CN103634907A - 一种无线传感器节点随机部署的被动式目标定位方法 - Google Patents
一种无线传感器节点随机部署的被动式目标定位方法 Download PDFInfo
- Publication number
- CN103634907A CN103634907A CN201310651614.1A CN201310651614A CN103634907A CN 103634907 A CN103634907 A CN 103634907A CN 201310651614 A CN201310651614 A CN 201310651614A CN 103634907 A CN103634907 A CN 103634907A
- Authority
- CN
- China
- Prior art keywords
- node
- link
- target
- monitored area
- value
- 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
Images
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线传感器节点随机部署被被动式目标定位方法,具体包括如下步骤:步骤1:在监测区域内部署传感器节点和基站;步骤2:监测前无干扰情况下的RSS值采集;步骤3:监测阶段的RSS值采集及分类;步骤4:由于监测区域内节点是随机部署的,要想准确定位到目标位置,首先需要确定监测区域内被目标所干扰的链路的位置,即构成这些被干扰链路的节点的位置;步骤5:监测区域目标位置的确定。本发明的方法无需先验知识即可进行,另外,该方法无需网格划分,从而规避了基于网格划分的定位方法中网格大小影响定位精度的缺点。
Description
技术领域
本发明属于无线网络应用领域,具体涉及一种无线传感节点随即部署的被动式目标定位方法。
背景技术
野生动物在自然界中具有重要的生态地位和生态功能,是整个生态链中不可或缺的环节之一,如何有效对其进行监测与保护,显得尤为重要。传统的野生动物保护采用人工方式手工记录、统计,因此,传统方式存在很多弊端,如:缺乏长期性、实时性,也有一定的困难性和危险性,另外,时空割裂,难以对获取的数据进行时间、空间、现象的综合分析。而目前无线传感器网络的出现,为解决上述问题提供了技术支撑。
无线传感器网络是由部署在被监测区域的大量分布式传感器节点组成的,它综合了传感器技术、无线通信技术、嵌入式技术和计算机技术等多种领域技术,通过各种类型的传感器对物质的性质、环境的状态以及行为模式等信息进行大规模、长期、实时的获取,并通过802.15.4通信协议以自组织的方式将感知数据传送至远程数据中心。其中,无线传感器网络的定位技术为野生动物的活动轨迹监测提供了有效解决方案。
面向野生动物的定位技术存在以下3方面的挑战(问题):
1)自由(随机)部署。野外环境不同于室内或者理想的规则环境,由于存在山地、湖泊等不规则地带导致监测设备不能规则部署。然而,现有的许多方法都是基于规则部署,因此野外环境下的定位技术面临非规则部署的挑战,即自由(随机)部署。
2)设备无关。现有的许多定位方法都要求待定位物体携带设备(如GPS模块,RFID标签),然而野生动物不方便携带设备,并且动物保护专家也不建议这样做。因此需要在目标不携带设备的情况下实现定位是面向野生动物保护的需求之一,即设备无关。
3)无先验知识。现有的许多定位方法都是基于学习的,这种基于学习的方法需要在定位前把所有的位置“采样”、“遍历”一遍,然后根据这种事先的先验知识来定位。然而,野外环境下,环境复杂多变,随着时间的迁移,这种先验知识会“过期”失效,导致定位不准。因此野外环境下的定位技术面临需要先验知识的挑战。
截止目前为止,在无线传感器网络中已经有许多定位技术,大体分为以下4类:
第一类:主动式定位,即物体携带设备。如图1(a)所示,传感器节点均匀或者随机部署在定位区域中,物体携带的设备发出的信号(如电磁波、红外、超声波等)会被无线传感器网络检测到,由于物体在不同位置处设备发出的信号不同,因此这类方法的基本思想是通过检测设备发出信号的变化,建立信号变化与位置的对应函数,进而对物体进行定位。如Kaltiokallio、刘云浩等人通过无线传感器网络中RSS(Received SignalStrength)信号波动检测目标的出现,进而进行定位。该方法的优点是定位精度高(典型的如GPS定位),由于每个物体携带可区分的设备,因此多目标定位简单,易于统计目标数量。但该类方法的缺点是需要目标携带设备,不符合面向野生动物保护的设备无关需求。
第二类:以张颠等为代表的密集、规则部署被动式目标定位。如图1(b)所示,传感器节点均匀规则的部署在监测区域中,相邻的节点进行通信,物体在区域内活动会对两个通信的节点造成干扰。物体在不同位置处,干扰的无线链路也不同,通过找到被干扰的无线链路,用这些被干扰的无线链路的中点坐标平均值作为目标的估计位置。该类方法的优点是设备无关,不需要物体携带设备也能对目标定位。但该方法的缺点是需要节点密集规则的部署,并且部署后链路、节点的位置坐标信息已知,不符合面向野生动物保护的自由(随机)部署需求。
第三类:以Joseph Wilson等为代表的四周部署被动式目标定位。如图1(c)所示,传感器节点均匀部署在定位区域四周,所有节点两两之间洪范通信。物体在区域内活动会对两个通信的节点造成干扰。物体在不同位置处对无线电信号RSS值的干扰不同(RSS是指Received Signal Strength),建立位置与RSS值之间的先验知识映射关系。当全网节点收到一组变化的RSS值时,可以推出物体所在的位置。该类方法的优点是设备无关。缺点是需要节点规则部署,需要先验知识,不符合面向野生动物保护的自由(随机)部署和无需先验知识的需求。
