基于RSSI高斯滤波的LSSVR无线传感网络定位算法

钟阳晶++梁茹冰++黄小虎

摘 要： 为了降低基于接收信号强度指示（RSSI）测距误差对节点定位的影响，解决RSSI测距定位误差较大的问题，提出基于RSSI高斯滤波的最小二乘支持向量回归机LSSVR定位算法（LSSVR?GF?RSSI）。LSSVR?GF?RSSI算法先利用高斯函数滤除误差较大的RSSI值，筛选出较准确的RSSI值，再依据这些值计算未知节点离锚节点间的距离。将这些距离作为LSSVR的输入，建立基于RSSI测距的LSSVR定位算法模型，最终，估计未知节点的位置。仿真结果表明，提出的LSSVR?GF?RSSI算法能够有效地降低均方定位误差，比传统的基于RSSI的LSSVR定位算法减少了约12%～20%。

关键词： 接收信号强度； 最小二乘支持向量回归机； 高斯函数； 定位； 无线传感网络

中图分类号： TN914?34 文献标识码： A 文章编号： 1004?373X（2017）11?0006?04

LSSVR wireless sensor network location algorithm based on Gaussian filter RSSI

ZHONG Yangjing， LIANG Rubing， HUANG Xiaohu

（College of Mathematics and Informatics， South China Agricultural University， Guangzhou 510642， China）

Abstract： In order to minimize the influence of range?finding error of received signal strength index （RSSI） on node localization， and solve the problem of big location error existing in localization algorithm based on RSSI range?finding， a least?squares support vector regression location algorithm based on Gaussian filter RSSI （LSSVR?GF?RSSI） is proposed. The LSSVR?GF?RSSI algorithm uses the Gaussian function to filter the RSSI values with big error， and screen out the accurate RSSI values. According to the above values， the distance between the unknown node and anchor node is calculated. The distance is used as the input of LSSVR to establish the LSSVR location algorithm model based on RSSI range?finding to estimate the location of unknown node. The simulation results show that the LSSVR?GF?RSSI algorithm can reduce the mean square localization error effectively， which is 12%～20% lower than that of the traditional LSSVR localization algorithm based on RSSI.

Keywords： received signal strength； least?square support vector regression； Gaussian function； localization； wireless sensor network

0 引 言

无线传感网络（Wireless Sensor Networks，WSNs）系统[1?2]主要应用于人为力量无法到达的复杂区域事件的监测和数据的采集与传输[3]。而采集的数据的实用性与其地理位置息息相关。获取没有准确位置的信息是毫无价值的。然而，在WSNs网络中，多数传感节点随机部署，并且多数节点位置是未知的[4]。由于只有已知空间位置的感应数据才有实用价值，故须利用定位技术估计传感节点的位置。

受硬件条件和无线环境因素的制约，在WSNs中对传感节点的定位仍是一项挑战工作。目前，已提出多类定位算法[5?6]。依据定位过程是否需要测距，可将这些算法划分为测距定位、非测距定位。前者表示在估计未知节点位置时需要直接估算未知节点离锚节点间的距离，即测距；而后者是通过利用整个网络的连通性估计未知节点的位置。因此，通常测距定位算法精度优于非测距定位算法。

常用于测距定位算法中的测距策略有：信号到达角度AOA（Angle of Arrival）、到达时间TOA（Time of arrival）、基于接收信号强度RSSI（Received Signal Strength Index）。其中基于RSSI测距是利用未知节点接收到来自锚节点发射信号的强度估算路径传播损耗，进而估计未知节点离锚节点间的距离。由于基于RSSI测距无需额外的硬件设备，其广泛应用于低成本的无线传感网络WSNs中[7?8]。因此，研究并寻求高精度的RSSI测距算法具有重要的实用价值。

文献[9]提出基于RSSI值校验的未知节点定位算法。依据锚节点对未知节点影响力的不同，设置不同的加权因子，同时择优选择优质的锚节点参与未知节点的位置估计。文献[10]提出基于RSSI校正的WSNs定位算法。先利用高斯函数筛选较准确的RSSI值，再对这些RSSI值设定加权系数，进而估计未知节点的位置。文献[11]提出基于LSSVR的无线传感网络定位算法。引用最小二乘支持向量回归机LSSVR提高定位精度。支持向量回归机SVR（Support Vector Regression）依据统计学习理论，在非线性回归估计中具有优良的性能，即使在小样本环境，也表现出较好的泛化能力[12]。

