CN113453150A - 一种基于rssi测距的火灾监测网络定位方法 - Google Patents
一种基于rssi测距的火灾监测网络定位方法 Download PDFInfo
- Publication number
- CN113453150A CN113453150A CN202110715055.0A CN202110715055A CN113453150A CN 113453150 A CN113453150 A CN 113453150A CN 202110715055 A CN202110715055 A CN 202110715055A CN 113453150 A CN113453150 A CN 113453150A
- Authority
- CN
- China
- Prior art keywords
- formula
- reference node
- positioning
- node
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 9
- 230000033001 locomotion Effects 0.000 description 20
- 238000012360 testing method Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种基于RSSI测距的火灾监测网络定位方法，建立对数距离路径损耗模型；根据已知参考节点的位置，周期性动态测量获得其与邻居参考节点间的接受信号强度，利用对数距离路径损耗模型得到当前时刻监测区域内的路径损耗指数n值；利用RF信号传播衰减模型，通过测量PR(d)值来计算网络中的参考节点和其他参考节点的距离，将所测得的距离和实际距离比较并获得参考节点处PR(d)值的测量误差；利用基于遗忘调节因子的RLS定位算法估算出监测节点的坐标。该方法能够充分考虑RSSI测距误差和参考节点数量等因素对定位精度的影响，其定位效果理想，能够满足网络环境复杂恶劣和定位成本受限的火灾环境监测系统的定位需求。
Description
技术领域
本发明属于火灾监控技术领域，具体涉及一种基于RSSI测距的火灾监测网络定位方法。
背景技术
无线传感器网络(Wireless sensor network，WSN)能够通过传感器和无线通信实时协作地感知、采集、传输和处理监测区域内的环境数据，还能够实施人迹不能到达的环境恶劣区域的低功耗无人持续监测作业。节点坐标位置信息不仅是目标监测和跟踪等应用的基础，而且还能够提高路由效率，实施无线网络拓扑的自配置。无线网络火灾监测系统可以最大限度地减少对建筑物的破坏，无线网络的自组织性使得灾情监测系统可以在短时间内组网，能够在不必人力介入时实现对危险灾情场合的监测，在现有技术中已经在灾情监测领域开展了一些相关的应用研究。由于火灾现场的人员定位和灾情监测都建立在位置信息的基础之上，因此有效定位问题显得格外重要。为了保证火灾环境现场监测的覆盖程度，通常需要部署大量的监测节点，势必造成设备成本上升与管理难度增大。使用移动监测节点对火灾现场进行动态和随机监测，不仅可以减少监测点数量，而且能够增大网络的信息采集范围，最大限度地搜寻有效信息。
为了能随时了解火灾环境及灾情状况，提高灭火和紧急救援的效率，并满足于火灾在线监测系统的实际需求，以及针对火灾灾情监测节点定位的实际需求，需要对火灾环境监测无线传感器网络中的移动监测节点进行有效的定位。
无线火灾监测系统的节点定位通常需要考虑下列WSN基本条件，如传感器节点硬件大多成本低廉且大量密集部署，环境恶劣，节点能量、通信距离和带宽有限，能量和成本具有一定的约束，节点通信能力和计算能力有限，现实中的无线传感器网络通信信道存在信道衰落和噪声等。