第四类:以张颠等为代表的六边形部署被动式目标定位。如图1(d)所示,在定位区域中将节点部署成六边行,六边形的中心部署一个发射节点,该节点同各个顶点的节点通信。与第三类方法类似,物体在不同位置处对无线电信号RSS干扰不同,该方法的不同之处在于利用Support Vector Regression,SVR建立位置与RSS值之间的先验知识映射关系。当全网节点收到一组RSS变化值时,利用SVR可以得出物体所在的位置。该方法的缺点是需要节点规则部署,需要先验知识,不符合面向野生动物保护的自由(随机)部署和无需先验知识的需求。
另外,第二类、第三类、第四类方法中为了表示目标位置,都采用以特定大小的方格将定位区域网格化的方法,网格大小直接影响定位精度。
发明内容
针对上述现有定位方法存在的缺陷或不足,本发明的目的在于,提供一种无线传感器节点随机部署被动式目标定位方法,该方法无需先验知识即可进行,另外,该方法无需网格划分,从而规避了基于网格划分的定位方法中网格大小影响定位精度的缺点。
为了实现上述任务,本发明采取如下的技术解决方案:
一种无线传感器节点随机部署被被动式目标定位方法,具体包括如下步骤:
步骤1:在监测区域内部署传感器节点和基站;
1)节点部署:
在监测区域内随机分散部署N个传感器节点,保证节点两两之间能够通信;
2)基站部署:在监测区域之外部署一个基站;
步骤2:监测前无干扰情况下的RSS值采集,具体操作如下:
定义lij表示由发送节点i和接收节点j构成的链路,Fij表示链路lij在未受干扰(目标没有干扰该链路)时的RSS值,该值由接收节点j发送给基站,监测区域中共有N(N-1)条链路;
目标未进入监测区域时,监测区域内的N(N-1)条链路都未受干扰;基站采集每条链路lij的RSS值Fij,其中1<i<N,1<j<N;基站将采集好所有链路未受干扰的RSS值发送给PC机,得到N(N-1)个链路在未受干扰(无目标)时的RSS值;
步骤3:监测阶段的RSS值采集及分类:
开始监测后,基站每隔一定时间收集监测区域内N(N-1)条链路中每条链路lij的RSS值yij,即收集到N(N-1)个链路的RSS值,然后将这些RSS值发送给PC机;由于目标的进入会对监测区域内多条链路的RSS值产生干扰;我们知道,目标在LOS造成的绕射会使链路lij的RSS值比没有目标时的链路的RSS值Fij低;而在NLOS造成的散射会使链路lij的RSS值比没有目标时的链路的RSS值Fij高;PC机将收集到的所有链路的RSS值分类为绕射干扰RSS集合Yd、散射干扰RSS集合Ys和未受干扰RSS集合Yf;
若yij属于集合Yd或集合Ys,则说明链路lij受到了目标的干扰,认为监测区域内有目标进入;若yij属于集合Yf,则说明链路lij没有受到目标的干扰,认为监测区域内没有目标进入;
步骤4:由于监测区域内节点是随机部署的,要想准确定位到目标位置,首先需要确定监测区域内被目标所干扰的链路的位置,即构成这些被干扰链路的节点的位置;
步骤5:监测区域目标位置的确定。
进一步的,所述步骤1中所有节点距离地面H=0.95米。
进一步的,所述步骤3的链路的RSS值分类的分类规则如下:
其中,3dBm是噪声的大小,该分类的基准是噪声的大小。
进一步的,所述步骤4中被干扰链路的节点位置的获取包括如下步骤:
第一步:通过人工测量或其他方法得到监测区域内任意5个节点的位置(Ci)、路径损耗因子(γi)和节点发射功率(Pi),其中Ci=[xi,yi]是二维向量,xi,yi代表节点i的二维坐标;对于监测区域内其余未知的N-5个节点,分别随机给定每个节点的位置(Ci)、路径损耗因子(γi)和节点发射功率(Pi)做为初始值;Ci的各维度的取值在0~max(a,b)范围内;γi取2~6;节点的发射功率Pi为0~-20dBm;
第二步:将位置(Ci),路径损耗因子(γi)和节点发射功率(Pi)均已知的节点的集合定义为集合Cdone;定义一个集合O,并令其初始为空集;
第三步:定位组成被干扰链路的节点的位置:针对集合Yd和集合Ys中每一个链路,找到所有位置(Ci)未知的节点;
第四步:针对位置(Ci)未知的节点i,即遍历监测区域内所有与节点i相连的链路lij,如果j∈Cdone,则令O=O∪{Fi,j};当集合O的元素个数不少于5时,求解式(2)的最优解,即求得一组能满足式(2)最小的解{Pi,Ci,γi};
其中,|O|表示集合的大小;Fij∈O;Ci=[xi,yi],xi,yi代表节点i的二维坐标;Cj=[xj,yj],xj,yj代表节点j的二维坐标;
第五步:重复执行第三、四步,定位出所有组成被干扰链路的节点的位置。
进一步的,所述步骤5监测区域目标位置的确定具体包括如下步骤:
第一步:随机给定目标的位置Xt,Xt=[xt,yt]是二维向量,xt,yt代表目标的二维坐标;一般情况下,监测区域近似为a×b的矩形,则Xt的各维度取值在0~max(a,b)范围内。
第二步:求满足式(4)最小的解Xt,并将Xt作为目标t的真实位置;
式(5)中-jπt2中的j是虚数单位,t是积分变量;
式(6)中h的值等于目标高度减去节点距离地面的高度H。
其中,y′ij是集合Yd内的yij的取值;y″ij是集合Ys内的yij的取值;γi为链路lij的路径损耗因子;Pi为节点i的发射功率;dij为节点i和节点j之间的距离;Yd为绕射干扰的RSS值集合,Ys为散射干扰的RSS值集合;|Yd|和|Ys|分别是集合|Yd|和|Ys|的大小;λ是节点发出的无线信号波长,λ=0.125米;Gi,Gj分别为节点i和节点j的天线增益,Gi=Gj=1;σ是目标的RCS,取1;dit是节点i和目标t之间的距离,djt是节点j和目标t之间的距离;
进一步的,所述步骤5的第二步中使用基因遗传算法求解得到使式(4)最小时对应的Xt的值。
与现有技术相比,本发明的方法具有如下优点:
1)相比于现有定位方法(参见背景技术),本发明的方法无需规则部署节点,省去了许多繁琐的部署工作,方便了节点部署;同时,与现有的节点随机部署的定位方法相比,本发明以最小化全局误差为目标,能动态匹配节点及链路参数,从而最大限度的降低了外界对目标定位精度的影响,提高了定位精度。
