CN109640254B - 一种基于改进高斯滤波的加权质心定位算法 - Google Patents

Abstract

本发明揭示了一种基于改进高斯滤波的加权质心定位算法，该算法包括以下步骤：S1：向目标区域部署节点，锚节点会周期性的向周围发送自身的数据信息；S2：待测节点收到来自其邻居节点的RSSI值，对收到的RSSI值预处理，再判断已经记录的RSSI值是否已经超过预先设定的个数值；S3：对预处理过后的RSSI值进行高斯滤波处理并进行加权，得到最终的RSSI值；S4：将最终得到的RSSI值转换成距离，并以该距离值作为加权质心定位算法的权重因子的组成部分进而进行坐标定位；S5：根据部署节点时对未知节点坐标估计和计算得的未知节点的坐标计算定位误差。该算法能够在测距阶段，降低测距误差，在定位阶段降低定位误差，两阶段相结合，在一定程度上可很好的提高定位精度。

Description

一种基于改进高斯滤波的加权质心定位算法

技术领域

本发明涉及一种基于改进高斯滤波的加权质心定位算法，可用于无线传感节点定位技术领域。

背景技术

现如今，时代的不断变化，电子科技的发展，无线传感网络逐渐出现在人们眼前。随着时间的推移，人们对无线网络越来越了解，使得无线传感网络得到了快速发展，无线传感网络的快速发展又给人们的日常生活带来巨大的影响，同时也对国家及社会应用领域带来一定意义上的变革。

大量低花费、资源受限的传感器节点的密集分布组成了无线传感器网络。这些节点不仅能够感知周围环境，而且还能将感知到的物理信号通过转换器变成数字信号，进行计算，并存储信息。节点间的通信距离一般是有限，只能与其邻居节点通信，要想与较远距离的节点进行通信，则需要中间节点进行路由，即节点间的通信采用多跳路由模式。

无线传感网络应用在许多领域，例如紧急和临时场合，大型设备监控，医疗健康，军事情报工作等领域。一个自校准的传感器网络能够部署在一个大的区域，用非常小的节点来快速的输入收集数据，传输和显示这些数据给安全距离外的用户。WSN也能应用在危险的环境中或者灾害区域，这种环境下能够充分发挥它的作用。

无线传感器网络面临的问题主要有：1)节能问题，2)定位问题，3)网络拓扑问题，4)时钟同步问题，5)安全问题，6)配置问题，也叫部署问题，其中最关心的问题就是节点定位问题。因此，研究一种可精确对节点进行定位的算法就成为了亟待解决的问题。

发明内容

本发明的目的就是为了解决现有技术中存在的上述问题，提出一种基于改进高斯滤波的加权质心定位算法。

本发明的目的将通过以下技术方案得以实现：一种基于改进高斯滤波的加权质心定位算法，该算法包括以下步骤：

S1：通过随机播撒的方式向目标区域部署节点，节点包含未知节点和锚节点，锚节点会周期性的向周围发送自身的数据信息；

S2：待测节点收到来自其邻居节点的RSSI值，接收并记录RSSI值，对收到的RSSI值进行预处理，然后再判断已经记录的RSSI值是否已经超过预先设定的个数值，超过则停止接收，未超过则继续接收；

S3：对S2步骤预处理过后的RSSI值进行高斯滤波处理并进行加权，得到最终的RSSI值；

S4：将S3步骤最终得到的RSSI值转换成距离，并以该距离值作为加权质心定位算法的权重因子的组成部分进而进行坐标定位；

S5：根据部署节点时对未知节点的估计坐标和最终计算得到的未知节点的坐标信息计算定位误差。

优选地，在所述S1步骤中，所述数据信息包括ID，坐标以及RSSI值。

优选地，所述S2步骤还包括：

S21：对接收到的RSSI值进行预处理，先设定一个阈值，把收到的RSSI值与该阈值作比较，当大于这个阈值时就从记录中去除，预处理计算公式为：

其中，RSSI是理想值，R_thread＝0.8。

优选地，所述S3步骤还包括：

S31：把预处理后的n个RSSI值进行高斯滤波，根据高斯概率密度函数的特点，选取(μ-σ，μ+σ)区间内的RSSI值；

S32：对筛选后的k个RSSI值求平均，按公式

求得RSSI_AVG，进而给k个RSSI值赋予不同的权重，与该均值相差小的赋予较大的权值，相差较大的赋予较小的权值

如公式(1)，统一给权值进行归一化得到加权系数α_i，如公式(2)，以此求得修正后的RSSI值，如公式(3)；

优选地，所述概率密度函数计算公式如下：

其中，

优选地，所述S4步骤还包括：

S41：利用RSSI-d转换公式将改进的加权高斯滤波后的RSSI值转换成距离；

S42：根据修正过后的加权质心算法公式，即可估计出未知节点的坐标；

修正过后的加权质心算法公式如下式：

优选地，在所述S42步骤中，权值修正的加权质心定位算法的具体步骤如下：

S311：已知节点会周期性的向周围发送数据包括坐标，RSSI值等信息，待测节点记录其收到的通信范围内用来定位的已知节点的位置坐标以及RSSI值，然后对记录的RSSI值进行预处理。

