1、η2表示。
根据上述获取的通信节点接收信号数据的状态值,搭建通信节点的微分方程,引入k阶的差分能量算子[10]对微分方程展开计算,从而获取无人机通信抗干扰节点信号瞬时频率特征结果如下式所示:
(6)
式(6)中:λk(r)=rk-1-rk。通信抗干扰最弱节点的高阶微分系数为rk,节点接收信号时瞬时频率最大值和最小值分别为κ0、κ1,k阶的差分能量算子为k(r),能量算子损失系数为λ。
2 无人机通信抗干扰最弱节点定位算法
以上述获取的无人机通信抗干扰最弱节点瞬时频率特征值为基础,结合DV-hop算法完成无人机通信抗干扰最弱节点的定位。DV-hop算法[11-12]是目前较为经典的跳数距离估计法,该算法主要是根据通信节点信号接收数据的瞬时特征,建立通信节点与通信距离之间的关系模型。根据通信锚节点之间的关系计算模型参数,以此获取最弱节点与锚节点之间的距离值,从而实现无人机通信抗干扰最弱节点的定位。
算法实现流程如下:
1) 搭建关系模型
设定无人机通信网络抗干扰最弱节点间跳数为g,节点信号瞬时特征值为w(t),以此建立通信节点与通信距离之间的关系模型,模型表述形式如下式所示:
μ=Gg·w(t)
(7)
式(7)中:通信节点平均跳距为G。
2) 平均跳距计算
由于锚节点需要基于受控范围广播获取目标的坐标位置,因此可根据通信网络节点获取通信网络所有锚节点的跳数。设定无人机通信抗干扰最弱节点的锚节点数量为m,锚节点i, j之间跳数为gij,以此获取通信抗干扰最弱节点和锚节点之间的平均跳距[13-14],过程如下式所示:
(8)
式(8)中,最弱节点和锚节点位置分别为(xi,yi)、(xj,yj)形式。
3) 通信节点非线性方程
结合上述计算获取待定位节点处获取的锚节点坐标以及锚节点距离,建立通信节点的非线性方程,如下式所示:
(9)
式(9)中:非线性方程为
通信抗干扰最弱节点在接收m个锚节点信息后,会获取与之对应的m个非线性方程,引入变量ϑ=x2+y2对方程组实施求解处理,建立通信节点的方程矩阵,并对于矩阵进行最小二乘求解[15],完成待定位节点变量系数的确定,结果如下式所示:
(10)
式(10)中:非线性方程的求解结果为Uζ=o,最小二乘算子为b,通信节点方程矩阵为U,待定位节点的具体变量系数为ζx,y。
4) 平均跳数计算
结合上述结果,对无人机通信抗干扰最弱节点与锚节点之间的平均跳数展开计算,结果如下式所示:
(11)
通过上述确定无人机通信抗干扰最弱节点与锚节点之间的平均跳距和平均跳数,获取无人机通信抗干扰最弱节点的具体位置,从而实现对通信抗干扰最弱节点的精准定位[16]。
3 实验
为了验证上述节点定位算法的整体有效性,需对此算法测试。测试过程中选取基于碰撞思维的无人机通信抗干扰最弱节点定位算法(所提算法)、基于时钟同步的节点定位算法(文献[4]算法)、基于IPSO-MC融合算法的无线传感器节点定位(文献[5]算法)开展通信节点的定位,基于定位结果验证上述3种算法的实际应用效果。
为验证上述不同节点定位算法的有效性,依据Matlab计算机仿真平台,建立一个虚拟无人机通信网络,并设定通信网络的监测区域面积为100 m2×100 m2,其中包括锚节点、正常节点以及待定位节点3种,节点分布情况如图1所示。
图1 节点分布情况
Fig.1 Node distribution situation
在开展节点定位过程中,选取网络通信节点覆盖率以及均方根误差作为定位算法定位性能测试指标,采用所提算法、文献[4]算法以及文献[5]算法开展节点定位时,测试上述3种算法的节点定位性能。
节点定位时,通信节点覆盖效果如图2所示。分析图2中的结果可知,所提算法能够覆盖所有节点,说明该算法能够有效避免多种因素对于节点定位的干扰,节点定位结果的覆盖度较高。而文献[4]算法和文献[5]算法能够覆盖大部分节点,但是不能明确部分锚节点、正常节点以及待定位节点,覆盖范围不大,尤其是不能够确定待定位节点的位置,说明所提算法的节点定位精准度更高。
图2 通信节点覆盖效果
Fig.2 Communication node coverage effect
存在碰撞情况下的抗干扰节点信号瞬时频率呈现不规则变化如图3所示。
图3 节点信号瞬时频率比较结果
Fig.3 Signal instantaneous frequency comparison results
