基于RSSI距离修正的WSNs定位算法*
2014-09-25王佩琦李艳萍陈相南
王佩琦， 李艳萍， 陈相南， 李 婧
(太原理工大学 信息工程学院，山西 太原 030024)
0 引 言
随着物联网技术的快速发展，无线传感器网络(wireless sensor networks,WSNs)技术得到了广泛的应用[1～3]。在WSNs中,节点位置信息的确定是WSNs技术的重要环节,节点定位算法的设计已成为目前WSNs的研究热点。
现有的定位方法从定位手段上分为基于测距(range-based)和无需测距[4](range-free)两大类。基于测距的方法需要节点有测距功能，利用节点间的实际距离或角度信息，使用三边定位、三角定位或极大似然估计等定位算法计算节点位置。常用的测距技术有超声波、红外线、GPS和接收信号强度指示(received signal strength indicator,RSSI)等。其中，RSSI测距技术根据对接收信号强度的判断，计算出收发节点间的距离，由于对硬件要求较少，所以,它成为无线定位技术的首选[5]。文献[6，7]提出了采用修正RSSI权系数的方法优化定位算法。
三边定位技术[8，9]由于算法简单，大量应用于无线定位系统中，其基本原理是由未知节点测得与周围3个坐标已知的锚节点的距离，分别作为3个锚圆的半径，在理想情况下，3个圆交于一点，通过几何计算可以得到未知节点坐标。但在实际应用中，由于存在噪声干扰，致使3个圆不能相交于一点，导致定位精度下降甚至定位失败。文献[10]通过分析锚节点之间的通信约束和几何关系，提出一种锚圆交点的加权质心定位算法，减小定位误差。
本文提出了RSSI距离补偿机制算法，在锚圆不相交的情况下能够准确进行节点定位，提高在噪声环境中的定位性能。
1 RSSI测距模型
无线信号传播模型主要有自由空间传播模型、双径地面反射模型和Shadowing模型等，目前普遍采用的是Sha-dowing模型，该模型为[11]
(1)
其中，RSSId为接收到的信号强度；d为收发端的实际距离；d0为参考距离；RSSId0是距离为d0时的信号强度；n为信道衰减指数，由传输环境决定；Xσ是方差为σ、均值为0的高斯随机变量。在实际的测量中，不考虑Xσ，采用以下的模型
RSSI=-(10nlgd+A),
(2)
式中A为距发射节点1 m 处的接收信号强度，dBm。
2 RSSI距离修正算法
2.1 算法原理
在图1中，3个锚节点A1，A2，A3是未知节点附近RSSI值最强的3个点，具有最大的参考价值，但是它们的圆不相交，现将RSSI值最强的锚节点A1称为靶节点，RSSI距离修正的原理是：将圆A2,A3的半径分别增加一定距离，使三个圆两两相交，形成一个重叠区域，如图1阴影部分所示。再通过加权质心算法求得未知节点坐标。增加后的半径r2和r3由式(3)求得
(3)
其中,r1为靶节点的半径；d1,2为A1，A2间的距离；d1,3为A1，A3间的距离。
图1 算法原理图
两圆交点Mi，Mk坐标，可以通过两锚节点A2，A3间的距离d2,3和两锚节点的坐标(x2,y2)(x3,y3)计算得出，具体方法如下：
首先求得A2，A3之间的距离d2,3为
(4)
线段A2A3与线段A2Mi的夹角α为
(5)
(6)
(7)
最后，求Mi,Mk坐标为
(8)
2.2 定位过程
现在对采用RSSI距离修正定位的整个过程进行分析：
1)首先，未知节点向周围发送定位请求，锚节点收到定位请求信息后，向未知节点发送含有自己坐标和RSSI值等信息的回传数据包；然后，未知节点根据收到的回传信息计算与各锚节点的距离r1,r2,r3,…；
2)用冒泡排序法将锚节点与未知节点的距离进行排序,使r1 3)判断A1,A2是否相交，如果不相交，则根据式(3)算出修正量来扩大A2的半径,使两圆交于点M1,M2； 4)如果M1,M2有一点超出了实际定位区域的范围，则舍去该点，另一点设为p1，并将标志位Flag置0；如果两点都在范围内，则暂时将M1,M2中点设为p1，标志位Flag置1； 5)判断A1,A3是否相交，如果不相交，则扩大A3的半径，与A1相交于M3,M4两点，并将其中靠近p1的点设为p2； 7)当标志位Flag为1时，将M1,M2中靠近p2的点重新设为p1。 此时未知节点的位置就在p1,p2,p3构成的区域内，如图2阴影部分所示。根据p1,p2,p3三个点的坐标(xp1,yp1),(xp2,yp2),(xp3,yp3)通过加权质心算法[12]可求得未知节点的坐标 (9) 其中,权值为：w1=1/d1，w2=1/d2，w3=1/d3。 图2 锚圆相交区域 为了得到RSSI和距离的关系，在6 m×10 m的教室进行了2个节点的通信实验，节点采用基于Zig Bee的CC2530模块，一个用来接收信号，一个用来发送信号，节点高度定为1.5 m，节点发射功率为1 mW。