基于定积分结合环境参数的RSSI加权质心定位方法

摘要

本发明公开了基于定积分结合环境参数的RSSI加权质心定位方法，涉及无线传感器网络节点定位技术领域，针对加权质心定位算法中的RSSI在传输过程中带来的线性误差，以及在RSSI值处理时带来的概率误差，提出一种稳定性强，成本较低，精度更高的基于定积分结合环境参数的RSSI加权质心定位方法。该方法充分考虑到了环境因素和RSSI优化时带来的偏差，在数据处理时，就合理的根据RSSI值出现的次数为权重来修正数值，减小了信号本身在传输过程中的随机性所带来的误差，有效的提高了数据的可靠性，而结合环境影响因子的加权，能有力的提高算法的定位精度，对于实际的应用，具有极强的指导意义和很高的可行度。

权利要求

1.一种基于定积分结合环境参数的RSSI加权质心定位方法，其特征在于，该方法包括以下步骤：步骤1，测量待测无线传感器网络中已知参考节点之间的信号强度损耗值，通过改进的高斯分布模型筛选数据，得到信号强度损耗优化值；

步骤2，建立信号强度损耗优化值以及已知网络节点之间距离的d-r数据库，利用最小二乘法结合步骤1得到的信号强度损耗优化值，拟合出与环境相关的信道衰减指数和固定损耗参考值；

步骤3，将固定损耗参考值和信道衰减指数引入到定位算法中，得到已知节点的加权因子；

步骤4，根据所述加权因子以及已知网络节点的坐标使用改进后加权质心定位算法确定未知节点的位置；

其中，步骤1具体包括：

利用CC2530芯片测量两参考节点之间的信号强度损耗值，测量n次的值分别为RSSIa1、RSSIa2、……、RSSIan，通过高斯分布模型过滤数据：其中，m表示的是两参考节点测量n次后所测得信号强度损耗值的平均值，σ2表示样本数据的方差，σ为样本数据的标准差；

根据不等式的判定条件，确定信号强度损耗的取值范围：

筛选之后信号强度损耗的取值集合为{RSSIaj,RSSIa(j+1),...,RSSIa(j+k)}，1≤j≤n,1≤j+k≤n，k为自然数，而在所取范围内对应的测得次数的集合为{b1,b2,...,bk}：其中，RSSI_revise表示经过改进后的高斯分布模型求得的信号强度损耗优化值；

步骤2具体包括：

待测无线传感器网络中具有一个未知节点和T个已知网络节点，已知节点的位置坐标分别为(x1,y1)、(x2,y2)、……、(xT,yT)，以网络节点(x1,y1)为固定信标节点，通过步骤1测得该固定信标节点与剩余T-1个已知节点之间的信号强度损耗优化值，分别为RSSI1_revise、RSSI2_revise、……、RSSIp_revise、……、RSSIT-1_revise，根据欧拉距离的公式求固定信标节点与剩余T-1个已知节点中第p个节点的实际距离：集合{RSSI1_revise,RSSI2_revise,…,RSSIp_revise,…,RSSIT-1_revise}表示固定信标节点与其他已知节点之间的信号强度损耗优化值，对应的节点欧式距离的集合则为{d1,d2,…,dp,…,dT-1}，作为d-r数据库；

采用对数-常态分布模型：

其中RSSId表示距离为d时的信号强度损耗优化值，RSSId0表示距离为d0时的信号强度损耗优化值，而d和d0表示节点之间的距离，N为信道损耗参数，Xσ是标准差为σ，均值为0的高斯随机变量，d0取1m，高斯随机变量Xσ对结果无影响，将上述模型简化为：RSSI＝A+B*lgd

A表示节点距离为1m时的信号强度损耗优化值，即固定损耗参考值，B为信道衰减指数，其值为信道损耗参数的10倍，即10N；

联立T-1个方程组：

利用最小二乘法，拟合出信道衰减指数B及固定损耗参考值A；

步骤3中得到第q个已知节点的加权因子

2.如权利要求1所述的基于定积分结合环境参数的RSSI加权质心定位方法，其特征在于，步骤4中通过以下公式计算未知节点的位置：(X,Y)即为所求的未知节点的估计坐标。