根据是否需要测距，现有定位算法可分为基于测距的定位算法(Range-Based)和无需测距的定位算法(Range-Free)。Range-Based定位算法精度较高，但需要测量节点间的距离、角度或信号强度信息之后，以便使用定位算法进行定位计算。常用测距技术有到达时间(TOA)、到达时间差(TDOA)、到达角(AOA)、接收信号强度指示(received signalstrengthindicator，RSSI)。采用接收信号强度(RSS)进行测距，因无需增加额外硬件设备、功耗低和成本较低而备受关注。但RSSI测距法受环境影响较大，因此无线信号传播非线性建模导致定位问题表现为非线性估计问题。附加冗余信息的RF无线通信建模测距对于定位精度的提高有利，因此在适当的应用条件下，RSSI是一种性价比较高的测距定位解决方案，而在现有技术中，并无采用基于RSSI测距的定位方法，导致定位效果不理想，且不能够满足网络环境复杂恶劣和定位成本受限的火灾环境监测系统的定位需求。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于RSSI测距的火灾监测网络定位方法，该方法能够充分考虑RSSI测距误差和参考节点数量等因素对定位精度的影响，其定位效果理想，能够满足网络环境复杂恶劣和定位成本受限的火灾环境监测系统的定位需求。
本发明提供了一种基于RSSI测距的火灾监测网络定位方法，包括以下步骤：
步骤一：根据公式(1)建立对数距离路径损耗模型；
式中，n为路径损耗指数；d0为信号传播参考距离；PR(d0)是信号发射后d0处的接收信号强度，Xσ是均值为0、标准差范围4～10的高斯随机变量；
步骤二：根据已知参考节点的位置，周期性动态测量获得其与邻居参考节点间的接受信号强度，利用对数距离路径损耗模型并根据公式(2)得到当前时刻监测区域内的路径损耗指数n值；
式中，d1为参考节点r0到附近的另外参考节点R1间的实际距离，d2为参考节点R0到附近的另外参考节点R2间的实际距离；PR(d1)为参考节点R0与参考节点R1间的PR(d)值，
PR(d2)为参考节点R0与参考节点R2间的PR(d)值，
步骤三：利用RF信号传播衰减模型，通过测量PR(d)值来计算网络中的参考节点和其他参考节点的距离，将所测得的距离和实际距离比较并获得参考节点处PR(d)值的测量误差，具体步骤如下：
S11，设参考节点为Ri(xi，yi)，i＝1，2，…，n，其中n为参与校正计算的参考节点个数；设待校正参考节点为R0(x0，y0)；R0(x0，y0)到Ri(xi，yi)的实际距离分别为ri， i＝1，2，…，n；通过PR(d)测量得到的距离分别为di，i＝1，2，…，n；
S12，根据公式(3)获得测距相对误差；
S13，根据公式(4)获得参考节点Ri(xi，yi)处的加权测距相对误差校正系数μw；
S14，根据公式(5)获得监测节点和参考节点Ri之间的校正距离
式中，dui是监测节点和参考节点Ri之间的测量距离，单位m；
步骤四：利用基于遗忘调节因子的RLS定位算法估算出监测节点的坐标，具体步骤如下：
S21，设网络中的未知节点为U(x1，y1)，参考节点为Ri(xi，yi)到未知节点为 U(x1，y1)的测量距离为di，i＝1，2，…，N；
S22，根据公式(6)获得N个测量方程；
式中，
vi为测量误差；
S23，将公式(6)两边平方后获得公式(7)；
S24，求解公式(7)后获得公式(8)；
h＝Gθ+v(10) (8)；
式中，
S25，利用递推最小二乘法RLS对测量过程建模，得到公式(9)；
hk＝Gkθk+vk (9)；
S26，根据公式(10)计算测量误差代价函数J(θk)；
S27，根据公式(11)计算用前k个观测数据进行最小二乘算法得到的估计值
S28，引入针对误差的指数加权因子，根据公式(12)形成带遗忘因子的RLS估计算法；
式中，λ为遗忘因子，λ∈(0，1)；
S29，整理公式(12)得到公式(13)；
式中，Ck为递推增益矩阵，
Qk为协方差矩阵，
作为一种优选，在步骤一中，d0的取值为1m。
作为一种优选，在步骤二中，路径损耗指数取值n在2～5之间，且障碍物数量及遮挡越多n值越大。
本发明提出了一种基于动态路径损耗指数测距算法的火灾环境监测无线传感器网络递推LS定位方法。针对目前火灾环境定位算法存在的问题，在不增加节点硬件、满足定位精度的前提下，在深入研究RSSI定位原理和定位系统应用需求的基础上，应火灾现场定位系统的要求，在定位实施的各个阶段，采用切实可行的方案，在保全定位功能的前提下，尽量减少定位开销。通过获得RSSI值得到监测点距离的相关信息，基于设计低能耗及可靠的火灾现场人员及灾情监测系统，本申请提出一种基于路径损耗因子动态获取的测距算法，结合带遗忘因子递推最小二乘定位算法，获得了网络监测节点比较精确的坐标位置信息。该方法的定位精度能够满足系统要求，计算复杂度和通信开销较小，能有效抵抗噪声干扰，适用于火灾监测系统中的WSN监测节点定位。利用本方法能够实现火灾环境的自动监测和定位，便于监测节点能实时将采集火灾环境中的现场温度、湿度和烟雾浓度等数据发送到监测中心处理，从而有助于实时监测火灾灾情的状况。
