結(jié)合K-均值聚類的無源目標(biāo)定位技術(shù)*

陳 承，李 寧，郭 艷，盛金鋒，李華靜

（中國人民解放軍陸軍工程大學(xué)，江蘇 南京 210007）

0 引言

近年來，隨著物聯(lián)網(wǎng)“感知中國”之路的不斷建設(shè)，物聯(lián)網(wǎng)用戶對于對象的在線監(jiān)測、目標(biāo)的定位溯源等服務(wù)提出了更高的要求，推動了學(xué)者對定位技術(shù)的深入研究。[1]

目前應(yīng)用最廣泛的定位技術(shù)是全球?qū)Ш叫l(wèi)星系統(tǒng)（Global Navigation Satellite System，GNSS）[2]，它是根據(jù)導(dǎo)航衛(wèi)星發(fā)出的無線信號來實現(xiàn)定位功能，其中最著名的是美國的全球定位系統(tǒng)（Global Positioning System，GPS）[3]，我國也自主研發(fā)了北斗衛(wèi)星導(dǎo)航系統(tǒng)[4]。但是，GNSS 都是基于設(shè)備的定位，需要定位目標(biāo)攜帶無線設(shè)備。為解決GNSS在受遮擋和非視距情況下定位受限的問題，無源目標(biāo)定位（Device Free Localization，DFL）應(yīng)運(yùn)而生[5]。DFL 不需要目標(biāo)攜帶無線設(shè)備，而是通過探測目標(biāo)對監(jiān)測區(qū)域內(nèi)信號的影響來估計目標(biāo)位置。目前，DFL 已廣泛應(yīng)用于入侵者監(jiān)測、野生動物追蹤、室內(nèi)保安系統(tǒng)等[6]場景。

近年來，基于無線傳感器網(wǎng)絡(luò)（Wireless Sensor Network，WSN）的DFL 技術(shù)快速發(fā)展[7]。因為通過WSN 可以方便地采集接收信號強(qiáng)度（Received Signal Strength，RSS）信號，所以基于WSN 的DFL方法多以測量RSS 變化值來反映無線鏈路的陰影效應(yīng)，估計目標(biāo)位置[8]。針對如何利用RSS 變化值，有以下幾種類型的DFL 方法：

（1）基于幾何結(jié)構(gòu)的DFL 方法[9]。它是根據(jù)RSS 變化值估計被遮擋鏈路與目標(biāo)位置關(guān)系來實現(xiàn)定位的，但是該方法定位精度不高且需要預(yù)先獲取無線節(jié)點(diǎn)的位置信息。

（2）基于指紋的DFL 方法[10]。它是在離線階段建立指紋庫，在線階段通過對比目標(biāo)對無線鏈路影響來估計位置的，但該方法需要耗費(fèi)巨大資源去建立和更新指紋庫。

（3）基于無線層析成像（Radio Tomographic Imaging，RTI）的DFL 方法[11]。它是利用計算機(jī)層析成像原理估計目標(biāo)位置，但該方法需要在監(jiān)測區(qū)域內(nèi)大量部署無線傳感器節(jié)點(diǎn)，對硬件資源要求較高。

（4）基于壓縮感知（Compressive Sensing，CS）的DFL 方法[12]。它是利用少量數(shù)據(jù)采樣和精確恢復(fù)稀疏信號來實現(xiàn)目標(biāo)定位的，該方法只需要采集少量測量數(shù)據(jù)就能以高概率重構(gòu)目標(biāo)位置向量，是一種資源節(jié)約的可靠方法。

如前文所述，基于CS 的DFL 方法具有巨大的研究價值，其研究主要集中在信號的稀疏表示、觀測矩陣的設(shè)計和信號的重構(gòu)3 個方面[13]。

在信號的稀疏表示研究中，根據(jù)字典中原子的正交性，將稀疏表示字典分為了正交基字典和非正交基字典。文獻(xiàn)[14]利用傅里葉變換得到正交基字典，文獻(xiàn)[15]利用離散余弦變換得到正交基字典，文獻(xiàn)[16]利用小波變換得到正交基字典。但在自然界中，信號往往是復(fù)雜的，多數(shù)不滿足在正交基字典下具有稀疏性的條件，所以文獻(xiàn)[17]提出了基于優(yōu)化參數(shù)的非正交字典，文獻(xiàn)[18]提出了基于訓(xùn)練樣本學(xué)習(xí)的非正交字典，這類字典將機(jī)器學(xué)習(xí)融入字典的構(gòu)建，所構(gòu)造出來的字典具有更強(qiáng)的稀疏表示能力，所以被廣為應(yīng)用。