说明书

基于定积分结合环境参数的RSSI加权质心定位方法

技术领域

[0001] 本发明涉及无线传感器网络节点定位技术领域，特别是涉及基于定积分结合环境参数的RSSI加权质心定位方法。

背景技术

[0002] 无线传感网络是由多个传感器节点构成的一个自组织的网络拓扑结构，正是因为传感器节点自身具有数据融合、数据处理、发散信息等能力，使得网络中节点间能相互通信。其中定位技术在传感器网络的实际应用中，具有至关重要的作用。很多领域，如公交车电子站牌，矿井下的定位作业等等，倘若丢失了对应的位置信息，那么无线传感网络的应用将毫无意义。

[0003] 现如今，根据在算法中是否需要测量节点间距离并将其融入公式，可分为：基于测距的定位算法和基于非测距的定位算法。在实际应用中普遍采用的极大似然估计法、三边测量法和三角测量法，都属于基于测距的定位算法，可以依靠到达时间(TOA)、到达角度(AOA)、到达时间差(TDOA)和接收信号强度指示(RSSI)等相关测距技术，如果是直接通过路由跳数、信标节点坐标、或者划分图形的重叠区域面积等形式来求解的，则称为基于非测距的定位算法。基于非测距的定位算法较前者来说，便于实现，操作简单，对实验设备的依赖性低。

[0004] 基于RSSI的加权质心算法是实际应用中较为普遍的一种定位算法。通过锚节点与未知节点间的信号强度损耗，来确定锚节点对未知节点的影响程度。针对于这种算法的改进，有通过修正算法的加权因子来优化的，或者建立信号强度损耗与距离的数据库，利用距离来加权来优化的，但是这类优化方式提高的定位精度都很有限。

发明内容

[0005] 本发明实施例提供了基于定积分结合环境参数的RSSI加权质心定位方法，可以解决现有技术中存在的问题。

[0006] 本发明提供了一种基于定积分结合环境参数的RSSI加权质心定位方法，该方法包括以下步骤：

[0007] 步骤1，测量待测无线传感器网络中已知参考节点之间的信号强度损耗值，通过改进的高斯分布模型筛选数据，得到信号强度损耗优化值；

[0008] 步骤2，建立信号强度损耗优化值以及已知网络节点之间距离的d-r数据库，利用最小二乘法结合步骤1得到的信号强度损耗优化值，拟合出与环境相关的信道衰减指数和固定损耗参考值；

[0009] 步骤3，将固定损耗参考值和信道衰减指数引入到定位算法中，得到已知节点的加权因子；

[0010] 步骤4，根据所述加权因子以及已知网络节点的坐标使用改进后加权质心定位算法确定未知节点的位置。

[0011] 优选地，步骤1具体包括：

[0012] 利用CC2530芯片测量两参考节点之间的信号强度损耗值，测量n次的值分别为RSSIa1、RSSIa2、……、RSSIan，通过高斯分布模型过滤数据：

[0013]

[0014]

[0015]

[0016] 其中，m表示的是两参考节点测量n次后所测得信号强度损耗值的平均值，σ2表示样本数据的方差，σ为样本数据的标准差；

[0017] 根据不等式的判定条件，确定信号强度损耗的取值范围：

[0018]

[0019] 筛选之后信号强度损耗的取值集合为{RSSIaj,RSSIa(j+1),...,RSSIa(j+k)}，1≤j≤n,1≤j+k≤n，k为自然数，而在所取范围内对应的测得次数的集合为{b1,b2,...,bk}：

[0020]

[0021] 其中，RSSI_revise表示经过改进后的高斯分布模型求得的信号强度损耗优化值。

[0022] 优选地，步骤2具体包括：

[0023] 待测无线传感器网络中具有一个未知节点和T个已知网络节点，已知节点的位置坐标分别为(x1,y1)、(x2,y2)、……、(xT,yT)，以网络节点(x1,y1)为固定信标节点，通过步骤1测得该固定信标节点与剩余T-1个已知节点之间的信号强度损耗优化值，分别为RSSI1_revise、RSSI2_revise、……、RSSIp_revise、……、RSSIT-1_revise，根据欧拉距离的公式求固定信标节点与剩余T-1个已知节点中第p个节点的实际距离：