2)现有的许多定位方法需进行先验知识采样,由于先验知识采样需要遍历定位区域所有位置,故其需要大量的人力、物力来完成。本发明的方法在定位前无需进行先验知识采样,可直接进行定位,从而节省了大量的人力、物力。
3)相比于流行的定位方法如GPS定位方法,本发明的方法设备无关,即定位一个目标不需要对其佩戴特定跟踪设备。
本发明面向野生动物的定位应用,具有节点随机部署、定位设备无关、无需先验知识的特点。面向野生动物定位的应用,可用于对野生动物进行监测。
以下结合附图和具体实施方式对本发明进一步解释说明。
附图说明
图1是现有的四类常见的定位方法的原理示意图。
图2是本发明的方法的流程框图。
图3是本发明中步骤4的算法框图。
图4是本发明中步骤5的算法框图。
图5是本发明的实施例的实验结果示意图。
具体实施方式
本发明是一种无线传感器节点随机部署下的被动式目标定位方法,将本发明的方法应用于如下网络模型:
1、本发明只针对单目标的定位。对于多目标的定位,可借鉴张颠等提出的划分子区域方法(D.Zhang,Y.H.Liu,L.M.Ni,“RASS:A Real-time,Accurate and ScalableSystem for Tracking Trans-ceiver-free Objects,”in PerCom’11,pp.197-204,2011),即先将监测区域划分成若干个子区域,在每个子区域中实施本发明的算法,从而定位出分散在每个区域内的单个目标。注意在此时当多个目标出现在同一个子区域时,将会被等效成为一个目标。
2、所有节点在彼此的通信范围内,任意两个节点间可以通信;在实际应用中,该需求很容易满足,因为通常会将监测区域划分成若干较小的子区域。
本发明的基本思路是:首先在监测区域内随机部署传感器节点来构建定位目标的硬件架构;其次建立无线链路及模型,在监测区域形成多条单边通信链路,用于被动式监测目标位置变化对链路信号产生的干扰;然后采集RSS值,并根据采集到的RSS值求解优化函数获得目标的位置。
本发明的无线传感器节点随机部署被被动式目标定位方法,具体包括如下步骤:
步骤1:在监测区域内部署传感器节点和基站
1)节点部署:
在监测区域内随机分散部署N个Micaz传感器节点,保证节点两两之间能够通信;所有节点距离地面H米,以获得最佳的通信效果,通过多次试验得知,H=0.95米时定位结果较准确。本发明中,将监测区域近似为面积为a×b的矩形区域。
2)基站部署:
在监测区域之外部署一个MIB520基站,保证任一节点距离基站不超过100米(100米是Micaz传感器节点的最大通信距离);基站用于汇聚各节点的监测数据并将监测数据发送至PC机保存,为PC机的定位数据分析、处理做准备。
步骤2:监测前无干扰情况下的RSS值采集。
定义lij表示由发送节点i和接收节点j构成的链路,Fij表示链路lij在未受干扰(目标没有干扰该链路)时的RSS值,该值由接收节点j发送给基站。由于节点i和节点j并不完全相同(如各自的发射功率不同),故本发明认为链路lij不同于链路lji,因此按本发明部署N个节点后,监测区域中共有N(N-1)条链路。
目标未进入监测区域时,监测区域内的N(N-1)条链路都未受干扰。基站采集每条链路lij的RSS值Fij,其中1<i<N,1<j<N;基站将采集好所有链路未受干扰的RSS值发送给PC机,得到N(N-1)个链路在未受干扰(无目标)时的RSS值;
步骤3:监测阶段的RSS值采集及分类。
开始监测后,基站每隔1分钟收集监测区域内N(N-1)条链路中每条链路lij的RSS值yij,即每隔1分钟收集到N(N-1)个链路的RSS值,然后将这些RSS值发送给PC机;由于目标的进入会对监测区域内多条链路的RSS值产生干扰;我们知道,目标在LOS(Line of Sight,视距)造成的绕射会使链路lij的RSS值比没有目标时的链路的RSS值Fij低;而在NLOS(Non Line of Sight,非视距)造成的散射会使链路lij的RSS值比没有目标时的链路的RSS值Fij高;为了方便后面的定位分析,PC机将收集到的所有链路的RSS值分类为绕射干扰RSS集合Yd、散射干扰RSS集合Ys和未受干扰RSS集合Yf,分类规则如下:
其中,3dBm是噪声的大小,该分类的基准是噪声的大小。
若yij属于集合Yd或集合Ys,则说明链路lij受到了目标的干扰,认为监测区域内有目标进入;若yij属于集合Yf,则说明链路lij没有受到目标的干扰,认为监测区域内没有目标进入;
步骤4:由于监测区域内节点是随机部署的,要想准确定位到目标位置,首先需要确定监测区域内被目标所干扰的链路的位置,即构成这些被干扰链路的节点的位置。这些节点位置的获取包括如下步骤:
第一步:通过人工测量或其他方法得到监测区域内任意5个节点的位置(Ci)、路径损耗因子(γi)和节点发射功率(Pi),其中Ci=[xi,yi]是二维向量,xi,yi代表节点i的二维坐标;对于监测区域内其余未知的N-5个节点,分别随机给定每个节点的位置(Ci)、路径损耗因子(γi)和节点发射功率(Pi)做为初始值。一般情况下,监测区域近似为a×b的矩形,则Ci的各维度的取值在0~max(a,b)范围内;根据链路质量的不同,γi的取值一般在2~6范围内;Pi根据节点性能的差异其取值也不同,Micaz节点的发射功率Pi一般为0~-20dBm。
本发明的特点在于能够将N-5个节点的初始值在不断的迭代中最终逼近于真实值,从而完成剩余N-5个未知节点的定位。
第二步:将位置(Ci),路径损耗因子(γi)和节点发射功率(Pi)均已知的节点的集合定义为集合Cdone;定义一个集合O,并令其初始为空集;
第三步:定位组成被干扰链路的节点的位置
针对集合Yd和集合Ys中每一个链路,找到所有位置(Ci)未知的节点;
第四步:针对位置(Ci)未知的节点i,即遍历监测区域内所有与节点i相连的链路lij,如果j∈Cdone,则令O=O∪{Fi,j};当集合O的元素个数(即链路个数)不少于5时,求解式(2)的最优解,即求得一组能满足式(2)最小的解{Pi,Ci,γi}。