S312：为待测节点的通信范围内同一个已知节点发送过来的可接收的数据个数设定一个阈值，当待测节点收到其通信范围内同一个已知节点发送来的坐标信息及RSSI的个数达到该阈值时，停止接收信息。

S313：利用改进的加权高斯滤波算法对接受到的RSSI值进行滤波处理，经过该算法处理后得到的RSSI值是最终的RSSI值。

S314：利用RSSI-d转换公式将改进的加权高斯滤波后的RSSI值转换成距离。

S315：利用权值修正公式，为待测节点可以用来进行定位的已知节点的坐标进行加权，最后求得待测节点的坐标。

优选地，在所述S315步骤中，所述待测节点坐标定位公式如下：

其中d_i i＝1，2，3，4.....，n代表已知节点距离待测节点的距离。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明通过先对待测节点收到的其邻居节点发送来的RSSI值进行预处理，然后再把预处理后的RSSI值进行改进高斯滤波处理，经过该处理后可以很好的去除严重失真的RSSI值，在测距阶段降低了测距误差，为后续的定位提供了较好的权重因子。

(2)权值修正的加权质心定位算法，使用测距阶段处理过的RSSI值，将RSSI值转换成距离，在此基础上进行一系列的权值处理，并充分考虑到了距离远近程度对未知节点的影响，使得距离未知节点近的锚节点占较大权重，距离远的占比重较小，从而在一定程度上提高了定位精度。

该算法能够在测距阶段，降低测距误差，在定位阶段降低定位误差，两个阶段相结合，在一定程度上可以很好的提高定位精度。

附图说明

图1为本发明基于改进高斯滤波的加权质心定位算法流程图。

图2为本发明的通信距离一定的情况下，各种滤波算法滤波后的RSSI值的变化对比图。

图3本发明的采样数一定的情况下，各种滤波算法滤波后的距离误差与通信距离的关系对比图。

图4为本发明的RSSI测距流程图。

图5为本发明的质心定位算法原理图。

图6为本发明的平均定位误差与通信半径之间的关系图。

图7为本发明的平均定位误差与锚节点数之间的关系图。

图8为本发明的平均定位误差与总节点数之间的关系图。

具体实施方式

本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。

如图1所示，本发明提出了一种基于改进高斯滤波的加权定位算法，该算法具体包括如下步骤：

该算法包括以下步骤：

S1：通过随机播撒的方式向目标区域部署节点，节点包含未知节点和锚节点，锚节点会周期性的向周围发送自身的数据信息；

S2：待测节点收到来自其邻居节点的RSSI值，接收并记录RSSI值，对收到的RSSI值进行预处理，然后再判断已经记录的RSSI值是否已经超过预先设定的个数值，超过则停止接收，未超过则继续接收；

S3：对S2步骤预处理过后的RSSI值进行高斯滤波处理并进行加权，得到最终的RSSI值；

S4：将S3步骤最终得到的RSSI值转换成距离，并以该距离值作为加权质心定位算法的权重因子的组成部分进而进行坐标定位；

S5：根据部署节点时对未知节点的估计坐标和最终计算法得到的未知节点的坐标信息计算定位误差。

所述S2步骤还包括：

S21：对接收到的RSSI值进行预处理，先设定一个阈值，把收到的RSSI值与该阈值作比较，当大于这个阈值时就从记录中去除，预处理计算公式为：

其中，RSSI是理想值，R_thread＝0.8。

所述S3步骤还包括：

S31：把预处理后的n个RSSI值进行高斯滤波，根据高斯概率密度函数的特点，选取(μ-σ，μ+σ)区间内的RSSI值；

S32：对筛选后的k个RSSI值求平均，按公式

求得RSSI_AVG，进而给k个RSSI值赋予不同的权重，与该均值相差小的赋予较大的权值，相差较大的赋予较小的权值

如公式(1)，统一给权值进行归一化得到加权系数α_i，如公式(2)，以此求得修正后的RSSI值，如公式(3)；

优选地，所述概率密度函数计算公式如下：

其中，

所述S4步骤还包括：

S41：利用RSSI-d转换公式将改进的加权高斯滤波后的RSSI值转换成距离；

S42：根据修正过后的加权质心算法公式，即可估计出未知节点的坐标；

修正过后的加权质心算法公式如下：

在所述S42步骤中，权值修正的加权质心定位算法的具体步骤如下：

S311：已知节点会周期性的向周围发送数据包括坐标，RSSI值等信息，待测节点记录其收到的通信范围内用来定位的已知节点的位置坐标以及RSSI值，然后对记录的RSSI值进行预处理。

