基于卷积神经网络优化的混合三维水下定位方法、介质及设备

本发明属于海洋探索开发、水下救援、洋流探测等需要进行水下节点定位任务的，具体涉及一种基于卷积神经网络优化的混合三维水下定位方法、介质及设备。

背景技术：

1、在水下资源的勘探中，水下定位技术起着至关重要的作用，一种精确且能耗低的水下定位算法可以大大提高水下工作的效率，从而创造更大的效益。水下定位技术的发展离不开移动节点的精确定位。在海洋环境监测中，检测区域通常较大且动态变化，利用移动节点可以帮助实现对海洋生物资源的跟踪，利用其随机移动性实现对整个区域的监测。此外，水下路径的优化和一系列节点数据传输过程的实现也需要移动节点的精确定位。因此，水下移动节点的精确定位成为当前研究的重点。

2、目前，水下节点定位技术通常使用锚和信标来辅助通信。由于水下节点具有随时移动、难以维护的特点，同时时间同步性无法保证，因此研究人员通常设置水面浮标和水中信标节点(或称锚节点)来辅助定位。水面浮标装有gps设备，可实现绝对位置的定位，而信标节点具有较强的计算能力，可直接与水面通信。由于水下环境的特殊性，水下无线网络定位面临着一些挑战。首先，无线电信号无法在水下长时间稳定传输，在没有长天线和大发射功率的情况下，只有超低频率的无线电信号才能在水下长距离传播。其次，水中的传感器节点会随水流移动，无法保持不变，这会影响节点的通信范围。因此，水下定位通常使用声信号传输。然而，由于海洋中的压力、温度和介质不同，水中的实际声速不易获取，水中的节点也很难保持时间同步。因此，水下无线传感器网络定位不能直接沿用陆地网络定位的算法。

3、传统三维水下定位(3dul)算法在水下定位领域具有重大意义，取缔了以往需要大量锚点的定位模式，仅用三个锚点即可通过迭代遍历的方式实现全面稳定的网络定位，其模型如图1所示。在测距阶段，三个浮标沿着三维拓扑结构迭代，估算与邻近节点的距离，并获取它们的深度信息。在浮标感知到三个相邻节点后，它们会投射到所有传感器节点，以检查是否形成了稳健的虚拟锚平面。一旦建立，传感器节点的位置将通过三坐标测量进行定位，并标记为参考节点，继续与其他节点进行迭代通信。

4、传统3dul算法改良了以往需求大量水下锚点的缺点，在一定程度上优化了定位能耗和效率，但缺点是定位时间长，准确率较低，数据量大，同时数据容易变化，更适合在静水域定位。3dul算法将三个水面锚点作为坐标基，向下沿三维拓扑迭代的方式遍历整个水下节点网络，实现定位。未知节点在自身本地化后才能作为其他未知节点的锚点帮助定位，整个网络的定位时长与节点数量成正比，基础定位时长过长。在水下定位领域，定位时长与定位准确率直接挂钩。水流移动致使水下未知节点时刻保持移动状态，位置信息不断改变，极端情况下，水流速度过高，定位时间过长，位于深水区域的未知节点进行定位时，浅水区域已经定位成功的未知节点位置发生改变，需要重新定位，而以该浅水节点作为锚点进行定位的未知节点坐标则会具有较大误差，最终定位准确率低。同时，依靠信息交换单一定位未知节点的方式无法获取精确的节点位置信息，节点时刻移动的特点会在最终获取坐标信息时引入误差，造成准确率的降低。此外，传统3dul算法在多次进行定位时，迭代收敛速度易发生变化，网络覆盖率浮动，造成定位不稳定的问题。这是因为水下未知节点具有随机性，进行节点信息交换时需进行鲁棒性判断来选择合适的锚点，因此随着迭代次数增加，迭代方向会随机改变，有时无法定位完整的网络。最后，水下节点具有移动性，已经本地化转变为锚点的未知节点在一定时间后需要重新定位才能继续作为锚点，因此传统3dul算法需要多次重复应用，也直接影响了定位准确率。

5、卷积神经网络具有处理大规模数据，参数变化影响小，结果预测更精准的特点。使用cnn进行节点定位是一种强大的技术，可在各种情况下提高定位精度。利用cnn，研究人员在室内定位系统中取得了显著的改进。cnn可以有效地处理时间序列数据，如接收信号强度指示器(rssi)值，从而减少噪声，提高定位精度。按照设计和构建完整的cnn网络、对其进行优化和正则化、执行池化和跨步等步骤，实现了对节点坐标进行回归估计的定位。此外，在时空到达角(aoa)图像上使用cnn，在处理移动节点定位的aoa估计中的噪声和误差方面显示出良好效果。这些方法证明了cnn的多功能性和有效性，可通过处理噪声、增强鲁棒性和优化可用数据来提高定位精度，从而在各种环境中实现准确的节点定位。

6、尽管cnn在室内定位等方面做出了贡献并提供了帮助，但水下节点定位算法仍未能通过cnn得到改进。对于水下节点定位，由于传输的信号是声学信号，因此大多采用基于距离的方法，如到达时间(toa)和到达时间差(tdoa)。这些方法通过测量未知节点到锚节点的距离和角度信息，并利用三坐标法和三角测量法计算未知节点的位置信息，具有较高的精度。