其中,|O|表示集合的大小;Fij∈O;Ci=[xi,yi],xi,yi代表节点i的二维坐标;Cj=[xj,yj],xj,yj代表节点j的二维坐标且已知;
由于Ci,γi和Pi的取值在第一步已经随机给定,但并非真实解,因此,本发明使用基因遗传算法求解得到使式(2)最小时对应的Ci,γi和Pi的值,并将Ci,γi和Pi作为节点i的真实参数,从而定位出节点i;将定位得到的节点i加入到集合Cdone中,即Cdone=Cdone∪{i},将集合O清空。由于基因遗传算法已经被研究的很成熟了,故本发明直接调用Matlab工具箱中的基因遗传算法”GA”函数,来得到满足式(2)最小的解{Pi,Ci,γi}。
第五步:重复执行第三、四步,定位出所有组成被干扰链路的节点的位置。
分析证明:此处通过分析说明为什么能满足式(2)最小的解{Pi,Ci,γi}就是节点i的真实参数。
首先解释minΣ|Fij-Pi+10γilog10(dij)|的物理含义。根据无线通原理(T.S.Rappaport,Wireless communications:principles and practice,in2nd ed.,Upper Saddle River,NJ:Prentice Hall PTR,2002.),在发射节点i和接收节点j间无遮挡(即链路没有受到目标影响)时,若节点i和节点j间的距离dij,路径损耗因子γi及节点i的发射率Pi均已知,则此时接收节点j收到的信号强度为Pi-10γilog10(dij),即给定参数{Pi,Ci,Cj,γi}时,就可以计算出由发射节点i和接收节点j构成的链路lij的RSS值。
当我们给{Pi,Ci,Cj,γi}不同的取值时,就可计算出链路lij不同的RSS值,同时,我们知道Fij是链路lij未受干扰时,实际测量得到的RSS值,一个直观的想法就是:当我们给定的{Pi,Ci,Cj,γi}就是节点的真实参数时,那么通过Pi-10γilog10(dij)计算得到的链路RSS值将与实际测量得到的RSS值很接近(由于噪声的存在,这两个不一定会相等)。这个直观的想法用数学表达式描述就是minΣ|Fij-Pi+10γilog10(dij)|。
下面我们说明为什么要求集合O的元素个数不少于5。根据刘云浩等(Liu YH,Yang Z,Wang X Pet al.Location,localization,and localizability.JOURNAL OF COMPUTER SCIENCE ANDTECHNOLOGY25(2),2010)等的研究,定位一个仅坐标未知的节点,至少需要3个坐标已知的节点,而本发明中还有另外的2个未知数,即Pi,γi,因此至少需要5个坐标已知的节点来定位一个未知的节点,即集合O的元素个数不少于5。
综上分析,可知本发明提出式(2)的正确性。
步骤5:监测区域目标位置的确定
第一步:随机给定目标的位置Xt,Xt=[xt,yt]是二维向量,xt,yt代表目标的二维坐标;一般情况下,监测区域近似为a×b的矩形,则Xt的各维度取值在0~max(a,b)范围内。
第二步:求解式(4)的最优解,即求能满足式(4)最小的解Xt。
注意,此式(5)中-jπt2中的j是虚数单位,t是积分变量,它们的作用范围只在该积分运算内,与上面关于j和t的定义不一样。
注意,式(6)中h的值等于目标高度(定位前测量得到)减去节点距离地面的高度H。
其中,y′ij是集合Yd内的yij的取值;y″ij是集合Ys内的yij的取值;γi(链路lij的路径损耗因子),Pi(节点i的发射功率),dij(节点i和节点j之间的距离),这三个参数在步骤4中已经求得;Yd(绕射干扰的RSS值集合),Ys(散射干扰的RSS值集合),这两个集合在步骤3中已经求得;|Yd|和|Ys|分别是集合|Yd|和|Ys|的大小;λ是节点发出的无线信号波长,对于Micaz节点,λ=0.125米;Gi,Gj分别为节点i和节点j的天线增益,对于Micaz节点来说,Gi=Gj=1;σ是目标的RCS(即雷达散射截面),根据雷达手册(M.I.Skolnik,Radar Handbook,McGraw‐Hill Professional,New York,USA,2nd ed.,1990.)中的记载,对于人或者动物一般取σ=1;dit是节点i和目标t之间的距离,djt是节点j和目标t之间的距离(单位:m)。
由于目标的位置Xt是随机给定,因此dit和djt可以确定,但三者均非真实解。因此,本发明使用基因遗传算法求解得到使上式(4)最小时对应的Xt的值,并将Xt作为目标t的真实位置,从而定位出目标位置。由于基因遗传算法已经被研究的很成熟了,故本发明直接调用Matlab工具箱中的基因遗传算法“GA”函数,来得到满足式(2)最小的解Xt。
分析证明:此处通过分析说明为什么能满足式(4)最小的解Xt就是目标的真实位置。
定义,LOS(Line of Sight,视距)链路是指无线信号在发送端与接收端之间直线传播的链路;NLOS(Non Line of Sight,非视距)链路是指无线信号在发送端与接收端之间非直线传播的链路(如地面反射路径、物体表面散射路径等)。
式(4)中,Dijt是链路lij的绕射损耗增益,是由目标出现在链路lij的LOS路径,遮挡了部分通信区域造成,这种遮挡会减少接收节点收到的信号强度(即减小链路lij的RSS值);Sijt是链路lij的散射损耗增益,其由目标出现在链路lij的NLOS路径,引入了新的散射通信路径造成,这些新的通信路径会增加接收节点收到的信号强度(即增大链路lij的RSS值)。
