CN103885030A - 一种无线传感器网络移动节点的定位方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络移动节点的定位方法，首先采集RSSI值和距离的训练样本数据并采用高斯滤波进行预处理，采用预处理后的训练样本数据对BP神经网络进行训练得到RSSI值与距离的关系模型，固定节点采集待定位移动节点的RSSI值并进行动态高斯滤波，将RSSI值输入BP神经网络得到对应固定节点与移动节点的距离值，根据固定节点坐标和固定节点与移动节点的距离值采用三点质心法得到移动节点坐标。本发明用于对无线传感器网络中的移动节点进行定位，通过高斯滤波消除环境对RSSI值的影响，提高对环境的适应能力，通过BP神经网络可以获得更准确的距离值，从而提高定位精确度，还可以采用二次质心法进一步提高定位准确度。

Description

一种无线传感器网络移动节点的定位方法

技术领域

本发明属于无线传感器网络领域，更为具体地讲，涉及一种无线传感器网络移动节点的定位方法。

背景技术

无线传感器网络由于其灵活性、成本低、易于布置等特性，能够方便、及时、准确的采集各类信息，而受到越来越广泛的应用。对无线传感器网络中的移动节点进行定位是无线传感器网络应用的一个重要方面。目前常用的定位方式为基于距离的定位，测量节点间距离或方位时采用的方法有：到达时间TOA(Time of Arrive)，到达时间差TDOA（Time Difference of Arrival），到达角度AOA（Angle of Arrival），接收信号强度指示RSSI（Received Signal StrengthIndication）。目前常选择RSSI值来进行跟踪定位。

无线信号在传播过程中随着传播距离的增加，信号强度会逐渐减弱，并且由于信号的反射、散射、绕射产生多径现象，信号的传播还与天气及定位场地布置的情况有很大关系。上述原因造成定位依赖的RSSI值经常出现不准确的情况，测量结果与实际情况有大幅度偏差，很难取得较高的定位精度。

传统的定位方法通常只关注定位本身而不注重对定位依赖的RSSI值进行处理。图1是传统定位方法流程图。如图1所示，传统定位方法在取得移动节点到固定节点的RSSI值后，根据RSSI值使用无线信号传播模型获取对应的距离，再根据质心法或三边定位法进行移动节点定位。但是，采用无线信号传播模型计算的距离与实际情况偏差较大，并且在不同的环境下，模型的参数都需要进行调整，对环境的适应能力较差。不准确的RSSI值和无线信号传播计算距离是造成定位误差的主要原因。而且传统定位算法主要是对于静态的节点进行定位，对移动节点的研究较少，在对移动节点进行定位时定位精度和实时性都很难保证，因此造成传统定位算法的使用有很大的局限性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种无线传感器网络移动节点的定位方法，结合高斯滤波、BP神经网络来提高定位精确度和对环境的适应能力。

为实现上述发明目的，本发明无线传感器网络移动节点的定位方法，包括以下步骤：

S1：在无线传感器网络定位场地中先利用固定节点和移动节点取得N组训练样本数据，包括移动节点到固定节点的接收信号强度RSSI值及二者距离值，采用高斯滤波获得概率大于等于预设概率阈值F的RSSI值；

S2：建立三层BP神经网络，其中输入层、隐含层、输出层的神经元个数分别记为I、J、K，将步骤S1中经高斯滤波后的RSSI值作为输入、对应的距离值作为输出对三层BP神经网络进行训练，得到RSSI值和距离的关系模型；

S3：待定位的移动节点进入无线传感器网络后持续发送广播信号，所有收到广播信号的固定节点将接收信号的RSSI值汇集至上位机；

S4：上位机为每个接收到该移动节点广播信号的固定节点分别保存一个固定长度的RSSI值队列，队列长度M≥I；当接收到固定节点上传的新RSSI值时，先对此RSSI值以对应RSSI值队列为基准进行高斯滤波，如果通过滤波，则将该RSSI值作为最新样本更新至RSSI值队列，如果未通过滤波，则舍弃该RSSI值，不更新RSSI值队列；

S5：将经步骤S4处理的RSSI值队列按最新RSSI值样本从大到小进行排列，选择前三个RSSI值队列，将每个RSSI值队列中最新的I个样本输入步骤S2中训练好的三层BP神经网络，得到移动节点与三个对应固定节点的距离d_a，d_b，d_c；

