CN102857942B - 基于不确定性数据流聚类的动态通信距离估计方法 - Google Patents

Abstract

基于不确定性数据流聚类的动态通信距离估计方法，它涉及一种动态通信距离估计方法。该方法解决目前没有对节点移动情况下的通信距离估计进行研究的问题。所述方法包括以下步骤：步骤一、采样测量、统计计算和簇心表示；步骤二、速度估计，生成簇心集合；步骤三、生成聚类序列；步骤四、距离计算；步骤五、更新迭代。本发明用于无线传感器网络基于测距的定位方法中通信距离估计。

Description

基于不确定性数据流聚类的动态通信距离估计方法

技术领域

本发明涉及一种动态通信距离估计方法。

背景技术

在基于测距的无线传感器网络(Wireless Sensor Networks，WSN)定位系统中，定位的精度在很大程度上取决于锚节点和未知节点(要定位的节点)之间通信距离的估计精度。可利用基于红外、声波、无线电波等传输介质对距离估计，出于实用性、成本等因素的考虑，WSN往往采用低成本的到达信号强度(Received Signal Strength Indicator，RSSI)。在基于RSSI的距离(简称为“RSSI-D”)估计时，由理想信道模型可知，通信距离与RSSI有公式(1)的关系：

P(D)[dBm]＝P(D₀)[dBm]-10nlg(D/D₀)-X_r    (1) 

其中，P(D)表示锚节点接收到定位节点发送信号的强度；P(D₀)为锚节点接收到参考节点发送信号的强度；D₀为参考节点和锚节点间的距离；D为要估计的未知节点到锚节点之间的距离；n为信道衰减指数，一般取值2-4；X_r为均值为零、方差为r的高斯噪声变量。则由公式(2)可得到距离估计：

D＝D₀*10^{((P(D0)-P(D)-Xr)/10n)}    (2) 

在实际无线通信系统中，由于无线传输反射、折射、多径传播、天线增益和障碍物遮挡等诸多环境因素的影响，造成到达信号强度具有很强的不确定性，且在不同环境中、不同通信距离时的RSSI值所具有的不确定性程度大小也不相同。

从图1-图3可以看出，RSSI与通信距离D很难满足如公式(2)的关系。如果仍按照公式(2)的关系进行RSSI-D估计时，势必造成50％或者更大的误差。

目前众多的研究集中对静态的距离进行估计，而没有对节点移动情况下的通信距离估计进行研究。移动情况下的距离估计和定位更具有挑战性：除了RSSI的不确定性外，传感器节点在移动过程中，由于通信距离改变引起的RSSI值变化，测量得到的RSSI值不再是静态的，而是动态的RSSI数据流，因此获取的RSSI数据流具有较大程度的不确定性和动态性，给这种动态环境下的通信距离估计带来很大的挑战。虽然在实际定位系统中RSSI值具有明显的动态和不确定性，但是它们的分布具有一定的统计特性，相同通信距离的RSSI值就构成了一个簇。若能够采用一种更加有效地克服RSSI不确定性的方法来实现相 对更为精确的RSSI-D估计，则能够为WSN定位方法提供良好的计算条件。

发明内容

本发明的目的是提供一种基于不确定性数据流聚类的动态通信距离估计方法，以解决目前没有对节点移动情况下的通信距离估计进行研究的问题。

本发明为解决上述技术问题采取的技术方案是：所述方法包括以下步骤：

步骤一、采样测量、统计计算和簇心表示：

在无线传感器网络节点通信范围内，固定锚节点的位置，然后移动未知节点，测量两者通信的RSSI值形成必要的样本数据，计算样本数据的统计特性：均值μ和标准差σ；

这个统计区域可表示为[μ-k*σ，μ+k*σ]，其中k为包含因子，且{k∈R|0≤k≤3}假设每一个通信距离对应的RSSI值构成一个簇，则该簇的簇中心为[μ-k*σ，μ+k*σ]；

假定通信范围内有N个RSSI值的簇中心，μ_i和σ_i分别为一个簇的均值和标准差，则簇中心集合CSO可表示为：

CSO＝{C₁，C₂，…，C_N}

   ＝{[μ₁-k*σ₁，μ₁+k*σ₁]，[μ₂-k*σ₂，μ₂+k*σ₂]，…，[μ_N-k*σ_N，μ_N+k*σ_N]}，且它们对应的距离分别为{D₁，D₂，…，D_N}；