根据无线通原理(T.S.Rappaport,Wireless communications:principles and practice,in2nd ed.,Upper Saddle River,NJ:Prentice Hall PTR,2002.),当目标出现在发射节点i和接收节点j的LOS路径时,若节点i、节点j和目标的位置坐标{Ci,Cj,Xt}均已知(即距离dij,dit和djt均已知),路径损耗因子γi及节点i的发射率Pi已知,则此时接收节点j收到的信号强度为Pi-10γilog10(dij)-Dijt(dij,dit,djt),即给定参数{Pi,Ci,Cj,Xt,γi}时,就可以计算出目标出现在链路lij(由发射节点i和接收节点j构成)的LOS路径时的RSS值。
当我们给{Pi,Ci,Cj,Xt,γi}不同的取值时,就可计算出链路lij不同的RSS值,同时,我们知道y′ij是链路lij受到绕射干扰时,实际测量得到的RSS值,一个直观的想法就是:当我们给定的{Pi,Ci,Cj,Xt,γi}就是节点及目标的真实参数时,那么通过Pi-10γilog10(dij)-Dijt(dij,dit,djt)计算得到的链路RSS值将与实际测量得到的RSS值很接近(由于噪声的存在,这两个不一定会相等)。这个直观的想法用数学表达式描述就是minΣ|y′ij-Pi+10γilog10(dij)+Dijt(dij,dit,djt)|。
同理,根据无线通原理(T.S.Rappaport,Wireless communications:principles andpractice,in2nd ed.,Upper Saddle River,NJ:Prentice Hall PTR,2002.),当目标出现在发射节点i和接收节点j的NLOS路径时,若节点i、节点j和目标的位置坐标{Ci,Cj,Xt}均已知(即距离dij,dit和djt均已知),路径损耗因子γi及节点i的发射率Pi已知,则此时接收节点j收到的信号强度为Pi-10γilog10(dij)+Sijt(dij,dit,djt),即给定参数{Pi,Ci,Cj,Xt,γi}的取值时,就可以计算出目标出现在链路lij(由发射节点i和接收节点j构成)的NLOS路径时的RSS值。
当我们给{Pi,Ci,Cj,Xt,γi}不同的取值时,就可计算出链路lij不同的RSS值,同时,我们知道y″ij是链路lij受到散射干扰时,实际测量得到的RSS值,一个直观的想法就是:当我们给定的{Pi,Ci,Cj,Xt,γi}就是节点及目标的真实参数时,那么通过Pi-10γilog10(dij)+Sijt(dij,dit,djt)计
算得到的链路RSS值将与实际测量得到的RSS值很接近(由于噪声的存在,这两个不一定会相等)。这个直观的想法用数学表达式描述就是minΣ|y″ij-Pi+10γilog10(dij)-Sijt(dij,dit,djt)|。
综合上述分析,考虑目标出现在LOS路径和NLOS路径的情况就得到式(4)的形式。
实施例:
遵循本发明的技术方案,在秦岭金丝猴保护区,选取一个a×b=100m×100m的监测区域,在距离监测区域边界50m处部署一个基站,并将该基站与一台PC机相连。实验选取一个高为1.75米的目标,并对其进行被动式定位测试。在该监测区域下,使节点数N以15为步长,从30增加到300,并将所有节点从1-N编号,共进行18次真实场景的目标定位实验。每次实验中,将N个节点随机部署在监测区域中,则每个节点位置Ci在初始化时,其纵横坐标范围都在0~100m之间,同时,将每个节点的发射功率Pi在0~-20dBm随机给定取值,将路径损耗因此γi在2~6随机给定取值。
试验开始前(没有目标进入监测区域前)测量所有链路的RSS值Fij,(1≤i≤N,1≤j≤N);试验开始,使目标随机站立于监测区域内,则目标位置XtCi在初始化时,其纵横坐标范围都在0~100m之间;每次实验中使目标随机站立于不同位置,采用本发明方法(LWP算法)对目标进行定位,得到18次实验的定位结果。
为了评价本发明的定位效果,我们在同样的试验条件下,分别采用张颠提出的M-A算法以及Joseph Wilson提出的RTI算法进行了同样次数的实验,并将该两种算法得到的实验结果同本发明的方法得到的实验结果进行对比(参见图5)。由图5可以看出,本发明的方法优于其他两种方法:在100米*100米的监测区域内,LWP算法的定位误差在3米至13米以内,而RTI算法的定位误差在20米至35米以内,RTI算法的定位误差在30米至55米以内。试验中M-A算法和RTI算法性能较差的原因是监测区域内的节点随机部署导致方法失效,而本发明的方法在节点随机部署下,能有效定位目标且定位精确。
Claims (6)
1.一种无线传感器节点随机部署被被动式目标定位方法,其特征在于,具体包括如下步骤:
步骤1:在监测区域内部署传感器节点和基站;
1)节点部署:
在监测区域内随机分散部署N个传感器节点,保证节点两两之间能够通信;
2)基站部署:在监测区域之外部署一个基站;
步骤2:监测前无干扰情况下的RSS值采集,具体操作如下:
定义lij表示由发送节点i和接收节点j构成的链路,Fij表示链路lij在未受干扰(目标没有干扰该链路)时的RSS值,该值由接收节点j发送给基站,监测区域中共有N(N-1)条链路;
目标未进入监测区域时,监测区域内的N(N-1)条链路都未受干扰;基站采集每条链路lij的RSS值Fij,其中1<i<N,1<j<N;基站将采集好所有链路未受干扰的RSS值发送给PC机,得到N(N-1)个链路在未受干扰(无目标)时的RSS值;
步骤3:监测阶段的RSS值采集及分类:
开始监测后,基站每隔一定时间收集监测区域内N(N-1)条链路中每条链路lij的RSS值yij,即收集到N(N-1)个链路的RSS值,然后将这些RSS值发送给PC机;由于目标的进入会对监测区域内多条链路的RSS值产生干扰;我们知道,目标在LOS造成的绕射会使链路lij的RSS值比没有目标时的链路的RSS值Fij低;而在NLOS造成的散射会使链路lij的RSS值比没有目标时的链路的RSS值Fij高;PC机将收集到的所有链路的RSS值分类为绕射干扰RSS集合Yd、散射干扰RSS集合Ys和未受干扰RSS集合Yf;