为此，结合高斯函数的筛选特性以及LSSVR在统计学习方面的优势，提出基于RSSI高斯滤波的LSSVR无线传感网络定位算法（Least?Squares Support Vector Regression location algorithm based on Gaussian filter RSSI，LSSVR?GF?RSSI）。LSSVR?GF?RSSI算法先利用高斯函数选择偏差较小的RSSI值，再将这些RSSI值参与测距，将这些测距向量作为LSSVR的输入，进而估计未知节点的位置。仿真结果表明，提出的LSSVR?GF?RSSI算法能够有效地降低均方定位误差。

4 结 论

本文针对基于RSSI测距定位精度低的问题，分析测距原理以及影响定位误差的因素，并提出基于RSSI高斯滤波的最小二乘支持向量回归机LSSVR定位算法LSSVR?GF?RSSI。LSSVR?GF?RSSI算法利用高斯函数滤除偏差较大的RSSI值，即选择较准确的RSSI值，利用这些值转化为距离，然后将这些距离作为LSSVR模型的输入，最终估计未知节点的位置。仿真结果表明，与LSSVR?RSSI算法相比，提出的LSSVR?GF?RSSI算法有效地降低了均方定位误差，且没有增加额外的运行时间。

参考文献

[1] BULUSU N， HEIDEMANN J， ESTRIN D. GPS?less low cost outdoor localization for very small devices [J]. IEEE personal communications magazine， 2012， 7（5）： 28?34.

[2] LANGENDOEN K， REIJERS N. Distributed localization in wireless sensor networks： a quantitative comparison [J]. Computer networks， 2013， 43（4）： 499?518.

[3] 王越，周奥，刘金城.无线传感器网络中非测距混合定位算法[J].传感器与微系统，2015，34（2）：147?151.

[4] 江禹生，冯砚毫，管芳，等.无线传感网非测距三维节点定位算法[J].西安电子科技大学学报（自然科学版），2012，39（5）：140?148.

[5] NICULESCU D， NATH B. DV based positioning in Ad Hoc networks [J]. Telecommunication systems， 2003， 22（1）： 267?280.

[6] SAVARESE C， RABAEY J M， LANGENDOEN K. Robust positioning algorithms for distributed Ad?Hoc wireless sensor networks [C]// Proceedings of 2002 the General Track of the Annual Conference on USENIX Annual Technical. Berkeley： USENIX， 2002： 317?327.

[7] PATWARI N， HERO A O， PERKINS M， et al. Relative location estimation in wireless sensor networks [J]. IEEE transactions on signal processing， 2003， 51（8）： 2137?2148.

[8] OUYANG R W， WONG K S， LEA C T. Received signal strength?based wireless localization via semidefinite programming： noncooperative and cooperative schemes [J]. IEEE transactions on vehicular technology， 2010， 59（3）： 1307?1318.

[9] QING X， GOH C K， CHEN Z N. Impedance characterization of RFID tag antennas and application in co?design [J]. IEEE transactions on microwave theory technology， 2009， 57（5）： 1268?1274.

[10] 文春武，宋杰，姚家振.基于RSSI校正的无线传感器网络定位算法[J].传感器与微系统，2014，33（12）：134?138.

[11] 张晓莲，唐加山.基于改进RSSI测距的LSSVR三维WSN定位算法[J].电视技术，2014，38（19）：131?135.

[12] STUTZMAN W L. Estimating directivity and gain of antennas [J]. IEEE antennas propagation magazine， 1998， 40（4）： 7?11.

[13] 何艳丽.无线传感器网络质心定位算法研究[J].计算机仿真，2011，28（5）：163?166.

[14] SODERSTROM T， STOICA P. System identification [M]. London： Prentice?Hall， 1999.

[15] 赵吉文，刘永斌，苏亚辉.新型直线电机支持向量机非线性建模研究[J].光学精密工程，2006，14（3）：450?455.