基于RSSI测距误差修正的无线传感器网络定位算法

基于RSSI测距误差修正的无线传感器网络定位算法 分类号 密 级 U D C 编 号 桂林电子科技大学 硕 士 学 位 论 文 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 目 基于RSSI测距误差修正的无线传感器网络定位算法 (英文) Localization Algorithm of Wireless Sensor Networks Based on RSSI Ranging Error Correction 研 究 生 姓 名: XXX 指导教师姓名、职务: XX 教授 申 请 学 科 门 类: 工 学 硕 士 学 科、专 业: 计算机应用技术 提 交 论 文 日 期: 2011年4月12日 论 文 答 辩 日 期: 2011年6月15日 2011年6月20日 独创性(或创新性)声明 本人声明所呈交的 论文 政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载 是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果;也不包含为获得桂林电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名: 日期: 关于论文使用授权的说明 本人完全了解桂林电子科技大学有关保留和使用学位论文的规定，即:研究生在校攻读学位期间论文工作的知识产权单位属桂林电子科技大学。本人保证毕业离校后，发表论文或使用论文工作成果时署名单位仍然为桂林电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文;学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。(保密的论文在解密后遵守此规定) 本学位论文属于保密在____年解密后适用本授权书。 本人签名: 日期: 导师签名: 日期: 摘 要 摘 要 无线传感器网络是近年来发展起来的一种新型数据获取技术，被列为21世纪改变世界的十大技术之一，而作为无线传感器网络支撑技术之一的定位是该领域的一个研究热点。由于RSSI可以直接由传感器节点自身测量得到，无需额外的设备，对硬件的要求较低，基于RSSI测距的定位技术是一种廉价的定位方法。但RSSI测距技术在实际应用中易受到环境因素变化的影响，致使测距误差过大，从而导致定位精度不高。 本文深入研究了RSSI测距技术的基本原理，认真分析了其存在的问题及目前已有的解决方法，并针对其存在的不足之处提出了一种RSSI测距误差的修正方法，该方法首先采用高斯模型法处理节点间的RSSI测量值以提高RSSI的测量精度，再从总体上对RSSI测距误差进行修正。理论分析及仿真结果表明该方法能有效地提高RSSI测距的精度。在此方法的基础上，针对不同的应用场景， 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 了两种基于RSSI测距误差修正的定位算法: 1. 基于环境感知区域的RSSI损耗模型参数估计定位算法。该算法考虑到环境的千差万别及用固定的信号传播损耗模型难以准确反映RSSI与节点间信号传播距离的转换关系，通过信标节点之间的相互关系将网络覆盖区域划分为若干个子区域，即环境感知区域，然后通过这些信标节点之间的相互协作，分别估计出环境感知区域中无线信号的传播损耗模型参数，即通过实时感知环境来动态地调整RSSI与节点间信号传播距离的关系，使基于RSSI的测距模型更符合实际情况。仿真结果表明，该算法在信标节点分布密度较高的情况下，能有效地减少测距误差，从而提高了节点的定位精度。 2. 基于RSSI测距误差修正的改进型DV-Distance差分定位算法。DV-Distance定位算法中相邻节点间的距离是通过RSSI测距技术实际测量得到的，为了减少RSSI测距误差对定位精度的影响，首先对RSSI测距误差进行了修正，再对已有的信标节点间计算距离误差修正值的方法进行了改进，提出了一种计算每跳的单位距离误差修正值(UDEC-Hop)的方法。仿真结果表明，相比于已有的定位算法，该改进算法在减少网络通信开销和计算复杂度的同时还提高了定位精度。 关键词:无线传感器网络;RSSI测距;误差修正;环境感知区域;损耗模型;DV-Distance定位算法 I Abstract Abstract Wireless Sensor Networks is a new data acquisition technology developed in the recent years, which is ranked one of the ten important technologies that can change the world in the 21st century. Localization technology that is one of the key support technologies of Wireless Sensor Networks is a hot topic. Localization technology base on RSSI ranging technique is a low-cost localization method because it can be measured directly by sensor itself, which doesn’t need additional facilities and demands low request for hardware. But the variation of the environmental factors has a great influence on the practical application of RSSI ranging technique, which brings about great ranging error and induces low positioning accuracy. After studying the basical theory of RSSI ranging technique thorough, and analyzing its existence problems and solutions, it proposes an amending method of RSSI ranging error because of the existence deficiencies, which adopts the Gauss Model Method to deal with the RSSI measurements aiming at advance the measuring accuracy firstly, and amends the RSSI ranging error in the whole secondly. The academic anlyse and the simulation results verify that the proposed method can enhance the RSSI ranging accuracy. And then, two localization algorithms based on RSSI ranging error correction is designed aiming at different application secenes. 1. A localization algorithm of loss model parameters estimate of RSSI based on environment perception area. By taking the environmental differences and the situation that the fixed signal propagation loss model can’t reflect the relationship of conversion between RSSI and node distance into condition, it divides the whole network region into some small regions by the relationship of beacons which is called the Environment Perception Area(EPA), and estimates the signal propagation loss model parameters of EPA via the beacons’ coorperation respectively. So, it accords with the actual situation to the ranging model based on RSSI by adjusting the relationship of that between RSSI and the node signal propagation distance dynamically. The simulation results prove that LMPE-RSSI-EPA algorithm can reduce the ranging error and enhance the node positioning accuracy accordingly at the distance of high beacon density. 2. An improved DV-Distance difference localization algorithm based on RSSI ranging error correction. It uses the RSSI ranging technique to measure the distance among the nerghboring nodes in the DV-Distance localization algorithm. In order to ruduce the influence of RSSI ranging error on the positioning accuracy, it amends the RSSI ranging error firstly, and improves the previous computing method of distance error correction among beacons secondly, which proposes a computing method of Unit-Distance Error Correction per Hop(UDEC-Hop). The simulation results prove that the improved algorithm can enhance the node positioning accuracy effectively when it decreases the communication spending and computing complexity compared with the previous algorithms. Key words: Wireless Sensor Networks; RSSI ranging; error correction; environment perception area; loss model; DV-Distance localization algoritm II 目 录 目 录 摘 要 ............................................................................................................................... I Abstract ........................................................................................................................... II 第一章 绪论 ...................................................................................................................1 ?1.1 无线传感器网络概述 ........................................................................................1 ?1.2 无线传感器网络定位研究的背景及意义..........................................................3 ?1.3 无线传感器网络节点定位的国内外研究现状 ..................................................4 ?1.3.1 国外的研究现状 ......................................................................................4 ?1.3.2 国内的研究现状 ......................................................................................5 ?1.4 论文的研究内容及结构安排 .............................................................................6 第二章 无线传感器网络节点定位技术 ...........................................................................7 ?2.1 WSN节点定位技术的基本概念及原理.............................................................7 ?2.1.1 WSN节点定位的基本概念及术语 ...........................................................7 ?2.1.2 WSN节点定位的基本原理及算法特点 ...................................................7 ?2.2 WSN节点定位算法的分类 ................................................................................8 ?2.2.1 基于测距的定位算法 ...............................................................................8 ?2.2.2 无需测距的定位算法 ............................................................................. 10 ?2.3计算节点位置的基本方法................................................................................ 11 ?2.4 定位算法的性能评价标准 ............................................................................... 14 ?2.5 本章小结.......................................................................................................... 15 第三章 基于RSSI的测距技术 ...................................................................................... 16 ?3.1 基于RSSI的测距方法 .................................................................................... 16 ?3.1.1 RSSI测距的原理及数学理论模型 ......................................................... 16 ?3.1.2 RSSI测距存在的问题及分析 ................................................................. 18 ?3.2 RSSI测量值的处理方法 .................................................................................. 19 ?3.2.1 多数投票法 ............................................................................................ 20 ?3.2.2 统计均值法 ............................................................................................ 20 ?3.2.3中值选取法 ............................................................................................. 20 ?3.2.4 高斯模型法 ............................................................................................ 20 ?3.2.5 性能比较 ................................................................................................ 21 ?3.3 RSSI测距误差的修正 ...................................................................................... 23 ?3.3.1 测距误差分析 ........................................................................................ 23 ?3.3.2 修正测距误差的方法 ............................................................................. 