CN106028290A - 基于Kriging的WSN多维度向量指纹定位方法 - Google Patents

Abstract

基于Kriging的WSN多维度向量指纹定位方法，包括：步骤1，将已知位置的待处理RSSI(接收信号强度)值采用高斯滤波处理；步骤2，将经处理的已知位置RSSI样本使用自适应Kriging插值算法对定位区域内的未知位置点的RSSI值进行最优、无偏、线性估计；步骤3，对所有信标节点重复步骤1和步骤2，将得到的所有单维指纹向量进行并集操作即可成功构建定位区域的多维指纹向量；步骤4，使用向量相似度匹配算法得到相似度从高到低的前num个向量对应的格子，即是节点定位的范围；步骤5，将得到的前num个格子采用K‑means聚类算法进行分类，提取出含格子数最多簇的簇首(簇的几何中心)作为节点的实际定位结果输出。

Description

基于Kriging的WSN多维度向量指纹定位方法

技术领域

本发明主要涉及无线传感器网络室内定位领域，涉及基于Kriging的WSN多维度指纹向量定位方法。

背景技术

大多数定位系统都采用GPS获取位置，使用的是交互定位的原理，随时间变化而变化，这种定位成本高，而且在室内环境中GPS定位根本不能满足精度要求。目前人们对室内定位方法的需求日益增大，如仓库、超市、矿井、商场中都需要知道具体的位置，但在室内定位领域中，由于室内环境的复杂性和不可控性，因此很多室内定位技术都有特定的应用场景。

目前国内外无线传感器网络室内定位技术取得了显著的成果,如Ma,YW等人研发的新颖指纹机制(NFM)室内定位系统，使用接收器和发射器获取定位数据，并采用六个定位机制来提高定位精度。Laoudias等人研发的基于指纹匹配方法的Airplace室内定位系统。Modamed等人使用陀螺仪与指纹匹配算法相结合的室内定位方法,对定位结果加以改进,但单陀螺仪的定向方法具有较大的局限性。Li提出利用众包更新指纹库的定位方法，但需定期对过期指纹进行筛减。Wang等人针对室内定位接收功率干扰导致估计位置精度偏低的问题，提出了采用马儿可夫蒙特卡洛(MCMC)抽样来提高定位精度的室内定位算法。Gao等人提出了一种结合模糊数学逻辑(Fuzzy Logic)理论的WiFi定位算法，但手持设备接收信号波动性较大影响定位精度。Chen等人结合地理编码原理和二维码技术提出了QR(QuickResponse) 标识导向的室内定位方法。

在无线传感器网络室内定位领域中，传统的指纹定位算法在建立指纹过程中工作量较大，需要对测量点逐个进行RSSI值测量；而且传统的指纹定位法一旦室内环境发生变化，就需要重新构建指纹，但是它的指纹构建是一个繁琐且复杂的过程。

发明内容

本发明要解决现有技术的上述缺点，提出一种基于Kriging的WSN多维度向量指纹定位方法，该方法通过测量少量已知位置的RSSI值并利用Kriging插值算法构建定位区域指纹，有效地解决了室内环境发生变化而导致繁琐的指纹重构问题。

本发明所述的基于Kriging的WSN多维度向量指纹定位方法，包括如下步骤：

步骤1，高斯滤波；

步骤11，以已知位置待处理的RSSI(接收信号强度)值为输入，由于存在多径效应的RSSI值服从正态分布，而高斯分布对于处理满足正态分布的噪声非常有效，因此满足公式

式(1)中x表示传感器获取的RSSI值，μ表示传感器获取到RSSI值的平均数，σ表示传感器获取的RSSI值的标准差；

步骤12，正常的RSSI值发生在高概率区域[μ-0.6σ,μ+0.6σ],所以把高概率区域的RSSI平均值取出，这个过程就把异常值过滤掉；

步骤2，自适应Kriging插值算法；

步骤21，以步骤12获取的RSSI值为输入，使用自适应Kriging插值算法对定位区域内的未知位置点的RSSI值进行最优、无偏、线 性估计，具体步骤包括为：

步骤211，使用Kriging插值算法找到样本点之间的依存规则，首先利用配对关系Pair(d,RSSI)(d表示两个传感器节点间的距离，RSSI表示传感器节点所获取的RSSI值)和经验半变异函数进行空间建模，然后采用最小二乘法进行拟合得到经验半变异模型，最后选择一个理想且误差最小的模型，经验半变异函数如下所示