步骤二、速度估计，生成簇心集合：

对于移动的未知节点(即位置信息未知的传感器节点)，在某一段时间内以速度v相对于锚节点(即位置信息已知的传感器节点)作匀速直线运动，估计其在这段时间内的运动速度V′，在第步骤一中簇中心集合CSO的基础上生成与速度V′相匹配的簇心集合CS＝{C₁，…，CP_-2，C_P-1，C_P}，(1≤P≤N)，在运行过程中，测量到达无线信号强度RSSI的值S_t；

步骤三、生成聚类序列：

对于步骤二中得到的RSSI值S_t，如果在移动速度为v的时间段内的RSSI数据长度j小于序列窗口大小w，则组成RSSI序列S＝{S_t-j+1，…，S_t-2，S_t-1，S_t}和簇心序列CS_j＝{C₁，…，C_j-2，C_j-1，C_j}，否则组成RSSI序列S＝{S_t-w+1，…，S_t-2，S_t-1，S_t}和簇心序列CS_j＝{C_j-w+1，…，C_j-2，C_j-1，C_j}；

步骤四、距离计算：

计算S与簇心序列CS_j的距离DIS_j(S，CS_j)

${\mathrm{DIS}}_j(S,{\mathrm{CS}}_j)=\underset{i=t-w+1}{\overset{t}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}(S_i,{\mathrm{CS}}_{\mathrm{ij}})$

D_ij(S_i，CS_ij)＝λ·d_imax+(1-λ)·d_imin

其中λ为相关系数，0≤λ≤1，决定着S_i与簇心CS_ij距离极值d_imax和d_imin的组合情况，

其中CS_ij＝[m_x α_x]，S_i＝y，则S_i与簇心CS_ij之间距离的最小值和最大值为：

$d_{\min }=\left\{\begin{array}{c}|m_x-y|-{\mathrm{\&alpha;}}_x,|m_x-y|-{\mathrm{\&alpha;}}_x\&GreaterEqual;0\\ 0,|m_x-y|-{\mathrm{\&alpha;}}_x<0\end{array}\right.$

d_max＝|m_x-y|+α_x

步骤五、更新迭代：

j增加1并对j进行判断，如果j≠P+1时，则跳转到步骤四；而如果j＝P+1时，求出{DIS_j(S，CS_j)}中的最小值DIS_m(S，CS_m)，(1≤m≤P)，并将CS_m对应的距离D_m作为RSSI值S_t对应的通信距离d_t的估计值输出，完成一次距离估计；如果还需要估计距离则跳转到步骤二，应用需求不需要距离估计时，终止距离估计过程。

本发明具有以下有益效果：本发明提出一种基于不确定性数据流聚类的动态RSSI-D估计方法UIDSC-D。首先测量不同通信距离时的RSSI数据并进行统计计算，得到各个距离点对应RSSI数据分布区域的统计信息，然后结合区间数方法表示各个簇中心，然后同时考虑多个连续簇心构成的数据模式，采用不确定性数据流聚类的方法对RSSI数据流进行动态RSSI-D估计，从而实现较高精度的动态RSSI-D估计。

附图说明

图1是实测室内走廊环境通信距离与RSSI之间的关系，图2是实测室内大厅环境通信距离与RSSI之间的关系，图3是实测室外开阔环境通信距离与RSSI之间的关系，图4是节点实物图，图5是三种环境中通信距离估计误差随相关系数变化曲线，图6是三种环境中通信距离估计误差随包含因子变化曲线，图7是三种环境中距离估计误差随聚类序列窗口变化曲线，图8是动态距离估计时间随聚类序列窗口变化曲线。

具体实施方式

具体实施方式一：结合图1-图5说明本实施方式，本实施方式的所述方法包括以下步骤：

步骤一、采样测量、统计计算和簇心表示：

在无线传感器网络节点通信范围内，固定锚节点的位置，然后移动未知节点，测量两者通信的RSSI值形成必要的样本数据，计算样本数据的统计特性：均值μ和标准差σ；

这个统计区域可表示为[μ-k*σ，μ+k*σ]，其中k为包含因子，且{k∈R|0≤k≤3}假设每一个通信距离对应的RSSI值构成一个簇，则该簇的簇中心为[μ-k*σ，μ+k*σ]；