24 III 目 录 ?3.3.3 测距误差修正法的仿真验证 ................................................................. 27 ?3.4 本章小结.......................................................................................................... 29 第四章 基于RSSI测距误差修正的环境感知区域定位算法 ........................................ 30 ?4.1 LMPE-RSSI-EPA定位算法 .............................................................................. 30 ?4.1.1 算法提出的背景 .................................................................................... 30 ?4.1.2 环境感知区域RSSI测距误差的修正 ................................................... 32 ?4.1.3 环境感知区域RSSI信号传播损耗模型参数的估计 ............................ 32 ?4.1.4 LMPE-RSSI-EPA定位算法的实现流程 ................................................. 34 ?4.2 算法的仿真设计及性能分析 ........................................................................... 36 ?4.2.1 仿真结果分析 ........................................................................................ 36 ?4.2.2 算法的能耗分析 .................................................................................... 40 ?4.3 本章小结.......................................................................................................... 41 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 ...................... 42 ?5.1 DV-Distance定位算法...................................................................................... 42 ?5.1.1 算法介绍 ................................................................................................ 42 ?5.1.2 算法存在的问题及已有的改进型DV-Distance定位算法 .................... 43 ?5.2 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 .................... 45 ?5.2.1 算法的改进思路 .................................................................................... 45 ?5.2.2 改进算法的定位流程 ............................................................................. 46 ?5.3 改进算法的仿真设计及性能分析 ................................................................... 50 ?5.3.1 仿真的环境与参数................................................................................. 50 ?5.3.2 仿真结果分析 ........................................................................................ 50 ?5.3.3 算法的能耗分析 .................................................................................... 57 ?5.4 本章小结.......................................................................................................... 57 第六章 总结与展望 ........................................................................................................ 58 ?6.1 本文工作总结 .................................................................................................. 58 ?6.2 未来工作展望 .................................................................................................. 58 参考文献 ......................................................................................................................... 60 致 谢 ............................................................................................................................. 64 作者在攻读硕士期间主要研究成果 ............................................................................... 65 IV 第一章 绪论 第一章 绪论 无线传感器网络技术综合了传感器技术、嵌入式技术、微电子技术、分布式信息处理技术和通信技术，是目前倍受关注的热点研究领域之一。无线传感器网络(Wireless Sensor Networks, WSN)是由部署在监测区域内的大量廉价微型传感器节点组成，通过无线通信方式形成的一个多跳自组织的分布式网络系统，它具有覆盖面广、自适应性强、布局方便灵活等特点，可以在无人值守的情况下对周围环境的信息和状态数据进行采集。与其他无线网络如无线宽带网络和Ad Hoc网络相比较，不同之处在于WSN是以数据为中心的网络，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者，这种方式将逻辑上的信息世界和客观上的物理 [1]世界融合在一起，改变了人与自然的交互方式。通过WSN人们可以直接感知客观世界，从而极大地扩展了现有网络的功能和人类认识世界的能力。WSN作为一种新的计算模式正在推动着科技的发展和社会的进步，关系到国家经济和社会安全，已经 [2]成为国际竞争的制高点，引起世界各国军事部门、工业部门和学术界的高度关注。 ?1.1 无线传感器网络概述 WSN是由众多结构功能相同或不同的传感器节点组成，每个传感器节点一般由传感器模块、处理器模块、无线通信模块和能量供应模块四部分组成，其组成结构如图1.1所示。 无线通信模块处理器模块传感器模块 处理器MAC收发器网络AC/DC传感器存储器 能量供应模块 图1.1 传感器节点的组成结构 传感器模块负责采集监测区域内的信息以及转换数据;处理器模块负责控制整个传感器节点的操作，存储和处理本身感知到的数据和其他节点转发过来的数据;无线通信模块负责与其他传感器节点进行无线通信，交换控制信息和收发采集数据;能量供应模块为传感器节点提供运行所需的能量，一般采用微型电池供电。 WSN的网络系统通常由传感器节点(sensor node)、汇聚节点(sink node)和管理节点构成，其网络结构如图1.2所示。 1 基于RSSI测距误差修正的无线传感器网络定位算法 监测区域A B 汇聚节点CInternet和卫星 F D E 任务管理节点 用户传感器节点 图1.2 WSN的网络体系结构 传感器节点负责收集本地信息和处理数据，存储、管理和融合其他节点转发来的数据信息，并与其他节点一起协作完成某些特定的任务，它的处理、存储和通信能力相对较弱;汇聚节点连接WSN与Internet等外部网络，实现两种协议栈之间的通信协议转换，并把收集到的信息转发到外部网络上，同时发布管理节点的监测任务，它一般具有较强的处理、存储和通信能力。 WSN是一个集成监测、控制和无线通信的网络系统，节点分布密集，其数目有时能够达到上千甚至上万个。通常情况下，大多数传感器节点是固定不动的，且具有的能量、存储能力、处理能力和通信能力等都十分有限，加上环境的影响和能量的消耗，节点很容易发生故障，造成网络拓扑结构发生变化。传统的网络主要是先考虑提供高质量服务和高效率带宽利用，才考虑节约能源，而WSN主要考虑节点能源的高 [3][4]效使用。与传统的无线网络相比，WSN具有如下特点: (1) 网络规模大。WSN通常把成千上万的传感器节点随机地部署在监测区域中以精确地获取信息，其WSN大规模性主要体现在两方面:一是传感器节点密集地分布在面积不大的空间内，即节点的部署密度很大;二是传感器节点分布在范围广阔的地理区域内，即在宽阔的地理区域内部署大量的传感器节点。WSN的大规模性具有很多优点:分布式地处理采集到的大量信息能够提高监测结果的精确度，降低了对单个节点的精度要求;通过不同空间视角使获得的信息具有更大的信噪比;大量冗余节点的存在使得系统具有很强的容错性能。 (2) 动态性网络。WSN的拓扑结构可能因为节点、感知对象或观察者的随机移动、有新节点加入、无线通信链路带宽的变化、电池能量耗尽、环境因素或其他故障等原因造成节点出现故障或失效而推出网络运行。这就要求WSN系统能够适应这些变化，具有动态的系统可重构性。 (3) 自组织网络。WSN具有可快速部署的特点，节点被随意地抛撒在人迹罕至 2 第一章 绪论 的地方或范围很广的区域，所以节点必须能够以自组织的方式形成网络，能够自动进行配置和管理。除此之外，WSN地处复杂的地理环境，环境干扰和能量耗尽容易造成节点故障，因此要求WSN必须能够通过节点间的协调、协商和协同自动地进行配置、管理和调度，以适应不断变化的自身条件和外部环境，保持自身的连续性和高效性，即自组织性和自愈性。 (4) 应用相关的网络。WSN是用来感知和获取客观物理世界的信息量的。客观世界的物理量是多种多样，因而不同的WSN应用系统关心不同的物理量，对应的应用系统要求也会有所不同。因此，针对不同的具体应用需求，开发不同的WSN系统，这样做出的目标系统才能具有更高的效率。 (5) 可靠的网络。WSN的节点往往通过飞机撒播或发射炮弹的方式被部署到指定的区域，这些节点可能工作在露天的环境中，经常受到恶劣天气等自然因素的影响。这就要求传感器节点非常牢固，不易损坏，能适应各种恶劣的环境条件。同时对监测区域内庞大的节点数量进行维护是难以进行甚至不可进行的，而WSN的通信保密性和安全性也非常重要，既要防止监测数据被盗取也要预防获取伪造的监测信息。所以WSN的软硬件必须具有容错性和鲁棒性。 (6) 以数据为中心的网络。WSN是任务型的网络，脱离WSN谈论传感器节点是没有任何意义的。在WSN中是用编号来标识节点的，节点的编号是否需要全网唯一取决于通信协议的设计，这与互联网中IP地址的唯一性是不同的。WSN中的节点是随机部署的，使得网络和节点编号之间的关系是动态变化的，主要表现在节点编号与节点位置没有必然的联系。当用户使用WSN查询事件时，一般只关心某节点的数据而不会去关心具体某个节点的编号。这种与自然语言交流习惯相近的以数据作为查询和传输线索的思想充分地体现了WSN是一个以数据为中心的网络。 ?1.2 无线传感器网络定位研究的背景及意义 在WSN中，很重要的一个任务就是把传感器节点采集到的数据通过网络内各个节点的协同工作传输到监测中心或终端用户。这就很自然地会提及到一个关于WSN应用中的问题:如何确定所采集到的数据的位置，或者说节点监测到的事件发生的地理位置，即当监测中心或用户监测到事件之后关心的一个重要问题就是该事件发生的位置。位置信息对于一个节点采集的数据信息来说非常重要，如果一个节点采集的监测数据中没有位置信息，那么这个监测数据用途不大。由此可见，位置信息对传感器网络的监测活动至关重要，事件发生的位置或获取消息的节点位置是传感器节点监测信息中所包含的重要信息。 WSN中的节点通常是被随机部署在监测区域中，并通过自组织的方式相互协调工作，那么这些节点是无法事先明确自己的位置的，因此传感器节点必须在部署完毕 3 基于RSSI测距误差修正的无线传感器网络定位算法 后能够实时地进行定位。传感器节点只有在自身得到正确定位之后，才能确定监测到的事件发生的具体位置。定位信息除了报告事件发生的具体位置外，还可用于目标跟踪、目标行动路线实时监测、预测目标前进的轨迹等应用，另外，可以直接利用节点的位置信息进行数据的路由和传递，定向的信息查询等也可以利用定位信息来完成[1][5]。利用节点的地理位置信息构建网络拓扑图，以观察网络覆盖情况等应用也以定位技术为基础。由此可见，无线传感器网络中定位技术是整个网络各种功能实现的基础。 既然节点的位置信息对于WSN的应用如此重要，那么就有必要通过特定的定位机制确定网络中每个节点的位置信息，即对节点进行定位，由此推动了WSN节点定位技术的研究。 ?1.3 无线传感器网络节点定位的国内外研究现状 定位不是一个陌生的话题了，如GPS卫星定位系统就是为大家所熟悉的一个成熟的定位系统。因为节点位置信息对WSN应用的重要性，多年来国内外专家学者在定位方面做了大量的工作，提出了一些专门针对WSN的定位理论或定位系统。 ?1.3.1 国外的研究现状 对WSN的研究始于上个世纪90年代，最早应用于军事领域，随着相关技术的成熟，WSN开始逐渐向民用发展，形成了多领域广泛研究的局面。如军用方面的“Smart Dust实验室”、C4ISRT系统和民用方面的ALERT系统、Data Space项目、COUGAR设备数据库项目等研究成果都充分说明了这一点。进入21世纪后，WSN技术引起了学术界、军工界和工业界的极大关注，对其各种支撑技术展开了深入的研究。其中，作为支撑技术之一的定位技术也取得了丰富的研究成果。 美国南加州大学的Bulusu教授等人提出了一种仅基于网络连通性的室外定位算 [6]法——质心算法;加州伯克利分校的Doherty等人将“凸集”引入到WSN中，将节点间点到点的通信连接看作节点位置的几何约束，将整个网络模型转化为一个凸 [7]集，使WSN节点定位问题转化为凸约束优化问题;瑞士洛桑联邦工业大学的Capkun等人提出了一种主要针对无基础设施的移动无线网络的SPA相对定位算法;美国弗吉尼亚大学的Tian He等人提出了APIT定位算法，该算法通过求解约束集合以实现节点的定位;哥伦比亚大学的Shang Yi等人将MDS技术应用到节点定位中，提出了MDS-MAP、MDS-MAP(P)、MDS-MAP(C)等几种集中式的定位算法;路特葛斯大学的Niculescu教授等人提出了一系列基于距离矢量路由机制的分布式定位算法APS，其中包括DV-Hop、DV-Distance、DV-Coordinate等算法;麻省理工学院(MIT)计算机科学实验室的Nissanka. B等人提出了一种无信标节点的分布式定位算法;MIT的 4 第一章 绪论 RVSN和NMS这两个研究小组在“分布式传感器网络的定位与追踪”项目中提出了一种基于节点间估计值计算二维坐标的分布式定位算法，并证明了该算法具有很好的鲁棒性;约克大学的Datta等人提出了分别针对静态和移动的传感器网络的分布式定位算法。 [8]此外，还有一些定位系统被提出来，其中比较有代表性的定位系统有RADAR， [9][10][11]SpotON，Cricket，AHLos等。 迄今为止，国际上各界的相关研究机构和学者仍在致力于WSN定位算法的研究以及对部分经典算法的性能改进。 ?1.3.2 国内的研究现状 我国对WSN的研究相对起步比较晚，不过近几年来，国内很多著名高等院校和研究机构也掀起了对WSN相关技术的研究热潮，并取得了一定的研究成果。 中科院最早开始对WSN进行跟踪和研究，接着国内各大著名高校也纷纷加入到WSN研究的队伍中，其中浙江大学现代控制工程研究所成立了“无线传感器网络控制实验室”，联合相关单位机构从事面向WSN的分布式自治系统关键技术及协调控制理论方面的研究工作。同时，我国政府投入大量科学自然基金设立专项项目和研究 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 以大力扶植对WSN的研究工作，使国内对WSN的研究热情达到了一个新的高度。 而对于WSN定位技术方面，国内的研究主要集中在对经典算法的改进上，同时也开始对分布式算法进行了研究。 西北工业大学的王福豹等人通过对几种分布式定位算法进行比较，对未来有关 [12]WSN定位算法的研究与改进提出了建议;中南大学的曾桂秀等人提出了一种完全 [13]基于网络连通性的无需测距的分布式定位算法;北京航空航天大学的赵朝丽等人提 [14]出一种与网络连接度无关的基于非测距的分布式定位算法DRFL;武汉大学的刘新华等人提出了一种无需测距设备支持的分布式节点自身定位算法(简称为NCL算法)， [15]该算法仅利用节点通信邻域内邻居节点的个数来估算节点的间距;华中科技大学的刘克中等人对经典的Beacon-based定位方法进行改进，提出了一种基于多跳导标的分 [16]布式节点定位算法;西安交通大学的李善仓等人提出一种基于流形学习的分布式 [17]Hessian局部线性嵌入式定位方法(DHLLE)，并给出了该方法的定位框架;北京邮电大学的孙学斌等人提出了一种基于追踪的目标算法，该算法利用相邻节点间的本地 [18]消息跟踪目标的运动轨迹。 目前所提出的许多技术方案着眼于解决WSN自身定位问题，但是每一种系统和算法都是用来解决不同的问题或支持不同的应用，它们在用于定位的物理现象、传感器设备的组成、能量需求、基础设施和时空复杂性等方面不同，但要使WSN定位技 5 基于RSSI测距误差修正的无线传感器网络定位算法 术成熟而广泛地运用到实际生活当中，还需要更多更进一步的研究，以提出更好解决方法。 ?1.4 论文的研究内容及结构安排 本论文主要研究WSN中基于RSSI测距技术的定位算法，通过阅读大量相关的国内外文献及深入研究多种与RSSI测距相关的定位算法，针对其存在的问题首先提出一种RSSI测距误差的修正方法，然后此基础上设计两种基于RSSI测距误差修正的定位算法，并通过模拟仿真验证和分析算法的性能。 