CN102123495A - 基于rssi校正的无线传感器网络质心定位算法 - Google Patents

Abstract

本发明公开了一种基于RSSI校正的无线传感器网络质心定位算法，包括以下步骤：(1)锚节点周期性向周围广播信息，信息中包括自身节点ID及坐标，普通节点收到该信息后对同一锚节点的RSSI取均值；(2)当普通节点收集到n个锚节点信息时不再接收新信息，其中3＜n≤100，普通节点根据RSSI从强到弱对锚节点排序，并建立RSSI值与节点到锚节点距离的映射；(3)选取RSSI值在-93dbm≤RSSI≤-113dbm的锚节点进行自身定位计算；(4)对求出的未知节点坐标集合取平均，得到未知节点坐标。本发明通过校正RSSI测距技术测量节点间点到点的距离，采用三角形质心算法进行定位，减小RSSI的测量误差，与基于RSSI的三角形质心定位算法相比，极大提高了定位精度。

Description

基于RSSI校正的无线传感器网络质心定位算法

技术领域

本发明涉及一种用于无线传感器网络的基于RSSI的定位技术，属于无线传感器网络定位技术领域。

背景技术

无线传感器网络(Wireless Sensor Networks，简称WSN)是指由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织的网络系统，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者^[1-2]。它在民用、军事、工业以及其它的一些商业领域有着广泛的应用前景。节点定位技术作为无线传感器网络的关键技术之一，不仅对无线传感器网络的基本应用有重要作用，也是目标监测和追踪等的基础。

目前无线传感器网络节点定位算法主要分两大类：基于测距(Range-based)的定位算法和无需测距(Range-free)的定位算法。基于测距定位算法通过测量节点间的距离或角度信息，使用三边测量、三角测量或最大似然估计定位法计算节点位置。常用的测距技术有RSSI(Received signal strength indication)，TOA(Time of arrival)，TDOA(Timedifference of arrival)和AOA(Angle of arrival)；无需测距定位算法则不需要距离和角度信息，算法根据网络连通性等信息来实现节点定位。相比之下，基于距离的定位算法测量精度较高，距离无关的定位算法对硬件要求较低。

反射、多径传播、非视距、天线增益等问题都会对相同距离产生显著的传播损耗。接收信号强度指示RSSI的定位方法，是在已知发射节点的发射信号强度，根据接收节点收到的信号强度，计算出信号的传播损耗，再利用理论和经验模型将传输损耗转化为距离，最后计算节点的位置。因为理论和经验模型的估测性质，故而RSSI具有较大定位误差，如何提高基于RSSI的定位精度是一个比较有意义的问题。

目前，对RSSI的研究主要有两个方面。一是改良传输损耗模型，建立更符合实际环境的数学模型；二是，结合各种测量算法，减小传输损耗模型带来的误差。《一种基于RSSI相似度的室内定位算法》(传感技术学报，2009.2，Vol.22：265-268)研究了实际环境中节点的RSSI特性，提出了无线传感器节点在空间环境上的RSSI相似度概念，采用RSSI相似度作为权重因子，改进了加权质心算法。《一种基于RSSI校验的无线传感器网络节点定位算法》(小型微型计算机系统，2009.1，Vol.30：60-62)在过去权质心算法的研究基础上，提出了基于RSSI校验的无线传感器网络节点定位算法，利用固定节点之间的距离和RSSI值来校正移动节点与每个固定节点之间的权值，从而提高了算法的定位精度，尤其在平均定位误差方面改进了大约25％。《基于RSSI的无线传感器网络加权质心定位算法》(武汉理工大学学报(交通科学与工程版)，2006.4，30(2)：265-268)提出一种加权质心定位算法，节点到信号源的距离越近，由RSSI值的偏差产生的绝对距离误差越小，影响力越大。影响力越大的信标节点对节点位置有更大的决定权。其采用优选信标节点的方式，根据信标节点对未知节点的不同影响力确定加权因子，以此来提高定位精度。《基于RSSI的测距差分修正定位算法》(传感技术学报，2008.7，Vol.21：1248-1250)以三边定位算法为基础，定义了个体差异差分系数、距离差分系数和距离差分定位方程，把离目标节点最近的信标节点作为参考节点对基于RSSI的测距进行差分修正，并将差分法和质心法相结合提出了一种测距差分修正定位算法，定位误差可小于2.5m。

现今主要存在3种无线信号传播模型：Free-Space模型，Two-Ray Ground Reflection模型和Shadowing模型。前两个模型都认为接收信号的能量是距离的一个确定函数，即信号传输模型都是一个理想圆。实际环境中由于多路径反射，障碍物阻隔等原因信号传输往往是各向异性的。因此综合性的Shadowing模型在无线传感器网络中使用更加广泛。

Shadowing模型由两部分组成，第一个部分是Pass Loss模型。β为路径损耗系数，范围在2至6之间，障碍物越多，相对的β值越大。它能够预测出当距离为d时接收到的平均能量，表示为P_r(d)。使用了一个接近中心的距离d₀作为参考，P_r(d)相对于P_r(d₀)的计算如下：

$\frac{P_r\left(d_0\right)}{P_r\left(d\right)}={\left(\frac{d}{d_0}\right)}^{\mathrm{\β}}---\left(1\right)$

Shadowing模型的第二部分反映了当距离一定时，接收到能量的变化。它是一个对数正态随机变量，也就是说，如果以dB作为计量单位它满足高斯分布。完整的Shadowing模型如下：

${\left[\frac{P_r\left(d\right)}{P_r\left(d_0\right)}\right]}_{\mathrm{dB}}=-10\mathrm{\βlg}\left(\frac{d}{d_0}\right)+X_{\mathrm{\σ}}---\left(2\right)$

Xσ是一个平均值为0的高斯分布变量，P_r(d₀)和d₀分别是参考能量和参考距离。Shadowing模型对理想环境模型进行了扩展，将一个零均值高斯分布的随机噪声引入了无线电传播模型，其特征可以用对数正态分布的随机变量来刻画。

现有无线传感器网络质心定位算法，无法克服接收信号强度测量误差对无线传感器网络(WSN)节点自身定位精度的影响。

发明内容

为了克服接收信号强度测量误差对无线传感器网络(WSN)节点自身定位精度的影响，本发明在无线传感器网络三角形质心算法的基础上提供一种定位精度高的基于RSSI校正的无线传感器网络质心定位算法。

实际环境中同一个RSSI值，在同一网络拓扑分布中的不同节点对之间代表的距离是不同的。如果未知节点的位置计算仅仅考虑未知节点到某个信标节点的RSSI值而没加入其它修正方法，结果就存在一定的定位误差。所以，本发明在现有无线信号传播方法的基础上把固定信标节点之间的距离和信号强度两种信息同时作为参考来校正RSSI值。

RSSI_i表示未知节点接收到信标节点B_i信号的RSSI平均值(单位：dBm)，P_i表示未知节点接收到信标节点B_i的信号强度平均值(单位：mW)，那么两者的转换关系：

$P_i={10}^{{\mathrm{RSSI}}_i/10}---\left(3\right)$

RSSI_ij表示信标节点B_i接收到信标节点B_j信号RSSI平均值(单位：dBm)，P_ij表示信标节点B_i接收到信标节点B_j的信号强度平均值(单位：mW)，则同理有：

$P_{\mathrm{ij}}={10}^{{\mathrm{RSSI}}_{\mathrm{ij}}/10}---\left(4\right)$

Bd_ij表示信标节点B_i和B_j之间的距离。d_ij表示以信标节点对B_i和B_j为参考时代入式(1)计算得到的从未知节点到信标节点B_i的距离：

$\frac{P_{\mathrm{ij}}}{P_i}={\left(\frac{d_i^j}{{\mathrm{Bd}}_{\mathrm{ij}}}\right)}^{\mathrm{\β}}---\left(5\right)$

从而有：

$d_i^j=\frac{p_{\mathrm{ij}}^{\frac{1}{\mathrm{\β}}}\×{\mathrm{Bd}}_{\mathrm{ij}}}{P_i^{\frac{1}{\mathrm{\β}}}}---\left(6\right)$

因此，未知节点到信标节点B_i的距离d_i可以表示为所有的d_ij对于所有j的可能值的平均值：

$d_i=\frac{\underset{j}{\mathrm{\Σ}{d}_i^j}}{N}---\left(7\right)$

N为信标节点B_i的通信半径内的其他信标节点总数，根据计算可以得到校正距离d_i。

本发明基于RSSI的三角形质心定位算法的数学模型：

该算法针对大规模随机散布野外应用环境，这类应用大都不需要节点进行精确定位，只需要知道节点的大概区域就可满足需求，同时要求硬件成本低、通信开销小、节能。

在定位时计算出的接收信号强度总与实际情况下有误差，因为实际环境的复杂性，换算出的锚节点到未知节点的距离d总是大于实际两节点间的距离。如图1所示，锚节点A、B、C，未知节点G，根据RSSI模型计算出的节点A和G的距离为r_a；节点B和G的距离为r_b；节点C和G的距离为r_c。分别以A、B、C为圆心，r_a、r_b、r_c为半径画圆，可得三圆的交叠区域。

