CN107071732A - 一种基于rssi的mle‑pso室内定位方法 - Google Patents

Abstract

本发明公开了一种基于RSSI的MLE‑PSO室内定位方法，包括以下步骤：在室内环境中设置多个基站，接收终端获取每个基站RSSI值，测得接收终端与每个基站之间的距离值；利用最大似然估计获得估计位置，每个基站对应一个估计位置，以多个估计位置所处区域确定一个限定范围；初始化粒子群优化算法的各参数，并在限定范围内随机生成粒子群；利用粒子群优化算法计算粒子群的全局最优解，在粒子群优化算法中以上述限定范围作为限定，选取最适合的全局最优解作为估计位置输出。该方法显著的提高了基于室内定位精度，同时保证定位算法的计算速度、定位所需采集数据量大小、迭代次数等动态表现性能。

Description

一种基于RSSI的MLE-PSO室内定位方法

技术领域

本发明属于导航、制导与控制技术领域，具体涉及一种基于RSSI的MLE-PSO室内定位方法。

背景技术

在现代社会中，随着如通信、网络。全球定位系统(Global Positioning System,GPS)、无线传感器网络(Wireless Sensor Networks,WSNs)等技术的迅速发展，似的位置感知计算和基于位置的服务(Location Based Services,LBS)在现实生活中显得越来越重要。定位技术的出现极大的方便了人们的生活，其影响已经延伸到了包括军事、科技、以及人们普通生活中的各个方面，而室内定位对于人们日常生活的帮助也使其越来越得到各领域的青睐。如超市里基于位置服务的信息推送，帮助人们在大型超市里面快速定位到某个商铺甚至是商品；又如当发生火灾、地震、人质劫持、炸弹威胁等紧急事件时只有精确的室内定位才能进行最优的救援路线规划和快速安全的救援工作。

GPS是当前应用最广泛最成功的定位技术。然而目前主流的GPS应用都适用于室外的场所，而在室内环境下传播环境复杂，而且GPS信号易被建筑物、金属遮盖物等吸收，而且遮挡物的存在使得无线信号发生折射、反射以及能量衰减等现象，加之其成本较高，严重影响了GPS在室内定位方面应用的发展。因此，为了满足个人和商业需求，各种室内定位技术应运而生。现有的典型的室内定位技术有Wi-Fi技术、蓝牙技术、红外技术、超宽带(UWB)技术等。根据在定位过程中是否需要测量接收端与发射端的实际距离，现有的室内定位算法分为基于测距(range-based)和无需测距(rang-free)算法，由于基于测距定位方法便于应用于工程实践中而得到了更加广泛的应用。典型的测距技术有信号到达时间TOA(time ofarrive)、信号到达时间差TDOA(time difference of arrive)、信号到达角AOA(angle ofarrive)、信号强度RSSI(received signal strength indication)等。但是由于信号在室内传播时存在路径短、传播环境复杂等问题，TOA、TDOA、AOA等方法难以实现精确测量，所以很难用这些方法得到较为精确的定位结果。而RSSI由于价格低廉，测距精度较高，获得了较为广泛的应用。

现在常用的基于距离的定位算法有最小二乘估计算法和最大似然估计算法。但是当测距误差变大，定位误差也将会变得异常大，定位精度不能得到保证。

发明内容

有鉴于此，本发明提供了一种基于RSSI的MLE-PSO室内定位方法，该方法使用最大似然估计算法作为参考限制，通过粒子群优化算法进行定位，显著的提高了基于室内定位精度，同时保证定位算法的计算速度、定位所需采集数据量大小、迭代次数等动态表现性能。

为了达到上述目的，本发明的技术方案为：一种基于RSSI的MLE-PSO室内定位方法，包括以下步骤：

步骤1，在室内环境中设置多个基站，接收终端获取每个基站RSSI值，通过对数阴影衰减模型测得接收终端与每个基站之间的距离值。

步骤2，针对多个距离值，利用最大似然估计获得估计位置，每个基站对应一个估计位置，以多个估计位置所处区域确定一个限定范围。

步骤3，初始化粒子群优化算法的各参数，并在限定范围内随机生成粒子群；

步骤4，针对每个粒子，在第t次迭代时，计算第i个粒子的适度值：对于每个基站，将第i个粒子与基站的距离、及第i个粒子与基站的估计位置的距离，二者做差获得当前基站对应差值，将所有基站对应差值做平方和得到第i个粒子的适度值；由此得到粒子群中每个粒子的适度值。