假定通信范围内有N个RSSI值的簇中心，μ_i和σ_i分别为一个簇的均值和标准差，则簇中心集合CSO可表示为：

CSO＝{C₁，C₂，…，C_N}

＝{[μ₁-k*σ₁，μ₁+k*σ₁]，[μ₂-k*σ₂，μ₂+k*σ₂]，…，[μ_N-k*σN，μ_N+k*σ_N]}，且它们对应的距离分别为{D₁，D₂，…，D_N}；

步骤二、速度估计，生成簇心集合：

对于移动的未知节点(即位置信息未知的传感器节点)，在某一段时间内以速度v相对于锚节点(即位置信息已知的传感器节点)作匀速直线运动，估计其在这段时间内的运动速度V′，在第步骤一中簇中心集合CSO的基础上生成与速度V′相匹配的簇心集合CS＝{C₁，…，C_P-2，C_P-1，C_P}，(1≤P≤N)，在运行过程中，测量到达无线信号强度RSSI的值S_t；

步骤三、生成聚类序列：

对于步骤二中得到的RSSI值S_t，如果在移动速度为v的时间段内的RSSI数据长度j小于序列窗口大小w，则组成RSSI序列S＝{S_t-j+1，…，S_t-2，S_t-1，S_t}和簇心序列CS_j＝{C₁，…，C_j-2，C_j-1，C_j}，否则组成RSSI序列S＝{S_t-w+1，…，S_t-2，S_t-1，S_t}和簇心序列CS_j＝{C_j-w+1，…，C_j-2，C_j-1，C_j}；

步骤四、距离计算：

计算S与簇心序列CS_j的距离DIS_j(S，CS_j)

${\mathrm{DIS}}_j(S,{\mathrm{CS}}_j)=\underset{i=t-w+1}{\overset{t}{\mathrm{\&Sigma;}}}{D}_{\mathrm{ij}}(S_i,{\mathrm{CS}}_{\mathrm{ij}})$

D_ij(S_i，CS_ij)＝λ·d_imax+(1-λ)·d_imin

其中λ为相关系数，0≤λ≤1，决定着S_i与簇心CS_ij距离极值d_imax和d_imin的组合情况，

其中CS_ij＝[m_x α_x]，S_i＝y，则S_i与簇心CS_ij之间距离的最小值和最大值为：

$d_{\min }=\left\{\begin{array}{c}|m_x-y|-{\mathrm{\&alpha;}}_x,|m_x-y|-{\mathrm{\&alpha;}}_x\&GreaterEqual;0\\ 0,|m_x-y|-{\mathrm{\&alpha;}}_x<0\end{array}\right.$

d_max＝|m_x-y|+α_x

步骤五、更新迭代：

j增加1并对j进行判断，如果j≠P+1时，则跳转到步骤四；而如果j＝P+1时，求出{DIS_j(S，CS_j)}中的最小值DIS_m(S，CS_m)，(1≤m≤P)，并将CS_m对应的距离D_m作为RSSI值S_t对应的通信距离d_t的估计值输出，完成一次距离估计；如果还需要估计距离则跳转到步骤二，应用需求不需要距离估计时，终止距离估计过程。

具体实施方式二：结合图1说明本实施方式，本实施方式的步骤一中测量两者通信的RSSI值间隔的距离为0.1-0.3m，测量的次数为100-200次。其他实施步骤与具体实施方式一相同。

具体实施方式三：结合图1说明本实施方式，本实施方式的步骤二间隔1-1.5s测量到达无线信号强度RSSI的值S_t。其他实施步骤与具体实施方式一相同。

具体实施方式四：结合图4-图8说明本实施方式，实验条件如表1所示，采用的节点是自研的CC2530模块，如图4所示。通过在三种不同环境中实际测得的RSSI数据流，评估不同通信环境下的相关系数、包含因子对通信距离估计误差的影响，得到这些参数合适的设定值。并在不同的通信环境中，与常用的曲线拟合的方法、基于静态不确定性数据聚类的估计方法、确定性的数据聚类的估计等方法比较估计误差和效率。为了减小地面环境对无线传输的影响，将节点放置0.4m的高低。

