CN102711244A - 一种基于无线传感器网络的协作节点定位方法 - Google Patents

Abstract

本发明涉及一种基于无线传感器网络的协作节点定位方法，包括以下步骤：步骤1：建立每个链路RSS值的混合高斯模型；步骤2：通过背景学习方法将RSS值中的背景RSS值分离出来；步骤3：根据路径损耗模型将背景RSS值转化为节点间的距离信息，并利用贝叶斯估计方法计算得到未知节点坐标。本发明设计合理，其根据接收信号强度（RSS）在有移动障碍物情况下的变化特征，通过建立链路RSS值的混合高斯模型并通过背景学习方法将测量的RSS值分离出背景RSS值，然后利用贝叶斯估计方法（LS）实现协作定位功能，有效地减小了障碍物对信号接收强度的干扰，从而获得较高的节点定位精度。

Description

一种基于无线传感器网络的协作节点定位方法

技术领域

本发明属于无线传感器网络领域,特别涉及一种基于无线传感器网络的协作节点定位方法。

背景技术

节点定位技术是无线传感器网络中一项关键的技术，近年来很多研究人员对节点定位技术都做了深入的研究。节点的精确定位功能产生了很多新的应用，如医疗监控、动物追踪和急救服务。在很多情况下，为了使节点之间的信息有利用价值，节点位置是必不可少的，例如，如果我们部署一个无线传感器网络来监控储物室的设备，需要动态更新节点位置来监控设备的具体位置。在许多情况下，特别是突发事件情况下，需要迅速和随机地部署传感器网络，因此没有足够的时间测量节点的位置。在这样的应用场景下，需要自动知道节点位置信息。

协作定位是一种有效的节点定位方法，其在给定部分已知节点的位置信息的前提下，估计未知节点信息。基于信号接收强度（RSS，Received Signal Strength）的协作节点定位方法具有部署简单且不需要额外的硬件，因此得到了广泛的应用。现有的基于RSS的节点协作定位方法通常是将接收到的RSS值直接转化为距离信息，没有考虑到环境中物体对RSS产生的衰减，或者仅考虑了静态障碍物对节点定位造成的影响，当环境中有随机出现的移动障碍物时，RSS会产生很大的波动，因而严重影响节点定位精度。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于无线传感器网络的协作节点定位方法，该方法在有移动障碍物的情况下，能够有效减小障碍物对节点定位精度的影响。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于无线传感器网络的协作节点定位方法，包括以下步骤：

步骤1：建立每个链路RSS值的混合高斯模型；

步骤2：通过背景学习方法将RSS值中的背景RSS值分离出来；

步骤3：根据路径损耗模型将背景RSS值转化为节点间的距离信息，并利用贝叶斯估计方法计算得到未知节点坐标。

而且，所述步骤1的混合高斯模型的数学模型为：

$P\left(R_t\right)=\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{w}_k\·g(R_t;{\mathrm{\μ}}_k,{\mathrm{\σ}}_k)$

其中，R_t是时刻t的RSS值，μ_k,σ_k分别为均值和方差，w_k是第k个高斯分布的权重值，g(R_t;μ_k,σ_k)是第k个高斯分布：

$g(R_t;{\mathrm{\μ}}_k,{\mathrm{\σ}}_k)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_k}\exp [-\frac{{(R_t-{\mathrm{\μ}}_k)}^2}{{{2\mathrm{\σ}}_k}^2}].$

而且，所述混合高斯模型中的均值、方差和权重均利用自适应线性滤波器进行更新。

而且，所述所述步骤2的背景学习方法为：

将k个分布按照w_k/σ_k排序，前面的B个分布看做是背景模型：

B=arg min_bw_k>T

其中，T是传感器网络中背景分布的最小先验概率，w_k是第k个高斯分布的权重值，σ_k为方差；

如果RSS值符合B中任何一个高斯分布，则被当做是背景RSS值。

而且，所述步骤3利用贝叶斯估计方法计算未知节点坐标的数学模型为：

$x_i\left(t\right)=x_i(t-1)+\mathrm{\γ}\underset{j\∈S_j}{\mathrm{\Σ}}{{({\mathrm{\δ}}_{\mathrm{ij}}-{\hat{d}}_{\mathrm{ij}})}_e}_{\mathrm{ij}}$