在觀測矩陣的設(shè)計中，通常以約束等距性質(zhì)（Restricted Isometry Property，RIP）來衡量測量矩陣的優(yōu)劣。觀測矩陣根據(jù)元素的隨機(jī)性不同，可以分為隨機(jī)性觀測矩陣和確定性觀測矩陣。典型的隨機(jī)觀測矩陣有文獻(xiàn)[19]中的高斯隨機(jī)矩陣、文獻(xiàn)[20]中的Bemoulli 隨機(jī)矩陣、文獻(xiàn)[21]中的Rademacher隨機(jī)矩陣。典型的確定性觀測矩陣有文獻(xiàn)[22]中的拓普利茲矩陣、文獻(xiàn)[23]中的循環(huán)矩陣、文獻(xiàn)[24]中的結(jié)構(gòu)化測量矩陣。根據(jù)RIP 判斷，隨機(jī)性測量矩陣重構(gòu)效果更好，適用性更強(qiáng)。

在信號的重構(gòu)算法研究中，最有代表性的算法有凸松弛算法、貪婪追蹤算法和稀疏貝葉斯學(xué)習(xí)算法3 種。文獻(xiàn)[25]中提出的凸松弛算法，將典型的CS 重構(gòu)問題松弛成 ?p范數(shù)優(yōu)化問題；文獻(xiàn)[26]中提出的貪婪追蹤算法，利用信號稀疏性迭代地搜索信號中非0 元素的索引并確定其稀疏；文獻(xiàn)[27]中提出的稀疏貝葉斯學(xué)習(xí)算法，基于概率思想，根據(jù)參數(shù)的關(guān)系推理原始信號的分布。

目前，重構(gòu)效果最好的算法是變分貝葉斯推理（Variational Bayesian Inference，VBI）算法[28]?；赩BI 稀疏重構(gòu)算法的CS 無源目標(biāo)定位技術(shù)雖然可以實現(xiàn)定位功能，但仍存在以下問題：

（1）定位精度不夠高，不能達(dá)到精確定位的目的；

（2）在噪聲環(huán)境下定位效果差，算法抗干擾能力差。

針對以上問題，本文提出了基于K-均值聚類算法[29]的無源目標(biāo)定位技術(shù)。通過前期的稀疏恢復(fù)基礎(chǔ)，將多次估計結(jié)果作為K-均值聚類算法的初始聚類點(diǎn)；再采用K-均值聚類算法對目標(biāo)結(jié)果進(jìn)行優(yōu)化，通過簇的劃分對聚類中心點(diǎn)進(jìn)行迭代更新，并以迭代結(jié)束后的聚類中心點(diǎn)作為目標(biāo)估計結(jié)果。本文主要貢獻(xiàn)有：

（1）K-均值聚類算法對目標(biāo)定位優(yōu)化問題有很好的兼容性，K-均值聚類算法和壓縮感知定位的有效結(jié)合在實現(xiàn)了對目標(biāo)位置精確估計的同時，不增加算法的復(fù)雜度；

（2）在有噪聲的情況下，可以通過算法彌補(bǔ)定位偏差影響，降低誤差概率，同時增強(qiáng)魯棒性；

（3）本方法是一種提高定位精度的優(yōu)化方案，為后續(xù)在定位精度上對算法進(jìn)行改進(jìn)提供了新思路。

1 壓縮感知原理

1.1 基本問題描述

若某個信號θ∈RN×1中最多包含K個非零元素，且K<

在實際應(yīng)用中，某些信號雖然不滿足稀疏性，但在某個稀疏表示基B∈RN×N下是稀疏的，即θ=Bs，其中s∈RN×1為K階稀疏信號，即s∈SK。稱θ為K階條件稀疏信號。

對于稀疏信號θ，通過觀測矩陣Φ∈RM×N以低于奈奎斯特采樣的速率對其進(jìn)行欠采樣，得到觀測向量y∈RM×1。根據(jù)壓縮感知理論，可根據(jù)觀測向量y以高概率重構(gòu)原信號θ。具體地，觀測向量可以表示為：

