【正文】 在未來我們的目標(biāo)是研究時間延遲估計 對時間同步誤差的影響，因此， 那就是 定位性能 。到達(dá)時間差是從 時間延遲估計 中 計算出來的 ， 使用順序最小二乘 方案 融 為一體， 這使選擇合適 的傳感器 以 目前估計為基礎(chǔ) 。 圖 4 顯示了這兩個數(shù)額密切相關(guān) 。另一方面，在集中式方案中目標(biāo)傳感器能夠從在第一跳就已經(jīng)從參考傳感器接收到數(shù)據(jù)的傳感器獲得數(shù)據(jù)。 在集中計劃要求L個 傳輸，以便獲得 代表 所有參與的傳感器的時間延遲估計，但 對于 分布式算法只有一個傳輸是不夠的 。因為xTE和xRE與 k 成正比，我們可以看到，時間序列數(shù)據(jù)交換花費的能 量 比 連續(xù) 估計更新所 花費 的數(shù)額 更多。 elecE =50 itbnJ是用來運行 發(fā)送器或接收器線路 的能量，并且 amp? =100 2mbitpJ 是用來傳輸放大。集中式方案選擇的傳感器很可能比分布式方案選擇的傳感器距離目標(biāo)的距離要更遠(yuǎn)，因此產(chǎn)生更大的誤差。 這也影響了 這兩種方案選擇不同的參與傳感器。當(dāng)參與傳感器的數(shù)量增加時，這兩種算法產(chǎn)生的差距就變小了，因為大量的傳感器使得這兩種方法在覆蓋的范圍內(nèi)更加相似。 圖 1 說明了，不同參與傳感器的數(shù)量的集 中式和分布式定位的均方誤差。 100 蒙特卡洛 實驗 進(jìn)行平均的目標(biāo)定位和傳感器拓?fù)浣Y(jié)構(gòu)影響 。 2s? 和 2?? 分別是 100 和 1，所以 0SNR =100。 9） 如果路徑中的下一個傳感器沒有收到簇頭的時間序列數(shù)據(jù) ，當(dāng)前傳感器將數(shù)據(jù)廣播到下一個傳感器，包括位于廣播范圍的 jk? 個最近的傳感器，其中 j 是已經(jīng)收到數(shù)據(jù)的傳感器的數(shù)量。 6） 連續(xù) 估計的路線是由上一步中所描述的凸殼插入算法 解決 旅行商問題（ TSP）路 線 的 傳感器 構(gòu)成 [15]。 6 4） 初始估計是通過基于到達(dá)時間差的批次估計獲得，到達(dá)時間差是通過 三個最近相鄰傳感器 計算出 。 請注意這個 “ 初 始 傳感器 ” 是用來 調(diào)用 傳感器 ，這個傳感器是用來取代“ 簇頭 ” 啟動進(jìn)程的。另一個優(yōu)點是，當(dāng) 前的 估計可以作為先驗信息用于正確選擇下一個參與傳感器 。 廣播數(shù)據(jù)從一個參考傳感器 傳到 許多參 與 傳感器預(yù)計比相反的方向需要 更少的 通信開銷 。在一個集中的方案中，簇頭要采用這兩個步驟。注意 21i? 是第 thi 個傳感器與假設(shè)在前一個位置的參考傳感器之間的語音方差。假設(shè) ??ts 和 ??ti? 是獨立的，可以得到 ??? ?kyi? = ? ?? ? ? ?? ?tD tsi222 ???? （ 3） ? ?? ?kyivar =? ?? ? ? ?? ?MtD tsi22222???????? ??? ? （ 4） 設(shè) ??ts ～ N ? ?2,0 s? ,每個傳感器噪聲具有相同的分布 ，所以 ??ti? ～ N ? ?2,0 ?? 。連續(xù) 最小二乘估計 變成 ? ? ? ? ? ? ? ? ? ? ? ??????? ?????? ??? 11 nnanbnnn T ??? （ 1） ? ? ? ? ? ?? ? ? ? ? ??? ?? ??? nanna nann T 11 1 ? ? ? ? ? ?? ? ? ?? ? ????? 1nnann T （ 2） 指數(shù) n 對應(yīng)第 thn 個傳感器。到達(dá)時間差估計是通過與高斯分布數(shù)據(jù)的廣義交叉獲得，通常漸進(jìn)地分布在高信噪比的環(huán)境下。 如果沒有一般性的損失 ，選擇 ? ?11,yx 作為定位的參考傳感器。 我 們專注于一個 在文獻(xiàn) [11]中提出的 封閉形式最小二乘法 ，因為據(jù)報道它比其它方案有更高的效率并且能夠在高信噪比（ SNR）的環(huán)境下接近克拉默帶寬（ CRB）。 Ⅲ .基于最小二乘法的范圍差的定位 3 范圍差（ RD）是來自到達(dá)的時間差（ TDOA）的估計，通過距離和信號在媒介中傳播的速度之間的關(guān)系。 最主要的原因是，在每個傳感器觀測 是 通常時間序列數(shù)據(jù) 。 一般來說，所有成員與簇頭溝通是直接 的或者 是多跳通信 。 聲目標(biāo)跟蹤動態(tài)聚類， 已經(jīng)在文獻(xiàn) [9]中 提出了 。 既然最終目標(biāo)是要找出一個特定的點也是最有可能的目標(biāo)位置，在相應(yīng)的目標(biāo)區(qū)域關(guān)鍵信息應(yīng) 是可靠的。 對本 地 數(shù)據(jù)進(jìn)行 融合和壓縮 的處理 可以 用來為 原始數(shù)據(jù)傳輸 到 基站或最終用戶 節(jié)約能量。 