其中，x_i(t)是t时刻节点i的坐标，是i和j单位向量，γ是控制向量调整的步长，

是节点i和节点j之间的距离，

是节点i和节点j之间的RSS值，d₀为参考距离，P₀是在参考距离d₀处的RSS值,P_ij是节点i和节点j之间的RSS值，β是路径损耗因子。

本发明的优点和积极效果是：

本发明基于接收信号强度（RSS）在有移动障碍物情况下的变化特征，通过建立链路RSS值的混合高斯模型并通过背景学习方法将测量的RSS值分离出背景RSS值，然后利用贝叶斯估计方法（LS）实现协作定位功能，有效地减小了障碍物对信号接收强度的干扰，从而获得较高的节点定位精度。

附图说明

图1(a)为两个节点距离为1m时RSS的时间变化图；

图1(b)为图1(a)中RSS值符合的混合高斯分布示意图；

图2(a)为环境中没有障碍物情况下的链路RSS时间变化图；

图2(b)为链路中有人情况下的RSS时间变化图；

图2(c)是经过背景学习算法去除移动障碍物干扰后的RSS时间变化图；

图3(a)是20个节点规则排放为一个正方形情况下的节点定位结果图；

图3(b)是节点均匀分布时的节点定位结果图；

图4是利用背景学习算法后的节点定位的MSE值示意图。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

一种基于无线传感器网络的协作节点定位方法，通过建立链路RSS值的混合高斯模型并通过背景学习方法将测量的RSS值分离为前景值（由于环境变化引起的RSS值）和背景RSS值（节点自身通信的RSS值），然后利用贝叶斯估计方法（LS）实现协作节点定位功能，从而获得较高的节点定位精度。具体包括以下步骤：

步骤1：建立每个链路RSS值的混合高斯模型。

当有移动障碍物随机出现在无线传感器网络中时，RSS值会产生三种形式的波动：没有移动障碍物存在的情况、移动障碍物在链路周围不遮挡链路的情况、移动障碍物遮挡链路的情况，也就是说，对于每条链路，被障碍物完全遮住、附近环境有障碍物活动和附近无障碍物活动三种状态下的RSS值可以看做是三个随机变量，分别符合三个参数不同的高斯分布。因此，每条链路的RSS值可以建模为如下的混合高斯模型：

$P\left(R_t\right)=\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{w}_k\·g(R_t;{\mathrm{\μ}}_k,{\mathrm{\σ}}_k)$

其中，R_t是时刻t的RSS值，μ_k,σ_k是均值和方差，w_k是第k个高斯分布的权重值且满足g(R_t;μ_k,σ_k)是第k个高斯分布，其表达式为：

$g(R_t;{\mathrm{\μ}}_k,{\mathrm{\σ}}_k)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_k}\exp [-\frac{{(R_t-{\mathrm{\μ}}_k)}^2}{{{2\mathrm{\σ}}_k}^2}]$

混合高斯模型中的参数：均值、方差和权重，可以利用自适应线性滤波器（Linear Adaptive filter，LAF）更新：

$\mathrm{\θ}\left(t\right)=\mathrm{\η}\left(t\right)\·\▿(R_t;\mathrm{\θ}(t-1))+(1-\mathrm{\η}\left(t\right))\·\mathrm{\θ}(t-1)$

其中，η(t)是学习速率，θ(t)根据

更新。

步骤2：通过背景学习方法将RSS值中的背景RSS值分离出来

在链路的RSS建模以后，需要选择合适的方法决定哪些是前景（由于环境变化引起的RSS值）和背景RSS值（节点自身通信的RSS值），得到背景RSS值。当环境中没有移动障碍物时候，方差会很大直到运动停止，而静态的环境保持相对稳定的值而且方差比较小。当新的移动障碍物出现时，会产生新的高斯分布，并且权重值很小。因此，本步骤将k个分布按照w_k/σ_k排序，前面的B个分布看做是背景模型：