表1实验环境及参数

实验中采用的环境测量数据集是在不同通信环境中实测得的RSSI数据。分别在室内走廊、大厅和室外开阔环境中的11m范围内，每隔0.2m测量不同通信距离对应的RSSI值，每一个距离点测150组RSSI数据值。由于相同的误差在不同的通信距离时，影响程度有所不同，因此在分析距离估计误差时，采用相对于真实距离的相对误差做评估参数。

相关系数λ决定聚类过程中距离计算时RSSI值与簇中心间的距离最大值和最小值的组合情况，且0≤λ≤1。为了评估其对动态距离估计的影响，在实验中采用不同的相关系数值，采用本发明方法对室内走廊、室内大厅和室外开阔环境中，以0.2m/s的速度匀速移动节点测量得到的RSSI进行动态距离估计，三种典型环境中的动态距离估计误差如图5所示。实验过程中聚类序列窗口大小w值设置为5，包含因子k取值为1。

由图5可以看出，在三种通信环境中，动态通信距离估计误差随相关系数λ的增加呈相同的增加趋势：随着相关系数λ的增加，动态距离估计误差不断增大。这主要是因为在 动态距离估计过程中，RSSI数据与簇心间的最小距离起着较关键的作用。当相关系数λ取值较小时，不确定性数据流聚类时主要考虑RSSI数据与簇心间的最小距离，因此距离估计误差较小。由图5及其分析可知，当λ取0时，动态RSSI-D估计误差较小，因此λ取值为0；

包含因子k(0≤k≤3)决定着不确定性数据流中各个数据的表示范围。为了评估其对动态距离估计的影响，采用本发明方法UIDSC-D对室内走廊、室内大厅和室外开阔环境中，以0.2m/s的速度匀速移动节点测量得到的RSSI进行动态距离估计，三种典型环境中的估计误差曲线如图6所示。实验过程中聚类序列窗口大小w值设置为5，相关系数λ取值为0。

从图6可以看出，在三种通信环境中，动态通信距离估计误差随包含因子k的增加呈相同的变化趋势：当包含因子k由0增加到1时，动态距离估计误差逐步下降。而当包含因子k由1逐步增加后，动态距离估计误差逐步增加。这是由于当包含因子为1时，簇心对应的区间数半径对应为簇心统计的标准差。因此，对于包含因子k值应设置为1较为合适。

聚类序列窗口大小w对动态距离估计的影响，聚类序列窗口大小w是聚类过程中同时考虑的簇心个数，即确定采用多少个簇心来构成数据模式进行聚类识别，以提高动态通信距离估计的精度。一般情况下，聚类序列窗口w越大，即构成数据模式的簇心越多，动态距离估计的精度就越高。为了评估其对动态距离估计的影响，采用本发明提出的基于不确定性数据流聚类的动态距离估计方法对室内走廊、室内大厅和室外开阔环境中，以0.2m/s的速度匀速移动节点测量得到的RSSI进行动态距离估计，三种典型环境中的动态距离估计误差曲线如图8所示。实验过程中聚类序列窗口大小w设置为5，相关系数λ取值为0，包含因子k取值为1。

从图7可以看出，在这三种典型环境中，动态距离估计相对误差随着聚类序列窗口大小w的增大而不断减小，并趋向于0。这是因为随着聚类序列窗口的增加，聚类过程中，构成数据模式的簇心个数就越多，数据模式越容易发现，动态距离估计就会越准确。当聚类序列窗口值增加到6以后，动态距离估计误差下降程度就不再明显。

然而聚类序列窗口越大，聚类过程中参与距离计算的簇心和RSSI数据点就会增多，从而使得计算复杂度有所增加。则动态距离估计时间随聚类序列窗口w的变化曲线如图8所示。从图8可以看出，随着聚类序列窗口w的增加，动态距离估计时间也在不断增加。