本论文研究的内容主要分为以下六个部分: 第一章为绪论，主要对WSN进行概述，给出WSN中定位技术的研究背景及意义，并分析目前国内外有关WSN节点定位的研究现状。 第二章介绍WSN节点定位的基本概念及原理，对现有的定位算法进行分类，介绍几种常用的计算节点位置的基本方法，最后阐述了定位算法的性能评价指标。 第三章详细介绍基于RSSI的测距方法，给出RSSI测距的原理及数学理论模型，并对其存在的问题进行深入分析，在此基础上，提出一种RSSI测距误差的修正方法，并采用高斯模型法处理节点间相互接收到的RSSI测量值，以减少基于RSSI的测距误差，最后通过仿真实验分析该方法对提高测距精度的效果。 第四章在考虑到固定的RSSI传播损耗模型难以准确反映环境因素变化对节点间信号传播的影响后，提出一种基于环境感知区域的RSSI损耗模型参数估计(LMPE-RSSI-EPA)定位算法。详细阐述该算法的定位思想及具体实现过程，并设计仿真实验对其定位效果进行验证。 第五章深入研究DV-Distance定位算法及其已有的改进算法，针对其存在的问题和不足，提出一种基于RSSI测距误差修正的改进型DV-Distance差分定位算法，给出其改进思路及详细的定位流程，并仿真验证该算法的定位效果。 第六章对本论文的主要研究工作进行总结，以及对未来工作提出一些展望。 6 第二章 无线传感器网络节点定位技术 第二章 无线传感器网络节点定位技术 在WSN的应用中，位置信息对网络的监测活动至关重要，没有位置信息的监测消息往往使用价值不大，甚至毫无意义。因此，获取监测事件的位置信息是WSN最 [1][5]基本的功能之一，对WSN应用的有效性起着关键的作用，传感器节点自身的正确定位是实现提供监测事件位置信息的前提条件。 ?2.1 WSN节点定位技术的基本概念及原理 ?2.1.1 WSN节点定位的基本概念及术语 在WSN节点定位中，根据节点自身位置是否已知把传感器节点分为信标节点(beacon node)和未知节点(unknown node)。其中信标节点可以通过携带GPS定位系统或手动设置等方式能够获得自身的精确定位，在网络中所占的比例较小;未知节点就是还未知道自身位置的节点。信标节点是未知节点实现自身定位的参考节点，是整个网络进行定位的参考基础。未知节点先通过与邻近的信标节点通信以获得所需的与定位相关的信息，然后根据某个定位算法计算自身的位置信息。 在WSN节点定位技术中一般涉及到的基本术语有: 邻居节点(neighbor nodes):在某个传感器节点通信半径范围内的其他节点; 连通(connectible):两个节点能够相互无线通信则称它们之间是连通的; 连通度(connectivity):一个节点所拥有的邻居节点的数目; 跳数(hop count):一个节点到达另一个节点所要经过的间隔跳段数; 跳段距离(hop distance):两个节点之间所有跳段距离的总和; 基础设施(infrastructure):协助传感器节点实现定位的已知自身位置的固定设备，如卫星、基站等; 视线关系(line of sight, LOS):两个节点间没有障碍物阻挡，能够直接通信，则称两者间存在着视线关系; 非视线关系(NLOS, no LOS):两个节点之间有障碍物阻挡。 ?2.1.2 WSN节点定位的基本原理及算法特点 定位是WSN的支撑技术之一，那什么是定位呢,定位就是确定位置，其在实际应用中有两种意义:一是确定自己在系统的位置，二是确定目标在系统中的位置。WSN的定位是指自组织的网络通过特定的定位机制确定节点的位置信息，一般分为节点自身定位和目标定位两种方式。节点自身定位是指确定网络中节点自身坐标位置的过程，是一种确定网络自身属性的过程，可以通过手动标定或各种节点定位算法完 7 基于RSSI测距误差修正的无线传感器网络定位算法 成。WSN中节点自身定位问题可以描述为:依靠数量有限的位置已知节点，通过某种定位机制确定布设区域内其他节点的未知位置，使得传感器节点间建立起一定的空间关系。目标定位是指确定网络覆盖范围内一个特定事件或者一个特定目标位置的过程，是通过特定网络节点作为参考节点，确定事件或目标在网络中所处的位置。其中，目标定位依赖于节点自身定位。 在WSN中，包含着大量被随机部署的传感器节点，如果依靠人工标定来确定每个节点的位置，其工作量巨大，难以完成;而为每个节点配备定位系统(如GPS)来直接获得节点的位置，由于节点数目众多，考虑到价格、体积、功耗等因素的限制，这种方法也是很难实施的。一种较合理的方法就是为部分节点事先标定好准确的位置或为它们配备定位系统(如GPS)，一般将这些节点称为信标节点，然后通过某种方法直接或间接地测量未知节点到信标节点间的距离、方位或其他信息，根据这些信息来计算其他节点的位置。目前节点定位的研究热点就集中在如何利用这些有限信标节点提供的位置信息与节点间的协作来计算未知节点的位置。简而言之，定位算法的基本原理就是直接或间接地测量节点之间的距离、方位或者其他连通性的信息，然后根据这些信息计算网络中所有节点的位置，最后对得到的位置进行修正，以减少定位误差，提高定位精度。 因为WSN自身的特点，以及传感器节点具有能量有限、节点规模大、无线通信距离有限等特点，对定位技术及其算法提出了较高的要求。WSN定位算法一般需要 [1][4]具备自组织性、健壮性、能量高效和分布式计算等特点。 ?2.2 WSN节点定位算法的分类 目前，学术界已经提出了许多关于WSN的节点定位算法，根据划分标准的不同可以将这些定位算法进行基于测距和无需测距的定位算法、递增式的和并发式的定位 [1]算法、主动式和被动式的定位算法、集中式和分布式的定位算法等。 其中大部分定位算法都可以归类为基于测距或无需测距的定位算法，本章主要对这种分类方法进行介绍。 ?2.2.1 基于测距的定位算法 基于测距(range-based)的定位算法通过测量或估计相邻节点或未知节点与信标节点间的实际距离或方位，根据几何关系进行位置的计算。这类定位算法通常分为测量、 [1][3]定位和修正3个阶段。 根据测量距离与角度的技术不同，主要的定位算法有利用接收信号强度(Received [19][20]Signal Strength Indicator, RSSI)定位，利用信号到达时间(Time of Arrival, TOA)定 [20]位，利用信号到达时间差(Time Delay of Arrival, TDOA)和信号到达角度(Angle of 8 第二章 无线传感器网络节点定位技术 [1]Arrival, AOA)定位等。 1. 基于TOA的定位 TOA的定位机制是首先根据信号的传播时间和传播速度计算节点间的距离，再根据已有的定位算法计算节点的位置，是一种基于电波传输时间的定位技术。它的测距原理是先测量移动台发射信号的到达时间，其中发射信号中包含有发射时间标记，以便接收基站能据此计算出发射信号所传播的距离，这就要求移动台和接收基站之间有严格的时间同步，并且要在每个基站上设置一个测量单位以测量移动台发射信号的到达时间。GPS定位系统就是使用无线电信号TOA技术的一个典型应用。 因为传感器节点在尺寸、成本和功耗上的限制，上述采用超声波或无线电信号的TOA测距技术对于WSN而言几乎是不可行的。 2. 基于TDOA的定位 TDOA的定位思想是，从节点上同时发射两种不同传播速度的信号，接收到该信号的节点利用这两种信号的到达时间差及信号的传播速度计算两个节点之间的距离，再根据已有的定位算法计算节点的位置。 与TOA方法相比，TDOA不需要时间同步，对时间精度的要求低，且测距精度较高，可达到厘米级，但该技术对硬件的要求高，在成本和能耗方面对WSN提出了挑战。 3. 基于AOA的定位 AOA的基本定位思想是将距离测量转换为对角度测量，接收节点通过天线阵列或多个超声波接收机感知发射节点的达到方向，然后计算接收节点和发射节点之间的相对方位或角度，最后通过三角测量法计算出节点的位置。这是一种估算邻居节点发射信号方向的技术。AOA在障碍物较少的地方使用时可以获得很高的准确度，但在障碍物较多的环境中，由于存在多径效应而使误差增大。AOA定位不仅能确定节点的位置，还能提供节点的方位信息，但该技术需要额外硬件，且易受到环境因素的影响，在硬件尺寸和功耗上不适用于大规模的WSN。 4. 基于RSSI的定位 RSSI(Received Signal Strength Indicator)是一种指示当前介质中电磁波能量大小的数值。基于RSSI定位方法的基本思想是接收节点根据发射节点的发射信号强度及自身接收到的信号强度，计算出信号的传播损耗，利用理论的或经验的数学模型将传播损耗转化为距离，最后利用三边测量法或极大似然估计法计算节点的位置。 基于RSSI测距的方法一般利用信号传输的经验模型或理论模型。经验模型的建立是先选取若干个已知位置的测试点，然后测试并记录这些测试点接收到信标节点的信号强度，建立各个测试点和信标节点信号强度的离线数据库。当未知节点定位时，将测得的信号强度与数据库中的记录进行比较，按照均方误差最小等原则估计出运动节点的坐标。这种方法在LOS环境下可以获得较好的定位效果，但是必须事先在所 9 基于RSSI测距误差修正的无线传感器网络定位算法 需要定位的空间内进行大量的测量，工作量大，且定位精度与选取的已知位置节点个数有关，且当环境改变时需要重新测试以建立新的数据库。而理论模型则是采用无线 [21]电波传播路径损耗模型来估计距离，常用的传播路径损耗模型有:自由空间传播模型、对数-距离路径损耗模型、对数-常态分布模型等。 传感器节点的通信控制芯片通常都能提供测量RSSI的方法，无需增加额外的硬件成本和尺寸，就可以在广播自身信息的同时完成RSSI的测量，所以说RSSI是一种低成本、低功耗的测距技术，是WSN定位中较常用的方法之一。但由于信号在传播过程中易受到环境因素(如反射、NOLS、多径效应、天线增益等干扰)的影响，造成信号的衰减与经验的或理论的模型不符，从而造成很大的测距误差，也给实际建模带来了复杂性。因此，在实际应用中RSSI测距技术是一种粗糙的测距技术，一般只适用于对定位精度要求不高的场合。 在WSN中，由于传感器节点硬件资源有限，致使节点间的测量距离较短且精度较低，使得基于测距的定位方法在实际应用中面临着很大的困难。虽然可以通过多次测量、迭代求精等方法减少测距误差对定位精度的影响，但同时又会产生额外的通信和计算开销。 ?2.2.2 无需测距的定位算法 无需测距的定位算法不需要使用测距技术，只利用连通情况也就是一个节点与另一个节点能够通信来估测自己的位置。因为不用实际测量节点间的距离或方位，降低了对节点的硬件要求，不过定位误差也会相对有所增加，是一种粗精度的定位机制。但有研究表明，当节点的定位误差小于其无线通信半径的40%时，网络的路由性能和对目标追踪的精确度所受到的影响并不大，因此粗精度定位对于大多数WSN的应用已经足够。目前提出的无需测距的定位算法主要有两类:一类是将信标节点和邻居节点所确定的区域的质心作为被包含的未知节点的坐标，如质心定位算法;另一类是先通过某种机制估计出未知节点和信标节点之间的距离，然后未知节点利用三边测量法或极大似然估计法计算自身位置。目前比较典型的无需测距的定位算法有质心定位算 [22][23]法、DV-Hop定位算法、APIT定位算法等。 1. 质心定位算法 质心算法是南加州大学Bulusu等学者提出的一种仅基于网络连通性的定位算法。网络中的信标节点周期性地向邻居节点广播自身信息的信号，其中包括自身的ID和位置坐标，当未知节点在一段时间内侦听到的某信标节点的信号数超过预设的阈值后，就认为自己与此信标节点是连通的，并将所有与之连通的信标节点所组成的多边形的质心作为自己的位置。 质心定位算法无需未知节点和信标节点之间的协调，方法简单易实现。但是质心 10 第二章 无线传感器网络节点定位技术 定位算法假设所有的节点都拥有理想的球型无线信号传播模型，并粗略地将质心作为未知节点的实际位置本身就只是一种估计，并且这种估计的精度和信标节点的分布密度有着很大的关系，一般而言密度越大分布越均匀，定位精度就越高。 2. DV-Hop定位算法 DV-Hop定位算法是由美国路特葛斯(Rutgers)大学的Niculescu D和Nath B等人提出的APS(Ad hoc Positioning System)系列算法中的一种。DV-Hop定位算法的基本思想是将未知节点到信标节点间的距离用网络平均每跳距离与两者间最小跳数的乘积来表示，当未知节点获得与3个及以上信标节点的距离时就可以实现自身定位。其 [22]定位过程一般分为三个阶段:首先节点间使用距离矢量广播协议进行信息转发，使网络中所有节点获得与各个信标节点间的最小跳数;其次，当信标节点在获得其他信标节点的位置和最小跳数值后，计算网络平均每跳距离，然后将其作为校正值广播至网络中。每个节点仅记录接收到的第一个校正值，并转发给邻居节点，接着根据记录的最小跳数，计算到附近各个信标节点的跳段距离。最后当未知节点获得与3个或更多信标节点间的距离时，执行三边测量法或极大似然估计法计算自身坐标。 DV-Hop定位算法实现简单，可扩展性强，在网络平均连通度为10，信标节点比例为10%的各向同性网络中的定位精度大约为33%。但它是根据网络的距离矢量广播协议和连通性进行信息交换的，利用跳段距离代替直线距离，仅在各向同性的密集网络中求得的平均每跳距离才更接近实际距离值，否则误差较大。 3. APIT定位算法 APIT(Approximate Point-in-triangulation Test, 近似三角形内点测试)的基本定位思想是未知节点先收集与其邻近的信标节点位置信息，然后从这些信标节点组成的集合中随机选取3个，测试自身是在这3个信标节点所组成的三角形的内部还是外部，不断进行同样测试，直到穷尽所有组合或达到所需的精度为止。最后，将包含未知节点的所有三角形的相交区域的质心作为估计位置。 在传感器节点随机部署和无线信号传播模式不规则的情况下，APIT算法相对于质心算法而言，定位精度较高，性能较稳定，对信标节点的分布要求较低，但其对网络的连通性提出了较高的要求。 ?2.3计算节点位置的基本方法 [1][3]在WSN定位算法中，通常使用以下方法计算未知节点的位置: 1. 三(多)边测量法 已知平面(空间)上三(多) 点的位置A，B，C，以及未知节点D到A，B，C的距离，利用几何方法可求出D点的坐标。如图2.1所示，已知A，B，C三个节点的坐标分别为(,)xy、(,)xy、(,)xy，以及到未知节点D的距离分别为ddd、、，aabbccabc 11 基于RSSI测距误差修正的无线传感器网络定位算法 假设节点D的坐标为，则有: (,)xy 22,()()xxyyd,，,,aaa,,22 (2-3-1) ()()xxyyd,，,,,bbb ,22()()xxyyd,，,,,ccc, 由上式可得节点D的坐标为: ,1222222，，xxyydd,，,，,2()yy,2()xx,x，，，，acacacacca (2-3-2) ,,,,,,,2222222()yy,yxx2(),xxyydd,，,，,,,，，bcbc，，bcbccb，， BA,, D , C 图2.1 三边测量法图示 2. 三(多)角计算法 已知平面(空间)上三(多)点的位置A，B，C，以及以未知节点D为角顶点，角边 的端点为A，B，C的角度，可求出D的坐标。如图2.2所示，已知A，B，C三个节 点的坐标分别为、、，节点D相对于节点A，B，C的角度分(,)xy(,)xy(,)xyaabbcc 别为:，ADB、、，假设节点D的坐标为。 (,)xy，ADC，BDC 对于节点A，C和，如果弧段AC在内，那么能够唯一确定一个圆，，ADC,ABC设圆心为，半径为，那么，并存在下列公式: Oxy(,)r,,,，,,，AOCADC(22)111oo11 22,()()xxyyr,，,,oaoa111,,22 (2-3-3) ()()xxyyr,，,,,obob111 ,2222,()()22cosxxyyrr,，,,,acac11,, 由该式可以确定圆心的坐标和半径。同理可以确定另外两个圆心Or11 ，和半径。最后利用三边测量法，由点，，Oxy(,)Oxy(,)rr,Oxy(,)Dxy(,)222oo333oo23111oo ，确定D点坐标。 Oxy(,)Oxy(,)222oo333oo 12 第二章 无线传感器网络节点定位技术 Axy(,)aa ,Oxy(,)111oo Dxy(,) Bxy(,)bbCxy(,)cc 图2.2 三角测量法图示 3. 极大似然估计法 已知未知节点D的多个相邻节点坐标以及它们到节点D的距离或方位，使用最 小均方差估计方法得到节点D的坐标。如图2.3所示，已知1，2，3，„，个节点n 的坐标分别为，，，„，，它们到节点D的距离分别为(,)xy(,)xy(,)xy(,)xy112233nn ，假设节点D的坐标为。则有: dddd,,,,(,)xy123n 222,()()xxyyd,，,,111, (2-3-4) , ,222()()xxyyd,，,,nnn, 前面的每个方程分别减去最后一个方程，得: 222222,xxxxxyyyyydd,,,，,,,,,2()2()nnnnn11111, (2-3-5) , ,222222xxxxxyyyyydd2()2(),,,，,,,,,,,,,,nnnnnnnnnn11111, 将该线性方程表示为: (2-3-6) AX=b 222222，，xxyydd,，,，,2()2()xxyy,,，，111nnn11nnx，，,,,,其中，，，。 b,X,A,,,,,,,y，，222222,,,,2()2()xxyy,,xxyydd,，,，,,,nnnn11，，,,,nnnnnn111，， 根据标准的最小均方差估计法求得节点D的坐标为: T-1TˆX=(AA)Ab (2-3-7) 13 基于RSSI测距误差修正的无线传感器网络定位算法 32 14 D n„5 图2.3 极大似然估计法图示 以上3种计算方法是大多数定位算法常使用的方法，此外还有利用重叠区域计算法，此种方法首先确定包含未知节点的区域，并将该区域的质心作为未知节点的位置， [24][25][26]如APIT算法、同心圆定位方法、锚圆交点加权质心法和Min-max计算法。 ?2.4 定位算法的性能评价标准 目前，国外的大学和研究机构提出了许多专用于WSN的定位系统。WSN节点定位系统和算法的性能直接影响其可用性和应用范围，没有最好和最坏的定位算法，只有最适合和最不适合的定位算法。那么如何评价一个定位算法的性能是一个值得深 [1][12]入研究的内容，下面将定性地讨论几个目前常用的评价标准: (1) 定位精度。这是WSN定位技术首要的评价指标，一般用误差值与节点无线射程的比例表示。例如，定位精度为20%表示定位误差相当于节点无线射程的20%。也有一些定位系统将二维网络的部署区域划分为网格，将网格的大小定义为定位结果的精度，如微软公司的RADAR。 (2) 定位覆盖率。定位覆盖率是指网络中已实现定位的未知节点数占未知节点总数的比例。虽然WSN中的节点部署很密集，但总会有一些未知节点因连通度过低而无法实现自身的定位，所以，实现尽可能多的未知节点的精确定位也是节点定位系统和算法的追求目标之一。 (3) 节点密度。通常以平均连通度来表示网络的节点密度。在WSN中，节点密度的增大不仅意味着网络运行成本的增大，而且会使有限的网络带宽因为节点间的通信冲突发生阻塞。已有的许多算法的定位精度受节点密度的影响很大，如DV-Hop算法只有在节点部署比较密集的网络中才能获得比较理想的定位精度。 (4) 信标节点密度。信标节点是事先已知道自身绝对位置的传感器节点，它们的定位通常可由人工部署或GPS定位实现。WSN通常部署在人类难以到达或者比较危险的区域，采用人工部署信标节点的方式一般很难实现，且会严重制约网络应用的可扩展性;而使用GPS定位信标节点，会使部署信标节点的费用会比部署普通节点的 14 第二章 无线传感器网络节点定位技术 [12]高出两个数量级，即整个网络中虽然仅有10%的节点是信标节点，但其造价也将会增加10倍。