式(2)中n表示关系对Pair_i的数量，z(x_i)和z(x_i+h)分别表示配对的两个节点对应的RSSI值，且节点间距离为h，r(h)表示半变异函数值；

步骤212，以步骤211获得的经验半变异模型为输入，对未知位置点的RSSI值进行预测，预测过程如下公式所示

式(3)中Z₀表示待估计位置的RSSI值，s表示预测过程所需要的样本数(本方法中s＝4)，Z_x表示样本传感器上所获取的RSSI值，W_x表示所需样本对应的权重系数，具体的权重系数W_x(x∈{1,2,3,4})可根据如下公式计算

式(4)中γ(h_ij)(i,j∈{0,1,2,3,4})都可以通过步骤211中获取的经验半变异模型计算得到，λ为一个无关的未知数，W_i(i∈{1,2,3,4})表示所需 样本对应的权重系数；

步骤3，RSSI向量指纹构建；

步骤31，采用步骤2的自适应插值算法可以建立一个信标节点对应在定位区域内的单维度指纹向量；

步骤32，所有信标节点广播信号建立对应的单维度指纹向量，再对所有单维度指纹向量进行并集操作，具体步骤包括：

步骤321，定位区域的长、宽分别为L和W，并将它划分为m行和n列，每个小格子的长和宽分别为cl＝L/m、cw＝W/N；

步骤322，步骤321将定位区域D划分后，通过Kriging插值算法计算每个小格子对应的RSSI值，这样就建立了信标节点A对应的单维度指纹V_A，V_A是一个m×n的指纹；

步骤323，对信标节点B、C、D、E重复步骤322，分别构建单维度指纹V_B、V_C、V_D、V_E，最后对单维度指纹做并集建立定位区域的多维度指纹向量，那么第i(i∈{1,2,3,…,m×n})个格子对应的5维向量就是五个单维度指纹在该位置的RSSI值的并集，通过321、322、323三个步骤就可以建立完整的定位区域多维度指纹向量

FingerP[m×n][5]＝V_A[m×n]∪V_B[m×n]∪V_C[m×n]∪V_D[m×n]∪V_E[m×n] (5)式(5)中V_i[m×n](i∈{A,B,C,D,E})表示信标节点i广播信号在定位区域内建立的单维指纹向量，m×n表示定位区域内的格子数，FingerP[m×n][5]表示信标节点A、B、C、D、E对应的5个单维指纹向量的一个并集；

步骤4，组合匹配定位方法；

步骤41，以步骤323获得的多维指纹向量和需定位节点所获取到的多维RSSI向量为输入，使用向量相似度匹配算法得到相似度从高 到低的前num个向量对应的格子，即是节点定位的范围，多维RSSI向量如下所示

式(6)中RSSI_i(iε{a,b,c,d,e})表示所对应的信标节点i广播信号时定位节点所获取的RSSI值，TV表示定位节点所获取到的5维RSSI指纹向量；

步骤5，K-means聚类算法提取定位结果；

步骤51，以步骤41获得的前num个格子为输入，使用K-means聚类算法对这些格子进行分类，提取出含格子数最多簇的簇首(簇的几何中心)作为节点的实际定位结果输出。

本发明的有益效果是：

(1)当室内环境发生变化时，本发明的指纹重构过程的工作量相比于传统指纹重构过程工作量要小很多。

(2)本发明的基于Kriging的WSN多维度指纹向量定位方法能很好的消除障碍物对于定位结果所造成的影响。

附图说明

图1是本发明的节点部署图

图2是本发明的样本配对图

图3是本发明的模型拟合图

图4是本发明的预测过程图

图5是本发明的指纹构建图

图6是本发明的多维度向量指纹图

图7是本发明的分簇定位图

图8是本发明方法的系统示意图。

具体实施方式

下面结合附图进一步说明本发明。

本发明所述的基于Kriging的WSN多维度向量指纹定位方法，包括如下步骤：

步骤1，高斯滤波

步骤11，本发明通过建立定位区域RSSI向量指纹的方法进行定位。然而传感器采集的RSSI信号并不稳定，存在跳动现象。高斯滤波在处理满足正太分布的噪声时非常有效，假设传感器网络采集的RSSI值满足正态分布，如式(1)所示

式(1)中X表示RSSI值，表示获取RSSI的平均值，表示获取到RSSI的标准差。

步骤12，正常的RSSI值发生在高概率区域[μ-0.6σ,μ+0.6σ],所以把高斯概率区域的RSSI平均值取出，这个过程就把异常值过滤掉。步骤2，自适应Kriging插值算法

步骤21，Kriging(克里格)插值算法是通过一组具有Z个样本的 分散点生成预测区域的高级地理统计过程。该算法被广泛的应用于土壤绘测、地下水模拟、矿藏分布模拟等领域。它考虑了信息样本的形状、大小以及与待估计位置相互间的空间位置等几何特征之后，为待估计位置相互间的空间位置等几何特征之后，为达到线性、无偏和最小估计方差的估计，而对每一个样品赋予一定的系数，最后进行加权平均来估计预测区域的方法。但它仍是一种光滑的内插方法，在样本点较多时，其内插的结果可信度较高。因为在实际环境中RSSI值并不像理想情况下以节点为同心圆分布，障碍物等因素会影响RSSI值，因此我们需要一种算法能根据有限的已知样本点构建比较符合实际的RSSI分布。本发明采用克里金插值算法预测RSSI值，该算法能根据样本点间的关系建立符合实际情况的模型使得预测结果符合实际RSSI分布情况。克里金插值算法过程如下：

步骤211，建立依存规则

使用Kriging插值算法要找到样本点之间的依存规则。本发明利用该算法根据传感器网络采集的RSSI样本点来预测定位区域内未知位置的RSSI值。首先进行样本点的配对，所有传感器节点会两两配对，配对后建立了Beacon Node和Ordinary node传感器节点之间的距离d和RSSI之间的关系对Pair_i＝(d_i,RSSI_i)，如图2所示，利用配对关系Pair进行空间建模。根据测量点在空间中的分布情况，分析经验半变异函数，如公式(2)所示。

式(2)中n表示关系对Pair_i的数量，z(x_i)和z(x_i+h)分别表示配对的两个节点，且距离为h，r(h)表示半变异函数值。通过公式(2) 获得各个Pair_i的半变异函数值。空间自相关量化时采用以下地理的基本原则：距离较近的事物要比距离较远的事物更相似。因此，位置对的距离越近(在半变异函数云的x轴上最左侧)，具有的值就应该越相似(在半变异函数云的y轴上较低处)。位置对的距离变得越远(在半变异函数云的x轴上向右移动)，就应该变得越不同，差值的平方就会更高(在半变异函数云的y轴上向上移动)。经过公式(2)我们得到了各个关系对Pair_i的经验半变异值r(h)和Pair_i中对应的两个节点间距离h的关系。接着我们采用最小二乘法拟合，最后建立了经验半变异模型，如图3中拟合的曲线所示。最后根据经验半变异模型选择一个已有的且误差最小的理想模型(球形模型、圆形模型、指数模型、高斯模型、线性模型等)。至此就建立了节点间的依存规则。

步骤212，进行预测

利用经验半变异模型对未知点进行预测，如公式(3)所示

式(3)中Z₀表示预测值，本发明预测的是未知位置的RSSI值,s表示预测过程所需要的样本数，Z_x表示样本传感器上所获取的RSSI值，W_x表示所需样本对应的权重系数。发明采用距离待预测位置最近的4个样本点进行预测，因此。表示s＝4,w_x表示的权重系数，计算过程如公式(4)所示。

公式(4)中的为4个权值，λ为一个无关的未知数， 在计算过程中可以消去，剩余的γ(h_ij)(i,j∈{0,1,2,3,4})都可以通过经验半变异模型计算得到。具体如图4所示，假设0号位置是待预测的位置，1、2、3、4号位置表示距离待预测点最近的四个样本点，利用这四个样本点预测0号位置的值得过程如下：首先利用经验半变异模型计算出γ(h_ij)(i,j∈{0,1,2,3,4})，根据公式(4)即可计算出对应于样本点1、2、3、4的权重系数W₁、W₂、W₃、W₄，最后利用公式(3)预测出0号位置的预测值z₀。

步骤3，RSSI向量指纹构建

传统的指纹定位方法需要对定位区域进行逐一测量构建指纹，当定位区域比较大时工作量也就非常大。本发明中的方法构建指纹只需测量有限个样本点，然后利用Kriging插值算法即能构建完整的定位区域指纹，大大减少了工作量。当室内环境发生变化需要重新构建指纹时就非常方便。

经过高斯滤波后得到可靠的RSSI值，在这小节中我们利用RSSI来构建定位区域D的向量指纹。传感器网络在定位区域D中部署方式如图1所示，本发明采用25个位置一直的传感器节点组建无线传感器网络，其中5个是用于定位的信标节点(Beacon)，剩余的节点用于构建向量指纹。

步骤31，首先第一个信标节点A向其他节点广播信号，其他节点收到信标节点A的信号后获得信标节点A发送给接收节点的信号强度(RSSI)，通过这种方法建立了信标节点A在定位区域D内的信号强度分布情况，，该过程如图5所示。此时我们可以在每个Node所在位置获得信标节点A的信号强度值(RSSI)，又因为每个Node的坐标是已 知的，这样我们就建立了RSSI值和距离d的关系，通过这种关系，利用Kriging插值算法即可构建信标节点A(Beacon A)在定位区域D内的单维度向量指纹。

步骤32，最后将5个单维度向量指纹做并集，形成一个5维的向量指纹，建立多维度向量指纹的具体过程如下：

步骤321，定位区域的长、宽分别为L和W，并将它划分为m行和n列。每个小格子的长和宽分别为cl＝L/m、cw＝W/N。

步骤322，上一步骤将定位区域D划分后，在这一步骤中利用Node节点建立的RSSI值与距离d的关系，通过Kriging插值算法计算每个小格子对应的RSSI值。这样就建立了信标节点A对应的单维度指纹V_A，V_A是一个m×n的指纹。

步骤323，对信标节点B、C、D、E重复步骤322，分别构建单维度指纹V_B、V_C、V_D、V_E。最后对单维度指纹做并集建立定位区域的多维度向量指纹，如公式(5)所示，公式(5)中V_i[m×n](i∈{A,B,C,D,E})表示信标节点A、B、C、D、E分别广播信号在定位区域内建立的单维指纹向量，FingerP[m×n][5]表示A、B、C、D、E对应的5个单维指纹向量的一个并集。比如第i个格子对应的5维向量就是五个单维度指纹在该位置的RSSI值得并集，如图6所示。通过321、322、323三个步骤就可以建立完整的定位区域多维度向量指纹。

FingerP[m×n][5]＝V_A[m×n]∪V_B[m×n]∪V_C[m×n]∪V_D[m×n]∪V_E[m×n] (5)步骤4，组合匹配定位方法

步骤41，经过步骤2、步骤3已经建立我定位区域D内的RSSI 多维度向量指纹。在这小节中利用建立的指纹对目标节点进行定位。建立指纹后将普通节点撤离定位区域，如图6中的Node就可以从定位区域D内撤销，只剩下5个信标节点(Beacon)。当一个目标节点(Target)进入定位区域D后，5个信标节点(Beacon)向该目标节点(Target)发送数据包，目标节点获取来自5个信标节点(Beacon A、B、C、D、E)的RSSI数值，组成一个5维的向量TV，如公式(6)所示。定位区域D内建立的也是一个m×n的5维向量指纹，定位区域D总共被划分为m×n个小格子，每个格子都对应个来自5个信标节点(Beacon A、B、C、D、E)的5维向量。如果依次对比TV向量和m×n个小格子向量的相似度，即可确定目标节点(Target)在哪些格子范围内，就可以定位目标节点的位置。本发明采用欧几里得距离来计算两向量的相似度。

步骤5，K-means聚类算法提取定位结果

步骤51，目标节点与定位区域的指纹进行匹配后得到的向量相似度最大的num个小格子就是目标节点所在位置的范围，但是因为插值算法以及一些外界因素的影响导致定位结果存在一定误差，使得num个小格子中一些格子偏离了目标节点实际的位置，从中可以看出少量误差的小格子已经偏离了目标节点，但是大部分小格子汇聚在一起而且包围了目标节点。如何从num个目标小格子中提取有价值的目标格子是定位准确的关键所在。本发明采用K-means聚类算法来解决上述 问题。通过K-means聚类算法将num个筛选出来的小格子进行分类。然后将格子数量最多的一类作为目标节点真实的范围，将该类的簇首(小格子的几何中心)作为目标节点实际的位置，如图7所示，被灰色实填充的格子数量最多，切都是邻居格子，把该类作为目标节点的实际位置范围，且图中三角形为簇首，表示定位结果。而被线条填充的表示误差格子，被划分为不同的类中，且数量比较少，可以排除这些误差较大的格子。

目标节点定位的结果如图7中的三角形位置所示，该算法以格子的几何中心作为定位结果。因为我们把定位区域D划分为m×n个小格子，只要划分的足够精细，则定位误差就可控制在可被接受的范围内。后面的实验证明了该算法的可靠性。

Claims (1)

1.一种基于Kriging的WSN多维度指纹向量定位方法，其特征在于，包括如下步骤：

步骤1，高斯滤波；

步骤11，以已知位置待处理的RSSI(接收信号强度)值为输入，由于存在多径效应的RSSI值服从正态分布，而高斯分布对于处理满足正态分布的噪声非常有效，因此满足公式

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

式(1)中x表示传感器获取的RSSI值，μ表示传感器获取到RSSI值的平均数，σ表示传感器获取的RSSI值的标准差,f(x)表示RSSI正态分布函数；

步骤12，正常的RSSI值发生在高概率区域[μ-0.6σ,μ+0.6σ],所以把高概率区域的RSSI平均值取出，这个过程就把异常值过滤掉；

步骤2，自适应Kriging插值算法；

步骤21，以步骤12获取的RSSI值为输入，使用自适应Kriging插值算法对定位区域内的未知位置点的RSSI值进行最优、无偏、线性估计，具体步骤包括为：

步骤211，使用Kriging插值算法找到样本点之间的依存规则，首先利用配对关系Pair(d,RSSI)(d表示两个传感器节点间的距离，RSSI表示传感器节点所获取的RSSI值)和经验半变异函数进行空间建模，然后采用最小二乘法进行拟合得到经验半变异模型，最后选择一个理想且误差最小的模型，经验半变异函数如下所示

$r\left(h\right)=\frac{1}{2n}\underset{i=1}{\overset{n}{\Σ}}{\left(z\right(x_i)-z(x_i+h\left)\right)}^2---\left(2\right)$

式(2)中n表示关系对Pair_i的数量，z(x_i)和z(x_i+h)分别表示配对的两个节点对应的RSSI值，且节点间距离为h，r(h)表示半变异函数值；

步骤212，以步骤211获得的经验半变异模型为输入，对未知位置点的RSSI值进行预测，预测过程如下公式所示

$z_o=\underset{i=1}{\overset{s}{\Σ}}{z}_x{w}_x---\left(3\right)$

式(3)中Z₀表示待估计位置的RSSI值，s表示预测过程所需要的样本数(本方法中s＝4)，Z_x表示样本传感器上所获取的RSSI值，W_x表示所需样本对应的权重系数，具体的权重系数W_x(x∈{1,2,3,4})可根据如下公式计算

$\left[\begin{array}{ccccc}\mathrm{\γ}\left(h_{11}\right)& \mathrm{\γ}\left(h_{21}\right)& \mathrm{\γ}\left(h_{31}\right)& \mathrm{\γ}\left(h_{41}\right)& 1\\ \mathrm{\γ}\left(h_{12}\right)& \mathrm{\γ}\left(h_{22}\right)& \mathrm{\γ}\left(h_{32}\right)& \mathrm{\γ}\left(h_{42}\right)& 1\\ \mathrm{\γ}\left(h_{13}\right)& \mathrm{\γ}\left(h_{23}\right)& \mathrm{\γ}\left(h_{33}\right)& \mathrm{\γ}\left(h_{43}\right)& 1\\ \mathrm{\γ}\left(h_{14}\right)& \mathrm{\γ}\left(h_{24}\right)& \mathrm{\γ}\left(h_{34}\right)& \mathrm{\γ}\left(h_{44}\right)& 1\\ 1& 1& 1& 1& 0\end{array}\right]\·\left[\begin{array}{c}{w}_1\\ w_2\\ w_3\\ w_4\\ \mathrm{\λ}\end{array}\right]=\left[\begin{array}{c}\mathrm{\γ}\left(h_{10}\right)\\ \mathrm{\γ}\left(h_{20}\right)\\ \mathrm{\γ}\left(h_{30}\right)\\ \mathrm{\γ}\left(h_{40}\right)\\ 1\end{array}\right]---\left(4\right)$

式(4)中γ(h_ij)(i,j∈{0,1,2,3,4})都可以通过步骤211中获取的经验半变异模型计算得到，λ为一个无关的未知数，W_i(i∈{1,2,3,4})表示所需样本对应的权重系数；

步骤3，RSSI向量指纹构建；

步骤31，采用步骤2的自适应插值算法可以建立一个信标节点对应在定位区域内的单维度指纹向量；

步骤32，所有信标节点广播信号建立对应的单维度指纹向量，再对所有单维度指纹向量进行并集操作，具体步骤包括：

步骤321，定位区域的长、宽分别为L和W，并将它划分为m行和n列，每个小格子的长和宽分别为cl＝L/m、cw＝W/N；

步骤322，步骤321将定位区域D划分后，通过Kriging插值算法计算每个小格子对应的RSSI值，这样就建立了信标节点A对应的单维度指纹V_A，V_A是一个m×n的指纹；

步骤323，对信标节点B、C、D、E重复步骤322，分别构建单维度指纹V_B、V_C、V_D、V_E，最后对单维度指纹做并集建立定位区域的多维度指纹向量，那么第i(i∈{1,2,3,…,m×n})个格子对应的5维向量就是五个单维度指纹在该位置的RSSI值的并集，通过321、322、323三个步骤就可以建立完整的定位区域多维度指纹向量

FingerP[m×n][5]＝V_A[m×n]∪V_B[m×n]∪V_C[m×n]∪V_D[m×n]∪V_E[m×n] (5)

式(5)中V_i[m×n](i∈{A,B,C,D,E})表示信标节点i广播信号在定位区域内建立的单维指纹向量，m×n表示定位区域内的格子数，FingerP[m×n][5]表示信标节点A、B、C、D、E对应的5个单维指纹向量的一个并集；

步骤4，组合匹配定位方法；

步骤41，以步骤323获得的多维指纹向量和需定位节点所获取到的多维RSSI向量为输入，使用向量相似度匹配算法得到相似度从高到低的前num个向量对应的格子，即是节点定位的范围，多维RSSI向量如下所示

$TV=\left[\begin{array}{c}{\mathrm{RSSI}}_a\\ {\mathrm{RSSI}}_b\\ {\mathrm{RSSI}}_c\\ {\mathrm{RSSI}}_d\\ {\mathrm{RSSI}}_e\end{array}\right]---\left(6\right)$

式(6)中RSSI_i(i∈{a,b,c,d,e})表示所对应的信标节点i广播信号时定位节点所获取的RSSI值，TV表示定位节点所获取到的5维RSSI指纹向量；

步骤5，K-means聚类算法提取定位结果；

步骤51，以步骤41获得的前num个格子为输入，使用K-means聚类算法对这些格子进行分类，提取出含格子数最多簇的簇首(簇的几何中心)作为节点的实际定位结果输出。