式中：ε∈RM×1為測量噪聲向量。圖1 所示為稀疏信號的感知模型，其中M維觀測向量y可用觀測矩陣Φ和稀疏信號θ表示。

圖1 稀疏信號感知模型

若θ為條件稀疏信號，也可以通過觀測矩陣Φ以較低速率對其進(jìn)行欠采樣，并根據(jù)得到的低維數(shù)據(jù)y，以高概率重構(gòu)出原信號。此時，觀測值y可表示為：

式中：B為條件稀疏信號θ的稀疏表示基；s為稀疏信號表示系數(shù)。令D=ΦB，則式（3）可表示為：

式中：D∈RM×N為稀疏表示字典，其列向量dn∈RM×1，n=1,2,…,N屬于字典原子。

圖2 所示為條件稀疏信號的壓縮感知模型。其中，M維觀測向量y可以用稀疏表示字典D和稀疏信號s表示。

圖2 條件稀疏信號的壓縮感知模型

1.2 稀疏重構(gòu)算法

稀疏重構(gòu)算法是壓縮感知理論的核心內(nèi)容，也是重構(gòu)原信號的關(guān)鍵[30]。它是通過觀測矩陣Φ獲取的觀測值y為欠采樣數(shù)據(jù)，其維數(shù)M小于原信號的維數(shù)N。利用壓縮感知稀疏重構(gòu)算法，可以在已知測量噪聲ε、觀測矩陣Φ以及觀測向量y的情況下，求解最為稀疏的信號作為重構(gòu)信號θ。具體的計算公式為：

為了度量信號θ的稀疏性，將信號中非零元素的數(shù)目即θ的 ?0范數(shù)作為稀疏性指標(biāo)。

基于變分貝葉斯推理的稀疏向量重構(gòu)算法是當(dāng)前重構(gòu)算法中一個比較好的算法，此算法的測量模型如下：

式中：Ψ(1)∈RM×N和Ψ(2)∈RM×N為已知矩陣；ε∈RN×1為測量噪聲向量；ω(1)∈RN×1和ω(2)∈RN×1為稀疏表示系數(shù)。根據(jù)字典環(huán)境參數(shù)取值，向量ω(1)和ω(2)具有公共支撐集T?{1,2,…,N}。該稀疏表示模型中，要估計目標(biāo)位置向量θ，需要同時重構(gòu)出ω(1)和ω(2)，得到兩者的公共支撐集T，實現(xiàn)聯(lián)合稀疏重構(gòu)。為了誘導(dǎo)ω(1)和ω(2)的聯(lián)合稀疏性，建立了兩層的高斯先驗?zāi)Ｐ?。兩層先驗分布可表示為?/p>

基于所建立的兩層高斯先驗?zāi)Ｐ?，?1)和ω(2)的先驗分布可表示為：

利用變分貝葉斯推理估計隱含變量的后驗分布，可表示為：

式中：q*(w)為w的后驗分布；N(w|μ,Σ)表示自變量為w，均值為μ，協(xié)方差為Σ的高斯分布。

其中，

式中：μ(2)為w(2)后驗分布的均值向量；Σ(2)為w(2)后驗分布的協(xié)方差矩陣。

由于β服從伽馬分布，其后驗分布可表示為：

同理，α服從伽馬分布，其后驗分布可表示為：

基于以上結(jié)果，可通過迭代地更新隱含變量w(1)，w(2)，β和α的后驗分布，實現(xiàn)稀疏向量的重構(gòu)。

2 K-均值聚類算法

聚類算法是一種對研究對象進(jìn)行統(tǒng)計分類的方法，根據(jù)研究對象的相似性，將具有相似特征的對象分為同一類。聚類算法有多種具體方法，本文選取其中最具代表性的K-means 均值聚類算法進(jìn)行分析講解，其具體流程如圖3 所示。具體步驟如下文所述。

圖3 K-均值聚類算法流程

（1）初始化聚類中心點(diǎn)。要想把研究對象分為K類，需要選取K個數(shù)據(jù)點(diǎn)作為初始化聚類中心點(diǎn)。

（2）對數(shù)據(jù)點(diǎn)進(jìn)行聚類。以所有數(shù)據(jù)點(diǎn)到K個聚類中心點(diǎn)的歐式距離最小值進(jìn)行分類，形成K類數(shù)據(jù)。

（3）更新聚類中心點(diǎn)。求每個簇中的數(shù)據(jù)點(diǎn)的橫縱坐標(biāo)的算術(shù)平均值，把算術(shù)平均值作為新的聚類中心點(diǎn)，以此更新聚類中心點(diǎn)，并計算聚類完成后，各點(diǎn)到相應(yīng)聚類中心點(diǎn)的歐式距離之和。