因此，基于以上分析，综合考虑动态距离估计方法的精度和计算复杂度，聚类序列窗 口w值取6较为合适。

为了进一步评估UIDSC-D估计算法的估计精度和估计效率，采用最小二乘线性拟合、最小二乘多项式曲线拟合、基于确定性数据聚类估计方法(Certain Data、基于静态不确定性数据聚类的估计方法和本发明提出的基于不确定性数据流聚类的估计方法对室内走廊、室内大厅和室外开阔环境中移动节点采集到的RSSI数据流进行通信距离估计，其中LSLF和LSPCF是对测量阶段的RSSI统计均值进行的拟合建模，然后按照模型对RSSI数据流进行动态距离估计。CDC-D是基于测量阶段的RSSI统计均值为簇心，对估计阶段的RSSI数据流进行动态距离估计。UIDC-D则是基于测量阶段的RSSI值的不确定性数据表示方法，采用不确定性数据聚类的方法进行距离估计，跟本发明提出的UIDSC-D不同的在于，UIDC-D仅考虑单个静态簇心进行聚类，而本发明提出的UIDSC-D则是考虑多个簇心的动态不确定性数据进行聚类分析。三种环境中各个动态距离估计方法对应的相对估计误差(Relative Error，RE)以及UIDSC-D估计方法相对于其它方法的改善增益分别如表2、3和4所示。这里的改善增益是UIDSC-D方法相对于其它估计方法估计误差的相对改善程度。

表2室内走廊环境中各动态距离估计方法的估计误差

表3室内大厅环境中各动态距离估计方法的估计误差

表4室外开阔环境中各动态距离估计方法的估计误差

由表2、表3和表4可知，在室内走廊环境中LSLF、LSPCF、CDC-D和UIDC-D等方法 的动态距离估计误差是本发明提出的UIDSC-D估计方法的5653、4106、169和1556倍。室内大厅环境中，UIDSC-D方法的估计误差为0。在室外开阔环境中，上述方法的估计误差是UIDSC-D方法的55、53、4和13倍。相对于其它四种方法，UIDSC-D动态距离估计方法具有较高的估计精度。在这三种环境中，相对于这些方法，动态距离估计误差是均有接近100％的改善增益。这主要是因为本发明提出的UIDSC-D估计算法在聚类时同时考虑了多个簇心构成的数据模式，从数据模式的角度进行聚类，因此可以获得比较准确的估计结果。

由表2、表3和表4可知，在这三种典型通信环境中，UIDSC-D、UIDC-D和CDC-D均为基于聚类的距离估计算法，相对于采用基于直线或者曲线拟合的估计方法LSLF和LSPCF，它们都具有相对较高的估计精度。这说明在基于具有不确定性的RSSI数据流进行动态距离估计时，采用基于聚类的估计方法具有较好的估计性能。而在基于聚类的估计方法中，基于不确定性数据聚类的方法UIDSC-D和UIDC-D具有较高的估计精度，这是因为这两种方法考虑RSSI数据的不确定性。而本发明提出的UIDSC-D估计方法还考虑不确定性RSSI数据的模式，因此获得最高的估计精度。

同时，由表2、表3和表4也可以看出，在这三种环境中，室内走廊的动态距离估计误差最大，大厅情况下距离估计误差次之，室外开阔环境中的距离估计最小。因此，距离估计误差与环境也有较大的影响，因为在室内环境中，通信环境较为复杂。而在室外开阔环境中，RSSI受外界影响相对较小。这种现象从图1中RSSI与距离D的关系也可以看出。

动态距离估计方法的估计效率比较：距离估计时间是动态距离估计算法的重要指标，它显示了算法的处理效率。它被定义为针对一组RSSI数据流，进行动态通信距离估计所需要的时间。其值越小，则表示估计效率越高。由于在室内走廊、室内大厅和室外开阔环境中测量得到的RSSI数据流数据规模相同，因此这里仅基于室内走廊环境测量得到的RSSI数据流的数据对上述方法的动态距离估计时间进行评估和比较。采用LSLF、LSPCF、CDC-D、UIDC-D和本发明提出UIDSC-D对室内走廊的RSSI数据流进行动态距离估计，并比较他们的平均估计时间，如表5所示。

表5室内走廊环境中各动态距离估计方法的平均估计时间

从表5可以看出，基于聚类的动态距离估计方法CDC-D、UIDC-D和本发明提出UIDSC-D 具有较高的平均估计时间。而基于直线、曲线拟合的方法LSLF和LSPCF方法的平均估计时间较短，基于聚类的估计方法则平均估计时间较长。这是因为基于直线、曲线拟合的方法只需要按照参数，进行一次计算。而基于聚类的距离估计方法在每次估计时都需要计算RSSI值与各个簇心之间的距离以进行聚类分析，然后找出最小值，因此计算量比较大。在基于聚类的动态距离估计方法中，本发明提出的UIDSC-D方法的平均估计时间与其它两种方法基本相当。而直线和曲线拟合的方法则只需要根据当前RSSI值进行一次计算，从而得到距离估计值，因此这类方法的计算量较小。