若yij属于集合Yd或集合Ys,则说明链路lij受到了目标的干扰,认为监测区域内有目标进入;若yij属于集合Yf,则说明链路lij没有受到目标的干扰,认为监测区域内没有目标进入;
步骤4:由于监测区域内节点是随机部署的,要想准确定位到目标位置,首先需要确定监测区域内被目标所干扰的链路的位置,即构成这些被干扰链路的节点的位置;
步骤5:监测区域目标位置的确定。
2.如权利要求1所述的无线传感器节点随机部署被被动式目标定位方法,其特征在于,所述步骤1中所有节点距离地面H=0.95米。
4.如权利要求1所述的无线传感器节点随机部署被被动式目标定位方法,其特征在于,所述步骤4中被干扰链路的节点位置的获取包括如下步骤:
第一步:通过人工测量或其他方法得到监测区域内任意5个节点的位置(Ci)、路径损耗因子(γi)和节点发射功率(Pi),其中Ci=[xi,yi]是二维向量,xi,yi代表节点i的二维坐标;对于监测区域内其余未知的N-5个节点,分别随机给定每个节点的位置(Ci)、路径损耗因子(γi)和节点发射功率(Pi)做为初始值;Ci的各维度的取值在0~max(a,b)范围内;γi取2~6;节点的发射功率Pi为0~-20dBm;
第二步:将位置(Ci),路径损耗因子(γi)和节点发射功率(Pi)均已知的节点的集合定义为集合Cdone;定义一个集合O,并令其初始为空集;
第三步:定位组成被干扰链路的节点的位置:针对集合Yd和集合Ys中每一个链路,找到所有位置(Ci)未知的节点;
第四步:针对位置(Ci)未知的节点i,即遍历监测区域内所有与节点i相连的链路lij,如果j∈Cdone,则令O=O∪{Fi,j};当集合O的元素个数不少于5时,求解式(2)的最优解,即求得一组能满足式(2)最小的解{Pi,Ci,γi};
其中,|O|表示集合的大小;Fij∈O;Ci=[xi,yi],xi,yi代表节点i的二维坐标;Cj=[xj,yj],xj,yj代表节点j的二维坐标;
第五步:重复执行第三、四步,定位出所有组成被干扰链路的节点的位置。
5.如权利要求1所述的无线传感器节点随机部署被被动式目标定位方法,其特征在于,所述步骤5监测区域目标位置的确定具体包括如下步骤:
第一步:随机给定目标的位置Xt,Xt=[xt,yt]是二维向量,xt,yt代表目标的二维坐标;一般情况下,监测区域近似为a×b的矩形,则Xt的各维度取值在0~max(a,b)范围内。
第二步:求满足式(4)最小的解Xt,并将Xt作为目标t的真实位置;
式(5)中-jπt2中的j是虚数单位,t是积分变量;
式(6)中h的值等于目标高度减去节点距离地面的高度H。
其中,y′ij是集合Yd内的yij的取值;y″ij是集合Ys内的yij的取值;γi为链路lij的路径损耗因子;Pi为节点i的发射功率;dij为节点i和节点j之间的距离;Yd为绕射干扰的RSS值集合,Ys为散射干扰的RSS值集合;|Yd|和|Ys|分别是集合|Yd|和|Ys|的大小;λ是节点发出的无线信号波长,λ=0.125米;Gi,Gj分别为节点i和节点j的天线增益, Gi=Gj=1;σ是目标的RCS,取1;dit是节点i和目标t之间的距离,djt是节点j和目标t之间的距离。
6.如权利要求5所述的无线传感器节点随机部署被被动式目标定位方法,其特征在于,所述步骤5的第二步中使用基因遗传算法求解得到使式(4)最小时对应的Xt的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310651614.1A CN103634907B (zh) | 2013-12-04 | 2013-12-04 | 一种无线传感器节点随机部署的被动式目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310651614.1A CN103634907B (zh) | 2013-12-04 | 2013-12-04 | 一种无线传感器节点随机部署的被动式目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103634907A true CN103634907A (zh) | 2014-03-12 |
CN103634907B CN103634907B (zh) | 2017-01-25 |
Family
ID=50215414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310651614.1A Active CN103634907B (zh) | 2013-12-04 | 2013-12-04 | 一种无线传感器节点随机部署的被动式目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103634907B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104023307A (zh) * | 2014-03-28 | 2014-09-03 | 南京邮电大学 | 一种基于遗传算法的无线传感器网络的户外环境监测方法 |
CN104270713A (zh) * | 2014-09-09 | 2015-01-07 | 西北大学 | 基于压缩感知的被动式移动目标轨迹测绘方法 |
CN104363653A (zh) * | 2014-10-13 | 2015-02-18 | 西北大学 | 一种消除环境噪声的被动式定位方法 |
CN104486833A (zh) * | 2014-11-24 | 2015-04-01 | 北京理工大学 | 基于运动预测删除干扰链路的室内无线层析成像增强方法 |
CN105072584A (zh) * | 2015-08-03 | 2015-11-18 | 西北大学 | 一种基于压缩感知的低代价时间自适应室内定位方法 |
