CN110234072A - 基于指纹量化的改进加权质心定位方法 - Google Patents

Abstract

本发明公开了基于指纹量化的改进加权质心定位方法，涉及室内定位技术领域，该方法在Zigbee通信环境下，采集实际测量值建立指纹数据库，在量化域内根据未知节点接收到的RSSI值进行量化，获得量化距离及量化RSSI值，将量化距离以及产生的量化误差作为权值参数，进一步利用改进的交集三角形加权质心算法对未知节点进行定位。实验结果表明，该算法可以有效避免因信号衰减严重而造成的理论误差问题，提高了定位精度。

Description

基于指纹量化的改进加权质心定位方法

技术领域

本发明涉及室内定位技术领域，特别是涉及基于指纹量化的改进加权质心定位方法。

背景技术

在无线传感器网络技术的应用中，目标定位至关重要。因此，无线定位技术在目标跟踪、小范围内高精度定位等领域有着重要的作用。

为了获得更加精确的定位，国内外研究人员提出了多种定位的算法，并在已有算法的基础上不断进行改进。在无线定位中，可将定位算法分为基于测距的定位算法和基于非测距的定位算法。基于非测距的定位算法仅依据网络的连通性来估算节点的位置，对硬件要求不高，但该类算法能实现的定位精度较低。目前研究最广泛的算法是基于接收信号强度RSSI(Received Signal Strength Indication)的测距算法，该类算法软硬件实现起来简单，功耗和成本都较低，很适合室内的短距离无线定位。

将基于RSSI的测距算法与非测距定位算法中的质心算法相结合进行目标定位是目前研究的热点，但RSSI受环境及节点间距的影响，测距误差大，质心定位算法受到测距误差的影响，导致定位不准确。

发明内容

本发明实施例提供了基于指纹量化的改进加权质心定位方法，可以解决现有技术中存在的问题。

本发明提供了基于指纹量化的改进加权质心定位方法，包括以下步骤：

布设多个参考节点，每个参考节点周围均布设多个采样点，在采样点处采集RSSI值，以RSSI值和采样点距离参考节点的距离作为指纹样本，建立指纹数据库；

根据指纹数据库中的指纹样本确定量化域，并将该量化域划分为多个量化区间；

未知节点接收来自参考节点的信号，在接收的信号数量超过3个时选择未知节点一跳范围内的RSSI值最大的3个参考节点，根据选定的参考节点的RSSI值确定每个参考节点的RSSI值在量化区间中对应的量化距离和量化RSSI值；

以选定的3个参考节点的为圆心，以各自的量化距离为半径作圆确定三个圆周的交点坐标，即交集三角形的顶点坐标，结合交集三角形的顶点坐标以及考虑3个参考节点的量化距离和量化RSSI值与实测RSSI值之间差值的权值，计算得到未知节点的坐标。

本发明中的基于指纹量化的改进加权质心定位方法，经过实验验证，表明本发明的方法能够有效避免因信号衰减严重而造成的理论误差问题，提高了定位精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图；

图2为RSSI测距对比示意图；

图3为指纹样本采集示意图；

图4为量化区间示意图；

图5为交集三角形加权质心定位的示意图；

图6为节点随机分布图；

图7为三角加权质心算法和本发明中方法的误差曲线；

图8为现有技术中基于RSSI的改进加权质心定位算法和本发明中方法的误差曲线。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，本发明提供了基于指纹量化的改进加权质心定位方法，该方法包括以下步骤：

1、指纹数据库的建立，通过实际测试，选择等间隔距离设置若干采样点，采集适量样本数据，构建指纹数据库。

2、量化距离及量化RSSI值的确定，根据参考节点布放的间隔设定量化域，划分若干量化区间，将指纹数据库中的样本数据作为量化区间的端点，目标定位时，将未知节点接收到的RSSI值在量化域中进行比对，确定所在区间，选择邻近的量化区间端点，将该端点对应的样本距离作为未知节点到参考节点的量化距离，对应的样本RSSI值作为量化RSSI值。