S6：根据步骤S5得到的三个固定节点的已知坐标和固定节点与移动节点的距离，采用三点质心法计算得到移动节点的坐标，完成定位。

进一步地，三层BP神经网络各层间的转移函数采用双极性Sigmoid函数：

进一步地，将步骤S6中得到的移动节点坐标和前两次定位得到的移动节点坐标进行二次质心计算，以该质心坐标作为本次定位的结果。

本发明无线传感器网络移动节点的定位方法，首先采集RSSI值和距离的训练样本数据并采用高斯滤波进行预处理，采用预处理后的训练样本数据对BP神经网络进行训练得到RSSI值与距离的关系模型，固定节点采集待定位移动节点的RSSI值并进行动态高斯滤波，将RSSI值输入BP神经网络得到对应固定节点与移动节点的距离值，根据固定节点坐标和固定节点与移动节点的距离值采用三点质心法得到移动节点坐标，还可以通过二次质心法进一步提高定位准确度。

本发明具有以下有益效果：

（1）对训练样本数据中的RSSI值和定位时的RSSI值均采用高斯滤波进行预处理，可以有效防止环境导致的RSSI值的偏差而造成的定位误差，提高了对环境的适应能力；

（2）BP神经网络所得到的RSSI值和距离的关系模型更为准确，从而提高定位精确度；

（3）采用二次质心法可以有效提高定位精确度和稳定性。

附图说明

图1是传统定位方法流程图；

图2是本发明实施例的无线传感器网络系统结构图；

图3是本发明实施例节点布置示意图；

图4是本发明无线传感器网络移动节点的定位方法的一种具体实施方式流程图；

图5是BP神经网络与无线传播信号模型得到的距离与RSSI关系拟合曲线对比示意图；

图6是以固定节点作圆可能情况示意图；

图7是本发明方法与传统三点质心法的定位误差对比示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图2是本发明实施例的无线传感器网络系统结构图。本实施例中，采用基于Zigbee技术的无线传感器网络，包括数据采集模块21、网关模块22和上位机23。其中数据采集模块21用于采集移动节点和固定节点的信息，固定节点安装于无线传感器网络定位场地中，移动节点设置在移动目标上，固定节点的位置坐标是已知的，在定位中对移动节点的位置起到参考作用。网关模块22与上位机23相连，接收数据采集模块21转发的节点信息，并将信息传递给上位机23；上位机23接收网关模块2返回的信息，通过定位算法计算移动节点的位置。由于本发明中定位算法采用三点质心法，因此固定节点的设置需要满足条件：移动节点在定位场地中运动时至少有三个固定节点可以接收到其发送的广播信号。

本实施例中的应用场景为室外电塔操作培训场景。图3是本发明实施例节点布置示意图。如图3所示，在室外电塔操作培训场地中，每个电塔31周围布置有固定节点32，每个固定节点32之间的间距为6米，移动节点33（即培训人员）在培训场地中活动。建立定位坐标系，记录每个固定节点的坐标。

图4是本发明无线传感器网络移动节点的定位方法的一种具体实施方式流程图。如图4所示，本发明无线传感器网络移动节点的定位方法包括以下步骤：

S401：训练样本预处理：

本发明中采用BP神经网络来得到RSSI值与距离的关系模型，需要采用训练样本对BP神经网络进行训练，首先需要取得训练样本并进行预处理。在无线传感器网络定位场地中先利用固定节点和移动节点取得N组训练样本数据，包括移动节点到固定节点的接收信号强度RSSI值及二者距离值。本实施例中采用1个固定节点和1个移动节点来得到训练样本数据，以0.5米为距离增量来测量实训场地内距离该固定节点0～6米距离对应的RSSI值。

为了去除由于环境影响造成明显偏差的RSSI值样本数据，提高BP神经网络训练的准确度和最终定位的精确度，采用高斯滤波对RSSI值进行预处理。高斯滤波的概率密度函数为：

$f\left({\mathrm{RSSI}}_n\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{\frac{{({\mathrm{RSSI}}_n-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}}$

其中，RSSI_n表示第n个RSSI值，n的取值范围为1≤n≤N，均值 $\mathrm{\μ}=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{RSSI}}_n,$ 标准差 $\mathrm{\σ}=\sqrt{\frac{1}{N-1}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{RSSI}}_n-\mathrm{\μ})}^2}.$