每一个测量点距发射点的距离在0.1～5 m内变化，每次增加0.1 m，记录200个收到的数据包，RSSI距离关系如图3所示，通过对数据拟合得到RSSI距离关系 RSSI=-18lgd-34. (10) 图3 RSSI与距离的关系 实验在教室进行，采用12个锚节点和1个未知节点以及1个网关节点，未知节点将定位信息传给网关节点。 图4 现场实验布局 锚节点间相隔3 m呈网格状分布，如图4所示。未知节点依次经过10个指定位置时，记录25次定位点的坐标，然后计算定位误差，定义定位误差为 (11) 其中,(x,y)为计算得到的未知节点的位置,(xe,ye)为其真实位置。误差的最大值、最小值以及平均值如表1所示。 表1 实验结果 从表1的数据可以得出平均误差为0.62 m，并且离锚节点近的位置误差较小，表明RSSI距离修正算法在定位时，RSSI值大的锚节点对定位的影响较大。 为了分析在锚节点随机分布的情况下算法的性能，采用Matlab进行仿真实验，将20个锚节点和6个未知节点随机分布在6 m×10 m的区域内，分布情况如图5所示。仿真使用2种定位算法，另一种是极大似然法，并对定位误差进行分析比较，分析结果如图6所示。仿真结果表明:RSSI距离修正算法的定位误差小于极大似然算法，定位精度更加精确。 图5 节点分布情况 图6 仿真结果 本文提出一种RSSI距离修正算法，通过调整锚节点的定位圆半径，再结合加权质心法，弥补了锚圆不能相交时对未知节点定位造成的误差。现场实验和仿真分析表明:RSSI距离修正算法在节点指定分布和随机分布的情况下都表现出较高的定位的精度，较好的定位性能，可以很好地应用于室内定位等领域。 参考文献: [1] 孙利民，李建中，陈 渝，等．无线传感器网络[M]．北京：清华大学出版社，2005. [2] Lazarescu M T.Design of a WSNs platform for long-term environmental monitoring for IoT applications[J].IEEE Journal on Emerging and Selected Topics in Circuits and Systems,2013,3(1):45-54. [3] Blumrosen G,Hod B,Anker T,et al.Enhanced calibration technique for RSSI-based ranging in body area networks[J].Ad Hoc Networks,2013,11(1):555-569. [4] 丁恩杰，乔 欣，常 飞，等.基于RSSI的WSNs加权质心定位算法的改进[J].传感器与微系统，2013,32(7)：53-56. [5] 谭 志，张 卉.无线传感器网络RSSI定位算法的研究与改进[J].北京邮电大学学报，2013，36(3)：88-91. [6] 赵 昭，陈小惠.无线传感器网络中基于RSSI的改进定位算法[J].传感技术学报，2009,22(3):391-394. [7] 张治斌，徐小玲，阎连龙.基于Zig Bee井下无线传感器网络的定位方法[J].煤炭学报,2009,34(1):125-128. [8] Han Guangjie,Choi D,Lim W.Reference node placement and selection algorithm based on trilateration for indoor sensor network-s[J].Wireless Communications and Mobile Computing,2009,9(8):1017-1027. [9] Yang Zheng,Liu Yunhao.Quality of trilateration:Confidence-based iterative localization[J].IEEE Transactions on Parallel and Distributed Systems,2010,21(5):631-640. [10] 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. [11] 朱明辉，张会清.基于 RSSI 的室内测距模型的研究[J].传感器与微系统，2010,29(8):19-22. [12] 张婵爱,马艳艳,白凤娥,等.基于RSSI的加权质心定位算法的实现[J].太原理工大学学报,2009,40(2):146-147.
3 实验与结果分析
3.1 建立测距模型
3.2 现场试验
3.3 仿真分析
4 结束语