[0024]

[0025] 集合{RSSI1_revise,RSSI2_revise,…,RSSIp_revise,…,RSSIT-1_revise}表示固定信标节点与其他已知节点之间的信号强度损耗优化值，对应的节点欧式距离的集合则为{d1,d2,…,dp,…,dT-1}，作为d-r数据库；

[0026] 采用对数-常态分布模型：

[0027]

[0028] 其中RSSId表示距离为d时的信号强度损耗优化值，RSSId0表示距离为d0时的信号强度损耗优化值，而d和d0表示节点之间的距离，N为信道损耗参数，Xσ是标准差为σ，均值为0的高斯随机变量，d0取1m，高斯随机变量Xσ对结果无影响，将上述模型简化为：

[0029] RSSI＝A+B*lgd

[0030] A表示节点距离为1m时的信号强度损耗优化值，即固定损耗参考值，B为信道衰减指数，其值为信道损耗参数的10倍，即10N；

[0031] 联立T-1个方程组：

[0032]

[0033] 利用最小二乘法，拟合出信道衰减指数B及固定损耗参考值A。

[0034] 优选地，步骤3中得到第q个已知节点的加权因子

[0035] 优选地，步骤4中通过以下公式计算未知节点的位置：

[0036]

[0037]

[0038] (X,Y)即为所求的未知节点的估计坐标。

[0039] 本发明实施例中的基于定积分结合环境参数的RSSI加权质心定位方法，具有以下优点：

[0040] 1、基于定积分结合环境参数的RSSI加权的质心定位方法，对硬件设备的依赖性低，所需成本较低，计算复杂度也低，便于实现；

[0041] 2、区别于以往改进的RSSI加权质心定位方法，本发明通过对数-常态分布模型结合最小二乘法，拟合出环境参数及固定损耗参考值，引入到加权因子中，且通过实验证明具有较好的适应性和稳定性，能较大的提高算法的定位精度；

[0042] 3、区别于以往的高斯分布模型，在数据筛选的阶段，首先用高斯分布模型过滤数据，然后对收集到的数据再进行处理，以数值出现的次数作为权重，来优化RSSI值，缩小了小概率事件的影响力，有效的改善了由此带来的概率偏差。

附图说明

[0043] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0044] 图1为本发明实施例提供的基于定积分结合环境参数的RSSI加权质心定位方法的流程图。

具体实施方式

[0045] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0046] 参照图1，本发明提供了基于定积分结合环境参数的RSSI加权质心定位方法，该方法包括以下步骤：

[0047] 步骤1，测量无线传感器网络中已知参考节点之间的信号强度损耗值，通过改进的高斯分布模型筛选数据，得到信号强度损耗优化值。

[0048] 具体地，利用CC2530芯片测量两参考节点之间的信号强度损耗值，测量n次的值分别为RSSIa1、RSSIa2、……、RSSIan，通过高斯分布模型过滤数据：

[0049]

[0050]

[0051]

[0052] 其中，m表示的是两参考节点测量n次后所测得信号强度损耗值的平均值，σ2表示样本数据的方差，σ为样本数据的标准差。

[0053] 根据不等式的判定条件，确定信号强度损耗的取值范围：

[0054]

[0055] 筛选之后信号强度损耗的取值集合为{RSSIaj,RSSIa(j+1),...,RSSIa(j+k)}，1≤j≤n,1≤j+k≤n，k为自然数，而在所取范围内对应的测得次数的集合为{b1,b2,...,bk}：

[0056]

[0057] 其中，RSSI_revise表示经过改进后的高斯分布模型求得的信号强度损耗优化值。

[0058] 步骤2，建立信号强度损耗优化值以及已知网络节点之间距离的d-r数据库，利用最小二乘法结合步骤1中得到的信号强度损耗优化值，拟合出与环境相关的信道衰减指数和固定损耗参考值。

[0059] 具体地，待测无线传感器网络中具有一个未知节点和T个已知网络节点，已知节点的位置坐标分别为(x1,y1)、(x2,y2)、……、(xT,yT)。以网络节点(x1,y1)为固定信标节点，通过步骤1测得该固定信标节点与剩余T-1个已知节点之间的信号强度损耗优化值，分别为RSSI1_revise、RSSI2_revise、……、RSSIp_revise、……、RSSIT-1_revise。根据欧拉距离的公式求固定信标节点与剩余T-1个已知节点中第p个节点的实际距离：

[0060]

[0061] 集合{RSSI1_revise,RSSI2_revise,…,RSSIp_revise,…,RSSIT-1_revise}表示固定信标节点与其他已知节点之间的信号强度损耗优化值，对应的节点欧式距离的集合则为{d1,d2,…,dp,…,dT-1}，作为d-r数据库。

[0062] 采用对数-常态分布模型：

[0063]

[0064] 其中RSSId表示距离为d时的信号强度损耗优化值，RSSId0表示距离为d0时的信号强度损耗优化值，而d和d0表示节点之间的距离，N为信道损耗参数，Xσ是标准差为σ，均值为0的高斯随机变量。d0通常取1m，而高斯随机变量Xσ对结果无影响，可忽略，将模型简化为：

[0065] RSSI＝A+B*lgd

[0066] A表示节点距离为1m时的信号强度损耗优化值，即固定损耗参考值，B为信道衰减指数，其值为信道损耗参数的10倍，即10N。

[0067] 联立T-1个方程组：

[0068]

[0069] 利用最小二乘法，拟合出信道衰减指数B及固定损耗参考值A。

[0070] 步骤3，将固定损耗参考值A和信道衰减指数B引入到定位算法中，得到第q个已知节点的加权因子

[0071] 步骤4，根据所述加权因子以及已知网络节点的坐标使用改进后加权质心定位算法确定未知节点的位置：

[0072]

[0073]

[0074] (X,Y)即为所求的未知节点的估计坐标。

[0075] 以仿真实验来进一步说明，选用MATLAB仿真软件为实验平台，模拟环境设置为10m×10m的区域。

[0076] 假设未知节点的实际坐标为 误差设为Error，则：

[0077]

[0078] 结果中算法1代表本发明的方法，算法2代表传统质心定位算法，算法3代表传统基于RSSI加权的质心定位算法，算法4代表传统基于1/RSSI加权的质心定位算法，算法5表示基于本发明加权因子的倒数的质心定位算法。

[0079] 将7个锚节点分布在具体位置后，随机分布7个未知节点，根据1、2、3、4、5五种算法对未知节点进行定位，其结果如表1所示。

[0080] 表1各种算法的估测定位结果

[0081]

[0082] 表1显示，算法1的定位精度较其他算法高，其中各个节点的定位精度始终高于其余算法，具有一定的稳定性。

[0083] 验证算法的定位精度随锚节点数目的变化情况。实验环境10m×10m，初始锚节点数目为3时，依次增加锚节点数，测得的平均误差用Error_表示，得到表2所示的定位结果。

[0084] 表2不同数量锚节点时的平均误差

[0085] 锚节点数目/个 Error_1/m Error_2/m Error_3/m Error_4/m Error_5/m3 2.77 3.19 2.89 3.13 3.59
4 2.48 3.17 3.41 2.96 3.81
5 2.72 3.21 3.48 3.05 3.81
6 2.55 3.17 3.32 2.88 3.35
7 2.54 3.17 3.39 2.95 3.84

[0086] 表2数据可知，随着锚节点数量的变化，算法1的定位精度始终处于最优。

[0087] 仿真实验表明，利用改进的高斯分布模型修正得到的RSSI值，通过样本数据和信号强度损耗模型，求得信号损耗参数，再结合加权质心法，补偿传统质心算法加权因子的线性关系导致的误差。引入环境因子，的确能减小定位误差，不管是对环境的依赖性，还是在信标点数的变化上，都有较强的鲁棒性，定位精度有很大提高，具有较大的可行性，同时基于加权因子中带有信道损耗因子，使得本文改进后的算法于环境有一定的稳定性和极强的适应性。

[0088] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

[0089] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0090] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0091] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0092] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

[0093] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。