本实施例中，根据经验预设概率阈值F＝0.6，将大于等于0.6的区域为概率发生区，提取符合要求的RSSI值，即：

$0.6\≤f\left({\mathrm{RSSI}}_i\right)\≤1\⇒0.15\mathrm{\σ}+\mathrm{\μ}\≤{\mathrm{RSSI}}_i\≤3.09\mathrm{\σ}+\mathrm{\μ}$

S402：BP神经网络训练：

建立三层BP神经网络，其中输入层、隐含层、输出层的神经元个数分别记为I、J、K。本实施例中，I＝5、J＝20、K＝1。

输入层的输入向量记为X＝(x₁,x₂,...,x_i,...,x_I)^Τ；输入层与隐含层之间的权值矩阵记为V，其中元素记为v_ij,i＝1,2...,I,j＝1,2...,J；隐含层输出向量记为Y＝(y₁,y₂,...,y_j...y_J)^Τ；隐含层和输出层之间的权值矩阵记为W，其中元素记为w_jk,j＝1,2,...,J,k＝1,2,...,K；输出层的输出向量记为O＝(ο₁,ο₂,...,ο_k...ο_K)^Τ。

其中，输入层至隐含层的信号传递为：

隐含层的输入： ${\mathrm{net}}_j=\underset{i=0}{\overset{I}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}*x_i;$

隐含层的输出：y_j＝g(net_j)；

隐含层至输出层的信号传递为：

输出层的输入： ${\mathrm{net}}_k=\underset{i=0}{\overset{i}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}*y_j;$

输出层的输出：o_k＝g(net_k)；

其中g(·)为转移函数，本实施例中使用双极性Sigmoid函数

e为常数。

将步骤S401中经高斯滤波后的RSSI值作为输入、对应的距离值作为输出对三层BP神经网络进行训练，得到权值矩阵V和W，即得到RSSI值和距离的关系模型。

S403：测量待定位移动节点RSSI值：

待定位的移动节点进入无线传感器网络后持续发送广播信号，所有收到广播信号的固定节点将接收信号的RSSI值通过网关模块汇集至上位机。由于无线传感器网络中有多个固定节点，移动节点通常也不止一个，因此移动节点在发送广播信号时会携带其自身ID，固定节点在上传RSSI值时也要同时上传对应移动节点的ID和自身ID。

S404：动态高斯滤波：

本发明中，上位机为每个接收到该移动节点广播信号的固定节点分别保存一个固定长度的RSSI值队列，队列长度M≥I。本实施例中，RSSI值队列长度M＝30。当上位机接收到固定节点上传的新RSSI值时，先对此RSSI值以对应RSSI值队列为基准进行高斯滤波，如果通过滤波，则将该RSSI值作为最新样本更新至RSSI值队列，如果未通过滤波，则舍弃该RSSI值，不更新RSSI值队列。一般情况下，RSSI值队列是按照RRSI值的采集时间先后排列，则可以直接将通过滤波的RRSI值添加到队尾，同时队首的数据出列即可完成更新。

S405：通过BP神经网络得到距离值：

由于本发明采用三点质心法定位，只需要三个固定节点来获得移动节点相对于该固定节点的距离值，因此本发明先根据RSSI值队列筛选固定节点，具体方法为：将经步骤S404处理的RSSI值队列按最新RSSI值样本从大到小进行排列，选择前三个RSSI值队列，将每个RSSI值队列中最新的I个样本输入步骤S402中训练好的三层BP神经网络，得到移动节点与三个对应固定节点的距离d_a，d_b，d_c。

图5是BP神经网络与无线传播信号模型得到的距离与RSSI关系拟合曲线对比示意图。如图5所示，本实施例采用多个实测点数据分别通过BP神经网络与无线传播信号模型对距离与RSSI关系进行拟合，可见BP神经网络得到的距离与RSSI关系拟合曲线更接近实测曲线。根据本实施例数据计算，与传统无线传播信号模型相比，BP神经网络得到的距离误差为0.3米，误差减小了42.56%；平方差为0.169，减小了93.8%，极大地提高了测量RSSI值和实际距离关系的准确度。

S406：三点质心法定位：

由于固定节点的坐标是已知的，那么根据步骤S405得到的三个固定节点的已知坐标和固定节点与移动节点的距离，采用三点质心法计算即可得到移动节点的坐标，完成定位。具体方法为：