B=arg min_bw_k>T

T是传感器网络中背景分布的最小先验概率。如果RSS值符合B中任何一个高斯分布，则被当做是背景RSS值。背景RSS值就是我们所需要的最终用来估计节点坐标的RSS值。

步骤3：根据路径损耗模型将背景RSS值转化为节点间的距离信息，并利用贝叶斯估计方法计算得到未知节点坐标。

得到RSS值后，根据路径损耗模型，节点间的RSS值和节点距离之间存在如下关系：

$P_{\mathrm{ij}}=P_0-10\mathrm{\β}{\log }_{10}\left(\frac{d_{\mathrm{ij}}}{d_0}\right)-v_{\mathrm{ij}}$

上式中P_ij是节点i和节点j之间的RSS值，d_ij是节点i和节点j之间的距离，P₀是在参考距离d₀处的RSS值，一般d₀选为1m,β是路径损耗因子，和环境有关系。v_ij是噪声，与多径环境有关系。节点i和节点j之间的距离通常被近似为δ_ij：

${\mathrm{\δ}}_{\mathrm{ij}}=d_{0}10^{\frac{P_0-P_{\mathrm{ij}}}{10\mathrm{\β}}}$

明显的，公式中没有包含v_ij的信息，利用背景学习的算法就可以有效的去除环境带来的影响，从而获得较好的定位结果。利用上式可以得到两个节点之间的相对距离。

然后利用利用贝叶斯估计方法得到未知节点的坐标：

$C_{\mathrm{LS}}\left(x\right)=\underset{i=1}{\overset{N_2}{\mathrm{\Σ}}}\underset{j\∈S_i}{\mathrm{\Σ}}{\left|\right|{\mathrm{\δ}}_{\mathrm{ij}}-{\hat{d}}_{\mathrm{ij}}\left|\right|}^2$

其中，是节点i和节点j之间的RSS值，N₂是未知节点的个数。S_i是与未知节点通信的节点的个数。在时刻t，上式的最小值由分布式梯度下降算法得到：

$x_i\left(t\right)=x_i(t-1)+\mathrm{\γ}\underset{j\∈S_j}{\mathrm{\Σ}}{{({\mathrm{\δ}}_{\mathrm{ij}}-{\hat{d}}_{\mathrm{ij}})}_e}_{\mathrm{ij}}$

x_i(t)是节点i的坐标，

是i和j单位向量，γ是控制向量调整的步长。

下面结合附图对本协作定位方法做进一步说明。

当物体进入无线传感器网络的时候，通过该物体的链路会产生阴影衰落，当信道主要是可视路径的时候，经过该链路的RSS值会产生较大的衰减。为了分析当环境中有随机运动障碍物产生时，RSS随着时间变化的规律，我们首先设置了一个拥有两个节点的传感器网络，两个节点之间的距离为4m，一个人随机穿过链路，图1(a)给出了RSS的时序图，从图中可以看到RSS值有三种不同的衰减，当链路周围有人但是没有遮挡链路的时候，RSS在均值附近有3～4毫分贝的波动；当人刚好遮住链路的时候，RSS的波动会变大，大约是20～30毫分贝；当链路周围没有人存在时，RSS值基本维持均值，有1～2毫分贝的小波动。因此，链路的RSS值可以被建模为三个混合高斯模型，如图1(b)所示。

我们通过一系列的实验来验证本发明的有效性。传感器网络包含20个节点，这些节点工作在2.4GHz频段。节点间的通信通过数据包来实现，每个数据包包含节点的ID号，传输时间以及节点间的RSS值。传输间隔是5ms，每个链路的数据每隔100ms记录一次。传感器节点被固定在杆上，距离地面1m的高度。如图3(a)所示，节点被摆放成7*7m正方形，且相邻节点的距离是1m。在实验时，首先，我们记录网络中没有人即空网络的状况，RSS变化如图2(a)所示；然后人随机出现在网络中，RSS变化如图2(b)所示；经过背景学习后提取出的RSS值如图2(c)所示。可以看出，经过背景学习后的RSS值与没有人出现时候的RSS变化基本一致。然后利用背景学习后的链路RSS进行节点定位，本实验所采用的参数如表1所示。