利用每个粒子的适度值，更新种群中的个体最优值和种群最优值，并根据粒子群优化算法进行速度和位置更新获得第t+1次迭代的位置。

t的初始值为1。

步骤5，判断更新后的第t+1次迭代的位置是否处于限定范围之内，若是，执行步骤6；若不是，则将t时刻的位置作为第t+1次迭代的位置，然后执行步骤6。

步骤6，判断是满足如下条件之一：满足设定定位精度或者满足当前迭代次数t为设定的最大迭代次数。

满足上述条件其一，则输出此时的全局最优解作为估计位置输出，本方法结束，否则t自增1，返回步骤4。

进一步地，当接收终端与基站间实际距离为d时，该接收终端所获取的基站RSSI值为

其中，RSSI_d和P₀分别为接收端与基站在实际距离d和参考距离d₀下的信号接收强度；n是基站和接收终端间的路径损耗因子，由室内环境确定；ζ～(0,σ²)是由于阴影衰落效应而造成的白噪声干扰，其中均方差σ的大小取决于传播路径的干扰；

此时基站与接收端的距离为：

进一步地，针对步骤2中建立的限定范围建立平面直角坐标系，将限定范围的左右边界点坐标分别记为X_L和X_R，上下边界点坐标分别记为Y_U和Y_D。

则步骤3在限定范围内选取粒子群的方法为：

第i个粒子在空间坐标系中的坐标为x_i(t)、y_i(t)，t的初始值为0；

x_i(0)＝X_L+r(X_R-X_L)

y_i(0)＝Y_D+r(Y_U-Y_D)；

其中r为范围为0到1的随机数；每个i对应一个r的取值。

进一步地，步骤3中初始化的粒子群优化算法的各参数包括：设定正的学习因子c₁和c₂，随机数r₁和r₂最大惯性权重ω_max和最小惯性权重ω_min，最大迭代次数T和粒子群种群大小；粒子群优化算法中的适度函数为

其中J为基站数量，j为当前基站编号，为当前基站对应估计位置；

d_i为第i个粒子与第j个基站的距离，X_i(t)为第i个粒子在第t次迭代中的位置；

利用粒子群优化算法得出第t次迭代时的个体最优值位pbest_i(t)和种群最优值为gbest(t)，则根据粒子群优化算法进行速度和位置更新的具体公式为：

第i个粒子在第t次迭代时的速度更新为

V_i(t+1)＝ωV_i(t)+c₁r₁[pbest_i(t)-x_i(t)]+c₂r₂[gbest-x_i(t)]

第i个粒子在第t次迭代时的位置更新为：X_i(t+1)＝X_i(t)+V_i(t+1)；

其中初始速度V_i(0)为0，初始位置X_i(0)采用第i个粒子的初始坐标表示；

其中ω为迭代次数为t时的惯性权重：

有益效果：

1、本发明提出的基于RSSI的MLE-PSO室内定位算法通过利用最大似然估计限制粒子群优化算法的初始化和迭代范围，结合了两种算法的优势，在各种测距误差下都大幅度提高了定位精度：当测距误差较小时，最大似然估计得到的位置准确，限制范围精确，所以本发明提出的算法能得到更精确的位置。当测距误差较大时，最大似然估计算法将会有较大误差，但由于此时定位过程是由粒子群算法实现，而最大似然估计能将空间的范围有所限制，能提高此时粒子群算法的效率，故本发明所提出的新的算法依然有较好的定位效果；

2、本发明使用的最大似然估计是用于限定粒子群优化算法的初始化和迭代过程，所以每个定位周期所需的RSSI值少(只需三个即可)，能够很好的减少数据计算量和提高位置更新速度；