从动态距离估计精度上看，本发明所提出的UIDSC-D动态距离估计方法在三种环境中均具有较低的估计误差。因此综合考虑动态距离估计精度和估计效率，UIDSC-D动态距离估计方法具有较强的优势。

Claims (3)

1.一种基于不确定性数据流聚类的动态通信距离估计方法，其特征在于所述方法包括以下步骤：

步骤一、采样测量、统计计算和簇心表示：

在无线传感器网络节点通信范围内，固定锚节点的位置，然后移动未知节点，测量两者通信的RSSI值形成必要的样本数据，计算样本数据的统计特性：均值μ和标准差σ；

这个统计区域可表示为[μ－k*σ，μ+k*σ]，其中k为包含因子，且{k∈R|0≤k≤3}，假设每一个通信距离对应的RSSI值构成一个簇，则该簇的簇中心为[μ－k*σ,μ+k*σ]；

假定通信范围内有N个RSSI值的簇中心，μ_i和σ_i分别为一个簇的均值和标准差，则簇中心集合CSO可表示为：

CSO＝{C₁,C₂,…,C_N}

＝{[μ₁－k*σ₁,μ₁+k*σ₁],[μ₂－k*σ₂,μ₂+k*σ₂],…,[μ_N－k*σ_N,μ_N+k*σ_N]}，且它们对应的距离分别为{D₁，D₂，…，D_N}；

步骤二、速度估计，生成簇心集合：

对于移动的未知节点即位置信息未知的传感器节点，在某一段时间内以速度v相对于锚节点即位置信息已知的传感器节点作匀速直线运动，估计该移动的未知节点在这段时间内的运动速度V′，在第步骤一中簇中心集合CSO的基础上生成与速度V′相匹配的簇心集合CS＝{C₁,…,C_P-2,C_P-1,C_P},1≤P≤N，在运行过程中，测量到达无线信号强度RSSI的值S_t；

步骤三、生成聚类序列：

对于步骤二中得到的RSSI值S_t,如果在移动速度为v的时间段内的RSSI数据长度j小于序列窗口大小w，则组成RSSI序列S＝{S_t-j+1,…,S_t-2,S_t-1，S_t}和簇心序列CS_j＝{C₁,…,C_j-2,C_j-1,C_j}，否则组成RSSI序列S＝{S_t-w+1,…,S_t-2,S_t-1，S_t}和簇心序列CS_j＝{C_j-w+1,…,C_j-2,C_j-1,C_j}；

步骤四、距离计算：

计算S与簇心序列CS_j的距离DIS_j(S，CS_j)

D_ij(S_i,CS_ij)＝λ·d_imax+(1-λ)·d_imin

其中λ为相关系数，0≤λ≤1，决定着S_i与簇心CS_ij距离极值d_imax和d_imin的组合情况，

其中CS_ij＝[m_x ，α_x],S_i＝y,则S_i与簇心CS_ij之间距离的最小值和最大值为：

d_max＝|m_x-y|+α_x

步骤五、更新迭代：

j增加1并对j进行判断，如果j≠P+1时，则跳转到步骤四；而如果j＝P+1时，求出{DIS_j(S，CS_j)}中的最小值DIS_m(S，CS_m)，1≤m≤P，并将CS_m对应的距离D_m作为RSSI值S_t对应的通信距离d_t的估计值输出，完成一次距离估计；如果还需要估计距离则跳转到步骤二，应用需求不需要距离估计时，终止距离估计过程。

2.根据权利要求1所述基于不确定性数据流聚类的动态通信距离估计方法，其特征在于步骤一中测量两者通信的RSSI值间隔的距离为0.1-0.3m，测量的次数为100-200次。

3.根据权利要求1或2所述基于不确定性数据流聚类的动态通信距离估计方法，其特征在于步骤二间隔1-1.5s测量到达无线信号强度RSSI的值S_t。