具体实施方式
下面结合实施例对本发明作进一步说明。
本发明提供了一种基于RSSI测距的火灾监测网络定位方法，包括以下步骤：
步骤一：使用火灾监测系统的森林环境中，内部各种品种和大小不同的树木以及其他设施密集，且存在分布不均情况，由于环境中多径、绕射及障碍物遮挡等因素影响，使得RF 信号建模变得复杂。由于监测节点自身具备通信能力，在接收无线数据的同时即可完成测量 RSSI，网络无需增加额外硬件；因此在功耗成本受限的火灾监测的森林环境中，采用对数距离路径损耗模型比较合适，根据公式(1)建立对数距离路径损耗模型，以获得RSSI值表达式；
式中，n为路径损耗指数；d0为信号传播参考距离，作为一种优选，d0的取值为1m；PR(d0) 是信号发射后d0处的接收信号强度，Xσ是均值为0、标准差范围4～10的高斯随机变量；
当然也可以通过PR(d)＝P+G-PL(d)作为RSSI值的表达式；其中P为节点发射功率；G为节点天线增益；PL(d)为经过距离d后的RF功率损耗；
测量值PR(d)越大，节点距离越近，由PR(d)的测量偏差产生的绝对误差越小，因此对节点定位会产生更大的影响；
步骤二：根据已知参考节点的位置，周期性动态测量获得其与邻居参考节点间的接受信号强度，利用对数距离路径损耗模型并根据公式(2)得到当前时刻监测区域内的路径损耗指数n值；作为一种优选，路径损耗指数取值n在2～5之间，且障碍物数量及遮挡越多n值越大。
式中，d1为参考节点R0到附近的另外参考节点R1间的实际距离，d2为参考节点R0到附近的另外参考节点R2间的实际距离；PR(d1)为参考节点R0与参考节点R1间的PR(d)值，
PR(d2)为参考节点R0与参考节点R2间的PR(d)值，
在通信范围内，PR(d0)+Xσ相同，则由
和
联立可得到n值表达式
在计算n值时，仅由 PR(d1)，PR(d2)，和d1，d2决定，与PR(d0)值无关；在路径损耗指数的获取过程中，利用参考节点间的通信能够获得PR(d)值，代入式(2)，即可得到与实际环境相对应的动态路径损耗指数n值，之后就能够利用其值对监测节点进行测距进而定位了。因此，该方法能够准确反映不同监测区域对RF信号传播损耗的影响，增强了RSSI测距算法对环境的适应能力，因而能够提高监测节点的定位精度。
步骤三：利用RF信号传播衰减模型，通过测量PR(d)值来计算网络中的参考节点和其他参考节点的距离，将所测得的距离和实际距离比较并获得参考节点处PR(d)值的测量误差，具体步骤如下：
S11，考虑二维情况，设参考节点为Ri(xi，yi)，i＝1，2，…，n，其中n为参与校正计算的参考节点个数；设待校正参考节点为R0(x0，y0)；R0(x0，y0)到Ri(xi，yi)的实际距离分别为ri，i＝1，2，…，n；通过PR(d)测量得到的距离分别为di，i＝1，2，…，n；
S12，根据公式(3)获得测距相对误差；
S13，根据公式(4)获得参考节点Ri(xi，yi)处的加权测距相对误差校正系数μw；
μw反映参考节点PR(d)的测量误差，考虑到不同PR(d)所占的权重，随着距离的增加，由 PR(d)的偏差引起的距离误差越大，对校正系数的决定权就越小；
S14，根据公式(5)获得监测节点和参考节点Ri之间的校正距离
式中，dui是监测节点和参考节点Ri之间的测量距离，单位m；
步骤四：利用基于遗忘调节因子的RLS定位算法估算出监测节点的坐标，具体步骤如下：
S21，设网络中的未知节点为U(x1，y1)，参考节点为Ri(xi，yi)到未知节点为 U(x1，y1)的测量距离为di，i＝1，2，…，N；
S22，根据公式(6)获得N个测量方程；
式中，
vi为测量误差；
S23，将公式(6)两边平方后获得公式(7)；
S24，求解公式(7)后获得公式(8)；
h＝Gθ+v(10) (8)；
式中，
θ＝[x y R]T；R＝x2+y2；
利用普通的最小二乘算法LS求解公式(8)得到
利用加权的最小二乘算法WLS求解公式(8)得到
其中，W＝cov-1(v)为加权矩阵，实际应用时若误差统计特性未知，W可设置为单位阵；