分析图3可知,其瞬时频率呈现不规则变化,因此难以确定节点的位置。而文献[4]算法和文献[5]算法的抗干扰节点信号瞬时频率分析结果呈现规则变化,说明这2种算法难以提取抗干扰节点信号瞬时频率特征,导致后续抗干扰最弱节点定位质量变差。而所提算法的抗干扰节点信号瞬时频率分析结果与实际节点信号基本保持一致,说明该算法能够捕捉抗干扰节点信号瞬时频率特征,特征提取效果好,能够为后续的抗干扰最弱节点定位奠定坚实的基础。
节点定位过程中若定位算法在通信网络中的节点覆盖率较差,会直接降低定位算法的定位效果,均方根误差则能有效地显示出不同定位算法的定位精度,设定节点定位时均方根误差为RMSE,该指标的计算公式如下:
(12)
式(12)中:待定位节点实际位置为(x,y),不同算法在第i次获取的测试结果为
测试次数为n。
节点定位均方根误差测试结果如图4所示。
图4 节点定位均方根误差测试结果
Fig.4 Test results of root mean square error of node positioning
分析图4中的结果可知,随着定位时间的不断增加,3种算法的节点定位均方根误差均呈现不断增长趋势,到120 s时,3种算法的均方根误差均达到最大值。其中所提算法的节点定位均方根误差最大值为0.45 m,文献[4]算法的节点定位均方根误差最大值为0.86 m,文献[5]算法的节点定位均方根误差最大值为0.96 m,说明所提算法的定位误差更小。原因在于所提算法在节点定位时,不仅基于碰撞思维深度分析了节点信号碰撞产生最大干扰峰值下的节点信号时频分布情况,还依据分析结果提取了通信网络抗干扰节点信号瞬时频率特征,所以该算法在开展节点信号节点定位时,均方根误差较小,定位精准度较高。
4 结论
1) 所提算法能够覆盖所有锚节点、正常节点以及待定位节点,说明该算法的能够有效避免多种因素对于节点定位的干扰,节点定位效果好。
2) 所提算法能够精准获取存在碰撞情况下的抗干扰节点信号瞬时频率,说明该算法的抗干扰节点信号瞬时频率特征提取效果好。
3) 所提算法的定位误差小,原因在于该算法通过获取受干扰时的节点瞬时频率特征,结合DV-hop算法完成无人机通信抗干扰最弱节点的定位,降低了定位误差,提升了定位精度。
[1] 王硕,孙梦轩,杨志晓,等.基于涡旋电磁波雷达回波时频图像的动态手势识别[J].火力与指挥控制,2022,47(8):109-115.
WANG Shuo,SUN Mengxuan,YANG Zhixiao,et al.Dynamic gesture recognition based on vortexelectromagnetic wave radar echo time-frequency image [J].Fire Control &Command Control,2022,47(8):109-115.
[2] 张青苗,赵军辉,张丹阳,等.智能轨道交通中无线通信技术应用与展望[J].无线电通信技术,2022,48(5):796-803.
ZHANG Qingmiao,ZHAO Junhui,ZHANG Danyang,et al.Application and prospect of wireless communication technology for smart rail transit[J].Radio Communications Technology,2022,48(5):796-803.
[3] 谢瑞.基于DV-HOP的信息通信节点精准定位算法[J].长江信息通信,2021,34(6):46-48.
XIE Rui.Precision positioning algorithm of information communication nodes based on DV-HOP[J].Changjiang Information &Communications,2021,34(6):46-48.
[4] 冯艺璇,肖东,陈岩,等.无精准同步的小规模水声网络节点相对自定位[J].声学学报,2020,45(4):486-496.
FENG Yixuan,XIAO Dong,CHEN Yan,et al.Relative self-positioning method for small-scale underwater acoustic network nodes without precise synchronization[J].Acta Acustica,2020,45(4):486-496.
[5] 李勇燕,吴坚平.基于IPSO-MC融合算法的无线传感器节点定位[J].电信科学,2020,36(3):11-18.