表1算法参数值

参数名称	参数值	参数名称	参数值
				K	3	T	0.5
V0	1	P0	-33dBm
				α	0.08	β	3
Tσ	2	γ	0.01

有4个已知未知的节点和16个未知位置的节点，定位结果如图3(a)所示。由于节点位置的摆放会影响节点定位结果，图3(b)改变了网络节点的分布，采用均匀分布的方式摆放节点，图中显示了节点定位的结果。可以明显看到，经过背景学习后的RSS值能很好的适应环境的变化，获得较高的定位精度。而未经过背景学习的RSS值直接定位的结果与实际位置有较大偏差。图4为运用背景学习算法进行节点定位时的均方误差图，当链路中没有人出现时，最小均方误差维持在一个比较小的值，当链路中有人出现时，均方误差会变大，但是由于背景学习算法的使用，会随着时间慢慢减小趋于稳定，误差维持在0.1～0.3m²。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (5)

1.一种基于无线传感器网络的协作节点定位方法，其特征在于：包括以下步骤：

步骤1：建立每个链路RSS值的混合高斯模型；

步骤2：通过背景学习方法将RSS值中的背景RSS值分离出来；

步骤3：根据路径损耗模型将背景RSS值转化为节点间的距离信息，并利用贝叶斯估计方法计算得到未知节点坐标。

2.根据权利要求1所述的一种基于无线传感器网络的协作节点定位方法，其特征在于：所述步骤1的混合高斯模型的数学模型为：

$P\left(R_t\right)=\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{w}_k\·g(R_t;{\mathrm{\μ}}_k,{\mathrm{\σ}}_k)$

其中，R_t是时刻t的RSS值，μ_k,σ_k分别为均值和方差，w_k是第k个高斯分布的权重值，g(R_t;μ_k,σ_k)是第k个高斯分布：

$g(R_t;{\mathrm{\μ}}_k,{\mathrm{\σ}}_k)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_k}\exp [-\frac{{(R_t-{\mathrm{\μ}}_k)}^2}{{{2\mathrm{\σ}}_k}^2}].$

3.根据权利要求2所述的一种基于无线传感器网络的协作节点定位方法，其特征在于：所述混合高斯模型中的均值、方差和权重均利用自适应线性滤波器进行更新。

4.根据权利要求1所述的一种基于无线传感器网络的协作节点定位方法，其特征在于：所述所述步骤2的背景学习方法为：

将k个分布按照w_k/σ_k排序，前面的B个分布看做是背景模型：

B=arg min_bw_k>T

其中，T是传感器网络中背景分布的最小先验概率，w_k是第k个高斯分布的权重值，σ_k为方差；

如果RSS值符合B中任何一个高斯分布，则被当做是背景RSS值。

5.根据权利要求1所述的一种基于无线传感器网络的协作节点定位方法，其特征在于：所述步骤3利用贝叶斯估计方法计算未知节点坐标的数学模型为：

$x_i\left(t\right)=x_i(t-1)+\mathrm{\γ}\underset{j\∈S_j}{\mathrm{\Σ}}{{({\mathrm{\δ}}_{\mathrm{ij}}-{\hat{d}}_{\mathrm{ij}})}_e}_{\mathrm{ij}}$

其中，x_i(t)是t时刻节点i的坐标，

是i和j单位向量，γ是控制向量调整的步长，

是节点i和节点j之间的距离，

是节点i和节点j之间的RSS值，d₀为参考距离，P₀是在参考距离d₀处的RSS值,P_ij是节点i和节点j之间的RSS值，β是路径损耗因子。

Images