技术实现思路

1、本发明针对现有技术中的不足，提供一种基于卷积神经网络优化的混合三维水下定位方法、介质及设备。

2、为实现上述目的，本发明采用以下技术方案：

3、第一方面，本发明提供了一种基于卷积神经网络优化的混合三维水下定位方法，其特征在于，包括如下步骤：

4、设计三维水下定位算法对未知节点进行定位，定位过程中，用于定位未知节点的每组锚点都要通过鲁棒性验证；

5、构建cnn模型并进行初始化和训练，所述cnn模型的输入为水流信息和锚点位置，cnn模型的输出为预测的节点位置；

6、迭代交替使用三维水下定位算法和cnn模型，直至达到最大迭代次数或者所有未知节点都被定位；每次迭代中，将三维水下定位算法定位得到的节点位置作为锚点位置输入cnn模型，再采用cnn模型预测移动水流中节点的实际位置。

7、可选地，所述三维水下定位算法对未知节点进行定位的过程包括测距阶段以及投影和定位阶段；

8、在所述测距阶段，未知节点通过广播和接收数据包来估计自身到邻近锚点的位置，当未知节点确定自身处于三个锚点的通信范围内时，进入投影和定位阶段；

9、在所述投影和定位阶段，将三个锚点投影到与未知节点相同深度的水平面上，进行三边定位，并通过鲁棒性验证确定未知节点定位的准确性。

10、可选地，所述测距阶段的具体过程为：

11、定位启动后，锚点向周围区域广播锚点数据包，试图与其通信范围内的未知节点取得联系；当未知节点自身携带的传感器收到来自不同锚点的三个锚点数据包时，该未知节点在t＝t1时刻向这三个锚点发送测距数据包，请求与锚点进行信息交换；锚点在t＝t2时刻接收测距数据包，并在t＝t3时刻，锚点向未知节点广播确认包；未知节点在t＝t4时刻接收到锚点发来的确认包，包含t2、t3的值以及锚点的坐标和深度信息，用于未知节点和锚点之间的距离测量。

12、可选地，所述距离测量是用平均单向传播时间乘以水下估计的声速来实现，公式如下：

13、d＝c*[(t2-t1)+(t4-t3)]/2；

14、式中，d表示测量距离，c表示声速，t1、t4和t2、t3的时间信息分别由未知节点和锚点的本地时钟测量。

15、可选地，所述投影和定位阶段的具体过程为：

16、当未知节点接收到来自三个不同锚点的确认包时，该节点使用确认包中的坐标和深度信息将锚点投影到与未知节点相同深度的水平面上；

17、对由三个锚点和一个未知节点组成的四边形中的所有子三角形进行鲁棒性验证：当所有子三角形都满足验证条件时，则认为该四边形是鲁棒四边形，通过验证，锚点向未知节点发送数据包进行三边测量，实现对未知节点的定位；当一组锚点无法通过验证时，重新选择其他锚点进行验证，直到未知节点能够成功定位。

18、可选地，所述鲁棒性验证条件为：

19、a*sin2δ＞dmin；

20、式中，a为各子三角形的最短边长，δ为各子三角形的最小角度，dmin为噪声检测和数据测量后的实验阈值。

21、可选地，所述cnn模型定义了与实际定位环境相匹配的环境参数，包括定位区域的大小、节点总数、锚点数量和水流速度；cnn模型还定义了模型参数，包括输入特征的个数、每次训练的样本个数、训练的轮数和模型的初始学习率；所述cnn模型在训练过程中采用学习率衰减策略，优化器选择随机梯度下降，并设置包括批量大小和训练周期的训练选项。

22、可选地，所述迭代交替使用三维水下定位算法和cnn模型的过程中，对于每一次迭代中状态为0且剩余能量足够的节点，首先采用三维水下定位算法进行节点定位，并将其状态更新为1，然后将其位置信息和水流信息输入到cnn模型中进行节点实际位置的预测，预测得到的节点实际位置用于下一次迭代中的三维水下定位算法；其中，状态为0表示未定位，状态为1表示已定位。

23、第二方面，本发明提供了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如第一方面所述的基于卷积神经网络优化的混合三维水下定位方法。

24、第三方面，本发明提供了一种一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如第一方面所述的基于卷积神经网络优化的混合三维水下定位方法。

25、本发明的有益效果是：本发明所提出的改进的3dul算法，充分考虑了时间同步，增加了时间同步调整功能，进一步减小误差；不需要锚点对未知节点的相对方位信息，锚点通过鲁棒判断可以成功地辅助其通信范围内的任何未知节点实现定位，具有高度的灵活性和适应性。本发明将3dul算法和卷积神经网络结合对节点运动进行预测，并输入水流信息和锚点坐标进行训练，辅助预测节点运动后的位置，提高模型的适应性，具备了对水下移动节点位置的预测能力，避免了重复定位已经移动的未知节点的复杂操作。