3、本发明基于RSSI的MLE-PSO室内定位算法在使用粒子群优化算法时对其范围进行了限制，在提高定位精度的同时，能够减少算法迭代次数和粒子种群数量。

附图说明

图1为基于RSSI的MLE-PSO室内定位算法的流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

基于RSSI的MLE-PSO室内定位算法的原理是：根据无线传感器信号在室内传播衰减特点，建立接收终端接的接受信号强度(RSSI)与基站和接收终端距离数学模型，并利用该数学模型进行距离的推算。使用最大似然估计得到后续粒子群优化算法定位过程的初始化和迭代限制范围，在范围内利用粒子群算法进行粒子群的位置和速度进行更新，对每个粒子的位置进行判断，若粒子位置超出限制范围即用原位置进行替换，并在每次迭代中根据适应度函数对粒子最优位置和全局最优位置进行更新，直至达到设定的最大迭代次数。

本发明提出的基于RSSI的MLE-PSO室内定位算法流程如图1所示，具体如下：

步骤1，在室内环境中设置多个基站，接收终端获取每个基站RSSI值，通过对数阴影衰减模型测得接收终端与每个基站之间的距离值；本发明中不考虑基站高度，即接收终端与基站在同一平面中。

根据无线传感器信号在室内传播衰减特点，建立接收终端接的接受信号强度(RSSI)与基站和接收终端距离数学模型如下：

其中，RSSI_d(dBm)和P₀(dBm)分别为接收端与基站在距离d和d₀下的信号接受强度，n是节点间的路径损耗因子，ζ～(0,σ²)是由于阴影衰落效应而造成的白噪声干扰，其中均方差σ的大小取决于传播路径的干扰。因此，当测得环境的路径损耗因子n和接收信号强度RSSI_d(dBm)之后即可测得此时基站与接收端的大致距离：

当我们在采集RSSI_d时，随机变量ζ已经包含在其中，因此我们通过上述公式所得到的估计距离与真实距离一定存在误差。

步骤2，在已知J个基站的坐标的情况下，利用步骤1中获得接收端与每个基站的距离d_j(j＝1,2,…,J)，利用最大似然估计来获得估计位置每个基站对应一个估计位置，并由此获得粒子群优化算法定位的初始化和迭代限制范围。其具体表达式为：

其中

由于测距误差的存在，所获得的位置一定是存在误差。我们取每组数据中获得的最大的横坐标和纵坐标的值确定一个正方形区域，据此我们就获得了粒子群算法的限制区域X_L,X_R,Y_U,Y_D。

步骤3，初始化粒子群优化算法参数：设定正的学习因子c₁和c₂(一般设为0.8较为合适)，最大和最小惯性权重ω_max,ω_min，最大迭代次数T和粒子群种群大小N。并根据如下公式获得种群大小为N的粒子群：

第i个粒子的坐标为x_i(t)、y_i(t)，t的初始值为0；

x_i(0)＝X_L+r(X_R-X_L)

y_i(0)＝Y_D+r(Y_U-Y_D)；

其中r为范围为0到1的随机数；每个i对应一个r的取值。

步骤4，在第t次迭代时，t的初始值为1，根据适度函数计算每个粒子的适度值，更新个体最优值pbest_i(t)和种群最优值gbest(t)：用pbest_i(t)保存到第t次迭代时i粒子的适度值最小的位置，并比较所有pbest_i(t)，将适应度最小的粒子的位置作为全局最优量保存在gbest(t)中。

粒子群优化算法中的适度函数为

其中J为基站数量，j为当前基站编号；

d_i为第i个粒子与第j个基站的距离，X_i(t)为第i个粒子在第t次迭代中的位置；

利用粒子群优化算法得出第t次迭代时的个体最优值位pbest_i(t)和种群最优值为gbest(t)，则根据粒子群优化算法进行速度和位置更新的具体公式为：

第i个粒子在第+1t次迭代时的速度更新为

V_i(t+1)＝ωV_i(t)+c₁r₁[pbest_i(t)-x_i(t)]+c₂r₂[gbest-x_i(t)]

第i个粒子在第t+1次迭代时的位置更新为：X_i(t+1)＝X_i(t)+V_i(t+1)；

其中初始速度V_i(0)为0，初始位置X_i(0)采用第i个粒子的初始坐标表示；

其中ω为迭代次数为t时的惯性权重：

步骤5，判断更新后的第t+1次迭代的位置是否处于限定范围之内，若是，执行步骤6；若不是，则将t时刻的位置作为第t+1次迭代的位置，然后执行步骤6；

步骤6，判断是满足如下条件之一：满足设定定位精度或者满足迭代次数为设定的最大迭代次数；

满足上述条件其一，则输出此时的全局最优解作为估计位置输出，本方法结束，否则t自增1，返回步骤4。

综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于RSSI的MLE-PSO室内定位方法，其特征在于，包括以下步骤：