S25，采用批处理数据方式的最小二乘估计并不能满足要求当前应用的实时性要求，而采用递推算法是一种效果较好的解决方案，该方法每获得一次新的观测数据就能够实时估计修正参数值，通过不断获得观测数据，不断进行估计值的修正，能够最终取得十分接近真实值的满意的估计结果。递推算法仅需要保留前一次的状态值以及获得现在的观测数据，因此不仅节约了存储空间，降低了运算复杂度，又能够提高算法的实时性；递推最小二乘(RLS) 估计方法的思想就是不断利用新的测量信息对估计结果进行校正，利用递推最小二乘法RLS 对测量过程建模，得到公式(9)；
hk＝Gkθk+vk (9)；
S26，根据公式(10)计算测量误差代价函数J(θk)；
记
为用前k个观测数据进行最小二乘算法得到的估计值，使代价函数最小的θk值即为估计值
S27，令
根据公式(11)可计算出用前k个观测数据进行最小二乘算法得到的估计值
S28，由于之前的测量误差信息对当前参数的估计影响较小，为了减少误差信息的计算负担，因此在RLS估计算法的基础上引入针对误差的指数加权因子，即遗忘因子，从而形成带遗忘因子的RLS估计算法；引入针对误差的指数加权因子，根据公式(12)形成带遗忘因子的RLS估计算法；
式中，λ为遗忘因子，λ∈(0，1)；
S29，整理公式(12)得到带遗忘因子的RLS算法递推公式(13)；
式中，Ck为递推增益矩阵，
Qk为协方差矩阵，
通过仿真实验及分析对上述技术方案进行验证过程如下：
1、仿真模型及测试数据
在定位性能的评估中，仿真模拟方法是一种重要的研究手段，构建应用场景是基本的方法，目前通常的做法就是通过运动模型来构建移动场景。一个合理适用的模型对于移动场景和定位参数的设计起着举足轻重的作用。高斯-半马尔可夫实体运动模型认为，从静止到以某个速率平稳运动之间有一个加速过程，运动方向的改变也有一个角加速过程，从运动到静止有一个减速过程，前、后两个时刻的运动速率和方向具有一定的相关性，速率和方向不会发生突变，因此运动具有平滑性，能够克服急停急转的缺陷，其运动更加符合现实中的情况。监测节点在火灾环境中的实际运动具有规律性，节点运动平滑，应用高斯-半马尔可夫实体移动模型符合现实中的情况。
记监测节点在第k个时刻的运动速率和运动方向分别表示如下：
其中，ξ为与运动相关的参数，代表了当前时刻与前一时刻在速率和方向上的相关性，ξ的取值范围是[0，1]，通过调节ξ的大小就能改变节点运动相关性大小；
和
分别表示平均速度与平均运动方向；
是均值为0，标准差为σv且与vk无关的高斯随机变量；
是均值为0，标准差为σφ且与φk无关的高斯随机变量；调节σv和σφ的大小就能够控制前后速率和方向的取值范围。因此，k时刻节点坐标表达式为：
xk＝xk-1+vk-1×cos(φk-1) (16)；
yk＝yk-1+vk-1×sin(φk-1) (17)；
在固定大小的实验区域(100m×100m)内，15个锚节点沿上下边界等距布置，移动监测节点按照高斯-半马尔可夫运动模型在实验区域内移动，模型参数设置如下：ξ＝0.6，
设置监测节点起始位置为(40m,40m)，每隔5s完成一次定位，共进行 15次用于算法性能测试，其移动监测节点的运动轨迹坐标如下表所示。
2、仿真实验与分析
为验证所提出火灾监测无线传感器网络定位方法的性能，利用Matlab进行相应的仿真试验。仿真实验模拟的RSSI测量距离由监测节点实际位置得到。首先设置监测节点的发射信号强度P＝20dBm，参考距离d0＝10m，天线增益G为1dBi，路径损耗指数n＝2，随后依据监测节点与参考节点实际位置，计算精确的接收信号强度RSSI，
作为测量噪声干扰，于是得到PR(d)的测量值，由式(1)求出测量距离d，测量距离修正的模拟仿真方法同上。
定义网络中节点i的定位误差为Ei，即
其中，通信半径为R。pi＝[pxi pyi]T为节点i的最终估计位置，zi＝[zxi zyi]T为节点i的真实位置。
定义网络中节点的平均定位误差为Ea，即
其中，i＝1，2，…，N，N为网络中未知节点数目。平均定位误差Ea越小，定位精度越高。
利用本申请提出的定位算法对15组测试数据进行分析，考虑测量噪声为Xσ(0,5)，100 个节点随机分布在100m×100m区域内，节点的通信半径为40m，参考节点数目n＝20。为减少随机误差，本申请所得定位结果均为相同参数条件下取仿真100次所得到结果的均值，测试数据的定位误差如下表所示。