CN106199514A (zh) * | 2016-07-13 | 2016-12-07 | 西北大学 | 一种基于指纹自适应环境变化的被动式室内定位方法 |
CN109121200A (zh) * | 2018-08-31 | 2019-01-01 | 浙江传媒学院 | 一种iBeacon基站空间布局优化及室内定位方法 |
CN111537949A (zh) * | 2020-04-30 | 2020-08-14 | 南京理工大学 | 一种基于wsn的道路车辆三维无源被动定位方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102196559A (zh) * | 2011-05-04 | 2011-09-21 | 西安电子科技大学 | 基于tdoa定位的通道时延误差消除方法 |
CN102711244A (zh) * | 2012-06-18 | 2012-10-03 | 北京中防视信科技有限公司 | 一种基于无线传感器网络的协作节点定位方法 |
US20130023278A1 (en) * | 2011-07-18 | 2013-01-24 | Ting-Yueh Chin | Rss-based doa indoor location estimation system and method |
US20130045750A1 (en) * | 2011-08-19 | 2013-02-21 | Snu R&Db Foundation | Wireless localization method based on an efficient multilateration algorithm over a wireless sensor network and a recording medium in which a program for the method is recorded |
-
2013
- 2013-12-04 CN CN201310651614.1A patent/CN103634907B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102196559A (zh) * | 2011-05-04 | 2011-09-21 | 西安电子科技大学 | 基于tdoa定位的通道时延误差消除方法 |
US20130023278A1 (en) * | 2011-07-18 | 2013-01-24 | Ting-Yueh Chin | Rss-based doa indoor location estimation system and method |
US20130045750A1 (en) * | 2011-08-19 | 2013-02-21 | Snu R&Db Foundation | Wireless localization method based on an efficient multilateration algorithm over a wireless sensor network and a recording medium in which a program for the method is recorded |
CN102711244A (zh) * | 2012-06-18 | 2012-10-03 | 北京中防视信科技有限公司 | 一种基于无线传感器网络的协作节点定位方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104023307A (zh) * | 2014-03-28 | 2014-09-03 | 南京邮电大学 | 一种基于遗传算法的无线传感器网络的户外环境监测方法 |
CN104270713A (zh) * | 2014-09-09 | 2015-01-07 | 西北大学 | 基于压缩感知的被动式移动目标轨迹测绘方法 |
CN104270713B (zh) * | 2014-09-09 | 2017-11-24 | 西北大学 | 基于压缩感知的被动式移动目标轨迹测绘方法 |
CN104363653B (zh) * | 2014-10-13 | 2017-11-14 | 西北大学 | 一种消除环境噪声的被动式定位方法 |
CN104363653A (zh) * | 2014-10-13 | 2015-02-18 | 西北大学 | 一种消除环境噪声的被动式定位方法 |
CN104486833A (zh) * | 2014-11-24 | 2015-04-01 | 北京理工大学 | 基于运动预测删除干扰链路的室内无线层析成像增强方法 |
CN104486833B (zh) * | 2014-11-24 | 2018-09-25 | 北京理工大学 | 基于运动预测删除干扰链路的室内无线层析成像增强方法 |
CN105072584A (zh) * | 2015-08-03 | 2015-11-18 | 西北大学 | 一种基于压缩感知的低代价时间自适应室内定位方法 |
CN105072584B (zh) * | 2015-08-03 | 2019-02-01 | 西北大学 | 一种基于压缩感知的低代价时间自适应室内定位方法 |
CN106199514A (zh) * | 2016-07-13 | 2016-12-07 | 西北大学 | 一种基于指纹自适应环境变化的被动式室内定位方法 |
CN106199514B (zh) * | 2016-07-13 | 2019-03-29 | 西北大学 | 一种基于指纹自适应环境变化的被动式室内定位方法 |
CN109121200A (zh) * | 2018-08-31 | 2019-01-01 | 浙江传媒学院 | 一种iBeacon基站空间布局优化及室内定位方法 |