結(jié)果， 使用實際的模型和情況進(jìn)行評估 ，說明了分布式定位 比 較集中的方法產(chǎn)生 更 小誤差和消 耗更少的能量。我們認(rèn)為， 設(shè)計的算法 對 該系統(tǒng)的效率的影響依賴 于 非常具體的方法 來 實現(xiàn) 。 目前的挑戰(zhàn)是設(shè)計一個經(jīng)濟 、準(zhǔn) 確的 算法 。 這個范圍差（ RD）的方法是在這方面特別有吸引力 [1]，因為它 比 最 大似然（ ML）估計 法 [3]， [4]更加易于實施 ， 比 基于能源定位 更加 準(zhǔn)確 [5]，且不需要由目標(biāo)產(chǎn)生信號的先驗知識。 Ⅰ ．簡介 目標(biāo)定位是推動實施傳感器網(wǎng)絡(luò)應(yīng)用 的 關(guān)鍵之一 。 所采集的數(shù)據(jù) 使用了 順序最小二乘 方案進(jìn)行 融合， 這樣 能 夠 以 當(dāng)前的估計為基礎(chǔ)選擇合適的傳感器。 各種傳統(tǒng)方法可以應(yīng)用，并已提出， 以 范圍差（ RD）為基礎(chǔ)的方法是有 吸引力， 是 由于提高了準(zhǔn)確性和易于實現(xiàn) 。當(dāng)基于范圍差方法的 基本概念 被 采用 在 傳感器網(wǎng)絡(luò)的情況下，需要制定數(shù)據(jù)采集 、 匯總程序 的方案并且 受到能源約束。結(jié)果，采用逼真的模擬模型評 估 ，說明了分布式定位 產(chǎn)生 誤差小 并且比 較集中的方法 消耗更少的 能源。 大量的傳感器 能夠觀察冗余 和接近目標(biāo)，因此， 為 改善目標(biāo)定位和跟蹤性能 提供了 機會 。 雖然 基于分布式 方法的 基本概念可以 被應(yīng)用到 傳感器網(wǎng)絡(luò)的問題 中 ，數(shù)據(jù)匯總過程需要得到發(fā)展和 改進(jìn) 。在文獻(xiàn) [1]中， 在 傳感器陣列測試平臺 實施定位，但通信費用沒有考慮。在這篇論文中，基于范圍差異的定位，我們提出了一種分布式算法 ，這種算法 允許 每一個參與的傳感器產(chǎn)生的 時延估計 ，所以， 在時間序列數(shù)據(jù)傳輸發(fā)生的能源量可以減少 。 值得注意的是， 當(dāng) 參與 的 傳感器的數(shù)量很少 時， 分 布 式的定位 在 精度方面的優(yōu)勢更為突出， 然而當(dāng) 參 與 的傳感器的數(shù)量是很大的 時候，能夠節(jié)約更多的能量 。 這些傳感器通常稱為集群 并且 一個傳感器被選中成為簇 首，它 扮演一個 本 地 進(jìn)程單元的角色。 因此，可能需要 最為有效的聚 類 ，而且激發(fā)了一個在特定的時間和地點高效的集群設(shè)計 。 假設(shè)一個放 置 在人煙稀少的高功能傳感器方案（可望發(fā)揮簇頭 的 作用） 并且當(dāng)簇頭檢測到的聲信號強度超過預(yù)定的閥值時會形成一個群集。在集群里 信號處理功能是 在轉(zhuǎn)移壓縮數(shù)據(jù)到基站或最終用戶之前被執(zhí)行。 當(dāng)群 的 設(shè)計是大到達(dá)地方化準(zhǔn)確性要求 ，為了 單獨傳送在群頭將被處理的所有群成員的這樣數(shù)據(jù) ，特別 需要花費的很多通信 。 時延估計技術(shù) [10]是用來確定 TDOAs 的基本工具 。 設(shè) N 傳感器分配給參加 定位進(jìn)程的坐標(biāo)為 ? ? ? ?? ?NN yxyx ,....., 11 。從其它傳感器收集到的時間序列數(shù)據(jù)和在參考傳感器收到的信號會產(chǎn)生到達(dá)時間差估計，范圍差是來自使用信號 傳播速度知識測得的到達(dá)時間差。因此，范圍差估計也是高斯分布的，假設(shè) 1in ～ N ? ?21,0 i? 。 Ⅳ . 數(shù)據(jù)模型 4 靜態(tài)聲目標(biāo)產(chǎn)生一個 WSS 高斯隨機觀察過程 ??ts ，假設(shè)目標(biāo) 強度衰減的速率 與距離平方成反比 。PSD ? ?? ?fGs 信號 、 PSD ? ?? ?fG? 噪聲，連貫性是指在中心頻率 0f 處具有較平坦的帶寬 f z? 。 這種差異是 與常數(shù) 2iD成正比 ， 21? 和 ? 是與 21D 相對應(yīng)的。 簇頭應(yīng)該是一個參考傳感器 并且到達(dá)時間差是關(guān)于可以通過時延估計獲得的集群成員。 求解最小二乘方程組包括兩個機 制 ， 取決于是否 應(yīng)用了 批次或連續(xù) 的進(jìn)程。 根據(jù)數(shù)據(jù)模型 可知，時延估計方差與 傳感器 到目標(biāo)節(jié)點距離的平方成正比，通過考慮 最近的傳感器 當(dāng)前的估計來簡單的選擇首選的傳感器。 2） 初始傳感器在最大的廣播范圍廣播收集到的 時間序列數(shù)據(jù)到 k個最近的相鄰節(jié)點，其中 k 是最初預(yù)計參與傳感器的數(shù)量。 如果有少于三個傳感器已經(jīng)收到它的 數(shù)據(jù)， 相鄰傳感器可能要求廣播從初始傳感器收到的時間序列數(shù)據(jù)。 7） 這一估計使用 公式 （ 1） 以 連續(xù)的方式 更新。 Ⅵ .實驗結(jié)果 對于實驗?zāi)M ，我們假設(shè)一個 100 100 平方米得傳感器區(qū)域，隨機分布 2500個傳感器。參加的傳感器的數(shù)目是10,15,20 和 25。 對于每一個拓?fù)?結(jié)構(gòu)， 100 個路徑用來平均噪聲。 很明顯，通過分布式的方法引起的誤差小于集中的方法 。 我們還研究了兩個 方案 的表現(xiàn) ，其中 2s? 是對應(yīng)于不同 的目標(biāo)所產(chǎn)生的信號（ SNR）的能量的變化 。當(dāng) 2s? 較小時， 0SNR 也較小，這使得公式（ 5）中的 ? 變大。我們用文獻(xiàn) [6]中描述的一階無線電模型來評估通信開銷。我們假設(shè)每一個數(shù)據(jù)樣本和在 ?? 、 ? 中的 數(shù)據(jù)代表每一個元素需要 8 字節(jié)編碼。圖 3 說明了這兩 種方案 所消耗的能量 。 對于分布式算法的 額外成本是用來從每個傳感器時間延遲估計 中 按順序提取 的到達(dá)時間差。 這就要求通信距離較短 并且比集中式方案需要更少的能量。 這種情況的好處是，我們可以大約從序列估計 中 評估當(dāng)前 誤差。 結(jié)果表明， 10 該分布式定位 方法比 集中 式 方法生產(chǎn) 更小的 誤差和消費 更少的 能 量。 參考文獻(xiàn) [1] J. C. Chen, L. Yip, J. Elson, H. Wang, D. Maniezzo, R. E. Hudson, K. Yao, and D. Estrin, “Coherent acoustic array processing and localization on wireless sensor works,” in Proceedings of the IEEE, vol. 91,Aug 2020. [2] Q. Wang, W. Chen, R. Zheng, K. Lee, and L. Sha, “Acoustic targettracking using tiny wireless sensor devices,” in IPSN 2020, 2020. [3] J. C. Chen, R. E. Hudson, and K. Yao, “Maximumlikelihood source localization and unknown sensor location estimation for widebandsignals in the nearfield,” IEEE Transactions on Signal Processing, 2020. [4] R. J. Kozick and B. M. Sadler, “Source localization with distributed sensor arrays and partial spatial coherence,” IEEE Transactions on Signal Processing, 2020. [5] X. Sheng and Y. Hu, “Energy based acoustic source localization,” inIPSN, 2020. [6] W. R. Heinzelman, A. Chandrakasan, and H. Balakrishnan, “Energyefficient munication protocol for wireless microsensor works,” in Proc. 33rd Hawaii International Conference on System Sciences, 2020. [7] S. Phoba, N. Jacobson, and R. Brooks, “Sensor work based localization and target tracking through hybridization in the operational domains of beamforming and dynamic spacetime clustering,” in GLOBECOM 2020, 2020. [8] M. Chu, H. Haussecker, and F. Zhao, “Scalable informationdriven sensor querying and routing for ad hoc heterogeneous sensor works,” International Journal of High Performance Computing Applications,2020. [9] W. Chen, J. C. Hou, and L. Sha, “Dynamic clustering for acoustic target tracking in wireless sensor works,” IEEE Trans. on Mobile Computing, vol. 3, no. 3, JulSep 2020. [10] C. H.