有目標(biāo)才能有的放矢，目標(biāo)管理工作首先要制定明確的工程目標(biāo)，通常情況需要從以下幾方面推進(jìn)：第一，管理人員要對施工企業(yè)的內(nèi)部情況進(jìn)行了解，充分掌握內(nèi)部人物信息和工程數(shù)據(jù)后對工程項目本身進(jìn)行研究，據(jù)此做出科學(xué)合理的目標(biāo)定位。第二，先制定工程總目標(biāo)，然后基于時間制定年度、季度、月度、旬、周等目標(biāo)，基于空間制定各工種分目標(biāo)，基于專業(yè)制定質(zhì)量、進(jìn)度、安全、成本等目標(biāo)。

（4）迭代更新并停止。比較前后兩次聚類后歐式距離之和是否相等，若不相等則循環(huán)更新簇和聚類中心點(diǎn)，若相等則結(jié)束循環(huán)。

（5）輸出結(jié)果，即數(shù)據(jù)點(diǎn)分類情況和聚類中心點(diǎn)位置。

3 結(jié)合K-均值聚類算法的無源目標(biāo)定位

3.1 定位模型

結(jié)合K-均值聚類算法的無源目標(biāo)定位模型如圖4 所示。為了應(yīng)用壓縮感知原理，首先需要對地面監(jiān)測區(qū)域進(jìn)行網(wǎng)格化處理，也就是將監(jiān)測區(qū)域劃分為N個大小相同的正方形網(wǎng)格，并按順序編號，即1,2,3,…,n,…,N；其次用N維向量θN×1來表征K個目標(biāo)位置信息，因為K<

圖4 結(jié)合K-均值聚類算法的無源目標(biāo)定位模型

監(jiān)測區(qū)域周圍部署有適量的傳感器裝置，用來收集監(jiān)測區(qū)域內(nèi)M條無線鏈路上接收信號強(qiáng)度的變化情況，以此反映目標(biāo)引起的陰影效應(yīng)，估計目標(biāo)位置。在監(jiān)測區(qū)域的N個網(wǎng)格內(nèi)隨機(jī)放置K個目標(biāo)，此時測量第m條無線鏈路上接收信號強(qiáng)度的值，再與目標(biāo)監(jiān)測區(qū)域為空時的接收信號強(qiáng)度作差，得到第m條無線鏈路的接收信號變化量。第m條鏈路在任意時刻t的接收信號強(qiáng)度值可表示為：

式中：ΔCm為時間t內(nèi)，由目標(biāo)造成的信號衰減變化量；Δvm為時間t內(nèi)測量噪聲的變化量。

從上文可知，接收信號強(qiáng)度只與目標(biāo)位置和測量噪聲變化有關(guān)，由于在初始時刻t0時，監(jiān)測區(qū)域不存在目標(biāo)，所以有：

式中：為t時刻時第m條鏈路上接收信號強(qiáng)度值。

因為無線傳感器接收到的信號同時受到多個目標(biāo)的影響，當(dāng)監(jiān)測區(qū)域存在多個目標(biāo)，并且各目標(biāo)滿足稀疏分布時，可認(rèn)為是多個目標(biāo)對第m條鏈路所造成陰影效應(yīng)的線性疊加，則第m條無線鏈路上接收信號強(qiáng)度的變化情況可表示為：

式中：θn為目標(biāo)位置向量θ∈RN×1的 第n個 元素，當(dāng)目標(biāo)監(jiān)測區(qū)域中第n個網(wǎng)格內(nèi)存在目標(biāo)時，θn=1，否則θn=0；?m,n為稀疏表示字典Φ∈RM×N的第(m,n)個元素。根據(jù)公式（28），可把M條鏈路上的接收信號強(qiáng)度變化表示為：

式中：y∈RM×1為觀測向量，其第m個元素ε∈RM×1為噪聲向量，其第m個元素εm=Δvm；由于目標(biāo)個數(shù)K遠(yuǎn)小于監(jiān)測區(qū)域劃分的網(wǎng)格數(shù)N，因此θ為K階稀疏向量。

3.2 鞍面模型字典

鞍面模型中無線鏈路目標(biāo)影響區(qū)域如圖5所示。

圖5 鞍面模型影響區(qū)域

在鞍面模型中，無線鏈路的目標(biāo)影響區(qū)域為橢圓形影響區(qū)域。該橢圓的長半軸為λ1，短半軸為λ2，以該鏈路的中點(diǎn)為原心，以該鏈路的視距線為橫軸建立U-V坐標(biāo)系，則位于該橢圓目標(biāo)影響區(qū)域的網(wǎng)格滿足條件：