步骤1，在室内环境中设置多个基站，接收终端获取每个基站RSSI值，通过对数阴影衰减模型测得接收终端与每个基站之间的距离值；

步骤2，针对多个所述距离值，利用最大似然估计获得估计位置，每个基站对应一个估计位置，以多个所述估计位置所处区域确定一个限定范围；

步骤3，初始化粒子群优化算法的各参数，并在所述限定范围内随机生成粒子群；

步骤4，针对每个粒子，在第t次迭代时，计算第i个粒子的适度值：对于每个基站，将第i个粒子与基站的距离、及第i个粒子与基站的估计位置的距离，二者做差获得当前基站对应差值，将所有基站对应差值做平方和得到第i个粒子的适度值；由此得到粒子群中每个粒子的适度值；

利用每个粒子的适度值，更新种群中的个体最优值和种群最优值，并根据粒子群优化算法进行速度和位置更新获得第t+1次迭代的位置；

t的初始值为1；

步骤5，判断更新后的第t+1次迭代的位置是否处于所述限定范围之内，若是，执行步骤6；若不是，则将t时刻的位置作为第t+1次迭代的位置，然后执行步骤6；

步骤6，判断是满足如下条件之一：满足设定定位精度或者满足当前迭代次数t为设定的最大迭代次数；

满足上述条件其一，则输出此时的全局最优解作为估计位置输出，本方法结束，否则t自增1，返回步骤4。

2.如权利要求1所述的一种基于RSSI的MLE-PSO室内定位方法，其特征在于，当接收终端与基站间实际距离为d时，该接收终端所获取的基站RSSI值为

其中，RSSI_d和P₀分别为接收端与基站在实际距离d和参考距离d₀下的信号接收强度；n是基站和接收终端间的路径损耗因子，由室内环境确定；ζ～(0,σ²)是由于阴影衰落效应而造成的白噪声干扰，其中均方差σ的大小取决于传播路径的干扰；

此时基站与接收端的距离为：

3.如权利要求1所述的一种基于RSSI的MLE-PSO室内定位方法，其特征在于，针对步骤2中建立的所述限定范围建立平面直角坐标系，将限定范围的左右边界点坐标分别记为X_L和X_R，上下边界点坐标分别记为Y_U和Y_D；

则所述步骤3在所述限定范围内选取粒子群的方法为：

第i个粒子在所述空间坐标系中的坐标为x_i(t)、y_i(t)，t的初始值为0；

x_i(0)＝X_L+r(X_R-X_L)

y_i(0)＝Y_D+r(Y_U-Y_D)；

其中r为范围为0到1的随机数；每个i对应一个r的取值。

4.如权利要求3所述的一种基于RSSI的MLE-PSO室内定位方法，其特征在于，所述步骤3中初始化的粒子群优化算法的各参数包括：设定正的学习因子c₁和c₂，随机数r₁和r₂最大惯性权重ω_max和最小惯性权重ω_min，最大迭代次数T和粒子群种群大小；所述粒子群优化算法中的适度函数为

其中J为基站数量，j为当前基站编号，为当前基站对应估计位置；

d_i为第i个粒子与第j个基站的距离，X_i(t)为第i个粒子在第t次迭代中的位置；

利用粒子群优化算法得出第t次迭代时的个体最优值位pbest_i(t)和种群最优值为gbest(t)，则所述根据粒子群优化算法进行速度和位置更新的具体公式为：

第i个粒子在第t次迭代时的速度更新为

V_i(t+1)＝ωV_i(t)+c₁r₁[pbest_i(t)-x_i(t)]+c₂r₂[gbest-x_i(t)]

第i个粒子在第t次迭代时的位置更新为：X_i(t+1)＝X_i(t)+V_i(t+1)；

其中初始速度V_i(0)为0，初始位置X_i(0)采用第i个粒子的初始坐标表示；

其中ω为迭代次数为t时的惯性权重：