分析：表中定位误差最大值为0.34，最小值为0.21，由于10个参考节点沿上下边界等距布置，实验区域边缘的定位误差偏大，整体定位效果较好。如果在测试区域边缘再多部署一些参考节点，则可将定位效果进一步进行改善。
选择不同的测量噪声方差进行测试数据定位，参考节点数值为n＝20，节点数量为100。
定位结果如下表所示。
分析：从表中可以看出随着高斯随机变量方差
数值的提高，测试数据的定位误差Ei呈增大趋势，但接近测试区域边缘处的定位误差Ei变化不明显，测量噪声方差
时的定位误差Ei均值分别等于0.2766、0.3286、0.3913和0.4900，表明本申请提出的定位算法对测距误差的敏感度不高，具有良好的环境适应性。
改变网络规模，设网络中的监测节点数分别为100，200和300时，进行测试数据定位，定位结果如下表所示。
分析：从表中可以看出，监测节点定位误差Ei随网络规模的增大而增加，当网络规模为 100时，测试数据的定位效果良好，接近测试区域边缘处的定位误差Ei也处于较低的水平(均值为0.2766)，当网络规模增大直到400时，网络总体定位精度出现了下降，在实验测试区域的边缘处定位误差Ei显著增大，其定位误差Ei最大值达到0.57。分析可知选择较小规模的网络可以获得更佳的定位效果。
设定不同数量的参考节点进行测试数据定位，定位结果如下表所示。
分析：从表中可以看出通过增加参考节点数量，能够有效提高定位精度，但当参考节点数量从20增加到25时，其定位误差均值由0.2766减小至0.2413，定位效果改善并不明显，表明本申请提出的定位算法对参考节点数量的依赖度较低，表明本申请所提算法适用于限制定位成本的火灾监测无线传感器网络。
在相同参考节点数量与部署方式的情况下，将本申请提出的定位算法与普通LS定位算法进行比较。利用Matlab仿真平台，通过设置网络参考节点及网络规模等参数，测距误差相同，参考节点数量同为25时，仿真验证得到两种算法的定位误差Ei的均值分别为0.2413和0.2851，定位算法平均运行时间分别为0.2475s和0.2946s，表明与普通LS定位算法相比，表明本申请提出的定位算法具有更高的定位精度和更低的计算复杂度。
结论
本申请提出一种基于RSSI测距及其相对误差校正的火灾灾情监测无线传感器网络带遗忘调节因子递推最小二乘定位算法，在深入研究RSSI测距原理及火灾现场定位系统的要求，应用路径损耗因子动态获取的测距算法，选取监测区域参考节点相对距离误差系数进行校正，采用带遗忘调节因子的递推最小二乘定位算法，获得了火灾监测节点比较精确的坐标位置信息。仿真试验表明，本申请算法的定位精度能够满足火灾监测系统要求，计算复杂度和通信开销均较小，特别是能有效抵抗噪声干扰，适用于火灾监测系统中的WSN监测节点定位。仿真试验表明，该方法能够充分考虑RSSI测距误差和参考节点数量等因素对定位精度的影响，取得了良好的定位效果，能够满足网络环境复杂恶劣和定位成本受限的火灾环境监测系统的定位需求。进行的Matlab仿真也表明，将该方法与LS定位算法进行比较时，可以发现两种算法的定位误差Ei的均值分别为0.2413和0.2851，定位算法平均运行时间分别为0.2475s和0.2946s，本申请与普通LS定位算法相比，表明本申请提出的定位算法具有更高的定位精度和更低的计算复杂度，即本申请提出的定位算法在定位精度和计算复杂度方面均有良好的表现。
Claims (3)
1.一种基于RSSI测距的火灾监测网络定位方法，其特征在于，包括以下步骤：
步骤一：根据公式(1)建立对数距离路径损耗模型；
式中，n为路径损耗指数；d0为信号传播参考距离；PR(d0)是信号发射后d0处的接收信号强度，Xσ是均值为0、标准差范围4～10的高斯随机变量；
步骤二：根据已知参考节点的位置，周期性动态测量获得其与邻居参考节点间的接受信号强度，利用对数距离路径损耗模型并根据公式(2)得到当前时刻监测区域内的路径损耗指数n值；
式中，d1为参考节点R0到附近的另外参考节点R1间的实际距离，d2为参考节点R0到附近的另外参考节点R2间的实际距离；PR(d1)为参考节点R0与参考节点R1间的PR(d)值，
PR(d2)为参考节点R0与参考节点R2间的PR(d)值，
步骤三：利用RF信号传播衰减模型，通过测量PR(d)值来计算网络中的参考节点和其他参考节点的距离，将所测得的距离和实际距离比较并获得参考节点处PR(d)值的测量误差，具体步骤如下：
S11，设参考节点为Ri(xi，yi)，i＝1，2，…，n，其中n为参与校正计算的参考节点个数；设待校正参考节点为R0(x0，y0)；R0(x0，y0)到Ri(xi，yi)的实际距离分别为ri，i＝1，2，…，n；通过PR(d)测量得到的距离分别为di，i＝1，2，…，n；
S12，根据公式(3)获得测距相对误差；
S13，根据公式(4)获得参考节点Ri(xi，yi)处的加权测距相对误差校正系数μw；
S14，根据公式(5)获得监测节点和参考节点Ri之间的校正距离
式中，dui是监测节点和参考节点Ri之间的测量距离，单位m；
步骤四：利用基于遗忘调节因子的RLS定位算法估算出监测节点的坐标，具体步骤如下：
S21，设网络中的未知节点为U(x1，y1)，参考节点为Ri(xi，yi)到未知节点为U(x1，y1)的测量距离为di，i＝1，2，…，N；
S22，根据公式(6)获得N个测量方程；
式中，
vi为测量误差；
S23，将公式(6)两边平方后获得公式(7)；
S24，求解公式(7)后获得公式(8)；
h＝Gθ+v(10) (8)；
式中，
θ＝[x y R]T；R＝x2+y2；
S25，利用递推最小二乘法RLS对测量过程建模，得到公式(9)；
hk＝Gkθk+vk (9)；
S26，根据公式(10)计算测量误差代价函数J(θk)；
S27，根据公式(11)计算用前k个观测数据进行最小二乘算法得到的估计值
S28，引入针对误差的指数加权因子，根据公式(12)形成带遗忘因子的RLS估计算法；
式中，λ为遗忘因子，λ∈(0，1)；
S29，整理公式(12)得到公式(13)；
式中，Ck为递推增益矩阵，
Qk为协方差矩阵，
2.根据权利要求1所述的一种基于RSSI测距的火灾监测网络定位方法，其特征在于，在步骤一中，d0的取值为1m。
3.根据权利要求1所述的一种基于RSSI测距的火灾监测网络定位方法，其特征在于，在步骤二中，路径损耗指数取值n在2～5之间，且障碍物数量及遮挡越多n值越大。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110715055.0A CN113453150A (zh) | 2021-06-26 | 2021-06-26 | 一种基于rssi测距的火灾监测网络定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110715055.0A CN113453150A (zh) | 2021-06-26 | 2021-06-26 | 一种基于rssi测距的火灾监测网络定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113453150A true CN113453150A (zh) | 2021-09-28 |
Family
ID=77813084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110715055.0A Pending CN113453150A (zh) | 2021-06-26 | 2021-06-26 | 一种基于rssi测距的火灾监测网络定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113453150A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115119297A (zh) * | 2022-06-28 | 2022-09-27 | 燕山大学 | 一种基于LoRa信号路径衰减模型的室内动态测距方法 |
| CN117241281A (zh) * | 2023-11-13 | 2023-12-15 | 中赣通信(集团)有限公司 | 一种室内分布式监测方法和监测网络 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104469941A (zh) * | 2014-12-23 | 2015-03-25 | 西安电子科技大学 | 基于无线局域网 wlan ofdm 信号循环前缀的室内无线定位方法 |