LI Yongyan,WU Jianping.Wireless sensor node localization based on IPSO-MC[J].Telecommunications Science,2020,36(3):11-18.
[6] 黄仰超,谷奕龙,胡航,等.多无人机协作的认知通信网络中能/谱效折中优化[J].电讯技术,2022,62(9):1240-1247.
HUANG Yangchao,GU Yilong,HU Hang,et al.Energy-spectrum efficiency tradeoff optimization for multiple UAVs cooperative cognitive radio network[J].Telecommunication Engineering,2022,62(9):1240-1247.
[7] 石东森,田峰.基于多目标粒子群算法的无人机通信三维位置部署及优化研究[J].南京邮电大学学报(自然科学版),2022,42(4):45-55.
SHI Dongsen,TIAN Feng.Three-dimensional deployment and optimization of UAV communication based on multi-objective particle swarm optimization[J].Journal of Nanjing University of Posts and Telecommunications:Natural Science Edition,2022,42(4):45-55.
[8] 杨丽.一种基于傅立叶变换的时延测量方法及应用[J].通信技术,2019,52(9):2167-2171.
YANG Li.A time delay measurement method based on Fourier transform and its application[J].Communications Technology,2019,52(9):2167-2171.
[9] 张磊,纪春华,王旭蕊,等.基于最小路径选择度的电力通信网络路由优化策略研究[J].电力系统保护与控制,2022,50(1):141-147.
ZHANG Lei,JI Chunhua,WANG Xurui,et al.A irouting optimization strategy for’ an electric power communication network based on the mninimum path selectivity degree[J].Power System Protection and Control,2022,50(1):141-147.
[10] 徐元博,江祥奎,李龙.高阶对称差分解析能量算子在微弱轴承故障信号提取中的应用[J].电子学报,2021,49(4):750-759.
XU Yuanbo,JIANG Xiangkui,LI Long.A higher-order symmetric difference analytic energy operator and itsapplications to detect weak bearing fault signal[J].Acta Electronica Sinica,2021,49(4):750-759.
[11] 吴建锋,徐振宇,蒋震.无线传感器网络中改进粒子群优化DV-Hop算法的研究[J].传感技术学报,2022,35(6):825-830.
WU Jianfeng,XU Zhenyu,JIANG Zhen.Improved particle swarm optimization DV-Hop algorithm based on heterogeneous wireless sensor networks[J].Chinese Journal of Sensors and Actuators,2022,35(6):825-830.
[12] 张晶,李煜.改进的无约束优化3D-DV-Hop定位算法[J].计算机工程与科学,2022,44(1):75-83.
ZHANG Jing,LI Yu.An improved unconstrained optimization 3D-DV-Hop localization[J].Computer Engineering &Science,2022,44(1):75-83.
[13] 苟平章,刘学治,孙梦源,等.基于多通信半径和跳距加权的WSNs三维迭代定位算法[J].传感技术学报,2020,33(1):116-122.
GOU Pingzhang,LIU Xuezhi,SUN Mengyuan,et al.A 3D iterative location algorithm for wsns based on multiple communication radii and hop distance weighting[J].Chinese Journal of Sensors and Actuators,2020,33(1):116-122.
[14] 张航,龙道银,覃涛,等.基于连续跳数的DV-Hop改进定位算法[J].小型微型计算机系统,2021,42(11):2388-2393.
ZHANG Hang,LONG Daoyin,QIN Tao,et al.Improved DV-Hop localization algorithm based on continuous hop[J].Journal of Chinese Computer Systems,2021,42(11):2388-2393.
[15] 塞拉斯,许皓,宋扬,等.无线传感器网络中传感器节点定位的递归加权最小二乘优化方法[J].北京理工大学学报,2020,40(6):683-686.
MIRAU S,XU Hao,SONG Yang,et al.A recursive weighted least squares optimization method for sensor nodes positioning in wireless sensor networks[J].Transactions of Beijing Institute of Technology,2020,40(6):683-686.
[16] 赵丽芬,田波,陈华君.数据空泡修正的LTE-5G传感网节点定位算法[J].计算机仿真,2021,38(3):253-258.
ZHAO Lifen,TIAN Bo,CHEN Huajun.Node location algorithm for LTE-5G sensor network based on data bubble correction[J].Computer Simulation,2021,38(3):253-258.