3、交集三角形质心定位算法改进，改进传统加权质心定位算法权值的选取方式，考虑量化误差以及未知节点与参考节点的距离，以获取更加合理有效的权值，提高定位精度。

下面对本发明方法中的每个步骤进行详细说明。

指纹数据库的建立

室内环境下一般障碍物多，环境复杂，造成干扰因素多，RSSI信号衰减严重，导致测距模型计算的误差加大。RSSI理论值与实际值的对比数据如图2所示。在0-15m的测试区间内，将发射端AP位置固定，接收端从距离发射端AP 1m的地方向后移动，每隔任意距离(均小于1m)测量10个数据，求出RSSI的平均值。可以看到，RSSI测距的实际测量值与理论值之间存在较大的误差。所以，本发明直接选用实际测量值建立指纹数据库，避免因信号衰减严重而造成的理论误差问题。

在室内选择N个位置布放参考节点，距离每个参考节点每远离相同的距离D米，以参考节点为圆心，以逐渐增加的距离为半径，在相同半径的圆周上不同位置设置N’个采样点，每个采样点采集RSSI值，为保证定位精度D值应小于0.5m。计算N个位置处的以参考节点为圆心、半径相同的圆周上采样点的RSSI值的平均值作为各个采样圆周的RSSI值，该RSSI值与采样点距离参考节点的实际距离d(即圆周的半径)一起作为该采样圆周的指纹样本，如图3所示。

设每个采样点采集的RSSI值和指纹样本RSSI值分别为R_Si和R_Fi，两者的关系如公式(1)：

则确定该采样点的指纹样本为(R_Fi,d_Fi)，其中d_Fi为第i个采样圆周上采样点与参考节点的实际距离。

为保证定位精度，设定未知节点定位时仅选用一跳范围内的参考节点，室内实际参考节点的布放保证未知节点可在一跳范围内至少接收到3个参考节点的信号，据统计分析，未知节点到可用参考节点的最远距离小于间距最大的相邻两参考节点间的距离，将相邻两参考节点间的最大间隔记为S_max，根据上述指纹样本的确定原则，可得到指纹数据库如公式(2)所示。

{(R_F1,d_F1),(R_F2,d_F2),…(R_Fi,d_Fi),…(R_FM,d_FM)} (2)

其中

量化距离及量化RSSI值的确定

在目标定位时，未知节点与参考节点间的实际距离是任意数且有无穷多个取值。为快速获取到两者间的实际距离，本发明采用数字通信技术中的量化思想，设定量化域，划分量化区间，获得量化距离。

将指纹数据库中的指纹样本数据(R_F1,d_F1)与(R_FM,d_FM)之间的区域构成整个量化域，在量化域中根据指纹样本的数量划分等量的量化区间，取指纹数据库中各个指纹样本(R_Fi,d_Fi)作为各量化区间的端点，样本中的距离值d_Fi作为量化距离，RSSI值R_Fi作为量化RSSI值。d_Fi与d_Fi-1间的差为D米，R_Fi与R_Fi-1间的差值无规律，为任意量。量化的物理过程如图4所示。

目标定位时，将未知节点接收到的来自参考节点信号的RSSI平均值R_A与指纹数据库中的指纹样本数据进行比较，当R_Fi<R_A<R_Fi+1时，R_A落在(R_Fi,d_Fi)与(R_Fi+1,d_Fi+1)确定的量化区间内，此时比较R_A分别与R_Fi、R_Fi+1的距离差，选择差值小的指纹样本数据并作记录，将该指纹样本数据中的指纹样本距离作为此未知节点到参考节点的量化距离，指纹样本数据中的RSSI值作为量化RSSI值。设R_A与R_Fi、R_Fi+1的差的绝对值分别为R_AFi与R_AFi+1，计算公式如(3)(4)所示。

R_AFi＝|R_A-R_Fi| (3)

R_AFi+1＝|R_A-R_Fi+1| (4)

比较R_AFi与R_AFi+1的大小，如果R_AFi>R_AFi+1，说明R_A更接近于R_Fi+1的值，此时选择指纹样本(R_Fi+1,d_Fi+1)；如果R_AFi<R_AFi+1，则选择指纹样本(R_Fi,d_Fi)，未知节点到参考节点的量化距离以及量化RSSI值即可确定。

按照以上方法，未知节点一跳范围内的3个参考节点AP1、AP2、AP3的量化距离都能确定，分别记作d₁、d₂、d₃。

当量化距离已确定，通过交集三角形加权质心算法确定目标位置。

交集三角形质心定位算法改进

在传统质心算法的基础上，为提高定位精度，许多学者针对该算法的原理，对权值进行了改进，提出了一种加权质心算法，将未知节点接收到的RSSI值作为权值，通过这种方式可以反映出参考节点对未知节点的影响程度，从而达到提高定位精度的目的。如公式(5)所示：

其中w_p为权值，(x,y)为未知节点坐标，(x_p,y_p)为参考节点坐标。在实际环境中，单纯使用RSSI值作为权值可能会使定位误差较大，RSSI值随着距离的增大会不断减小。

本发明提出了一种改进的交集三角形加权质心定位算法，如图5所示。设参考节点AP1、AP2、AP3的坐标为(x_AP1,y_AP1)、(x_AP2,y_AP2)、(x_AP3,y_AP3)，分别以AP1、AP2、AP3为圆心，量化距离d₁、d₂、d₃为半径作圆，由式(6)计算三个圆相交的三个点B1、B2、B3的坐标分别为(x_B1,y_B1)、(x_B2,y_B2)、(x_B3,y_B3)：

同理可得B2、B3的坐标。

由于上述方法中对未知节点到参考节点的实际距离进行了量化，一定会产生相应的量化误差，参考节点AP1、AP2、AP3与未知节点间的量化距离以及量化误差的大小同时影响着未知节点的定位，本发明对于权值的选择有以下考虑：

1)参考节点距离未知节点越近，对未知节点的定位影响越大，故选取作为权值的参数；

2)量化RSSI的差值越小，对应的参考节点对未知节点的定位影响越大，将量化RSSI值和实际测得的RSSI均值间的差值记为ε，计算式如(7)所示。

ε_q＝min(|R_A-R_Fi|,|R_A-R_Fi+1|) (7)

(7)

其中q＝1,2,3，表示3个参考节点AP1、AP2和AP3，选取 作为权值的参数。

综上考虑，改进的权值如公式(8)(9)(10)所示：

由此得到改进的交集三角形加权质心算法，结合三角形顶点B1、B2、B3坐标，计算未知节点的坐标P(x,y)如式(11)所示：

实验仿真

实验选择在一个10m×15m的办公环境内，基于Zigbee定位系统，硬件采用6个CC2530射频芯片，4个作为参考节点，1个作为未知节点，1个作为网关。本发明将参考节点位置固定，分别放置在(0.00，0.00)、(9.75，0.00)、(0.00，14.50)、(9.75，14.50)，对未知节点随机选择20个位置进行实验，如图6所示。黑色“*”表示参考节点，黑色“o”表示未知节点。

设未知节点第r个位置求解的坐标和真实坐标分别为(x'_r,y'_r)和(x_r,y_r)，Err_r和分别为未知节点第r个位置的一次定位误差和测试30次的平均误差，Err为未知节点20个随机位置的总体平均误差，计算公式如下：

本发明首先与基于RSSI的三角加权质心算法进行对比，在相同的实验环境及实验参数下，测得数据拟合出两种算法的误差对比图如图7所示。基于RSSI的三角加权质心算法最大定位误差2.3m，平均定位误差Err＝0.78m，有40％的未知节点定位误差在1m以下，有15％的未知节点定位误差在0.5m以下；利用本发明算法得到的最大定位误差为1.6m，平均定位误差Err＝0.68m，有70％的点定位误差在1m以下，有45％的未知节点定位误差在0.5m以下。比较两种算法，本发明算法的定位精度大大高于三角加权质心算法。

王亚民、王海英、何佩伦发表的基于RSSI的改进加权质心算法，下称对比算法，也是基于RSSI的改进三角加权质心算法，实验的环境与本发明相似。为了进一步测试本发明改进定位算法的性能，将其与对比算法进行测试对比，本发明的定位算法与对比算法的测试对比结果如图8所示。从图8可以看出，在多数点上本发明的定位精度都是高于对比算法，仅在个别点上定位精度低于对比算法，但是差别也很小。所以本发明算法的定位精度从总体上来说要高于对比算法。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.基于指纹量化的改进加权质心定位方法，其特征在于，包括以下步骤：

布设多个参考节点，每个参考节点周围均布设多个采样点，在采样点处采集RSSI值，以RSSI值和采样点距离参考节点的距离作为指纹样本，建立指纹数据库；

根据指纹数据库中的指纹样本确定量化域，并将该量化域划分为多个量化区间；

未知节点接收来自参考节点的信号，在接收的信号数量超过3个时选择未知节点一跳范围内的RSSI值最大的3个参考节点，根据选定的参考节点的RSSI值确定每个参考节点的RSSI值在量化区间中对应的量化距离和量化RSSI值；

以选定的3个参考节点的为圆心，以各自的量化距离为半径作圆确定三个圆周的交点坐标，即交集三角形的顶点坐标，结合交集三角形的顶点坐标以及考虑3个参考节点的量化距离和量化RSSI值与实测RSSI值之间差值的权值，计算得到未知节点的坐标。

2.如权利要求1所述的基于指纹量化的改进加权质心定位方法，其特征在于，建立指纹数据库时，在室内选择N个位置布放参考节点，以参考节点为圆心作多个圆，在相同半径的圆周上不同位置设置N’个采样点，每个采样点采集RSSI值，设每个采样点采集到的RSSI值和指纹样本RSSI值分别为R_Si和R_Fi，将N个位置处的以参考节点为圆心、半径相同的圆周上采样点的RSSI值的平均值作为各个采样圆周的RSSI值：

该RSSI值与采样点距离参考节点的实际距离作为该采样圆周的指纹样本(R_Fi,d_Fi)建立指纹数据库，其中d_Fi为第i个采样圆周上采样点与参考节点的实际距离，即指纹样本距离。

3.如权利要求2所述的基于指纹量化的改进加权质心定位方法，其特征在于，考虑未知节点到可用参考节点的最远距离，建立的指纹数据库如下：

{(R_F1,d_F1),(R_F2,d_F2),…(R_Fi,d_Fi),…(R_FM,d_FM)}

其中S_max为相邻两参考节点间的最大间隔，D为同一个参考节点周围相邻两个圆周之间的距离。

4.如权利要求3所述的基于指纹量化的改进加权质心定位方法，其特征在于，划分量化区间时，将指纹数据库中的指纹样本数据(R_F1,d_F1)与(R_FM,d_FM)之间的区域构成整个量化域，在量化域中根据指纹样本的数量划分等量的量化区间，取指纹数据库中各个指纹样本(R_Fi,d_Fi)作为各量化区间的端点，样本中的距离值d_Fi作为量化距离，RSSI值R_Fi作为量化RSSI值。

5.如权利要求2所述的基于指纹量化的改进加权质心定位方法，其特征在于，确定选定的参考节点RSSI值在量化区间中对应的量化距离和量化RSSI值时，将未知节点接收到的来自参考节点信号的RSSI平均值R_A与指纹数据库中的指纹样本数据进行比较，当R_Fi<R_A<R_Fi+1时，R_A落在(R_Fi,d_Fi)与(R_Fi+1,d_Fi+1)确定的量化区间内，此时比较R_A分别与R_Fi、R_Fi+1的距离差，选择差值小的指纹样本数据并作记录，将该指纹样本数据中的指纹样本距离作为此未知节点到参考节点的量化距离，指纹样本数据中的RSSI值作为量化RSSI值。

6.如权利要求5所述的基于指纹量化的改进加权质心定位方法，其特征在于，计算交集三角形的顶点坐标时，设选定的参考节点AP1、AP2、AP3的坐标为(x_AP1,y_AP1)、(x_AP2,y_AP2)、(x_AP3,y_AP3)，分别以参考节点AP1、AP2、AP3为圆心，与每个参考节点对应的量化距离d₁、d₂、d₃为半径作圆，由下式计算三个圆相交的三个点B1、B2、B3的坐标(x_B1,y_B1)、(x_B2,y_B2)、(x_B3,y_B3)，B1的坐标计算式为：

根据上式也能计算得到B2和B3的坐标。

7.如权利要求6所述的基于指纹量化的改进加权质心定位方法，其特征在于，考虑3个参考节点的量化距离和量化RSSI值与实测RSSI值之间差值的权值计算如下：

其中，w₁、w₂和w₃分别为与3个参考节点对应的权值，将量化RSSI值和实际测得的RSSI均值间的差值记为ε，计算式如下：

ε_q＝min(|R_A-R_Fi|,|R_A-R_Fi+1|)

其中q＝1,2,3，表示3个参考节点AP1、AP2和AP3。

8.如权利要求7所述的基于指纹量化的改进加权质心定位方法，其特征在于，按照下式计算未知节点的坐标P(x,y)：