| CN106093854A (zh) * | 2016-06-14 | 2016-11-09 | 江南大学 | 一种基于rssi测距的空气质量监测点网络定位的方法 |
| CN107241684A (zh) * | 2017-06-07 | 2017-10-10 | 深圳市创艺工业技术有限公司 | 一种火灾智能监测系统 |
| CN107272487A (zh) * | 2017-06-14 | 2017-10-20 | 淮阴工学院 | 基于LabVIEW的智能水产养殖环境数据无线监测系统 |
| US20210037548A1 (en) * | 2019-07-31 | 2021-02-04 | Carrier Corporation | System and method for configuring communication interval for sensing device/s |
-
2021
- 2021-06-26 CN CN202110715055.0A patent/CN113453150A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104469941A (zh) * | 2014-12-23 | 2015-03-25 | 西安电子科技大学 | 基于无线局域网 wlan ofdm 信号循环前缀的室内无线定位方法 |
| CN106093854A (zh) * | 2016-06-14 | 2016-11-09 | 江南大学 | 一种基于rssi测距的空气质量监测点网络定位的方法 |
| CN107241684A (zh) * | 2017-06-07 | 2017-10-10 | 深圳市创艺工业技术有限公司 | 一种火灾智能监测系统 |
| CN107272487A (zh) * | 2017-06-14 | 2017-10-20 | 淮阴工学院 | 基于LabVIEW的智能水产养殖环境数据无线监测系统 |
| US20210037548A1 (en) * | 2019-07-31 | 2021-02-04 | Carrier Corporation | System and method for configuring communication interval for sensing device/s |
Non-Patent Citations (2)
| Title |
|---|
| 张新荣;熊伟丽;徐保国;: "一种基于RSSI的无线传感器网络全程优化分布式定位策略", 传感技术学报, no. 12, 15 December 2016 (2016-12-15) * |
| 张新荣;熊伟丽;徐保国;: "采用RSSI模型的无线传感器网络协作定位算法", 电子测量与仪器学报, no. 07, 15 July 2016 (2016-07-15), pages 2 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115119297A (zh) * | 2022-06-28 | 2022-09-27 | 燕山大学 | 一种基于LoRa信号路径衰减模型的室内动态测距方法 |
| CN115119297B (zh) * | 2022-06-28 | 2023-07-04 | 燕山大学 | 一种基于LoRa信号路径衰减模型的室内动态测距方法 |
| CN117241281A (zh) * | 2023-11-13 | 2023-12-15 | 中赣通信(集团)有限公司 | 一种室内分布式监测方法和监测网络 |
| CN117241281B (zh) * | 2023-11-13 | 2024-01-30 | 中赣通信(集团)有限公司 | 一种室内分布式监测方法和监测网络 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106093854B (zh) | 一种基于rssi测距的空气质量监测点网络定位的方法 | |
| CN104853317B (zh) | 一种WiFi室内定位中指纹库的构建及更新方法 | |
| CN112533163B (zh) | 基于NB-IoT改进的融合超宽带和蓝牙的室内定位方法 | |
| CN105491661B (zh) | 基于改进的Kalman滤波算法的室内定位系统及方法 | |
