CN102711244A - 一种基于无线传感器网络的协作节点定位方法 - Google Patents
一种基于无线传感器网络的协作节点定位方法 Download PDFInfo
- Publication number
- CN102711244A CN102711244A CN2012102050222A CN201210205022A CN102711244A CN 102711244 A CN102711244 A CN 102711244A CN 2012102050222 A CN2012102050222 A CN 2012102050222A CN 201210205022 A CN201210205022 A CN 201210205022A CN 102711244 A CN102711244 A CN 102711244A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- node
- rss
- background
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
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
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:
其中,Rt是时刻t的RSS值,μk,σk分别为均值和方差,wk是第k个高斯分布的权重值,g(Rt;μk,σk)是第k个高斯分布:
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wk/σk排序,前面的B个分布看做是背景模型:
B=arg minbwk>T
其中,T是传感器网络中背景分布的最小先验概率,wk是第k个高斯分布的权重值,σk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:
其中,xi(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,Pij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:
其中,Rt是时刻t的RSS值,μk,σk是均值和方差,wk是第k个高斯分布的权重值且满足g(Rt;μk,σk)是第k个高斯分布,其表达式为:
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:
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wk/σk排序,前面的B个分布看做是背景模型:
B=arg minbwk>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:
上式中Pij是节点i和节点j之间的RSS值,dij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。vij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δij:
明显的,公式中没有包含vij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:
其中,是节点i和节点j之间的RSS值,N2是未知节点的个数。Si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:
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:
其中,Rt是时刻t的RSS值,μk,σk分别为均值和方差,wk是第k个高斯分布的权重值,g(Rt;μk,σk)是第k个高斯分布:
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wk/σk排序,前面的B个分布看做是背景模型:
B=arg minbwk>T
其中,T是传感器网络中背景分布的最小先验概率,wk是第k个高斯分布的权重值,σk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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210205022.2A CN102711244B (zh) | 2012-06-18 | 2012-06-18 | 一种基于无线传感器网络的协作节点定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210205022.2A CN102711244B (zh) | 2012-06-18 | 2012-06-18 | 一种基于无线传感器网络的协作节点定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102711244A true CN102711244A (zh) | 2012-10-03 |
CN102711244B CN102711244B (zh) | 2015-01-28 |
Family
ID=46903752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210205022.2A Expired - Fee Related CN102711244B (zh) | 2012-06-18 | 2012-06-18 | 一种基于无线传感器网络的协作节点定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102711244B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103634907A (zh) * | 2013-12-04 | 2014-03-12 | 西北大学 | 一种无线传感器节点随机部署的被动式目标定位方法 |
CN103841641A (zh) * | 2014-03-03 | 2014-06-04 | 哈尔滨工业大学 | 一种基于到达角度和Gossip算法的无线传感器网络分布式协作定位方法 |
CN104486834A (zh) * | 2014-11-28 | 2015-04-01 | 英业达科技有限公司 | 室内定位方法和设备 |
CN104837199A (zh) * | 2015-05-26 | 2015-08-12 | 北京理工大学 | 基于阴影衰落的无线探测网络节点定位方法 |
JP2016090285A (ja) * | 2014-10-30 | 2016-05-23 | 株式会社Nttドコモ | 位置測位システム及び位置測位方法 |
CN105629791A (zh) * | 2015-11-05 | 2016-06-01 | 中华电信股份有限公司 | 基于无线信号强度的节能系统及方法 |
CN105871486A (zh) * | 2015-01-20 | 2016-08-17 | 中国科学院上海高等研究院 | 无线传感器网络的信道模型构建方法及仿真方法 |
CN106162869A (zh) * | 2016-07-07 | 2016-11-23 | 上海交通大学 | 移动自组织网络中高效协作定位方法 |
CN106304330A (zh) * | 2016-08-02 | 2017-01-04 | 南京信息工程大学 | 一种减轻背景电磁波影响的射频层析成像定位方法 |
CN108508403A (zh) * | 2017-06-29 | 2018-09-07 | 沈阳航空航天大学 | 一种基于rss的无线传感器网络定位方法 |
CN109246601A (zh) * | 2018-09-06 | 2019-01-18 | 锐捷网络股份有限公司 | 一种无线网络的定位方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080008120A1 (en) * | 2006-07-07 | 2008-01-10 | Skyhook Wireless, Inc. | System and method of improving sampling of wlan packet information to improve estimates of doppler frequency of a wlan positioning device |
CN102209379A (zh) * | 2010-03-29 | 2011-10-05 | 中国兵器工业第二〇五研究所 | 基于rssi的无线传感器网络节点定位方法 |
-
2012
- 2012-06-18 CN CN201210205022.2A patent/CN102711244B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080008120A1 (en) * | 2006-07-07 | 2008-01-10 | Skyhook Wireless, Inc. | System and method of improving sampling of wlan packet information to improve estimates of doppler frequency of a wlan positioning device |