由此看出，如何通过极少量的信标节点确定未知节点的位置，是评价定位系统和算法性能的重要指标之一，也是该领域研究的主要目标之一。 (5) 定位规模。不同的定位算法其定位规模是不同，或许是在某个园区内、某栋 房间内实现定位。另外，给定一定数量建筑物内、某层建筑物里，或许只能在某一个 的基础设施或一段时间，一个算法能定位多少目标也是一个重要的评价指标。 (6) 容错性和自适应性。大多数定位系统和算法都是在比较理想的无线通信环境和可靠的网络节点设备条件下提出来的，但在真实的应用场合中会因为遇到各种不可控的因素致使某些节点失效，而物理性地维护或替换这些传感器节点或使用其他高精度的测量手段测量节点间的距离常常是不可行的。因此，定位系统和算法的软硬件必须具有很强的容错性和自适应性，能够通过自动调整或重构纠正错误、适应环境、减少各种误差的影响，不会因为某些节点的失效而导致其他节点出现无法定位或误差很大的情况。 (7) 功耗。功耗始终是WSN设计和实现首要考虑的问题，与功耗密切相关的指标一般有存储开销、通信开销、计算开销和时间复杂度等。传感器节点的电源能量有限，在保证定位精度的前提下，必须尽可能地减少定位过程中的能量消耗。 (8) 代价。定位系统和算法的代价一般包括:时间代价，指安装和配置一个系统以及该系统实现定位所需要的时间;空间代价:指实现一种定位系统或算法所需要的网络节点数及硬件尺寸和基础设施等;资金代价:指实现一种定位系统或算法所需付出的设备总费用。 以上8个性能评价标准不仅是评价一个WSN节点定位系统或算法的标准，也是其设计和实现的优化目标。这些性能标准之间是相互关联的，在实际应用中必须根据具体的需求做出权衡，以选择或设计出合适的定位系统或算法。 ?2.5 本章小结 本章论述了WSN节点定位的定义、基本原理及算法特点，深入地分析了节点间距离或角度测量的技术和方法，详细地介绍了WSN节点定位算法的分类和计算节点位置的基本方法，并总结了WSN节点定位系统和算法的性能评价标准。定位技术的研究与发展对WSN应用步伐的快慢有着很大的决定作用。目前国内外的学术界提出了很多定位算法，但一般都是在特定条件下进行的相关定位研究，真正的定位技术的发展需要与实际应用紧密地结合起来进行研究。 15 基于RSSI测距误差修正的无线传感器网络定位算法 第三章 基于RSSI的测距技术 基于测距的定位方法是通过物理测量获得节点之间距离或角度的定位算法，其定位结果的精度在一定程度上依赖于这些物理测量本身的精确度。测距按照手段可以分为符号定位和物理信号测距两种方式。符号定位方式通过定位节点与一个或多个节点接近程度的信息，测试定位节点与参考节点的接近程度，以确定定位节点所在的大致范围;而物理信号测距则依据节点上的天线发射物理信号，通过检查信号的衰减、角度改变或传播的时差等测量定位节点和参考节点的距离。基于物理信号的定位方法是广泛且行之有效的定位方式，其中物理信号主要包括无线电波、声波、磁场等，一般而言射频天线节点的硬件结构简单、成本低、易于实现。但是这些物理信号的缺点是范围有限、易受环境因素的影响、定位精度低。 ?3.1 基于RSSI的测距方法 RSSI值是与距离相关的信息，它可以直接由传感器节点自身测量得到，无需额 [19]外的硬件设备，且计算无线信号强度是商用无线收发芯片自身具备的功能，仅需要根据对接收到无线信号强度的判断就可以推导出收发节点之间的距离，所以基于RSSI的测距技术是一种比较廉价的定位方法。但由于受到环境因素变化的影响，致使测距误差过大，通常将RSSI测距看作一种粗糙的测距技术，在实际应用中往往需要改进以达到应用的目的。 ?3.1.1 RSSI测距的原理及数学理论模型 [27][28]基于RSSI测距的原理是将收发节点间的信号强度的衰减转化为信号传播距离，然后利用经验模型或理论模型将信号的传播损耗转化为距离，再计算出节点的位置。 通常情况下，RSSI随着通信距离的变化而变化:收发节点间的距离越远，RSSI值相对越小。图3.1是耶鲁大学用工作在2.4GHz的无线模块的传感器节点在简单环 [29]境下进行测试得到的RSSI随距离变化的曲线图，由图中可以看出RSSI值随着距离的增加而呈衰减趋势。 16 第三章 基于RSSI的测距技术 图3.1 RSSI随距离变化的曲线图 设无线信号的发射功率为P，接收功率为P，d是收发节点之间的距离，则发射tr [21][30]功率和接收功率之间的关系如式(3-1-1)表示: ,PPd,/ (3-1-1) rt γ是传播因子，其数值大小取决于无线信号的传播环境。 对公式(3-1-1)的两边取对数得: 10lg10lg(/),,,dPP (3-1-2) tr 进一步整理得: 10lg10lg10lgPPd,,,, (3-1-3) rt 因为发射功率是已知的，令A =10lgP，A可以看作是信号传输1m远时接收信0t0 号的功率，则有: 10lg10lgPAd,,,, (3-1-4) r0 而10lgP是接收功率转换为dBm的表达式，可以得到RSSI测距的理论公式为: r PLdAd()10lg,,,, (3-1-5) 0 由式(3-1-5)可以看出常数A和γ的数值决定了接收信号强度和信号传输距离的0 关系。 在实际环境中，无线信道受环境影响会存在反射、多径传播、背景干扰等问题， 会产生不同的传播损耗，几乎相同的RSSI值(约-93dBm)，在不同定位区域环境中所 [31]对应的距离可能相差10m。为了更真实性地反映传输环境对路径损耗模型准确性的 17 基于RSSI测距误差修正的无线传感器网络定位算法 影响，一般会引入一个均值为0，标准差为,的高斯分布的随机变量X，其中的,取σ [32]值范围为4~8，,越大表示模型的不确定性越大。即有: PLdAdX()10lg,,,，, (3-1-6) 0, [21]这就是常用的对数-距离路径损耗模型，此时式中的PL(d)表示为距离发射点dm处的接收信号强度，即RSSI值，单位为dBm。由此式不难推出RSSI值与距离d的关系: APLdX,，()0, ,10,d,10 (3-1-7) ?3.1.2 RSSI测距存在的问题及分析 由公式(3-1-7)可以看出，影响RSSI测距精度的因素有两个:一是反映定位区域内信号传播特性且随着环境的改变而改变的路径损耗模型参数A和γ;二是反射、多0 径传播和背景干扰(X)等因素对RSSI测量值的影响。 σ 首先分析路径损耗模型参数A和γ对接收信号强度和信号传输距离关系的影响。0 先假定A不变，不同的γ时RSSI与信号传播距离的关系如图3.2所示。 0 图3.2 A不变，γ变化时RSSI与信号传播距离的关系曲线图 0 分析:γ的值越小信号在传播过程中的衰减就越小，此时信号可以传播到很远的距离。传播因子γ的大小主要取决于无线信号在空气中衰减、反射、多径效应等的干扰，干扰越小γ值就越小，信号能传播的距离就越远，无线信号的传播曲线就越趋近于理论曲线，此时基于RSSI的测距就会越精确。 再假定γ不变，不同的A时RSSI与信号传播距离的关系如图3.3所示。 0 18 第三章 基于RSSI的测距技术 图3.3 γ不变，A变化时RSSI与信号传播距离的关系曲线图 0 分析:无线信号在近距离传播时信号衰减得较为厉害，而在远距离传播时信号呈缓慢线性衰减。当发射功率增加时，增加的传播距离近似为发射信号功率增加量和曲线在平缓节点的斜率比值。 由此可知，良好的传播因子γ特性，或增加发射信号功率都可以增加信号的传播距离。 [33]通常采用经验值法和确定性法来求解参数A和γ。前者在定位前就对定位区0 域的环境进行大量的实验测量，根据实验数据拟合出RSSI与距离的关系函数，并将其固定地作为该环境的模型表达式，当环境改变时，需要重新实验以确定对应的参数;后者在定位区域内的适当位置(如场地的中心)选定两组已知点，分别测出它们的距离和对应的RSSI值，再根据式(3-1-6)列方程计算出参数A和γ，并将其作为整个网络0 覆盖区域的模型参数。相关研究和实验表明，不同的环境结构中相同距离对应的RSSI是有差别的，也就是路径损耗模型参数随着环境的改变而改变，即使在同一位置RSSI [34]的测量值在不同时刻也是不同的，有时被增强，有时被减弱。所以，用由经验值法拟合出的或者特定区域得出的固定的模型参数A和γ来描述整个环境是不准确的，0 会带来测距误差，从而影响节点的定位精度。 ?3.2 RSSI测量值的处理方法 基于RSSI测距的定位算法中信号强度值RSSI随着环境的改变有很高的灵敏度，这会限制测量值的准确度。在实际应用的环境中，信号强度与距离之间的关系很难令人满意，一般会存在着很大的波动性，文献[27]经过对4组实地RSSI测距实验数值进行统计发现，每一个RSSI值对应一个距离范围，强度大的值出现的范围小，强度 19 基于RSSI测距误差修正的无线传感器网络定位算法 小的值出现的范围大。一般而言，在RSSI测距的过程中，当传播距离较近时，RSSI值衰减得较快，这时RSSI值较稳定且参考价值高，测距精度相对就高;当传播距离越远时，衰减得较慢，这时接收强度对传输距离的变化表现得不明显。在实际中，接收节点在某个时间段内可以收到多个RSSI值，且这些RSSI测量值具有很大的波动性。如果未经处理就将这些RSSI用于计算，将会产生较大的测距误差，所以为了使RSSI值更精确地体现无线信号的传播距离，需要对RSSI测量值进行相应的处理。下面就几种常见的处理方法做个简单的介绍。 ?3.2.1 多数投票法 [35]多数投票法的基本思想是在多个RSSI测量值中，随机选择一个，比较此RSSI值与剩余的RSSI值，得到与自己差距允许在某个范围内的RSSI值的个数，如果个数超过所有测量值个数的一半，就判定自己的测量值为可用的，否则为不可用。多数投票法的精确率较高，但是计算量较大，这会消耗掉传感器节点大量的资源，不适用于资源有限的WSN中。 ?3.2.2 统计均值法 统计均值法是指接收节点将采集到的n个RSSI值进行均值处理，以平均值作为最后的测量结果，如式(3-2-1)所示: n1 (3-2-1) RSSIRSSI,,in,1i 通过调节n值的大小可以平衡实时性和精确性。统计均值法的实现方法简单，应 [28]用广泛，但是这种方法有两个弊端:一是外部因素的影响往往会使RSSI测量结果出现错误，而当这些错误值偏离正确值较大时会降低均值的可信度;二是偶然因素的影响使得取样的次数太少，达不到预期的效果，而取样次数过多，又会带来诸如能耗过大、收敛时间过长等负面影响。该方法在处理大扰动时效果不是很理想。 ?3.2.3中值选取法 [35]中值选取法即采用n个RSSI测量值的中位数作为最终的测量结果，这样即使有偏离正确值较大的错误值时，仍能获得较为正确的测量结果，有效地避免那些偏离正确值较大的错误值对测量精度的影响。 ?3.2.4 高斯模型法 相关实验数据统计分析发现，数据在某个位置的RSSI值可以是一个概率问题， 20 第三章 基于RSSI的测距技术 [28]分布密度最大的地方是测量值和真实值最接近的地方。高斯模型处理数据的原则就是一个未知节点在同一个位置可能收到的n个RSSI值，其中必然存在着小概率事件。那么通过高斯模型选取出分布密度最大处即高概率发生区的RSSI值，滤除那些错误的数据，然后再取其均值作为最后参与计算的RSSI值，这样就可以减少一些小概率、大干扰事件对整个测量的影响，提高定位的准确性。 高斯模型的分布密度函数为: 2()xm,,12,2fxe,() (3-2-2) ,,2 n1mX, (3-2-3) ,in,1i n122,,,Xm() (3-2-4) ,in,1,1i 其中，X为节点接收到的第i个RSSI测量值，n为信号个数。 i [36]根据实际情况，本文选择0.6为临界点，即当高斯分布函数值大于或等于0.6时认为对应的RSSI值为高概率发生值，而小于0.6时认为对应的RSSI值是小概率随机事件。 2()xm,,12,2,,e0.61 (3-2-5) ,,2 2其中均值m和方差σ分别由式(3-2-3)和式(3-2-4)求出。 节点将接收到的RSSI测量值存放到对应的数组Beacon_val[]中，然后从中选出符合式(3-2-5)的RSSI值，并存放到数组Beacon_val_gauss[]中。最后求得RSSI优化值为: k1 (3-2-6) RSSIBeaconvalgaussi,__[],k,1i k为经过式(3-2-5)筛选后的RSSI个数。 高斯模型法能很好地解决RSSI在实际测量中易受干扰、稳定性差等问题，提高了节点的定位精度。但是高斯模型只能消除小概率短暂的扰动，对于长时间的干扰的处理效果并不是很好。 ?3.2.5 性能比较 这4种处理方法都无需增加额外的通信量，但多数投票法因计算量大，不适合WSN，所以只对后3种方法进行性能比较。在MATLAB7.1仿真平台上，将仿真区域设置为一个半径为40m的圆形，圆心处放置一个节点，其他节点随机部署在圆形区 21 基于RSSI测距误差修正的无线传感器网络定位算法 域内，每个节点的最大通信距离为40m。采用如式(3-1-6)的路径损耗模型作为节点间 [21]RSSI值和距离的转换模型，其中取A=-30dBm，γ=3，σ=2，而PL(d)表示两节点间0 已处理过的RSSI值。 仿真流程如下: (1) 处于圆心的节点(设其标识号为p)周期性地接收其他节点的数据信息，并记下此时的RSSI值，在此设置节点接收RSSI信号个数的阈值为n=20; (2) p分别按照统计均值法、中值选取法和高斯模型法处理所有的RSSI值，并根据转换模型求得到其他各个节点的估计距离，并分别存放在相应的数组中; (3) 根据求得的估计距离和实际距离可以求得p与各个节点间的测距误差绝对值，其中实际距离可以由真实的坐标求得; (4) 重复进行50次这样的仿真，然后取所有测距误差绝对值的平均值作为最后的比较结果。 仿真结果如图3.4所示。 图3.4 三种处理方法的平均误差绝对值比较 从图中可以看出，高斯模型法产生的测距误差最小，测量距离在20m以内时的最大测距误差约为1.93m，为测量距离的9.65%;而统计均值法在20m以内时的最大测距误差约为2.98m，为测量距离的14.9%，测距误差最大。当测量距离为20m~30m时，高斯模型法的最大测距误差约为3.87m，为测量距离的12.9%;统计均值法的最大测距误差为6.14m，为测量距离的20.47%。中值选取法的测距精度介于统计均值法和高斯模型法之间。由此可知，3种处理方法的测量精度在30m以内还是较理想的。在时间复杂度方面，统计均值法为O(n)，中值选取法为O(nlogn)，高斯模型法为 22 第三章 基于RSSI的测距技术 O(n+k)。结合WSN的实际应用，高斯模型法是一种比较适用的方法。 本文的算法将采用高斯模型法处理RSSI测量值。 ?3.3 RSSI测距误差的修正 ?3.3.1 测距误差分析 理论上，如果传感器节点所处的环境条件已知，则影响路径损耗模型的参数(如A和γ)就为常量，这时RSSI就可以应用于节点间的距离估计。但在实际应用中，信0 号会产生不一致的衰减关系，影响了距离估计的质量，这是基于RSSI测距技术存在误差大的根本原因。基于RSSI测距的误差来源主要是监测环境中的各种因素，具体 [29][37]表现为以下3个方面: (1) 环境参数估计偏差。在不同的监测环境下，影响环境变化的因素不同，使得距离相同而信号强度衰减不同，即致使节点间的信号强度测量值误差，从而造成定位过程中的定位误差。 (2) 遮蔽因子估计偏差。监测环境中存在的障碍物会对信号的衰减产生影响，从而引起信号强度测量值不准确，造成定位误差。 (3) 测量误差。由于WSN的拓扑结构复杂，可能造成网络拓扑的多径效应，且测量仪器的不同、传感器节点的差别等也会引起信号强度测量误差，这样就造成连带误差和误差累积，致使产生更大的误差。 基于RSSI测距的误差分析如图3.5所示。 环境引起的信遮蔽物引起的 号衰减信号衰减信标节点接收到的RSSI 通过具体的改进算法减未知节点接收到的RSSI信号衰减的路径损耗模型少误差以实现节点定位 未知节点与信标节点间 的距离测量时产生的误差 图3.5 基于RSSI测距误差分析的示意图 此外，传感器节点本身运算能力有限，算法本身存在不足，以及RSSI与理论的距离转换关系模型不符等都会给RSSI测距带来一系列误差，这些误差对系统的定位精度影响大小各不相同，有些误差可能对定位精度影响较大，需要采取一些合适的办法来解决，有些误差可能对定位精度影响较小，可以忽略不计。 23 基于RSSI测距误差修正的无线传感器网络定位算法 ?3.3.2 修正测距误差的方法 [38]相关实验表明，不同通信模块在通信能力、材料、焊接工艺与阻抗匹配等方面存在差异，以及由于半导体工艺的原因，任何基于硅工艺的芯片都会存在不同程度的温度漂移，这会对传感器节点的射频模块产生一定的影响，从而给RSSI的测量带来偏差。所以，网络中的传感器节点的射频模块尽量选择通信能力几乎一致的模块，以最大限度保障节点间的测距和定位精度。 当监测区域的地理性因素不变时，影响RSSI的主要因素为非地理性因素，如温度、湿度、气压等，此类因素的变化对无线信号传输的影响是没有规律的，但影响效 [30]果不明显，对RSSI测量造成的波动并不是很大。但对于传播模型已确定的距离估计可能存在着较大的影响，使得测距误差变大，从而影响整个网络节点的定位精度。对于这种由各种综合因素引起的测距误差可以通过一定的方法加以修正，以提高节点的定位精度。 在WSN中，信标节点可以根据自身的位置坐标计算出彼此间的实际距离，而它们之间也可以根据RSSI测距技术获得测量距离，比较测量距离与实际距离获得RSSI测距误差，在此基础上通过合适的数学方法修正信标节点间的测量距离，然后信标节点通过自定位，获得估计坐标与实际坐标之间的误差，未知节点就根据接收到的信标节点坐标误差计算网络近似定位误差，用以修正自身的定位坐标。下面是本文提出的一种用于修正RSSI测距误差的方法。 1. 信标节点间测距误差的修正 定义WSN中任意两个信标节点间的距离d与误差,(d)存在如下关系: ,,,()dd,,， (3-3-1) ,——一次误差修正系数，,——常误差修正系数。 k2fdd(,)(||),,,,,,，,,令: (3-3-2) ,ii,1i d——距离测量值，,d——距离测量值与距离实际值之差，k——可通信节点的ii 个数。 根据多元函数极值法，对(3-3-2)式中的误差修正系数分别求偏导，得: k,f,2[(||)]0,,,,，,,,ddd,iii,,,,,1i, (3-3-3) k,f,2(||)0,,，,,,dd,,,ii,,,,1i, 解该方程得: 24 第三章 基于RSSI的测距技术 kkk1,(||)[][||]dddd,,,,,,,iiii,kiii,,,111,,,kk122,,[]dd,,,iik,ii,,11 (3-3-4) ,kk ,||,,dd,,,ii,ii,,11,,,k, 求得误差修正系数,、,后，根据下式修正信标节点间的测量距离: dd,,(),,,d0,iiiˆd, (3-3-5) ,i,,d0dd，(),,iii, 下面从理论上分析一下该方法在修正节点间测距误差的效果。 第一种情况，假设节点M根据RSSI测距法测得与10个节点(标识号分别为1~10)的距离均大于实际距离，根据上述方法对测量距离进行修正后的结果如表3.1所示。 表3.1 第一种情况的测距误差修正结果 标识号 1 2 3 4 5 6 7 8 9 10 实际距离 3m 5m 8m 10m 13m 15m 17m 20m 22m 25m 测量距离 3.28m 5.73m 8.64m 11.02m 14.27m 15.81m 18.24m 22.06m 24.57m 27.36m 修正距离 3.05m 5.28m 7.89m 10.09m 13.05m 14.45m 16.66m 20.14m 22.42m 24.96m 其中,=0.090，,=-0.061。 第二种情况，假设节点M根据RSSI测距法测得与10个节点的距离均小于实际距离，根据上述方法对测量距离进行修正后的结果如表3.2所示。 表3.2 第二种情况的测距误差修正结果 标识号 1 2 3 4 5 6 7 8 9 10 实际距离 3m 5m 8m 10m 13m 15m 17m 20m 22m 25m 测量距离 2.64m 4.36m 7.14m 8.92m 12.17m 13.89m 15.43m 18.52m 20.15m 22.61m 修正距离 3.01m 4.88m 7.89m 9.83m 13.35m 15.22m 16.89m 20.24m 22.01m 24.68m 其中,=0.085，,=0.148。 第三种情况，假设节点M根据RSSI测距法测得与10个节点的距离有一半大于实际距离，有一半小于实际距离，根据上述方法对测量距离进行修正后的结果如表3.3所示。 标识号 1 2 3 4 5 6 7 8 9 10 实际距离 3m 5m 8m 10m 13m 15m 17m 20m 22m 25m 测量距离 3.14m 4.52m 8.74m 10.68m 11.92m 16.03m 15.43m 18.48m 24.67m 23.13m 修正距离 2.99m 4.8m 8.05m 9.8m 12.92m 14.63m 16.78m 20.12m 22.42m 25.23m 25 基于RSSI测距误差修正的无线传感器网络定位算法 由以上的理论分析结果可以看出，修正后的测量距离更接近于实际距离，说明该修正法能有效地减少信标节点间的测距误差。 2. 网络近似定位误差的计算 当信标节点获得到各个邻居信标节点的修正距离后，就根据三边测量法或极大似然估计法计算自身坐标，并与实际坐标相比较获得该信标节点的坐标误差值。 如图3.6所示，信标节点M(x, y)通过其邻居信标节点M(x, y)，M(x, y)，„，001122M(x, y)的坐标及修正距离等信息计算自身坐标，然后与实际坐标比较便可获得一个kk 相对于这些信标节点的坐标误差。 Mxy(,)111 Mxy(,)222Mxy(,)000 … Mxy(,)kkk… Mxy(,)iii 图3.6 信标节点自定位举例示意图 其中，定义信标节点的坐标误差为: ˆ,,,xxx,iii (3-3-6) ,ˆ,,,yyyiii, ˆˆ(,)——信标节点M的计算坐标，(x, y)——信标节点M的实际坐标。 yxiiiiii 同理，网络中其他信标节点也可以通过相同的方法计算自身的坐标误差。 根据上面的定义可知，在二维定位系统中，只有网络中的信标节点个数不少于4个时，信标节点的坐标误差才有意义。如果网络中的任意一个信标节点都在其他信标节点的RSSI有效测距范围内，那么网络中任意一个信标节点都能通过上述方法获得自身的坐标误差，且有k+1个信标节点的坐标误差。 定义网络的近似定位误差为: m1,,,,xx,i,m,,1i (3-3-7) ,m1,,,,yy,i,m,1,i ,x、,y——信标节点M的坐标误差，m=k+1。 iii 网络近似定位误差是信标节点坐标误差的平均值，反映了定位网络的定位能力 26 第三章 基于RSSI的测距技术 [53]，可以利用它来修正未知节点的定位坐标。所以，未知节点的坐标最终修正为: ,ˆxxx,，,, (3-3-8) ,ˆyyy,，,,, ˆˆ(,)——未知节点用三边定位法或极大似然估计法计算得到的定位坐标。 yx ?3.3.3 测距误差修正法的仿真验证 采用MATLAB7.1进行仿真验证。假设实验环境为室外广阔平坦的场地，在此设为一个100m，100m的区域，将一定数量的节点随机部署在其中，所有节点的通信能力一致，且最大通信距离R为35m。仿真分为以下两个部分: 1. 信标节点间测距误差修正后的定位效果 仿真的大致流程如下: (1) 信标节点周期性地发送自身坐标信息，各信标节点记录下接收到的其他信标节点的坐标信息及每次接收到的RSSI值，当接收次数达到预设的阈值(本仿真设为20次)时，就运用3.2.4小节中的高斯模型法处理所有的RSSI测量值，求得RSSI的优化值，然后根据式(3-1-6)的路径损耗模型计算两节点间的测量距离，其中取A=-30dBm，γ=3，σ=2，PL(d)表示两节点间的RSSI优化值。接着将测量距离与实际0 距离相减得到测距误差，然后将它们分别存入测量距离数组和测距Dddd,{,,,}12k误差数组中。 Eddd,,,,{,,,}12k (2) 各信标节点根据3.3.2小节中的方法对所有的测量距离进行修正，并将之存 ˆˆˆˆ入修正距离数组中。 Dddd,{,,,}12k (3) 各信标节点根据三边测量法或极大似然估计法计算自身的坐标，其中分两种情况计算:一种是直接用测量距离计算，即测距误差修正前的定位方法;另一种是用修正距离计算，即测距误差修正后的定位方法。然后分别计算这两种方法的平均定位误差进行比较，其中节点的定位误差为: 22ˆˆ (3-3-9) exxyyR,,，,()()/iiiii ˆˆ——信标节点i的估计坐标，——信标节点i的实际坐标。 xy(,)xy(,)iiii 平均定位误差为: k1ee, (3-3-10) ,ik,1i 逐渐增加定位区域中信标节点的个数以比较两者的平均定位误差，其仿真结果如图3.7所示。 27 基于RSSI测距误差修正的无线传感器网络定位算法 图3.7 信标节点间测距误差修正前后的定位效果 分析:刚开始时两者的平均定位误差相差不大，随着信标节点个数的逐渐增多，两者的定位误差都呈下降趋势，因为待定位节点可获得更多信标节点的信息参与自身的定位，使自身的定位更准确。通过对测距误差进行修正后，测量距离更接近实际距离，并且信标节点个数的增多可以使待定位节点获得更多邻居信标节点的信息用于计算测距误差修正系数，有利于更精确地修正测量距离，从而提高了定位精度。由此可以看出，对测距误差进行修正后能取得更好的定位效果。 2. 用网络近似定位误差修正未知节点估计坐标后的定位效果 当信标节点计算出各自的坐标误差后，周期性地将其和自身位置信息一起广播给邻近的未知节点。未知节点记录下接收到的信息及每次的接收到的RSSI值，当接收次数达到阈值时，按照同样的方法处理RSSI测量值并计算到各个邻居信标节点的距离，根据式(3-3-7)计算网络近似定位误差，然后根据三边测量法或极大似然估计法计算出自身坐标，最后根据式(3-3-8)修正自身坐标。 在仿真区域中随机部署50个节点作为待定位的未知节点，保持未知节点数量不变，逐渐增加信标节点的个数，从平均定位误差方面以比较以下3种定位方法的定位效果: ? 信标节点直接利用测量距离自定位，求得坐标误差，未知节点根据接收到的坐标误差计算网络近似定位误差后，再用于修正自身的估计坐标，即测距误差修正前的定位方法; ? 信标节点间的测量距离经修正后自定位，求得坐标误差，未知节点根据接收到的坐标误差计算网络近似定位误差后，再用于修正自身的估计坐标，测距误差修正 28 第三章 基于RSSI的测距技术 后的定位方法; ? 未知节点直接根据传统的基于RSSI测距的方法计算自身位置。 仿真结果如图3.8所示。 图3.8 3种不同定位方法的效果比较 分析:经过网络近似定位误差修正后，未知节点的定位精度明显高于传统的基于RSSI测距的定位方法的定位精度。而对信标节点间的测量距离进行修正后得到的网络近似定位误差，在用于修正未知节点估计坐标时的效果优于未进行修正的情况，这说明本文提出的RSSI测距误差修正法能有效地降低节点的定位误差。 ?3.4 本章小结 本章主要介绍了基于RSSI的测距方法及其测距原理，并对其存在的问题进行了深入的分析。在实际应用中，RSSI测距技术因受环境因素变化的影响很大，致使测距误差过大，为了降低RSSI测距误差带来的定位误差，本章给出了两种解决的思路:一是提高RSSI的测量精度;二是对由各种综合因素引起的测距误差进行修正。通过对RSSI测量值的适当处理可以提高RSSI的测量精度，本章介绍了几种常见的处理方法，并对它们进行了性能比较，证明高斯模型法在处理RSSI测量值时具有更好的效果。此外还提出了一种RSSI测距误差修正法，除给出详细的实现流程外，还进行了仿真验证，证明了该方法有助于提高节点的定位精度。 29 基于RSSI测距误差修正的无线传感器网络定位算法 第四章 基于RSSI测距误差修正的环境感知区域定位算法 由第三章中关于RSSI测距技术的分析可知，如果用固定的信号传播模型及参数来描述RSSI与节点间信号传播距离的转换关系是不准确的，会带来较大的定位误差。为了使RSSI测距技术在实际应用中能取得更好的定位效果，在已有的RSSI测距定位算法的基础上，本章提出一种基于环境感知区域的RSSI损耗模型参数估计(Loss Model Parameters Estimate of RSSI Based on Environment Perception Area, LMPE-RSSI-EPA)的定位算法。 ?4.1 LMPE-RSSI-EPA定位算法 ?4.1.1 算法提出的背景 无线信号传输的一个重要特点就是信号强度随着距离的增大而衰减，但是无线信号的传播特性与具体的应用环境参数有关，不同的应用环境中的特性是不一样的，因此无法建立一个统一的无线信号随传播距离衰减的模型。另外，射频天线高度的不一 [30][53]样和节点芯片特点的不同也会导致函数特性存在很大的区别。 文献[49]通过搭建实地的实验平台，分别测试了某天上午及下午在相同地理环境下的RSSI值，并分别估计出了信号的衰减模型，如图4.1所示。从图中可以看出，不同时间内测得的RSSI值及由此估计出的衰减模型参数有较大的变化，其中绝对值 [49]较大的一组数据为当天上午测试得到的。该实验说明了信号衰减模型具有时变性。 图4.1 不同时间下测试得到的RSSI及估计出的信号衰减模型 30 第四章 基于RSSI测距误差修正的环境感知区域定位算法 文献[36]采用高斯模型对测得的RSSI进行筛选，抑制了实际测量中一些小概率大干扰事件对RSSI的影响，在一定程度上降低了测距误差，但是并没有考虑到RSSI信号具有时变性，仍然用固定的信号传播模型作为整个环境的测距模型。而文献[51]提出一种使用卡尔曼滤波技术对RSSI测量值进行循环求精以减少测距误差的方法，该方法需要增加大量的通信和计算开销，且因无法预估循环次数而增加了算法的不确定性。这些算法从提高RSSI测量精度着手，对RSSI测量进行筛选或修正，再根据固定的传播损耗模型计算节点距离，这在一定程度上提高了测距精度，但忽略了与环境密切相关的模型参数对信号传播距离的严重影响。 文献[31]根据信标节点之间的相互关系，将网络覆盖区域划分为若干子区域，然后通过它们之间的相互协作，分别确定出无线信号在不同子区域环境下具体的传播损耗模型，提出一种环境感知的节点定位方法。该方法考虑到环境的千差万别以及固定的模型通常很难反映环境对信号传播的影响，从而提高了测距精度和定位精度。但是该算法没有充分考虑到RSSI测量精度对测距误差的影响。文献[32]考虑到与环境相关的路径损耗指数，提出了一种改进的基于RSSI的测距方法。它用RSSI值估算网络中所有可通信节点间距离的相对大小，得到网络中各节点位置之间的几何约束关系，并以此为约束条件，以信标节点的质心和未知节点的质心之间的距离为最小目标，将定位问题转化为非线性最优化问题。该算法在信标节点分布于网络边缘的情况下能获得较好的定位效果，但这在实际应用中会增加部署信标节点的工作复杂度以及网络通信的负担。 由此可知，在利用RSSI定位传感器节点的位置时，其测距精度既会受到RSSI测量精度的影响，也会受到与环境密切相关的无线信号传播模型参数的影响。 针对以上分析的问题，本章提出了LMPE-RSSI-EPA定位算法。本算法考虑到了不同环境和不同时间段下无线信号传播损耗模型的时变性，通过信标节点间的相互协作将网络覆盖区域划分为若干个子区域，即环境感知区域，并确定每个子区域中某一个时间段内的传播损耗模型参数，即通过实时感知环境来动态地调整RSSI与节点间信号传播距离的关系，使基于RSSI的测距模型更符合实际情况。处于某个环境感知区域范围内的移动节点或待定位节点就可以根据此时得到的传播损耗模型计算自身与周围各个邻居信标节点的距离，最后执行三边测量法或其他定位方法估计自身的位置坐标。 LMPE-RSSI-EPA定位算法的实现过程主要包括环境感知区域的确定、环境感知区域RSSI测距误差的修正、环境感知区域RSSI信号传播损耗模型参数的估计和待定位节点实现定位及其估计坐标的修正。 31 基于RSSI测距误差修正的无线传感器网络定位算法 ?4.1.2 环境感知区域RSSI测距误差的修正 LMPE-RSSI-EPA是一种基于RSSI测距的定位算法。在基于测距的定位算法中，测距精度起着至关重要的作用，因为测距误差会累积到节点的定位阶段中，从而造成更大的定位误差。那么，在测距阶段尽量降低测距的误差对提高定位精度有着非常重要的意义。LMPE-RSSI-EPA定位算法将采用3.3小节中的方法对RSSI测距误差进行修正，方法如下: LMPE-RSSI-EPA定位算法中的环境感知区域是通过信标节点间相互发送信息确定的，在此过程中，各信标节点先利用接收到的其他信标节点的位置和RSSI等信息，根据3.3小节中的方法进行RSSI测距误差修正，获得自身的坐标误差，然后将其发送给邻近的待定位节点，最后待定位节点计算网络近似定位误差用于修正估计坐标。具体的实现方法将在定位流程中给出。 ?4.1.3 环境感知区域RSSI信号传播损耗模型参数的估计 环境感知区域信号传播损耗模型参数的估计的基本思路如图4.2所示。 B 信标节点 未知节点aF C ebA d cD E 图4.2环境感知区域的定位思想 在WSN的监测区域中，节点间相互发送和接收信息。如图4.2中的阴影部分，信标节点A、B、C之间能够相互通信，且待定位节点a处在它们所能覆盖的通信范围内，即信标节点A、B、C和待定位节点a同处在一个较小的范围内，由此可近似地认为信标节点之间的信号传播特性和信标节点与待定位节点之间的信号传播特性相同，此时就可以利用待定位节点周围这些信标节点的位置信息来估计该定位区域内RSSI信号传播损耗模型的参数。 将这些由某几个信标节点和待定位节点所构成的定位区域称为环境感知区域，如图4.2中的3个三角形区域都为环境感知区域，其中的待定位节点通过相关信标节点 32 第四章 基于RSSI测距误差修正的环境感知区域定位算法 的协助实现自身定位。 环境感知区域是通过信标节点间接收到的RSSI值来确定的。为了使RSSI能更精确地体现节点信号的传播距离，需要对节点接收到的RSSI值进行相应的处理以提高RSSI的测量精度。 (3-1-6)的两边取数学期望，得: 对式 EPLdEAEdEX[()]()(10lg)(),,,，, (4-1-1) 0, 2因为A、γ和d为常数，且X~ N(0, σ)，所以有: 0σ EPLdAd[()]10lg,,,, (4-1-2) 0 [31][47]此处的PL(d)为节点接收到的RSSI值，可以采用均值替代期望进行计算， n 即E[PL(d)] ,，其中PL为第i次接收到的RSSI值，n为接收到RSSI的次数。PLn/i,i,1i 由前一章的分析可知，高斯模型法在处理RSSI测量值时比统计均值法具有更好的效果，所以在此采用经高斯模型法处理后得到的RSSI值替代期望进行计算。此时有E[PL(d)]，将之代入式(4-1-2)得: ,RSSI RSSIAd,,,10lg, (4-1-3) 0 此处将称为高斯处理后的RSSI优化值。 RSSI 下面以图4.2中阴影部分的环境感知区域ABC为例，介绍如何估计环境感知区域的信号传播损耗模型的参数。R, RABAC 由图可知，信标节点A、B、C之间能够相互通信，当A发射信号时，假设B和C接收到的分别为和，根据式(4-1-3)建立如下方程组: RSSIRRABAC ,RAd,,,10lg,AB,AAAB0 (4-1-4) , RAd10lg,,,AC,,AAAC0, 解得A相对于环境感知区域ABC的参数估计A和γ为: A0A ,RdRdlglg,ABACACABA,,A010lg(/)dd,ACAB (4-1-5) ,RR,ABAC,,,A,10lg(/)ddACAB, 同理，可以分别求出B和C相对于环境感知区域ABC的参数估计A、γ和A、B0BC0γ。取三者的平均值作为该环境感知区域ABC的传播模型参数: C 33 基于RSSI测距误差修正的无线传感器网络定位算法 AAA，，,ABC000A,0()ABC,,3 (4-1-6) ,,,,，，ABC,,,()ABC,3, 待定位节点a就可以根据此时得到的传播损耗模型计算到其所在环境感知区域内各个信标节点的距离，最后确定自身的位置。 ?4.1.4 LMPE-RSSI-EPA定位算法的实现流程 LMPE-RSSI-EPA定位算法的实现流程如下: (1) 初始化网络中节点的设置。 (2) 网络中的信标节点周期性地广播自身的位置信息，其中包括标识号id和坐标(x, y)。 (3) 接收到信息的节点(包括待定位节点和其他信标节点)除了记录下信标节点的id和(x, y)外，还要记录下每次接到的RSSI值。当接收某信标节点信息的次数得到预设的阈值时，便停止接收信息并运用3.2.4小节中的高斯模型法处理所有接收到的RSSI值，求得该信标节点到这个节点的。同时各信标节点根据3.3.2小节中的RSSI 方法修正到其他信标节点的测距误差，并进行自定位，计算得到一个自身的坐标误差(,x, ,y) (id为该信标节点的标识号)。 idid (4) 各信标节点将与其他信标节点的和实际距离代入式(4-1-3)建立方程组RSSI 计算得到一组传播损耗模型参数A、γ。 id0id (5) 待定位节点比较所有从各信标节点接收到的，选出其中值最大的3个，RSSI 并发送消息通知这3个信标节点将作为目前参与确定环境感知的信标节点，即可由它们确定待定位节点所处的环境感知区域的信号传播损耗模型。 (6) 这3个信标节点接收到待定位节点的消息后，将已计算好的传播模型参数A、γ和自身坐标误差(,x, ,y)加上标识号id一起发给待定位节点。 id0ididid (7) 待定位节点将接收到的A、γ取均值，并根据此时确定的信号传播模型计id0id 算其到各个邻居信标节点的估计距离，最后执行三边测量法或极大似然估计法估算自身的位置坐标。 (8) 待定位节点根据式(3-3-7)计算网络近似定位误差，并用该值修正已计算出来的估计坐标，将修正后的坐标作为最终的定位坐标。 定位流程图如图4.3所示。 34 第四章 基于RSSI测距误差修正的环境感知区域定位算法 初始化节点的设置 信标节点周期性广播 自身位置信息 接收节点记录下信息及 每次的RSSI值 是否达到预定的接否收次数的阈值, 是 用高斯模型处理RSSI值各信标节点进行RSSI测距误差修正并计算自身的坐标误差信标节点计算各自A、γid0id 否是否接收到待定 位节点的消息, 是 发送A、γ和( x, y)给,id0ididid,该待定位节点 否是否接收完所有指定 信标节点的信息, 是 待定位节点对A、γid0id取均值以确定传播模型计算与各邻居信标节点的距离并进行自身定位 计算网络近似定位误 差并修正估计坐标 图4.3 LMPE-RSSI-EPA定位算法的流程图 35 基于RSSI测距误差修正的无线传感器网络定位算法 LMPE-RSSI-EPA定位算法通过相邻信标节点之间直接相互通信来确定环境感知区域，采用RSSI测距技术实际测量节点间的距离。RSSI测距技术虽然是一种廉价的测距方法，但是节点发射信号的通信范围有限，当网络中信标节点分布密度较稀疏时，该定位算法实现的定位效果会比较差。为了很好地发挥LMPE-RSSI-EPA定位算法的效果，在此限定该算法的适用场合:可用于信标节点分布密度较高的小型网络，或对外部进入网络的移动节点或新加入网络的节点进行定位。接下来的仿真实验就是基于这样的应用场合来验证和分析LMPE-RSSI-EPA定位算法的性能的。 ?4.2 算法的仿真设计及性能分析 仿真平台为MATLAB7.1，假设实验环境为室外广阔平坦的场地，所有节点的通信能力一致。将一定数量的节点随机部署在200m，200m的仿真区域中，构成一个传感器网络，每个节点的最大通信半径为35m，可以通过调节节点的无线通信半径来调节网络的平均连通度。 在WSN中，评价定位算法常用的性能指标一般有定位精度、定位覆盖率、能耗、规模等，在基于测距的定位算法中，测距精度也是常要考虑的一个指标。其中，最能体现定位算法优劣的指标是定位精度。定位算法能耗主要体现在通信开销、计算量、存储开销、时间复杂度等方面，其中以通信开销最为重要，因为节点间用于通信所耗 [3][12]的能量比其他方面所耗的能量要大得多，所以减少节点间的相互通信量是降低能耗的有效方法之一。本仿真实验主要从定位精度和能耗方面对算法进行性能比较。为了使实验数据更客观，将对每种实验场景进行多次仿真执行，并对各次的运行结果取平均值以作比较。 ?4.2.1 仿真结果分析 首先，将LMPE-RSSI-EPA定位算法和传统的使用固定参数无线信号传播模型的定位算法进行比较。传统算法采用表达式如3.1.1小节中式(3-1-6)的对数-距离路径损耗模型作为两节点间RSSI值和距离的转换模型，其中取A=-30dBm，γ=3，σ=2，PL(d)0 表示两节点间的RSSI值。在仿真区域中随机部署100个未知节点并保持其数量不变，信标节点的数目从10个逐渐增加到60个，每次增加5个信标节点，且每次新增加的信标节点都是随机部署的。其仿真结果如图4.4所示。 36 第四章 基于RSSI测距误差修正的环境感知区域定位算法 图4.4 不同信标节点数下两种算法的平均定位误差比较 分析:当网络中信标节点分布密度过低时，LMPE-RSSI-EPA定位算法的定位精度与基于固定参数模型的定位算法的差不多，因为此时无法确定更多更小的环境感知区域，确定的模型参数不能更好地反映待定位节点所处环境的信号传播特性，致使测距误差过大，从而导致定位精度不高。随着信标节点数量的不断增多，两种算法的定位误差都有所下降，但LMPE-RSSI-EPA定位算法的定位误差降低得较快，而基于固定参数模型的定位算法的定位误差降低得比较缓慢，这说明LMPE-RSSI-EPA定位算法在信标节点密度较高的场合能获得较好的定位精度。 其次，文献[31]和文献[47]中的算法与LMPE-RSSI-EPA定位算法一样，都是基于通过划分子区域实时调整信号传播损耗模型参数来提高测距精度的思想而提出的定位算法。接下来，对这3种算法的性能进行仿真比较。 (1) 测距精度的比较 在基于RSSI测距技术的定位算法中，测距精度的高低直接影响着定位精度的高低，这3个算法都是通过信标节点间的相互协作来分区域确定信号传播损耗模型的参数，目的就是为了更准确地测量出节点间的距离。 仿真场景设置如图4.5所示，将信标节点A~I预先部署在仿真区域中，它们之间的通信情况如图中点虚线表示，然后在它们信号覆盖的范围内随机部署一些待定位节点，并分别运用这3个算法对其中的k~k节点进行定位。 15 37 基于RSSI测距误差修正的无线传感器网络定位算法 图4.5 测距误差仿真示例图 待定位节点k~k都在信标节点A~I的通信范围内，多次运行这3个定位算法分15 别计算出k~k到A~I的距离，并将每次得到的估计距离与实际距离比较求得测距误15 差，最后将所有的测距误差取均值进行比较。仿真结果如图5.6所示。 图4.6 待定位节点k~k在3种算法下的平均测距误差 15 分析:LMPE-RSSI-EPA定位算法的平均测距误差低于其他两种算法的平均测距误差，其中比文献[31]中的算法平均降低了0.2m左右，比文献[47]中的算法平均降低了0.8m左右。这是因为LMPE-RSSI-EPA算法首先采用了高斯模型处理RSSI测量值， 38 第四章 基于RSSI测距误差修正的环境感知区域定位算法 而文献[31]是采用均值统计法对RSSI测量值进行处理，文献[47]则没有做任何处理，所以测距误差最大。 (2) 定位精度的比较 一个定位算法的优劣最直接的表现就是定位精度。接下来，将对这3种定位算法的定位精度进行仿真比较。先对如图4.5设置场景中的待定位节点进行定位，3种定位算法运行后得到的仿真结果如图4.7所示。 图4.7待定位节点k~k在3种算法下的平均定位误差 15 分析:LMPE-RSSI-EPA定位算法因为在测距阶段时的测距误差比其他两种算法小，所以在节点定位时可以有效地提高定位精度。这也说明了测距误差的减少可以有效地降低定位误差。LMPE-RSSI-EPA算法在最后阶段对节点的估计坐标进行了修正，这也是平均定位误差能够得以减少的原因之一。 以上是对特定布设场景中的几个节点进行的定位仿真，主要是为了验证LMPE-RSSI-EPA定位算法在测距精度方面的性能，具有很大的随机性，还不能充分说明该算法具有非常好的定位性能。接下来通过逐渐增加网络中信标节点的密度来比较这3种定位算法的定位精度，在仿真区域中随机部署150个未知节点并保持其数量不变，信标节点的分布密度从10%逐渐增加到50%，每次新增加的信标节点都是随机部署的。其仿真结果如图4.8所示。 39 基于RSSI测距误差修正的无线传感器网络定位算法 图4.8 不同的信标节点分布密度下3种算法的平均定位误差 分析:这3种定位算法的定位误差都随着信标节点分布密度的增加呈下降趋势，其中LMPE-RSSI-EPA定位算法的定位精度一直都高于其他两种定位算法，比文献[31]中的定位算法提高了2%~15%，比文献[47]中的定位算法提高了8%~20%。当信标节点分布密度达到40%以后，LMPE-RSSI-EPA定位算法的平均定位误差开始趋于稳定，基本维持在10%左右，而其他两种算法还继续随着信标节点分布密度的增加而下降，这意味着LMPE-RSSI-EPA定位算法相对于文献[31]和[47]中的定位算法而言，在获得相同定位效果的情况下对信标节点的分布密度具有更低的要求，这在一定程度上降低了网络的运行代价。 ?4.2.2 算法的能耗分析 LMPE-RSSI-EPA定位算法是通过高斯模型法对多次接收到的RSSI测量值进行处理的，在定位的开始，节点间是周期性地广播信息，直到达到预设的阈值时才停止广播信息的，然后节点间进行信息的交换，这在一定程度上增加了网络的通信开销。此外，算法运用到了修正RSSI测距误差和待定位节点估计坐标的方法，这在一定程度上增加了节点的计算开销，但执行的方法并不复杂，所以增加的计算开销不会太大。文献[31]中的定位算法是运用均值统计法处理RSSI测量值，也要增加大量的通信开销。LMPE-RSSI-EPA定位算法和文献[31]及[47]中的算法在确定子区域时都需要节点间进行信息交换，所要消耗的通信能量是差不多的，而LMPE-RSSI-EPA定位算法只是适当地增加了一些计算量，就可以获得比文献[31]及[47]中的算法更好的定位精度。这从另一方面也说明了定位算法在定位精度与能耗之间存在着难以协调的矛盾，要获 40 第四章 基于RSSI测距误差修正的环境感知区域定位算法 得更好的定位精度就必须适当地增加额外的开销。由此看出，没有哪种算法适用于所有的应用场合，在实际应用中需要根据实际情况的要求选择合适的定位算法。 ?4.3 本章小结 本章针对目前基于RSSI测距技术的定位算法存在的问题，考虑到环境的千差万别及固定的信号传播模型难以准确反映环境对信号的影响，提出一种基于RSSI测距误差修正的环境感知区域定位算法——LMPE-RSSI-EPA定位算法。该算法通过实时感知环境因素的变化来动态地调整环境感知区域中RSSI与节点间信号传播距离的关系，使基于RSSI的测距模型更符合实际情况，从而提高了节点的定位精度。仿真结果表明，LMPE-RSSI-EPA定位算法在信标节点分布密度较高及适量增加通信和计算开销的情况下，能获得比较理想的定位效果。 41 基于RSSI测距误差修正的无线传感器网络定位算法 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定 位算法 ?5.1 DV-Distance定位算法 ?5.1.1 算法介绍 [39]DV-Distance定位算法是著名的APS系列定位算法中的一种，其定位的基本思想与DV-Hop相似，不同之处在于它是利用RSSI测距的方法实际测量两个邻居节点间的距离，而不是用网络平均每跳距离来表示，即DV-Distance定位算法是利用未知节点到信标节点之间各跳段的距离之和来表示两者之间的距离的。 [40]DV-Distance算法的定位过程主要分为两个阶段:首先计算未知节点与信标节点间的跳段距离之和。信标节点通过典型的距离矢量交换协议向邻居节点广播自身位置信息的分组，其中包括标识号、坐标、跳数和跳段距离，将后两者均初始化为0。各个接收到此信息的节点将跳数值加1并累加来自各个信标节点的跳段距离后，继续向周围的邻居节点转发信息。每个节点接收到信息后，比较来自同一信标节点的跳数值，保留跳数最小的分组，找出两者间的最短路径。通过这一机制可以避免信息在网络节点间无限地循环，且未知节点可获得信标节点的坐标及距离信标节点的最小跳数和累积的跳段距离。其次，当未知节点获得3个或3个以上信标节点的信息后，就可以利用三边测量法或极大似然估计法计算自身的位置坐标。 如图5.1所示，根据DV-Distance定位算法，未知节点b到信标节点C的距离为此两者间各跳段的距离之和bC=bc+cd+dC。同理求得b到信标节点A、B的距离，此时b就可以执行三边测量法计算出自身的位置坐标。 C bd c A a e 信标节点 未知节点 B 图5.1 DV-Distance定位算法举例示意图 42 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 ?5.1.2 算法存在的问题及已有的改进型DV-Distance定位算法 DV-Distance定位算法是用各跳段距离之和而不是用平均每跳距离和最小跳数的乘积来表示未知节点到信标节点之间的距离，这在某种程度上解决了每跳距离不相等的问题，但是，由图5.1容易看出，由该算法得到的节点间的距离是折线距离，总是 [41]会大于两节点间的直线距离，这会带来一定的定位误差。为了降低这种误差，文献[41]提出了一种将DV-Distance定位算法和DV-Hop定位算法相结合起来的差分定位算法，该算法利用信标节点间的折线距离与实际距离之间存在的差值作为距离误差修正值对未知节点到信标节点间的折线距离进行修正，即计算有效距离。 如图5.2所示，信标节点A、B之间的真实距离为d，未知节点a、b、c、d是AB 分组信息从信标节点A出发到达B所经过的节点，则A、B之间的折线距离为 ’’’d=Aa+ab+bc+cd+dB。因为d必定大于d，所以,d=d-d，这就是所要计算的ABABABABAB 距离误差修正值。 A a b c dAB d B 图5.2 DV-Distance差分定位算法举例示意图 假如未知节点b要计算到信标节点C的有效距离，而b最早收到的来自信标节点A的距离误差修正值，则可得到b到C的有效距离为: 'ˆddd,,, (5-1-1) bCbCAC 'ˆ——未知节点b到信标节点C的有效距离;——未知节点b到信标节点ddbCbC C的每跳距离之和;——信标节点A和C之间的距离误差修正值。 ,dAC DV-Distance差分定位算法通过引入距离误差修正值以减少未知节点与信标节点 [43]之间的距离误差，这在一定程度上提高了定位精度。但该算法存在一个缺点:没有考虑到到同一个信标节点某一路径上的各个未知节点的累积距离之和的误差是不同的。在实际情况下，那些距离该信标节点近的未知节点到该信标节点的累积距离误差较小，而那些距离信标节点远的未知节点到该信标节点的累积距离误差较大，但该算 43 基于RSSI测距误差修正的无线传感器网络定位算法 法并没有区别对待这些差异，而是两个信标节点之间的所有未知节点都是用同一个误差修正值计算有效距离，这会造成一定的定位误差。针对这个问题，文献[43]提出了一种改进的DV-Distance差分定位算法，该算法在计算误差修正值时考虑到了两信标节点间的跳数，也在计算未知节点到信标节点间的距离时考虑到了两者间的跳数，进一步提高了算法的定位精度。当信标节点i接收到信标节点j的信息时，计算距离误差修正值的方法改为: ',,,dddhop()/ (5-1-2) ijijijij hop ——信标节点j到信标节点i的跳数。 ij 当某未知节点p接收到离自己最近的信标节点的距离误差修正值后，根据下式计算其到各个信标节点的有效距离: 'ˆdddhop,,,， (5-1-3) pjpjijpj 这样就把距离误差平均分配到两个信标节点间的每跳当中，充分考虑到了未知节点到信标节点间累积距离误差值的差异性。但当网络中的节点分布不均匀时，即任意两个节点间的跳距不等时，它们之间所分配的距离误差修正值应该也是不同的，而改进的DV-Distance差分定位算法并没有考虑到这个问题，从而在一定程度上影响了有效距离的计算精度。针对这一不足之处，文献[42]提出了一种基于单位距离的DV-Distance差分定位算法。该算法将两信标节点间的折线距离与实际距离的差值除以两者间的折线距离，即各跳段累积距离，这样就可以将距离误差平均分配到这两个信标节点间的折线距离的每个单位长度上，从而解决了网络中因节点分布不均匀时所带来的问题。因为DV-Distance定位算法是通过RSSI测距实际测量两节点间的距离的，虽然节点间的跳距是不等的，但是网络中使用的距离单位长度是相等的，例如网络使用米作为单位，而米的长度不会因为网络中节点分布不均匀而发生改变，所以用该算法计算出来的有效距离比改进的DV-Distance差分定位算法更精确。该算法从以下两个方面做了改进: 一是将计算距离误差修正值的方法改为: '',,,dddd()/ (5-1-4) ijijijij 这样就将误差平均分配到信标节点i、j之间的折线距离上，而不是分配到它们之间的跳数上。 二是将计算未知节点到信标节点的有效距离的方法改为: ''ˆdddd,,,， (5-1-5) pjpjijpj 下面通过具体的例子简单地说明基于单位距离的DV-Distance差分定位算法的具体应用流程。如图5.3所示，对未知节点p进行定位，主要分为三步: 44 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 第一步，计算信标节点间的距离误差修正值。信标节点A到B的实际距离为d= AB ’4.8，折线距离为d=1.1+1.2+1.1+1.3+1.2=5.9，则距离误差修正值为AB ,d=(5.9-4.8)/5.9,0.1864。同理求得,d=0.1507，,d=0.3284。 ABACBC 第二步，计算未知节点p到各信标节点的有效距离。p到A的折线距离为’ˆd=3.4，(1-0.1864)=2.7662。p到B的折线距离为=1.1+1.2+1.1=3.4，则有效距离为dpApA ’ˆd=1.3+1.2=2.5，则有效距离为=2.5，(1-0.1864)=2.034。但在计算p到C的有效距dpBpB [42]离时，不能用A、B之间的误差修正值，而是用A、C之间的误差修正值，则p到 ˆC的有效距离为=(1.1+1.0+1.0+1.1)，(1-0.1507)=3.5671。而当未知节点到信标节点dpC 只有一跳时，不需要计算有效距离，直接使用原测量得到的一跳距离即可。 第三步，未知节点p执行三边测量法计算自身的位置坐标。 4.8AB1.11.21.2p1.11.3 1.1 4.5 6.2 1.0 1.0 1.1C 图5.3 基于单位距离的DV-Distance差分定位算法举例示意图 ?5.2 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 ?5.2.1 算法的改进思路 在DV-Distance定位算法中，相邻两个节点间的距离是通过RSSI测距技术实际 [43]测量得到的，所以该算法对距离误差非常敏感。由第三章的分析可知，RSSI测距技术在实际应用中受环境因素的影响非常大，这会给DV-Distance定位算法中相邻节点间的测距带来不可避免的误差，从而造成节点的定位误差过大。而已有的改进算法 [41][42][43]主要都是针对信标节点间计算距离误差修正值的方法做出改进，而几乎没有考虑到RSSI测距误差给定位带来的影响。 此外，在已有的DV-Distance差分定位算法中，一个信标节点同时会接收到多个其他信标节点的信息，根据算法中计算距离误差修正值的方法，一个信标节点同时会计算出多个距离误差修正值，并全部广播给未知节点。然后未知节点用接收到的第一个信标节点发送来的修正值计算其到所有信标节点间的有效距离，问题在于，这个信标节点并不一定只有一个距离误差修正值，未知节点该如何判断使用哪个误差修正值 45 基于RSSI测距误差修正的无线传感器网络定位算法 呢,文献[42]考虑到了这一点，就规定未知节点用不同的修正值计算到不同信标节点的有效距离，如图5.3中的未知节点p，在计算到信标节点A、B的有效距离时用A、B之间误差修正值，而计算到信标节点C的有效距离时用A、C之间的误差修正值，此时就会有一个疑问，为什么在计算到信标节点C的有效距离时是用A、C之间的误差修正值而不是用B、C之间的误差修正值呢,即未知节点如何判断使用哪两个信标节点之间的误差修正值计算到相应信标节点间的有效距离才是最合理的。实现该算法一需要在节点间大量地发送和接收信息，二需要增加执行的复杂度，这对于能源有限的WSN来说是一个大的挑战。 针对以上分析的问题，本章在文献[42]所提出的算法的基础上，提出一种基于RSSI测距误差修正的改进型DV-Distance差分定位算法。在本改进算法中，首先运用3.3.2小节中的方法对RSSI测距误差进行修正，以最大限度地降低节点间的测距误差，其次进一步改进信标节点间距离误差修正值的计算方法，并给出一种可行的节点间传播信息的方法，以减少网络的通信开销和计算复杂度。 ?5.2.2 改进算法的定位流程 下面将给出本章改进算法的定位流程。 第一阶段，广播消息，计算节点间的最小跳数及累积跳段距离。信标节点向网络 ’中广播自身信息，包括标识号id、自身坐标(x, y)、跳段数hop和累积跳段距离d，后两者均初始化为0。各接收节点比较同一信标节点发来的跳段数，只保留跳段数最小的分组信息，并根据此时接收到的信号强度利用RSSI测距技术测量出相邻两个节点间的距离，然后将该距离值累加到跳段距离中，并将跳段数加1继续转发给邻居节点。通过该方法，网络中所有节点都能记录下每个信标节点的位置信息以及两者间的最小跳段数和最短累积跳段距离。 第二阶段，信标节点进行RSSI测距误差修正和计算距离误差修正值。通过第一阶段的信息广播，每个信标节点会收到多个其他信标节点的信息，此时，各信标节点根据3.3.2小节中的方法进行RSSI测距误差修正，具体方法如下: 首先信标节点i根据式(5-2-1)计算出测距误差修正系数,、,。 ii kkk,1''(||)[][||],,,,dddd,,,ijijijij,kjjj111,,,,,,ikk1,'2'2dd,[],,,ijijkjj11,,, (5-2-1) ,kk',||,,ddijiij,,,,jj11,,,i,,k, 46 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 ’’d——信标节点i到信标节点j的累积跳段距离;,d=d-d，d其中为i和j之ijijijijij间的实际距离;k为i接收到的其他信标节点j的个数。 其次，信标节点i根据式(5-2-2) 修正其到各个信标节点j间的累积跳段距离，以得到修正的跳段距离。 '',dd,,(),,,d0ijij,ijd,, (5-2-2) ij'',,d0dd，(),,ij,ijij, 最后，信标节点i根据修正后的跳段距离及接收到的信标节点的位置信息，通过三边测量法或极大似然估计法计算出自身坐标，再将估计坐标与实际坐标相比较得到一个坐标误差值(,x, ,y)。该坐标误差值将被未知节点用于计算网络近似定位误差以ii 修正自身的估计坐标。 同时，信标节点i根据式(5-2-3)计算距离误差修正值: kk'()/ddhop,,,ijijij,,jj00C, (5-2-3) ik'd,ij,0j 由此可以看出，信标节点i最终只计算得到一个距离误差修正值，该修正值是它到各个信标节点间距离误差的平均体现。先将i到其他所有信标节点的距离误差之和平均分配到所有跳段数上，得到每个跳段的距离误差，再将每个跳段的距离误差平均分配到i到其他所有信标节点的累积跳段距离总和的每一个单位长度上，在此将这个距离误差修正值称为每跳的单位距离误差修正值(Unit-Distance Error Correction per Hop, UDEC-Hop)。 DV-Distance定位算法源自于DV-Hop定位算法，所以计算节点间的跳段数是算 [45]法本身具有的一个功能，那么充分利用跳段数信息来修正累积跳段距离的误差将有助于提高节点间的测距精度。UDEC-Hop既考虑到了到同一信标节点的某一路径上的各个未知节点产生的累积距离误差是不同的问题，也考虑到了网络中节点分布不均匀情况下任意两个相邻节点间的跳距不等时所需要分配的误差修正值也是不同的问题。 第三阶段，未知节点计算到各信标节点的有效距离。各信标节点将计算得到的自身坐标误差和UDEC-Hop加上标识号一起广播给未知节点，其分组 格式 pdf格式笔记格式下载页码格式下载公文格式下载简报格式下载 为{id,(,x,,y), C}。未知节点将接收到的各信标节点的分组信息记录下来，并按以下方法进行处理: 未知节点p将所有接收到的信标节点坐标误差按3.3.2小节中的式(3-3-7)计算网络近似定位误差。 47 基于RSSI测距误差修正的无线传感器网络定位算法 m1,xx,,,,pi,m,,1i (5-2-4) ,m1,yy,,,,pi,m,1,i m为p接收到的信标节点坐标误差的个数。 未知节点p将接收到的分组信息中的标识号id与在第一阶段中所保存的各信标节点的标识号id相比较，分别取出相同id分组中的跳数、累积跳段距离和距离误差修正值，例如p经过比较后取出标识号均为id的信标节点的相关信息，然后根据式(5-2-5)计算其到信标节点i的有效距离为: 'dpiˆd, (5-2-5) pi'1，，，Chopdipipi 但当未知节点p到某信标节点的跳段数为1时，不需要对此两者间的累积跳段距离再计算有效距离，而是直接使用这两个节点的已知距离进行定位即可。因为p到该信标节点只有1跳，那么这两个节点间的距离不存在折线距离，其距离误差主要由RSSI测距引起，如果再使用上面的方法进行修正，会造成更大的误差。 第四阶段，计算未知节点的估计坐标。当未知节点得到与3个及以上信标节点的有效距离后，就执行三边测量法或极大似然估计法计算自身位置的估计坐标。 第五阶段，修正未知节点的估计坐标。未知节点根据第三阶段中计算得到的网络近似定位误差及3.3.2小节中的式(3-3-8)修正自身位置的估计坐标。例如未知节点p ˆˆ的估计坐标为(,)，网络近似定位误差为(,x,,y)，则修正后的坐标为: xypppp ˆxxx,，,,ppp, (5-2-6) ,ˆyyy,，,,ppp, 改进算法的定位流程图如图5.4所示。 48 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 初始化节点的网络模型 信标节点广播自身分组信息 否是否接收过此信标节保存此信标节点的分组信息点的分组信息, 是 比较跳段数只保留最小值的分组信息，并累加跳段距离否广播分组信息结束否, 是 未知节点是否收到3个及以该未知节点无法实现定位上信标节点的分组信息, 是 信标节点进行RSSI测距误差修正并计算自身坐标误差 信标节点计算UDEC-Hop 信标节点将自身坐标误差及UDEC-Hop广播给未知节点未知节点计算网络近似定位误差是未知节点到信标节点的跳段数是否为1, 否 未知节点计算到各信标节点的有效距离 执行三边测量法或极大似然估计法计算自身位置坐标 用网络近似定位误差修正估计坐标 图5.4 改进算法的定位流程图 49 基于RSSI测距误差修正的无线传感器网络定位算法 ?5.3 改进算法的仿真设计及性能分析 本节通过模拟仿真比较本章提出的基于基于RSSI测距误差修正的改进型DV-Distance差分算法与已有的改进型DV-Distance定位算法的定位效果，以验证本文提出的改进算法的性能。 ?5.3.1 仿真的环境与参数 仿真平台为MATLAB7.1，假设实验环境为室外广阔平坦的场地，所有节点的通 m，200m的仿真区域中，构成一个传信能力一致。将一定数量的节点随机部署在200 感器网络，每个节点的最大通信半径为30m，可以通过调节节点的无线通信半径来调节网络的平均连通度。初始时节点的随机分布图如图5.5所示。 图5.5 节点的随机分布图 DV-Distance定位算法中节点间的距离是通过RSSI测距技术获得的，在本仿真实验中，将采用表达式如3.1.1小节中式(3-1-6)的对数-距离路径损耗模型作为两节点间RSSI值和距离的转换模型，其中取A=-30dBm，γ=3，σ=2，PL(d)表示两节点间的RSSI0 值。 本仿真实验主要从定位精度、定位覆盖率和能耗等方面对改进算法和已有的算法进行性能比较。为了使实验数据更客观，将对每种实验场景进行多次仿真执行，并对仿真结果取平均值以作比较。 ?5.3.2 仿真结果分析 本章的改进算法与文献[42]的基于单位距离的DV-Distance差分定位算法都对信 50 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 标节点计算距离误差修正值及未知节点与信标节点间的有效距离的方法做了改进。在基于测距的定位算法中，测距误差对节点定位的影响很大，DV-Distance差分定位算法提出的出发点就是减少节点间的测距误差。那么，首先对这两种算法的测距误差进行仿真比较。在此定义测距误差为未知节点与信标节点间修正后的有效距离与实际距离的差值的绝对值，即: ˆEdd,,|| (5-3-1) ijijij ˆE——节点i和j的测距误差，——节点i和j间的有效距离，d——节点idijijij和j间的实际距离。 在DV-Distance差分定位算法中，距离误差修正值的计算方法至关重要，因为通过它修正得到的节点间的有效距离是否更接近真实距离，是测距误差高低最直接的表现。如图5.6所示，A、B、C和k~k为进行仿真验证时所选取的信标节点和未知节116 点，它们之间的折线距离已在图中画出来，下面就在MATLAB7.1中根据算法的描述分别计算出其中一些未知节点到信标节点间的有效距离，再跟实际距离相比较。 图5.6 测距误差仿真示例图 在此选择分别计算未知节点k、k、k、k、k到信标节点A、B、C的有效距离，23456 其运行后的结果如表5.1~5.3所示。 表5.1 未知节点k~k到信标节点A有效距离的实验结果(单位:m) 26 k k k k k 23456 真实距离d 36.286 51.394 65.465 75.368 93.489 kA ˆ38.764 54.635 62.791 78.053 90.892 本章改进算法的dkA ˆ39.082 55.328 61.928 78.946 90.284 文献[42]中的算法的dkA 51 基于RSSI测距误差修正的无线传感器网络定位算法 续表5.1 本章改进算法的E 2.478 3.301 2.674 2.685 2.597 kA 文献[42]中的算法的E 2.796 3.934 3.537 3.578 3.205 kA 表5.2 未知节点k~k到信标节点B有效距离的实验结果(单位:m) 26 k k k k k 23456 真实距离d 130.212 117.513 109.431 94.889 86.988 kA ˆ149.866 133.728 118.461 101.972 93.799 本章改进算法的dkA ˆ150.137 134.819 118.767 102.548 94.053 文献[42]中的算法的dkA 本章改进算法的E 19.654 16.215 9.030 7.083 6.811 kA 文献[42]中的算法的E 19.925 17.306 9.336 7.659 7.065 kA 表5.3 未知节点k~k到信标节点C有效距离的实验结果(单位:m) 26 k k k k k 23456 真实距离d 150.244 132.617 118.014 105.585 87.320 kA ˆ167.824 140.599 123.794 101.659 89.725 本章改进算法的dkA ˆ168.136 140.873 124.118 100.877 90.142 文献[42]中的算法的dkA 本章改进算法的E 17.580 7.982 5.780 3.926 2.405 kA 文献[42]中的算法的E 17.892 8.256 6.104 4.708 2.822 kA 由此可以看出，本章的改进算法的测距误差比文献[42]中的基于单位距离的DV-Distance差分定位算法的测距误差略低，这说明本章的改进算法对计算信标节点间距离误差修正值的方法的改进取得了好的效果，能有效地提高节点间的测距精度，从而有利于降低定位误差。 本章的改进算法在最后阶段用网络近似定位误差对未知节点估计坐标进行了修正，接下来将在上面测距误差仿真验证的基础上，进一步对未知节点k~k进行定位26仿真，以比较这两种算法的定位效果。未知节点直接执行三边测量法计算自身的估计坐标，再使用在第三阶段时计算得到的网络近似定位误差修正估计坐标，得到自身最终的位置坐标。最后的仿真结果如表5.4所示。 表5.4 未知节点k~k定位仿真的实验结果 26 k k k k k 23456实际坐标 (32.52,137.46) (47.65,128.38) (59.27,119.32) (74.57,120.18) (89.83,109.78) (x, y) ii 本章改进算法的估(28.10,143.77) (48.24,137.50) (62.28,130.53) (77.04,117.70) (88.82,112.58) ˆˆ计坐标(,) yxii 本章改进算法的修(28.87,142.93) (47.08,136.85) (61.72,129.79) (75.91,118.36) (90.14,111.65) 正坐标(,) xyii 文献[42]的估计坐标(27.89,143.87) (48.76,137.16) (62.58,130.57) (77.32,116.73) (88.36,112.82) ˆˆ(,y) xii 三者定位误差的比较如图5.7所示。 52 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 图5.7 未知节点k~k在3种不同情况下的定位误差比较 26 分析:未知节点的估计坐标经过修正后的定位误差有了一定程度的降低。此外，未知节点k、k在3种情况下的定位误差相对较小，由图5.6可知k、k比较靠近于5656信标节点A、B、C所围成的三角形的中心，在利用三边测量法对未知节点进行定位时，如果3个信标节点共线时，定位误差最大，而如果3个信标节点所构成的三角形 [46]是等边三角形时，定位误差最小。那么，如果未知节点k获得的3个信标节点所构成的三角形为锐角三角形时定位误差较小，而为钝角三角形时定位误差较大。由此说明，未知节点尽量选择那些能构成锐角三角形且自己处于其中的信标节点来参与定位有利于降低定位误差。 以上是针对网络中某些未知节点做的一些仿真验证，下面将从整个网络的定位效果来对算法进行仿真验证。 (1) 信标节点的密度对定位精度的影响 通常情况下，WSN中的信标节点越多，网络的定位精度就越高，但是，考虑到成本问题，信标节点的数量一般都会比未知节点的数量少得多。那么，如何在信标节点资源有限的情况下，使定位精度能够满足网络应用的需求，是定位算法的重要研究方向之一。 WSN中信标节点的密度定义为信标节点的个数占整个网络中节点个数的比例。 在仿真区域中随机部署90个未知节点，信标节点的数目从10个逐渐增加到50个，每次增加5个信标节点，且每次新增加的信标节点都是随机部署的。在不同信标节点数量的情况下，多次运行定位算法的程序计算未知节点的位置坐标，并将各次得到的定位误差进行均值统计，以比较本章提出的改进算法、文献[42]和文献[45]中提 53 基于RSSI测距误差修正的无线传感器网络定位算法 出的算法的平均定位误差。仿真结果如图5.8所示。 图5.8 不同信标节点密度下3种定位算法的平均定位误差 分析:由此可见，提高信标节点的密度可以明显降低节点的定位误差。随着信标节点的逐渐增加，3种定位算法的定位误差都呈下降趋势，而本章提出的改进算法相对于另外两种定位算法，具有更高的定位精度，分别比文献[42]中的算法提高了3%~8%，比文献[45]中的算法提高了5%~12%。由图中还可以看出，当网络中信标节点的数量增加到40个以后，本章提出的改进算法的定位误差开始趋于稳定，而其他两种算法的定位误差还是继续随着信标节点数量的增加而下降，这意味着本章的改进算法对信标节点密度具有更低的要求，有利于降低网络的运行成本。 (2) 网络节点的密度对定位精度的影响 首先在仿真区域中预先部署好30个信标节点，然后将未知节点的数量从30个增加到120个，每次增加10个，且每次新增的未知节点是随机部署的。在不同的情况下，分别多次运行定位算法的程序计算未知节点的位置坐标，并将各次得到的定位误差进行均值统计，以比较本章提出的改进算法、文献[42]和文献[45] 中提出的算法的平均定位误差。仿真结果如图5.9所示。 54 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 图5.9 不同未知节点密度下3种定位算法的平均定位误差 分析:由此可见，提高网络中节点的密度可以降低定位误差，因为节点数量增多，每个节点的网络连通度就会增大，DV-Distance是一种基于多跳机制的定位算法，网络平均连通度的增大可以让节点获得更多的信标节点信息，一方面有利于提高定位精度，另一方面有利于提高节点定位的覆盖率。其中，本章的改进算法的定位精度都比文献[42]和文献[45]中的算法略有提高，刚开始时，提高的幅度并不是很大，因为此时的网络连通度不高，节点间能获得的用于定位的信息很少，但随着节点数的不断增加，本章的改进算法的优势越来越明显。本章的改进算法中用到RSSI测距误差修正法，这个方法在节点获得更多其他信标节点的信息时，能够得到更佳的网络近似定位误差，这有利于修正未知节点的估计坐标。所以当未知节点数增加到90个以后，本文改进算法的定位精度明显比其他两种算法分别提高了近5%和8%。 (3) 节点定位覆盖率的比较 虽然部署密集是WSN的特点之一，但总会有一些未知节点因为连通度过低而无法实现定位，所以，实现尽可能多的未知节点的精确定位也是定位算法追求的目标之一，这具体表现在算法的定位覆盖率上。接下来将从两个方面比较本章提出的改进算法、文献[42]和文献[45]中提出的定位算法的节点定位覆盖率。 首先，固定未知节点的数量，逐渐增加信标节点的数量，具体的仿真设置参数与(1)相同，得到的仿真结果如图5.10所示。 55 基于RSSI测距误差修正的无线传感器网络定位算法 图5.10 不同信标节点密度下3种定位算法的覆盖率 其次，固定信标节点的数量，逐渐增加未知节点的数量，具体的仿真设置参数与(2)相同，得到的仿真结果如图5.10所示。 图5.11不同未知节点密度下3种定位算法的覆盖率 分析:随着信标节点或未知节点数量的增加，3种定位算法的节点定位覆盖率都有明显的提高，而本章的改进算法的节点定位覆盖率略高于另外两种算法。在图5.10中，当信标节点的数量增加到40个以后，改进算法的覆盖率就稳定在92%左右，而文献[45]中的算法要在信标节点数为50时才能达到这个覆盖率，这说明在取得同等 56 第五章 基于RSSI测距误差修正的改进型DV-Distance差分定位算法 效果的情况下，本章的改进算法对信标节点密度的要求较低。在图5.11中，3种算法的定位覆盖率都是随着未知节点数量的增加而逐渐提高，说明提高网络节点的连通度是提高节点定位覆盖率的有效手段之一。但是，并不是说网络中的节点数越多就越有利于定位覆盖率的提高，因为还要考虑到许多其他方面的因素，比如网络的运行成本。 ?5.3.3 算法的能耗分析 WSN是一种能量受限的网络，其中的传感器节点在能量、计算和存储能力方面非常有限，这就要求定位算法必须是低复杂性的，且必须减少定位过程中节点间的通信开销，因为用于无线通信的能耗是节点的主要能耗。 本章提出的改进算法着重对信标节点间计算距离误差修正值的方法做了进一步的改进，每个信标节点经计算只得到一个距离误差修正值，这就不会像很多已有的DV-Distance改进算法(如文献[42]和文献[45])那样要大量地广播多个误差修正值，同时避免了接收节点需要不断地判断该保留哪些误差修正值该丢弃哪些误差修正值的工作，降低了算法执行的复杂度。本章改进算法只是要求各个节点适当地增加计算量，主要表现在:信标节点进行RSSI测距误差修正时的自定位和计算自身坐标误差，未知节点计算网络近似定位误差和修正自身的估计坐标。但这些计算开销相对于大量广播消息时所消耗的通信开销要小得多，所以，本章的改进算法能有效地减少网络中的通信开销，从而降低了网络的能耗。 由以上的分析可以得出结论，文章提出的基于RSSI测距误差修正的改进型DV-Distance差分定位算法在测距精度、定位精度、定位覆盖率及能耗方面都优于已有的改进型DV-Distance差分定位算法。 ?5.4 本章小结 本章介绍了DV-Distance定位算法，并分析了其存在的问题及已有的改进型DV-Distance定位算法，还重点介绍其中的两种——一种改进的DV-Distance差分定位算法和一种基于单位距离的DV-Distance差分定位算法。在此基础上，考虑到DV-Distance定位算法是利用RSSI测距技术测量两个相邻节点间的距离的，对测距误差非常敏感，以及距离误差修正值在广播过程中会带来大量的通信开销等问题，提出一种基于RSSI测距误差修正的改进型DV-Distance差分定位算法，并详细描述了算法的定位流程，最后进行仿真验证并对仿真结果进行了分析，结果证明了该改进算法具有更好的定位效果。 57 基于RSSI测距误差修正的无线传感器网络定位算法 第六章 总结与展望 作为WSN应用的关键技术之一，节点定位技术的研究是一个非常有意义和挑战性的研究方向。本文就是针对WSN节点定位技术进行了深入的研究，主要研究了基于测距技术的传感器节点定位算法，重点分析了基于RSSI测距技术及其相关的定位算法。本章将对论文所做的工作进行总结，并对论文后续的进一步研究工作进行展望。 ?6.1 本文工作总结 本文的主要研究工作有以下几个方面: (1) 通过全面收集、阅读和分析WSN及其节点定位技术的相关文献，论述了WSN的特点和体系结构，对WSN节点定位问题进行了综述，阐明了节点定位技术在WSN中的重要性，以及介绍该问题目前国内外的研究现状。 (2) 介绍了WSN节点定位的基本概念及术语、节点定位的基本原理及算法特点，对现有的算法进行了分类讨论，并阐述了评价节点定位算法和系统性能的指标。 (3) 认真研究了WSN中基于RSSI测距技术的定位算法，对其测距原理、方法及存在的问题进行了深入的分析。针对RSSI测距存在的不足之处，提出了一种首先采用高斯模型法处理RSSI测量值以提高RSSI的测量精度，再从总体上对RSSI测距误差进行修正的方法。并通过理论分析及仿真验证，证明了该方法的可行性。 (4) 针对基于RSSI测距技术在实际应用中极易受到环境变化因素的影响及用固定的传播损耗模型难以反映环境对信号传播的影响而致使节点定位效果不佳的问题，本文提出了一种基于环境感知区域的定位算法——LMPE-RSSI-EPA定位算法，该算法通过信标节点将网络覆盖区域划分为若干个子区域，然后由信标节点之间的相互协作确定各个子区域的信号传播损耗模型，即通过实时感知环境来动态地调整RSSI与节点间信号传播距离的关系，使基于RSSI的测距模型更符合实际情况。仿真结果表明，该算法在信标节点分布密度较高的应用场合中，适当地增加一些通信和计算开销能取得理想的定位效果。 (5) 在认真研究了已有的DV-Distance定位算法的基础上，针对其存在的不足提出一种基于RSSI测距误差修正的改进型DV-Distance差分定位算法，给出该算法的改进思路及实现流程，并通过仿真验证了该改进算法在定位精度、节点定位覆盖率及能耗方面都优于原有的算法。 ?6.2 未来工作展望 节点定位技术是WSN的支撑技术之一，对它的研究是一个长期而复杂的过程， 58 第六章 总结与展望 也是一个非常有意义的课题。近十几年来，国内外对WSN定位的研究取得了丰富的成果，提出了许多新颖的解决方案和思想，其中有一些定位算法得到了实际的应用。但是大多数定位算法仍然停留在理论探索阶段，对其的讨论都是建立在条件有限的网络模型上，离实际应用还有一定的距离。总体而言，对该领域的研究还处在一个起步的阶段，已有的研究工作给其提出了越来越多需要进一步解决的问题。 本文只是针对基于RSSI测距技术的定位算法进行了理论上的研究，提出的算法在设计上主要考虑提高节点的定位精度，没有充分考虑到实际应用中可能会遇到的问题，比如能耗过高、通信量过大，计算复杂度高等。而在设计一个WSN定位算法时，如何在保证定位精度的前提下，尽可能地降低能耗和网络的通信开销是一个值得考虑的关键性问题。 本文接下来需要进一步做的改进工作有: (1) 对提出的定位算法的验证都是在模拟仿真实验条件下进行的，这跟在实际环境中应用时产生的结果可能存在很大的差别。所以在实际应用条件下算法的定位效果如何以及可能会遇到的问题，是接下来需要做的研究工作。 (2) 高斯模型法在处理RSSI值时有一个接收次数的阈值，如何设置该阈值既能取得理想的测量精度又能尽量减少算法的通信和计算开销是一个值得研究的问题。 (3) LMPE-RSSI-EPA定位算法可用于对进入网络中的移动节点进行定位，那么该算法如何实现对移动节点的定位机制是一个值得深入研究的问题。 (4) 对节点位置计算方法的改进也是提高节点定位精度的一个方法。在定位算法的测量阶段，由于各种不可避免因素的影响而产生的测距误差会对算法定位阶段计算的坐标产生很大的影响，那么如何通过合适的方法遏制或减少这种累积定位误差，也是定位算法中值得研究的一个内容。文献[56]~[58]中的方法就是针对这方面提出的改进，本文中的用网络近似定位误差修正节点估计坐标的方法也是基于这一点提出的，但该方法在实际应用中如何更有效地提高定位精度，是接下来需要完善的工作。 (5) 当网络中的未知节点实现自身的定位后，下一步就是如何开发有效的目标跟踪系统和算法对WSN中的移动目标进行追踪，这是WSN定位技术中一个很重要的研究内容。 59 基于RSSI测距误差修正的无线传感器网络定位算法 参考文献 [1] 孙利民，李建中，陈瑜等. 无线传感器网络[M]. 北京:清华大学出版社，2005:136-148. [2] 李建中，高宏. 无线传感器网络的研究进展[J]. 计算机研究与发展，2008，45(1):1-15. [3] 张西红，周顺，陈立云等. 无线传感网技术及其军事应用[M]. 北京:国防工业出版社，2010: 142-164. [4] 曹小红，李颖，丰皇. 无线传感器网络节点定位技术综述[J]. 信息技术，2009(7):233-235， 240. [5] 张杰，胡向东. 定位技术在无线传感器网络中的应用[J]. 电信快报，2008(8):34-36. [6] Bulusu N, Heidemann J, Estrin D. GPS-less Low Cost Outdoor Localization for Very Small Devices [J]. IEEE Personal Communications, 2000, 7(5):28-34. [7] Doherty L, Pister K.S.J, Ghaoui L.E. Convex Position Estimation in Wireless Sensor Networks[C]. In INFOCOM’01, April 2001. [8] Bahl P, Padmanbhan V N. RADAR: An in-building RF-based user location and tracking system [C]. In: Proc. Of INFOCOM’2000, Tel. Aviv, Israel. 2000,Vol.2: 755-784. [9] Hightower J, Boriello G, Want R. SpotON: An indoor 3D location sensing technology based on RF signal strength [C]. Technical Report UW CSE 2000-02-02, Seattle: Department of Computer Science and Engineering, University of Washington, 2000. [10] Priyantha NB, Chakraborty A, Balakrishnan H. The cricket location-support system [C]. In: Proc. thOf the 6 Annual Int’1 Conf. on Mobile Computing and Networking. Boston: ACM Press, 2000: 32-43. [11] Savvides A, Han C C, Srivastava M B. Dynamic finge-grained localization in ad-hoc networks of thsensors [C]. In: Proc. of the 7 Annual Int’l Conf. on Mobile Computing and Networking (MobiCom). Rome, Italy. July 2001: 166-179. [12] 王福豹，史龙，任丰原. 无线传感器网络中的自身定位系统和算法[J]. 软件学报，2005，16(5): 857-868. [13] 曾桂秀，赖旭芝，吴敏. 一种分布式网络节点定位算法[J]. 计算技术与自动化，2006，4(25): 28-30. [14] 赵朝丽，邢建平，张军等. DRFL:一种分布式的无线传感器网络的非测距定位算法[J]. 传感 技术学报，2007，8(20):1840-1845. [15] 刘新华，李方敏，郑鹏. 一种分布式的无线传感器网络Range-free节点定位算法[J]. 传感技 术学报，2008，1(21):154-157. [16] 刘克中，王殊，胡富平等. 无线传感器网络中的一种基于多跳导标的分布式节点定位算法[J]. 计算机科学，2006，8(33):54-57. [17] 李善仓，傅鹏，张德运. 无线传感器网络中的分布式节点定位方法[J]. 西安交通大学学报， 60 参考文献 2007，12(41):1418-1422. [18] 孙学斌，周正. 无线传感器网络中目标定位算法的研究[J]. 计算机工程与应用，2004，3:32-34. [19] 周艳. 基于RSSI测距的传感器网络定位算法研究[J]. 计算机科学，2009，36(4):119-120， 150. [20] 罗娟. 浅析基于TOA/TDOA的无线传感器网络节点定位算法[J]. 武汉工程职业技术学院学 报，2009，21(2):41-43. [21] 任智，李晴阳，陈前斌. 无线网络衰落和损耗的建模与仿真研究[J]. 系统工程与电子技术， 2009，31(12):2813-2819. [22] Nicolescu D, Nath B. Ad-Hoc positioning systems(APS) [C]. In:Proc.of the 2001 IEEE Global Telecommunications Conf.Vol.5，San Antonio:IEEE Communications Society，2001. 2926-2931. [23] Tian He, Chengdu Huang, Blum B M, etal. Range-free Localization Schemes in Large Scale Senor thNetworks [C]. In: Proc. of the 9 Annual International Conference on Mobile Computing and Networking, San Diego, California, USA. ACM Press, 2003: 81-95. [24] 姜志鹏，高随祥. 无线传感器网络节点定位的同心圆改进算法[J]. 计算机科学，2009，36(10): 46-48，54. [25] 李娟，王珂，李莉等. 基于锚圆交点加权质心的无线传感器网络定位算法[J]. 吉林大学学报 (工学版)，2009，39(6):1649-1653. [26] Savarese C, Langendoen K, Rabaey J. Robust Positioning Algorithms for Distributed Ad-hoc Wireless Sensor Networks [J]. In USENIX Technical Annual Conference, 2002: 317-328. [27] 詹杰，吴伶锡，唐志军. 无线传感器网络RSSI测距方法与精度分析[J]. 电讯技术，2010，50(4): 83-87. [28] 章坚武，张璐，应瑛等. 基于ZigBee的RSSI测距研究[J]. 传感技术学报，2009，22(2):285-288. [29] 胡文鹏. 一种基于RSSI的无线传感器网络定位算法的设计与实现 [D]. 长春:吉林大学， 2009. [30] 方震，赵湛，郭鹏等. 基于RSSI测距分析[J]. 传感技术学报，2007，20(11):2526-2530. [31] 邓罡，陈颖文，徐明等. 无线传感器网络环境感知的节点定位方法[J]. 中山大学学报(自然科 学版)，2008，47(6):114-118. [32] 王珊珊，殷建平，张国敏等. 求解无线传感器网络定位问题的线性规划算法[J]. 计算机研究 与发展，2009，46(5):705-712. [33] Wanming, Chen, Tao Mei, Lei Sun. Error Analyzing for RSSI-based Localization in Wireless thSensor Networks[C]. Processing of the 7 World Congress on Intelligent Control and Automation June 25-27, 2008: 2701-2706. [34] Jijun Zhao, Hua Li, Xiang Sun. Research on the Signal Random Attenuation Coefficient Based on RSSI in WSN Localization Technology[C]. Wireless Communications, Networking and Mobile thComputing, 2009. WinCom’09. 5 International Conference on Digital Object Identifier, Pages: 1-4. 61 基于RSSI测距误差修正的无线传感器网络定位算法 [35] 石为人，熊志广，许磊. 一种用于室内人员定位的RSSI定位算法[J]. 计算机工程与应用， 2010，46(17):232-235. [36] 程远国，耿伯英. 基于高斯混合模型的无线局域网定位算法[J]. 计算机工程，2009，35(4): 25-27. [37] 刘学平. 无线传感器网络RSSI定位算法的研究与应用[D]. 西安:西北大学，2009. [38] 彭渤. 基于RSSI测距误差补偿的无线传感器网络定位算法研究[D]. 大连:大连理工大学， 2008. [39] Niculescu D, Nath B. DV Based on Positioning in Ad hoc Networks[J]. Journal of Telecommunication Systems, 2003, 22(1-4): 267-280. [40] 付华，孙蕾. 无线传感器网络DV-Distance定位算法[J]. 计算机系统应用，2010，19(3):56-58， 132. [41] Dmitri Perkins, Ranesh Tumati. Reducing Localization Errors in Sensor Ad hoc Networks[A]. IEEE Int. Conf. on Performance, Computing, and Communications(IPCCC2004)[C]. Phoenix, Arizona, 2004.04.723-729. [42] 宋军钢. 无线传感器网络自身定位算法研究[D]. 南京:南京理工大学，2008. [43] 刘林，范志平. 一种降低定位误差的无线传感器网络节点定位改进算法[J]. 电路与系统学报， 2007，12(2):1-4. [44] 张东红，李科杰，吴德琼. 一种改进型DV-Distance自定位算法[J]. 弹箭与制导学报，2008， 28(3):275-277. [45] Wang Dianhong, Jia Hongdong, Fenxiong Chen etal. An Improved DV-Distance Localization ndAlgorithm for Wireless Sensor Networks[C]. Advanced Computer Control(ICACC), 2010, 2, International Conference, 2010, 27-29(5): 472-476. [46] 朱勇，王萍，张昕明. 基于WSN的加权组合三边气体源定位算法研究[J]. 电子测量技术， 2009，32(8):12-15，23. [47] 李瑶怡，赫晓星，刘守印. 基于路径损耗模型参数实时估计的无线定位方法[J]. 传感技术学 报，2010，23(9):1328-1333. [48] 戴立伟，李向阳，程赟. 无线传感器网络的RSSI定位技术研究[J]. 计算机工程与设计，2009， 30(19):4395-4397. [49] 刘广怡，于宏毅，皮兴宇等. 一种基于RSSI的无线传感器网络定位算法[J]. 通信技术，2010， 3(43):93-95. [50] 谢钦，林靖宇，卢子广等. 无线传感器网络中RSSI衰减特性的实验分析[J]. 化工自动化及仪 表，2010，37(1):60-62. [51] Caltabiano D, Muscato G, Russo F. Localization and Self Calibration of Robot for Volcano Exploration[C]. //Proceeding of the 2004 IEEE ICRA. New Orleans: IEEE Robotics and Automation Society, 2004. 62 参考文献 [52] 张洁颖，孙懋珩，王侠. 基于RSSI和LQI的动态距离估计算法[J]. 电子测量技术，2007， 30(2):142-145. [53] 高国胜，陈俊杰，李刚. 基于RSSI测距的信标节点自校正定位算法[J]. 测控技术，2009，28(8): 93-97. [54] Capkun S, Hamdi M, Hubaux J-P. GPS-Free positioning in mobile ad-hoc networks [J]. Cluster Computing，2002，5(2):157-167. [55] Vijay K. Chaurasiya, Ratan L. Lavavanshi, Shekhar Varma. Localization in Wireless Sensor Networks using Directional Antenna [C]. 2009 IEEE International Advance Computing Conference (IACC2009), 6-7 March 2009: 131-134. [56] 吕睿，阳宪惠. 减少无线传感器网络节点定位误差的方法[J]. 清华大学学报(自然科学版)， 2008，48(S2):1839-1843. [57] 石琴琴，霍宏，方涛等. 使用最速下降算法提高极大似然估计算法的节点定位精度[J]. 计算 机应用研究，2008，25(7):2038-2040. [58] 嵇玮玮，刘中. 递增式传感器节点定位方法的累积误差分析及其改进[J]. 南京理工大学学报 (自然科学版)，2008，32(4):496-501. 63 基于RSSI测距误差修正的无线传感器网络定位算法 致 谢 在本论文即将完成之际，回顾这三年来的研究生学习和生活，我要感谢那些在这期间给予我帮助和支持的人。 首先感谢我的导师XX教授。沈老师渊博的学识、严谨的治学态度和敏锐的思维一直深深地影响着我。在这三年的学习当中，他竭力为我们提供良好的学习和实验环境，为我们营造良好的科研氛围。在论文撰写的过程中，沈老师以其丰富的实践经验，给予我非常详细和耐心的指导，在此向沈老师致以诚挚的谢意和崇高的敬意～ 其次感谢桂林空军学院XX教员、XXX教员以及XXX教员，他们对我在进行论文工作研究过程中遇到的问题给予了很多指导和鼓励，让我有信心地完成论文工作。还要感谢桂林XX学院研究生队历任队长和教导员，我在空院生活的这两年里，他们给予了我很多关照，帮我解决了生活上的许多问题，让我能够安心地学习。 感谢我的父母，是他们含辛茹苦地把我养大，是他们不辞辛苦地供我读完大学和研究生，他们无私的爱鞭策着我不断地努力向上，做一个优秀的人。 同时还要感谢我的同学、师兄师弟们，他们在学习和生活上都给予了我很多帮助，每次在我遇到困难想放弃的时候都是他们的理解和鼓励让我有勇气继续走下去。 64 作者在攻读硕士期间主要研究成果 作者在攻读硕士期间主要研究成果 1. XXX，XX. 基于补偿系数的DV-Hop定位的改进算法[J]. 计算机技术与发展，2011，21(6):81-84. 2. XX，XXX，XX，XXX. 基于RSSI优化的模型参数实时估计定位算法[J]. 计算机工程与设计，已录用，拟于2012年2月刊发. 65