分别以三个固定节点为圆心、以固定节点移动节点的距离为半径作圆。在理想情况下这三个圆会交于一点，该交点就是移动节点的位置，但是在实际应用中，由于复杂环境的影响，很难达到理想结果。图6是以固定节点作圆可能情况示意图。如图6所示，两个圆之间存在4种关系：内含、相交、相离和外切，其中内含的情况本身可以通过节点的优化布置加以排除，相交时取离第三圆圆心更近的点为参考点，两圆相切时则取该切点为参考点，两圆相离则取两个圆心连线的中点为参考点，根据这种规则可以得到三个参考点AB、BC、AC，坐标分别记为(x_ab,y_ab)，(x_bc,y_bc)，(x_ac,y_ac)，求这三个参考点的质心即可得到移动节点的坐标D(x_d1,y_d1)：x_d1＝(x_ab+x_bc+x_ac)/3，y_d1＝(y_ab+y_bc+y_ac)/3，完成移动节点的定位。

S407：二次质心法定位：

为了提高定位的精确度，一种优选方式是在步骤S406坐标计算结果的基础上采用二次质心法再次计算坐标。在无线传感器网络移动节点定位过程中，定位结果是周期性刷新的，根据本次定位中步骤S406得到的移动节点坐标和前两次定位得到的移动节点坐标进行二次质心计算，以该质心坐标作为本次定位的结果。记前两次定位的坐标为(x_d2,y_d2),(x_d3,y_d3)，最终得到的移动节点坐标D(x_d,y_d)：x_d＝(x_d1+x_d2+x_d3)/3,y_d＝(y_d1+y_d2+y_d3)/3。

明显地，在移动节点的持续定位过程中，第1次和第2次定位是无法采用二次质心法的，只有从第3次定位才可以使用二次质心法，以尽可能减小定位误差。图7是本发明方法与传统三点质心法的定位误差对比示意图。如图7所示，在本实施例场地内任取5个点，本发明采用二次质心法的定位误差平均为0.45米，比传统单纯使用三点质心法的定位精度高32.7%；定位标准差为0.15，比传统方法减少了45.2%，大幅度提高了定位的精确度和稳定性。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种无线传感器网络移动节点的定位方法，其特征在于包括以下步骤：

S1：在无线传感器网络定位场地中先利用固定节点和固定移动节点取得N组训练样本训练数据，包括移动节点到固定节点的接收信号强度RSSI值及二者距离值，采用高斯滤波获得概率大于等于预设概率阈值F的RSSI值；

S2：建立三层BP神经网络，其中输入层、隐含层、输出层的神经元个数分别记为I、J、K，将步骤S1中经高斯滤波后的RSSI值作为输入、对应的距离值作为输出对三层BP神经网络进行训练，得到RSSI值和距离的关系模型；

S3：待定位的移动节点进入无线传感器网络后持续发送广播信号，所有收到广播信号的固定节点将接收信号的RSSI值汇集至上位机；

S4：上位机为每个接收到该移动节点广播信号的固定节点分别保存一个固定长度的RSSI值队列，队列长度M≥I；当接收到固定节点上传的新RSSI值时，先对此RSSI值以对应RSSI值队列为基准进行高斯滤波，如果通过滤波，则将该RSSI值作为最新样本更新至RSSI值队列，如果未通过滤波，则舍弃该RSSI值，不更新RSSI值队列；

S5：将经步骤S4处理的RSSI值队列按最新RSSI值样本从大到小进行排列，选择前三个RSSI值队列，将每个RSSI值队列中最新的I个样本输入步骤S2中训练好的三层BP神经网络，得到移动节点与三个对应固定节点的距离d_a，d_b，d_c；

S6：根据步骤S5得到的三个固定节点的已知坐标和固定节点与移动节点的距离，采用三点质心法计算得到移动节点的坐标，完成定位。

2.根据权利要求1所述的定位方法，其特征在于，所述三层BP神经网络各层间的转移函数采用双极性Sigmoid函数。

3.根据权利要求1所述的定位方法，其特征在于，还包括步骤S7：将步骤S6中得到的移动节点坐标和前两次定位得到的移动节点坐标进行二次质心计算，以该质心坐标作为本次定位的结果。

Images