CN102209379A (zh) * | 2010-03-29 | 2011-10-05 | 中国兵器工业第二〇五研究所 | 基于rssi的无线传感器网络节点定位方法 |
Non-Patent Citations (3)
Title |
---|
CHRIS STAUFFER ET AL: "Adaptive background mixture models for real-time tracking", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
XINRONG LI ET AL: "Collaborative Localization With Received-Signal Strength in Wireless Sensor Networks", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
YI ZHENG ET AL: "Through-Wall Tracking with Radio Tomography Networks Using Foreground Detection", 《WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103634907B (zh) * | 2013-12-04 | 2017-01-25 | 西北大学 | 一种无线传感器节点随机部署的被动式目标定位方法 |
CN103634907A (zh) * | 2013-12-04 | 2014-03-12 | 西北大学 | 一种无线传感器节点随机部署的被动式目标定位方法 |
CN103841641A (zh) * | 2014-03-03 | 2014-06-04 | 哈尔滨工业大学 | 一种基于到达角度和Gossip算法的无线传感器网络分布式协作定位方法 |
CN103841641B (zh) * | 2014-03-03 | 2017-02-08 | 哈尔滨工业大学 | 一种基于到达角度和Gossip算法的无线传感器网络分布式协作定位方法 |
JP2016090285A (ja) * | 2014-10-30 | 2016-05-23 | 株式会社Nttドコモ | 位置測位システム及び位置測位方法 |
CN104486834B (zh) * | 2014-11-28 | 2018-01-30 | 英业达科技有限公司 | 室内定位方法和设备 |
CN104486834A (zh) * | 2014-11-28 | 2015-04-01 | 英业达科技有限公司 | 室内定位方法和设备 |
CN105871486B (zh) * | 2015-01-20 | 2018-01-30 | 中国科学院上海高等研究院 | 无线传感器网络的信道模型构建方法及仿真方法 |
CN105871486A (zh) * | 2015-01-20 | 2016-08-17 | 中国科学院上海高等研究院 | 无线传感器网络的信道模型构建方法及仿真方法 |
CN104837199B (zh) * | 2015-05-26 | 2018-04-13 | 北京理工大学 | 基于阴影衰落的无线探测网络节点定位方法 |
CN104837199A (zh) * | 2015-05-26 | 2015-08-12 | 北京理工大学 | 基于阴影衰落的无线探测网络节点定位方法 |
CN105629791A (zh) * | 2015-11-05 | 2016-06-01 | 中华电信股份有限公司 | 基于无线信号强度的节能系统及方法 |
CN106162869A (zh) * | 2016-07-07 | 2016-11-23 | 上海交通大学 | 移动自组织网络中高效协作定位方法 |
CN106162869B (zh) * | 2016-07-07 | 2020-03-06 | 上海交通大学 | 移动自组织网络中高效协作定位方法 |
CN106304330A (zh) * | 2016-08-02 | 2017-01-04 | 南京信息工程大学 | 一种减轻背景电磁波影响的射频层析成像定位方法 |
CN106304330B (zh) * | 2016-08-02 | 2019-07-02 | 南京信息工程大学 | 一种减轻背景电磁波影响的射频层析成像定位方法 |
CN108508403A (zh) * | 2017-06-29 | 2018-09-07 | 沈阳航空航天大学 | 一种基于rss的无线传感器网络定位方法 |
CN109246601A (zh) * | 2018-09-06 | 2019-01-18 | 锐捷网络股份有限公司 | 一种无线网络的定位方法及装置 |
CN109246601B (zh) * | 2018-09-06 | 2020-12-18 | 锐捷网络股份有限公司 | 一种无线网络的定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102711244B (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102711244A (zh) | 一种基于无线传感器网络的协作节点定位方法 | |
Kaltiokallio et al. | ARTI: An adaptive radio tomographic imaging system | |
CN109302712B (zh) | 确定智能基站位置的方法、智能基站及存储介质 | |
Yin et al. | Empirical geometry-based random-cluster model for high-speed-train channels in UMTS networks | |
CN102665277B (zh) | 一种对无线传感器网络中节点进行定位的方法 | |
DE102010049315A1 (de) | Standortbestimmung in drahtlosen Kommunikationssystemen | |
CN113015192B (zh) | 天线权值确定方法、装置、设备及存储介质 | |
CN104936147A (zh) | 一种基于建筑格局约束的复杂室内环境下的定位方法 | |
CN104185189A (zh) | Lte系统干扰定位方法及装置 | |
Naranjo et al. | Interference map estimation using spatial interpolation of MDT reports in cognitive radio networks | |
CN102752852A (zh) | 一种基于cdma基站的移动通讯定位方法 | |
CN106454727A (zh) | 一种基于细粒度子载波信息的低代价被动式定位方法 | |
CN105188034A (zh) | 一种无线传感器网络中的协作定位方法 | |
CN110261685A (zh) | 一种基于多源信息的区域电磁频谱态势生成方法 | |
CN102970257A (zh) | 用于提高定位精度的信道估计方法 | |
Ivanov et al. | 3D interference mapping for indoor IoT scenarios | |
CN104486836A (zh) | 一种基于接收信号强度的接收机定位方法 | |
CN109379705B (zh) | 一种基于位置信息的功率分配方法 | |
Shi et al. | Neural network based localization using outdoor lte measurements | |
Pereira et al. | Particle swarm optimization for base station placement | |
René et al. | Subscriber location in 5G mmWave networks-machine learning RF pattern matching | |
Mishra et al. | Do WiFi Probe-Requests Reveal Your Trajectory? | |
CN113824486A (zh) | 无人机通信系统的性能评估方法、装置、计算机设备和存储介质 | |
EP2026088A2 (de) | Vorrichtung zum Schätzen einer Aufenthaltsposition eines Mobilfunkendgerätes | |
Fink et al. | RSSI-based indoor localization using antenna diversity and plausibility filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150128 Termination date: 20210618 |
|
CF01 | Termination of patent right due to non-payment of annual fee |