S312：为待测节点的通信范围内同一个已知节点发送过来的可接收的数据个数设定一个阈值，当待测节点收到其通信范围内同一个已知节点发送来的坐标信息及RSSI的个数达到该阈值时，停止接收信息。

S313：利用改进的加权高斯滤波算法对接受到的RSSI值进行滤波处理，经过该算法处理后得到的RSSI值是最终的RSSI值。

S314：利用RSSI-d转换公式将改进的加权高斯滤波后的RSSI值转换成距离。

S315：利用权值修正公式，为待测节点可以用来进行定位的已知节点的坐标进行加权，最后求得待测节点的坐标。

在所述S315步骤中，所述待测节点坐标定位公式如下：

其中d_i i＝1，2，3，4.....，n代表已知节点距离待测节点的距离。

在所述的第一步和第二步中，锚节点会周期性的向周围发送自身的数据信息，包括ID，坐标以及RSSI值等，待测节点收到RSSI之后会进行预处理，看是否符合要求，符合则记录，反之，不符合就不记录，然后再判断已经记录的RSSI值是否已经超过阈值，超过则停止接收，未超过则继续接收。

上述所提到的预处理计算公式如下：

其中，RSSI是理想值，R_thread＝0.8。

第三步中对预处理后的RSSI值进行高斯滤波并进行加权。基本思想是选取概率高发生区的RSSI值，一般选取概率在0.6以上的区间即可，由查表以及性质可知选取区间(μ-σ，μ+σ)，将分布于该区间内的RSSI值取出并计算加权因子，确定最终的RSSI值即可。详细计算如下：

先计算RSSI的均值，

然后求出高斯滤波后的RSSI值与平均值的差，cha_i＝|RSSI_i-RSSI_AVG|。

其次求加权系数，因为高斯滤波后的RSSI值可能会与均值相等，因此加权系数表示为

将加权系数做归一化处理，

其中：R_i是第i个RSSI值，可以看出差值越小，相对应的加权系数越大，反之，越小。

最后计算优化后的RSSI值，将归一化加权系数与高斯滤波后的RSSI值分别相乘并求和即可，

将通过加权高斯滤波后的RSSI值的情况与其他滤波做对比，如图2所示，图中横坐标表示循环次数，纵坐标表示RSSI值，在通信距离一定的情况下，改进加权高斯滤波后的RSSI值较稳定且较接近于真实值。如图3所示，图中横坐标表示距离，纵坐标表示距离误差，在采样值不变，各种滤波后的距离误差随通信距离的变化情况。由此可知改进后的高斯滤波的测距较其他滤波更接近于理想值，且测距误差相对最少。如图4所示，该图是RSSI测距的流程图，在经过高斯滤波并加权后求得RSSI值之后，利用经典RSSI测距模型将高斯滤波后的RSSI值转换成对应的距离。

第四步和第五步中，采用加权质心定位算法计算未知节点的坐标并计算定位误差。利用高斯滤波处理后的RSSI值，将其转换成距离，作为权值修正公式的因子，然后根据修正后的加权质心公式求得最终的坐标。最后根据误差公式求得定位误差。详细过程如下：

第一步：把未知节点通信范围内的所有锚节点与未知节点的距离记为d_i(i＝1，2，3，...，n)，d_i是测距阶段获得的最优的距离。

第二步：改变d_i的主导地位关系，将未知节点通信范围内的所有锚节点与未知节点的距离求和记为

第三步：将每个距离d_i与除去自身之外的距离和d_ti＝dd-d_i做比值记为

并对比值a加幂值，从而进一步改善他们的权重决定权。具体的权重修正公式如下：

第四步：计算未知节点的坐标，图5是质心定位算法的原理图，由该图可以确定加权质心定位算法的计算公式如下：

第五步：计算定位误差和平均定位误差，公式如下：

其中(x′_i，y′_i)是未知节点的真实坐标，(x_i，y_i)是未知节点的估计坐标。

其中N为未知节点个数，E_i为第i个未知节点的定位误差。

如图6所示，图中横坐标表示通信半径，纵坐标表示平均定位误差，在锚节点以及总节点不变的情况下，平均定位误差随着通信半径的增大而降低，本发明的算法定位误差最小。

如图7所示，图中横坐标表示锚节点数，纵坐标表示平均定位误差，在通信半径以及总节点不变的情况下，平均定位误差随着锚节点的增大而降低，本发明的算法定位误差最小。

如图8所示，图中横坐标表示总节点数，纵坐标表示平均定位误差，在锚节点所占比例不变以及通信半径不变的情况下，平均定位误差随着总节点数的增大而降低，本发明的算法定位误差最小。

本发明算法是在原有的基于RSSI测距的加权质心算法的基础上对测距阶段以及权值选取阶段做了改进，仿真结果表明该发明算法能够在测距阶段减少测距误差，在定位阶段降低定位误差，提高定位精度。

该方法能够在测距阶段降低测距误差，在定位阶段降低定位误差。该方法在测距阶段对收集到的RSSI值先进行滤波处理并对处理后的RSSI值进行加权得到最终的RSSI值，然后转换成距离，在定位阶段，采用权值修正的方法对权重进行修正，再进行定位计算。该方法能够降测距误差，进而和权值修正想结合降低最终的定位误差，在一定程度上提高定位精度。

本发明尚有多种实施方式，凡采用等同变换或者等效变换而形成的所有技术方案，均落在本发明的保护范围之内。

Claims (4)

1.一种基于改进高斯滤波的加权质心定位算法，其特征在于：该算法包括以下步骤：

S1：通过随机播撒的方式向目标区域部署节点，节点包含未知节点和锚节点，锚节点会周期性的向周围发送自身的数据信息；

S2：未知节点收到来自其邻居节点的RSSI值，接收并记录RSSI值，对收到的RSSI值进行预处理，然后再判断已经记录的RSSI值是否已经超过预先设定的个数值，超过则停止接收，未超过则继续接收；

S3：对S2步骤预处理过后的RSSI值进行高斯滤波处理并进行加权，得到最终的RSSI值；

S4：将S3步骤最终得到的RSSI值转换成距离，并以该距离值作为加权质心定位算法的权重因子的组成部分进而进行坐标定位；

S5：根据部署节点时对未知节点的估计坐标和最终计算得到的未知节点的坐标信息计算定位误差；在所述S1步骤中，所述数据信息包括ID，坐标以及RSSI值；

所述S3步骤还包括：

S31：把预处理后的n个RSSI值进行高斯滤波，根据高斯概率密度函数的特点，选取(μ-σ，μ+σ)区间内的RSSI值；

S32：对筛选后的k个RSSI值求平均，按公式

求得RSSI_AVG，进而给k个RSSI值赋予不同的权重，与该均值相差小的赋予较大的权值，相差较大的赋予较小的权值

如公式(1)，统一给权值进行归一化得到加权系数α_i，如公式(2)，以此求得修正后的RSSI值，如公式(3)；

其中，

在所述S42步骤中，权值修正的加权质心定位算法的具体步骤如下：

S311：已知节点会周期性的向周围发送数据包括坐标，RSSI值等信息，待测节点记录其收到的通信范围内用来定位的已知节点的位置坐标以及RSSI值，然后对记录的RSSI值进行预处理；

S312：为未知节点的通信范围内同一个已知节点发送过来的可接收的数据个数设定一个阈值，当待测节点收到其通信范围内同一个已知节点发送来的坐标信息及RSSI的个数达到该阈值时，停止接收信息；

S313：利用改进的加权高斯滤波算法对接受到的RSSI值进行滤波处理，经过该算法处理后得到的RSSI值是最终的RSSI值；

S314：利用RSSI-d转换公式将改进的加权高斯滤波后的RSSI值转换成距离；

S315：利用权值修正公式，为待测节点可以用来进行定位的已知节点的坐标进行加权，最后求得待测节点的坐标。

2.根据权利要求1所述的一种基于改进高斯滤波的加权质心定位算法，其特征在于：所述S2步骤还包括：

S21：对接收到的RSSI值进行预处理，先设定一个阈值，把收到的RSSI值与该阈值作比较，当大于这个阈值时就从记录中去除，预处理计算公式为：

其中，RSSI是理想值，R_thread＝0.8。

3.根据权利要求1所述的一种基于改进高斯滤波的加权质心定位算法，其特征在于：所述S4步骤还包括：

S41：利用RSSI-d转换公式将改进的加权高斯滤波后的RSSI值转换成距离；

S42：根据修正过后的加权质心算法公式，即可估计出未知节点的坐标；

修正过后的加权质心算法公式如下：

4.根据权利要求1所述的一种基于改进高斯滤波的加权质心定位算法，其特征在于：在所述S315步骤中，所述未知节点坐标定位公式如下：

其中d_i i＝1，2，3，4......，n代表已知节点距离待测节点的距离。

Images