式中：(Um,n,Vm,n)表示網(wǎng)格n相對于鏈路m的坐標(biāo)。圖5 中深色表示滿足約束條件的網(wǎng)格，對于處在橢圓形區(qū)域的網(wǎng)格，如果該網(wǎng)格內(nèi)存在目標(biāo)，則其對鏈路m上接收信號強(qiáng)度的影響可表示為：

式中：γ為接收信號強(qiáng)度的最大衰減；Ωm為該鏈路上最小信號衰減與γ的比值。

3.3 稀疏恢復(fù)中的網(wǎng)格修剪機(jī)制

如上文所述，稀疏恢復(fù)模型采用變分貝葉斯推理的稀疏重構(gòu)算法，測量模型為：

由于字典環(huán)境參數(shù)取非零值作為特征值，則稀疏表示系數(shù)w(1)和w(2)具有公共支撐集T?{1,2,…,N}，所以基于該稀疏表示模型，要估計目標(biāo)位置向量θ，需要同時重構(gòu)w(1)和w(2)，實現(xiàn)聯(lián)合稀疏重構(gòu)。

但因為存在噪聲的影響，導(dǎo)致重構(gòu)稀疏向量會出現(xiàn)不嚴(yán)格稀疏的情況，其中包含一些數(shù)值較小的非零向量，考慮到這些是噪聲干擾下的不良影響，可忽略。因此可以通過閾值設(shè)定ηth來消除干擾，得到理想的重構(gòu)稀疏向量以及目標(biāo)位置。目標(biāo)位置向量的支撐集估計公式如下：

修剪后可獲得目標(biāo)位置的支撐集，可估計目標(biāo)的位置，坐標(biāo)集如下：

3.4 結(jié)合K-均值聚類算法的定位流程

圖6 為結(jié)合K-均值聚類算法的定位流程。

圖6 結(jié)合K-均值聚類算法的定位流程

式中：(xi,yi)為第i個數(shù)據(jù)點(diǎn)的坐標(biāo)，i=1,2,…,10K；為第k個聚類中心點(diǎn)坐標(biāo)，k=1,2,…,K；dik為第i個數(shù)據(jù)點(diǎn)到第k個聚類中心點(diǎn)的歐式距離，i=1,2,…,10K且k=1,2,…,K。通過比較，可以得到每個數(shù)據(jù)點(diǎn)到K個聚類中心點(diǎn)的距離最小值dimin，i=1,2,…,10K，并以此將數(shù)據(jù)點(diǎn)歸到相應(yīng)的簇，相應(yīng)的簇內(nèi)數(shù)據(jù)點(diǎn)表示為ck=(xk1,xk2,…,yk1,yk2,…)，其中，k=1,2,…,K，簇內(nèi)數(shù)據(jù)點(diǎn)的個數(shù)不定。分類完成后計算出所有點(diǎn)到各自聚類中心的距離之和D，計算方式為：

接下來繼續(xù)根據(jù)各數(shù)據(jù)點(diǎn)到聚類中心點(diǎn)的歐式距離繼續(xù)更新簇內(nèi)數(shù)據(jù)點(diǎn)和聚類中心坐標(biāo)，更新時配合網(wǎng)格修剪機(jī)制，將離聚類中心點(diǎn)距離超過1.5 m的網(wǎng)格判斷為誤差較大的情況，并將其修剪掉。如此循環(huán)迭代，直到滿足迭代條件，即沒有網(wǎng)格被修剪且前后兩次迭代的距離之和D無變化，則迭代結(jié)束，跳出循環(huán)。

最后，輸出結(jié)果，記錄下最后聚類中心點(diǎn)坐標(biāo)，并將其作為最終的目標(biāo)估計位置

4 實驗仿真與結(jié)果分析

本節(jié)通過仿真實驗驗證所提定位算法的性能。對比算法有基于貪婪匹配追蹤的無源目標(biāo)定位算法（Device-free Localization Based on Greedy Matching Pursuit，DFL-GMP）、基于樹型正交匹配追蹤的無源目標(biāo)定位算法（Device-free Localization Based on Tree-Based Orthogonal Matching Pursuit，DFLTOMP）、基于稀疏貝葉斯學(xué)習(xí)的無源目標(biāo)定位算法（Device-free Localization Based on Sparse Bayesian Learning，DFL-SBL）、基于變分期望最大化的無源目標(biāo)定位算法（Device-free Localization Based on Variational Expectation Maximization，DFL-VEM）。在仿真中，目標(biāo)監(jiān)測區(qū)域為14 m×14 m 的正方形區(qū)域，將其劃分為N=784 個大小相同的正方形網(wǎng)格，且覆蓋該區(qū)域的鏈路數(shù)M=56。假定Δεm(f)為加性的高斯白噪聲信號，并且信噪比可表示為。為了評價結(jié)合K-均值聚類算法的無源目標(biāo)定位算法的定位性能，分別定義平均定位誤差（Average Localization Error，ALE）和準(zhǔn)確率作為評判指標(biāo)。ALE 為估計目標(biāo)位置和真實位置間的平均歐式距離；準(zhǔn)確率為估計目標(biāo)位置和真實位置之間正確估計的百分比。結(jié)果如圖7 所示。

圖7 中*為可能的目標(biāo)位置，○為真實的目標(biāo)位置?？梢钥闯鯧-均值聚類之前，基于VBI 的10次目標(biāo)定位結(jié)果并不理想，有很多偏差較大的情況。

圖7 K-均值聚類之前的目標(biāo)定位結(jié)果

圖8 表示網(wǎng)格圖中的聚類情況，其中○（注：黑色圓圈）為真實的目標(biāo)位置，+、×、▽、☆、＊表示5 個類型，◇表示最終目標(biāo)估計位置。通過最終聚類中心點(diǎn)的目標(biāo)估計位置與實際目標(biāo)位置結(jié)果比對可以看出，結(jié)合K-均值聚類算法的無源目標(biāo)定位技術(shù)準(zhǔn)確地估計出了真實的目標(biāo)位置，證明K-均值聚類算法對定位結(jié)果有優(yōu)化的效果，實現(xiàn)了無源目標(biāo)的精確定位。

圖8 結(jié)合K-均值聚類的無源目標(biāo)定位結(jié)果

圖9 中對比了在不同信噪比條件下，通過多次實驗得出的各種算法的平均定位誤差，可以看到，本方法相比于其他類型的方法有明顯的優(yōu)勢?？v向?qū)Ρ?，可以看到?5～35 dB 的信噪比區(qū)間內(nèi)，本方法的平均定位誤差總是低于其他4 種方法。并且可以看出本方法相較于其他方法的抗干擾能力較強(qiáng)，在大于等于15 dB 的情況下，本方法的定位誤差幾乎穩(wěn)定在了0.2～0.7 m 之內(nèi)。由此可以看出本方法是一種定位精度高，且抗干擾能力強(qiáng)的定位技術(shù)。

圖9 不同信噪比下不同算法的ALE 對比

圖10 為在不同信噪比條件下，各種算法的準(zhǔn)確率對比圖，從中可以更加明確地看到所提方法在定位準(zhǔn)確性上的突出優(yōu)勢，在大于15 dB 的信噪比之后，定位準(zhǔn)確性高達(dá)90%，可見本方法的定位準(zhǔn)確性相對較高。

圖10 不同信噪比下各種算法準(zhǔn)確率對比

由以上結(jié)果分析可知，結(jié)合K-均值聚類算法的無源目標(biāo)定位技術(shù)不僅定位精度高，而且抗干擾能力強(qiáng)。除此之外，采用K-均值聚類算法，在不增加算法復(fù)雜度的情況下，很好地達(dá)到了對無源目標(biāo)定位問題優(yōu)化的目的，為后續(xù)在定位精度和抗干擾能力的改進(jìn)方面提供了新思路。

5 結(jié)語

為了解決當(dāng)前無線傳感器網(wǎng)絡(luò)定位技術(shù)中定位精度差、定位準(zhǔn)確性不高、抗干擾能力差的問題，本文設(shè)計了一種基于K-均值聚類算法的多目標(biāo)定位技術(shù)。該方法在變分貝葉斯重構(gòu)方法恢復(fù)目標(biāo)向量的基礎(chǔ)上，添加K-均值聚類算法進(jìn)一步對結(jié)果進(jìn)行優(yōu)化，運(yùn)用K-均值聚類算法的優(yōu)化特點(diǎn)，在加強(qiáng)定位精度的同時，又增強(qiáng)了定位算法的抗干擾能力，是一種有價值的定位方法。