CN109121200B (zh) * | 2018-08-31 | 2020-06-30 | 浙江传媒学院 | 一种iBeacon基站空间布局优化及室内定位方法 |
CN111537949A (zh) * | 2020-04-30 | 2020-08-14 | 南京理工大学 | 一种基于wsn的道路车辆三维无源被动定位方法及系统 |
CN111537949B (zh) * | 2020-04-30 | 2023-10-31 | 南京理工大学 | 一种基于wsn的道路车辆三维无源被动定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103634907B (zh) | 2017-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103634907B (zh) | 一种无线传感器节点随机部署的被动式目标定位方法 | |
CN103529427B (zh) | 无线传感网随机部署下的目标定位方法 | |
Alippi et al. | RTI goes wild: Radio tomographic imaging for outdoor people detection and localization | |
Intrieri et al. | Application of an ultra-wide band sensor-free wireless network for ground monitoring | |
Wang et al. | Toward accurate device-free wireless localization with a saddle surface model | |
Sun et al. | Dynamic connectivity in wireless underground sensor networks | |
CN102932914A (zh) | 基于压缩感知的无线传感器网络多目标被动式定位方法 | |
Nguyen et al. | Real-time estimation of sensor node's position using particle swarm optimization with log-barrier constraint | |
De Paz et al. | Mitigation of the ground reflection effect in real-time locating systems based on wireless sensor networks by using artificial neural networks | |
Zhang et al. | A promising trend for field information collection: An air-ground multi-sensor monitoring system | |
CN104270713B (zh) | 基于压缩感知的被动式移动目标轨迹测绘方法 | |
CN101860959A (zh) | 基于rssi的无线传感器网络的定位方法 | |
Sahota et al. | Maximum-likelihood sensor node localization using received signal strength in multimedia with multipath characteristics | |
Olasupo et al. | The impacts of node orientation on radio propagation models for airborne-deployed sensor networks in large-scale tree vegetation terrains | |
CN105182322A (zh) | 基于反射信号相位差的被动式定位方法 | |
CN103702282B (zh) | 一种基于迁移压缩感知的多种类多目标被动式定位方法 | |
Olasupo et al. | Empirical path loss models for low power wireless sensor nodes deployed on the ground in different terrains | |
Duan et al. | Ultra-wideband radio channel characteristics for near-ground swarm robots communication | |
CN103888204B (zh) | 玉米大田无线传感器网络信道多尺度衰落模型的建模方法 | |
CN105072582B (zh) | 基于rss分布的距离自适应的无线传感网络被动式定位方法 | |
Ghosh et al. | Soil fertility monitoring with internet of underground things: A survey | |
El Houssaini et al. | Iot based tracking of wireless sensor nodes with rssi offset compensation | |
Olasupo | Propagation modeling of IoT devices for deployment in multi-level hilly urban environments | |
D'Souza et al. | Wireless localisation network for patient tracking | |
CN103885029A (zh) | 基于无线传感器网络的一种多目标无源追踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |