基于RSSI测距校正的拟牛顿定位算法

作者:吕争;曾雪松; 刊名:计算机工程与设计 上传者:任伟

【摘要】为降低基于接收信号强度指示(received signal strength indication,RSSI)测距误差,提出基于阈值RSSI测距修正的拟牛顿定位(modifying ranging-based RSSI threshold iterative localization algorithm for Quasi-Newton,RSSI-T-QN)算法。引用高斯函数筛选RSSI值,移除误差大的RSSI值,对剩余的RSSI值进行加权处理,获取最优的RSSI值,提高准确的测距数据,依据测距数据,利用最小二乘法估计未知节点的位置,利用拟牛顿法优化未知节点的位置。仿真结果表明,与基于RSSI的质心定位算法相比,RSSI-T-QN算法提高了定位精度,平均定位误差降低了4%。

全文阅读

0引言随着对WSNs[1,2]研究的日益深入,经研究总结:对传感节点的定位是WSNs研究的基础[2]。任何监测的感测数据必须关联到其位置信息,否则该感测数据无任何意义。因此,节点定位问题已成WSNs的研究热点。考虑了经济成本,只允许WSNs中部分节点安装全球定位系统(global positioning system,GPS),这些节点知晓自己的位置,通常将它们称为信标节点(锚节点)。而多数节点只能算法估算自己的位置,这些节点称为未知节点。未知节点估算自己位置的过程,称为定位算法。目前,基于测距和非测距定位算法成为WSNs定位算法的主流。前者是先通过测量角度、信号强度等信息估计未知节点离信标节点间的距离(测距),然后再估计未知节点位置。典型测距算法有:基于到达时间TOA[3]、基于接收信号强度指标RSSI[4]、基于到达角度[5]、基于到达时间差TDOA[6]。而非测距定位算法是利用网络连通信息估计未知节点的位置。典型的非测距定位算法有:Amorphous算法[7,8]、质心算法[9]。与非测距定位算法相比,测距定位算法较高的定位精度。当然,测距定位算法在测距过程中需要添设一定的软/硬件设备,增加了额外开销。相比于同类的其它测距定位算法,基于RSSI测距定位算法的开销最小,被广泛用于低成本、小功耗的无线传感网络。基于RSSI测距是利用节点从发射点所接收的功率,并结合无线信道传输模型,推算离发射点的距离。然而,由于信号传输易遭受无线环境影响,包括多径、障碍物遮挡等,测量的RSSI值存在误差。为此,常需采取一些措施提高RSSI测量的精度。由于无线信号容易受到外界干扰,测量RSSI值存在较大的误差。为此,研究人员提出不同的优化RSSI测量值算法。张新荣等[10]提出基于模型动态参数估计优化算法,校正RSSI值。张晓莲等[11]也提出了优化RSSI值算法,其通过多次测量信标节点间距离和接收功率,进而优化信道传输模型参数。而石欣等[12]提出基于RSSI的多维标度室内定位算法,先通过RSSI值建立相异性矩阵,再进行未知节点的位置估计。陶为戈等[13]提出利用混合滤波策略剔除误差偏大的RSSI值。这些算法能够在一定环境中降低定位误差。基于测距算法的定位误差来自测距和定位阶段。不同的测距算法和定位算法,均会引入不同的定位误差。为此,本文分别从测距阶段和定位阶段降低定位误差,提高定位精度。在测距阶段,多次测量同一个信标节点的RSSI值,再利用高斯函数计算阈值,并由阈值剔除误差偏大的RSSI值,然后将剩下的RSSI进行权值处理,最终得到最优的RSSI值。在定位阶段,先建立目标函数,并用最小二乘法估计未知节点位置,然后再利用拟牛顿法迭代,最终得到未知节点位置的估计值。仿真实验结果表明,提出的RSSI-T-QN定位算法有效地降低了定位误差。1 RSSI测距模型在实际环境中,由于无线信号受多路径、阴影影响,常引用Shadowing模型作为传播路径损耗模型,如式(1)所示p(d0)p(d)=dd()0n(1)其中,d0为参考距离,相应的p(d0)为参考接收功率。这两个变量均是已知值。而d表示未知节点离信标节点的距离,相应地,p(d)表示未知节点从信标节点所接收的信号功率值。而n表示路径损耗因子,一般,2~4间取值。通常,以dB作为路径损耗模型,可将式(1)进行变换p(d0)p(d[])dB=-10nlgdd()0(2)由于噪声变量的影响,在测量RSSI时存在噪声。为此,在式(2)中引入噪声变量XdB,如式(3)所示p(d0)p(d[])dB=-10nlgdd()0+XdB

参考文献

引证文献

问答

我要提问