| Bagosi et al. | Indoor localization by WiFi | |
| CN102123495A (zh) | 基于rssi校正的无线传感器网络质心定位算法 | |
| CN113453150A (zh) | 一种基于rssi测距的火灾监测网络定位方法 | |
| KR101163335B1 (ko) | 수신신호강도의 거리 추정 방식에 의거한 실내 무선 측위 방법 및 이 방법을 실시하기 위한 프로그램이 기록된 기록매체 | |
| Mehra et al. | Real time RSSI error reduction in distance estimation using RLS algorithm | |
| Graefenstein et al. | Robust method for outdoor localization of a mobile robot using received signal strength in low power wireless networks | |
| CN104581943A (zh) | 用于分布式无线传感网络的节点定位方法 | |
| CN104965189B (zh) | 基于最大似然估计的室内人员定位方法 | |
| Han et al. | A wireless fingerprint location method based on target tracking | |
| CN101977436A (zh) | 基于wlan室内定位的移动用户位置坐标修正方法 | |
| Kuxdorf-Alkirata et al. | Reliable and low-cost indoor localization based on bluetooth low energy | |
| Sadhukhan et al. | A novel weighted fusion based efficient clustering for improved wi-fi fingerprint indoor positioning | |
| Kwon et al. | RF signal source search and localization using an autonomous UAV with predefined waypoints | |
| Tariq et al. | WSN Localization Method Based on Hybrid PSO-GRNN Approach. | |
| CN113453149A (zh) | 一种基于rssi测距的水质监测网络定位方法 | |
| Assayag et al. | Indoor positioning system using synthetic training and data fusion | |
| Bornholdt et al. | Adaptive procedure for indoor localization using LoRa devices | |
| Ginanjar et al. | Real-time SLFN-based node localization using UAV | |
| Zhang et al. | RSSI-based indoor localization using sparrow search algorithm and backward propagation neural network | |
| Cao | A localization algorithm based on particle swarm optimization and quasi-newton algorithm for wireless sensor networks | |
| Janapati et al. | Indoor localization of cooperative WSN using PSO assisted AKF with optimum references |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |