买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利基于深度学习的无人机辅助无线传感器网络节点定位方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115052245B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210660422.6，技术领域涉及：H04W4/02；该发明授权基于深度学习的无人机辅助无线传感器网络节点定位方法是由燕锋;张涵君;夏玮玮;沈连丰;胡静;宋铁成设计研发完成，并于2022-06-13向国家知识产权局提交的专利申请。

本基于深度学习的无人机辅助无线传感器网络节点定位方法在说明书摘要公布了：本发明提出一种基于深度学习的无人机辅助无线传感器网络节点定位方法。该定位方法的应用场景是室外区域，具体表现为无人机以固定轨迹在定位区域上方平行区域内周期运动，并以固定时间周期广播信标信号，地面传感器节点接收无人机信标信号，节点计算RSSI值形成RSSI向量，计算节点间RSSI相似度，进而计算锚节点与未知节点距离，建立卷积神经网络定位模型，输入节点与锚节点距离估计节点位置坐标，该模型能够一定程度克服环境噪声的影响，定位性能相比现有定位技术有较大提高。该模型能够利用空地通信信道优势以及卷积神经网络学习能力，提供一个节点定位问题解决方案，为人工神经网络技术在无线传感器网络领域的应用研究提供理论支撑。

本发明授权基于深度学习的无人机辅助无线传感器网络节点定位方法在权利要求书中公布了：1.一种基于深度学习的无人机辅助无线传感器网络节点定位方法，其特征在于，包括如下步骤：步骤1：定位场景基础条件部署，确定目标传感器节点定位区域，在无线传感器节点分布区域内建立定位参考平面坐标系，确定无人机的飞行高度、飞行区域、以及当前环境场景下RSSI自由路径传播模型的路径损耗指数与噪声标准差，在固定位置部署地面锚节点呈n*n矩阵形分布，并且记录每一个锚节点位置坐标，确定无人机在飞行区域内飞行时通信范围可以覆盖地面所有传感器节点；步骤2：设定无人机固定飞行轨迹与速度、信号发送周期以及信标数量，根据实验仿真测试无人机沿设定轨迹飞行并按设定的信号发送周期在规定位置向地面节点发送信标信号，地面节点接收信标信号计算RSSI值形成RSSI向量，地面节点间RSSI向量计算相似度与节点间距离之间的线性关系，得到RSSI相似度-距离估计曲线；步骤3：建立卷积神经网络模型，其中输入变量的每个特征图的高度和宽度为n，神经元个数为n*n，每个神经元的输入值为地面待定位节点与对应锚节点的的估计距离，通道数为无人机距离估计模块进行距离估计的次数，通过两层卷积层以及两层全连接层，最终输出待定位节点的位置坐标；步骤4：建立训练集数据对卷积神经网络模型进行训练，选择合适的优化器、学习率与迭代次数，更新网络参数以提高网络的定位性能，不断缩小网络的位置估计坐标与节点真实坐标的误差，对于得到的卷积神经网络模型进行性能评估与误差分析；步骤5：收集地面锚节点与待定位接收到的无人机信标信号计算RSSI值得到RSSI向量，计算得到锚节点与待定位节点之间的RSSI相似度，通过RSSI相似度-距离曲线估计锚节点与待定位节点之间的直线距离，加工排列为卷积特征块的模式，输入训练好的卷积神经网络模型得到地面节点在无线传感器网络中的位置坐标估计；步骤1中，无人机飞行高度选择为空地信道传输路径损耗指数最小的飞行高度，无人机飞行区域设置为平行于地面传感器节点分布区域，且该区域面积为地面实验区域4倍的空中二维平面，设定地面固定锚节点的分布呈n*n横纵轴等距均匀分布在无线传感器网络覆盖实验区域中，相邻锚节点间距相等表示为dwidth，对每个固定锚节点编号为Ap，其中p＝1,2,...,n*n，地面固定锚节点部署坐标分布为： xi+1-xi＝yj+1-yj＝dwidth步骤2中，设定无人机固定飞行轨迹为一闭合曲线，即一个周期飞行结束回到飞行起点进行下一个周期的飞行，设定信标节点总数为K，K个信标节点均匀等距分布在无人机飞行轨迹Pt上、信号发送周期tT设置为无人机从一个信标飞行到下一个相邻信标的时间间隔，地面节点i接收第m次飞行过程中空中所有信标信号得到RSSI值形成RSSI向量RSSIim，根据RSSI向量计算节点之间RSSI相似度进而计算节点之间的距离，具体表示为：1无人机在空中飞行的轨迹方程： ttransmission＝{t＝k-1*tT|k＝1,2,...,K}2地面节点i接收无人机空中信标节点k广播的信标信号得到RSSI值表示为 3地面索引为i的节点接收到无人机在第m次飞行周期内发送的信标信号形成的RSSI向量为 4对每一对地面锚节点j与未知节点i收集到RSSI向量进行相似度计算及距离估计过程表示为 其中，Pt表示t时刻无人机飞行所到达的位置坐标，分为横坐标xt与纵坐标yt，tT为无人机从每一次向地面节点发送信标的时间间隔，ttransmission为无人机空中锚节点向地面节点发送信标信号的时刻集合，tk为第k次无人机向地面发送信号的时间节点，P[d0]表示在通信距离为参考距离d0时的无人机与地面节点间RSSI值，γ表示定位场景环境下的自由路径损耗指数，ck表示第k个无人机信标节点位置，ni表示编号为i的地面节点位置，Xσ为标准差为σ的环境噪声随机变量，表示编号为i的地面节点在无人机的第m次飞行过程中接收到的所有无人机发送的信标信号RSSI值所组成的RSSI向量，表示在无人机第m次飞行过程中经过第j个信标位置时发送并被第i个地面节点接收到的信标信号RSSI值，表示地面第i个节点与第j个节点的RSSI相似度，K为无人机空中信标节点总数，经过数学计算发现RSSI相似度与地面节点之间的距离dij存在线性函数关系，其中Z为环境噪声变量，V为无人机飞行区域的面积，将RSSI相似度与距离的线性关系变换为dij与的函数关系，其中A与B为常系数量，根据环境及场景参数计算得到；在步骤3中，构建的卷积神经网络定位模型输入卷积块的结构表示为： 其中表示卷积神经网络输入卷积块的第m个通道对应的特征图矩阵，为无人机第m次飞行过程中测试得到的第j个地面固定锚节点与第i个未知节点的估计距离，inputi表示卷积神经网络对地面第i个节点进行位置估计时的网络输入，其中M表示输入卷积块具有M个通道，即无人机会沿设定轨迹飞行M个周期，每次飞行周期内在经过每个空中信标位置时会向所有地面节点发送1次信标信号，并且地面节点接收无人机发送的信标信号计算RSSI值，最终每个地面节点从空中锚节点处接收到M个RSSI向量并返回给无人机，每次距离估计时采用同一次飞行周期中获得的RSSI向量计算相似度；卷积神经网络模型内部结构包含，一个输入层，若干卷积层，若干全连接层以及一个输出层，其中网络内部卷积层以及全连接层的数量根据实际实验部署的锚节点数量N＝n*n以及设置的卷积核大小而定，网络内部结构以及参数的设定会影响整个系统的运行时间空间复杂度以及系统对于节点定位的精度；在步骤4中，卷积神经网络定位系统的训练过程中，训练集数据采用计算机随机生成的数据，用自由路径损耗模型以及节点位置估计节点接收信标信号的RSSI值，生成RSSI向量，计算节点间RSSI相似度估计距离对网络进行训练，不同优化器与网络参数的选择很大程度上影响到网络最终的定位性能，在pytorch深度学习框架中包含的所有优化器中，选择Adam优化器进行网络的训练在节点定位的巨大数据量与实际定位场景下有着明显的优势；选择均方误差函数作为网络训练的损失函数： 其中N表示训练数据集中单个Batch的节点数量，表示卷积神经网络定位系统估计第i个节点的位置坐标，表示训练数据集中第i个节点的实际位置坐标；在步骤5中，无人机按照设定的轨迹在实验区域上方固定高度固定区域飞行，并按周期发送信标信号，地面节点收集无人机发送的RSSI信标信号形成RSSI向量并返回给无人机，无人机根据不同节点返回的RSSI向量计算锚节点与待定位节点之间距离，经过重新排列为特征图叠加形成多通道卷积块形式输入训练好的定位网络，进而估计地面待定位节点的位置坐标。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：211189 江苏省南京市江宁区东南大学路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。