三角形质心定位算法的基本思想是：计算三圆交叠区域的三个特征点的坐标，以这三个点为三角形的顶点，未知点即为三角形质心，特征点为L、M、N，特征点L点的计算方法为：

$\left\{\begin{array}{c}\sqrt{{(x_l-x_a)}^2+{(y_l-y_a)}^2}\≤r_a\\ \sqrt{{(x_l-x_b)}^2+{(y_l-y_b)}^2}=r_b\\ \sqrt{{(x_l-x_c)}^2+{(y_l-y_c)}^2}=r_c\end{array}\right.---\left(8\right)$

同理，可计算出M、N，此时未知点的坐标为：

$(\frac{x_l+x_m+x_n}{3},\frac{y_l+y_m+y_n}{3})$

如图1所示，实际点为G；基于RSSI校正的质心定位算法算出的估计点为F；基于RSSI的三角形质心算法算出的估计点为E。可知，基于RSSI校正的质心定位算法的准确度更高。

本发明的基于RSSI校正的无线传感器网络质心定位算法，包括以下步骤：

(1)锚节点周期性向周围广播信息，信息中包括自身节点ID及坐标，普通节点收到该信息后对同一锚节点的RSSI取均值；

(2)当普通节点收集到n个锚节点信息时不再接收新信息，其中3＜n≤100，普通节点根据RSSI从强到弱对锚节点排序，并建立RSSI值与节点到锚节点距离的映射；具体是建立以下三个集合：

①锚节点集合：B_set＝{a₁，a₂，…，a_n}；a₁，a₂，…，a_n分别代表n个锚节点；

②未知节点到锚节点距离集合：D_set＝{d₁，d₂，…，d_n}，d₁＜d₂＜…d_n；d₁，d₂，…，d_n分别代表未知节点到n个锚节点的距离；

③锚节点位置集合：P_set＝{(X₁，Y₁)，(X₂，Y₂)，…，(X_n，Y_n)}；(X₁，Y₁)，(X₂，Y₂)，…，(X_n，Y_n)分别代表n个锚节点的位置坐标；

(3)选取RSSI值在-93dbm≤RSSI≤-113dbm的锚节点进行自身定位计算；

在锚节点集合B_set中优先选择RSSI值大的信标节点组合成下面的锚节点集合：

T_set＝{(a₁，a₂，a₃)，(a₁，a₂，a₄)，…(a₁，a₃，a₄)，(a₁，a₃，a₅)…}，

然后采用公式(6)和公式(7)计算出r_a、r_b和r_c，，这是提高定位精度的关键；

对锚节点集合，依次根据公式(8)计算出三个交点的坐标，最后由质心算法，得出未知节点坐标。

(4)对求出的未知节点坐标集合取平均，得到未知节点坐标。

本发明基于RSSI技术，通过校正RSSI测距技术测量节点间点到点的距离，采用三角形质心算法进行定位，减小RSSI的测量误差，与基于RSSI的三角形质心定位算法相比，极大提高了定位精度。

附图说明

图1是基于RSSI的三角形质心定位算法的示意图。

图2是信标节点个数对定位误差的影响示意图。

图3是节点通信半径对定位误差的影响示意图。

图4是路径损耗系数对定位误差的影响示意图。

具体实施方式

利用Mat lab仿真工具模拟基于RSSI校正的质心定位算法，考察该算法的性能。假设在100m×100m的正方形区域内，信标节点随机分布在区域内，无线信号载频为2.4GHz，分别用基于RSSI的三角形质心算法和基于RSSI校正的质心定位算法进行仿真，仿真结果如图2、图3和图4所示。

仿真首先研究了信标节点数，即传感器网络中信标节点密度对定位精度的影响。在图2中，路径损耗系数设为4，节点通信半径为50m，信标节点从10逐个递增到25。随着信标数目增加，它们的定位误差均随之下降。在图3中，路径损耗系数设为4，信标节点数设定为20，通信半径从25m逐步增加到60m时，它们的定位误差曲线均没有明显的增加。在图4中，节点通信半径为50m，信标节点数目为20，路径损耗系数从2逐步增加到6时，节点定位误差减小。总之，本发明基于RSSI校正的无线传感器网络质心定位算法比基于RSSI的三角形质心定位算法的性能更好，本发明算法对硬件要求不高，能较好地适应WSN低成本与低功耗的要求，是一种可选的定位方案。

Claims (1)

1.一种基于RSSI校正的无线传感器网络质心定位算法，其特征在于，包括以下步骤：

(1)锚节点周期性向周围广播信息，信息中包括自身节点ID及坐标，普通节点收到该信息后对同一锚节点的RSSI取均值；

(2)当普通节点收集到n个锚节点信息时不再接收新信息，其中3＜n≤100，普通节点根据RSSI从强到弱对锚节点排序，并建立RSSI值与节点到锚节点距离的映射；

(3)选取RSSI值在-93dbm≤RSSI≤-113dbm的锚节点进行自身定位计算；

(4)对求出的未知节点坐标集合取平均，得到未知节点坐标。

Images