基于RSSI无线传感网络节点定位校正模型

张扬勇

【摘要】无线传感器网络节点自身定位至关重要，在军事和民用领域中有着广泛的应用前景。本文提出一种基于RSSI无线传感网络节点定位校正模型，该模型主要是针对传统的加权质心定位算法进行了改进，引入了新的加权因子，并在理论分析下，提出了优选信标节点进行节点定位计算的规则，以此进一步提高节点定位精度。仿真结果表明：本校正模型算法比传统的RSSI定位算法拥有更好的定位性能。

【关键词】无线传感器网络;加权质心定位算法;RSSI;信标节点

Abstract：Self-locating of Wireless sensor node，which has wide application prospects in military and residential，is of vital importance.This paper proposed a correction model which based on RSSI wireless sensor network node locating.This model has been improved based on traditional weighted centroid localization algorithm.It introduced new weighted factors，and proposed the rule of optimizing beacon node to calculate node locating under theoretical analysis.This method of calculation can further improve the precision for node localization.Simulation results show that the algorithm of this correction model is better than traditional RSSI localization algorithm in localization.

Keywords：Wireless sensor network（WSN）;weighted centroid localization algorithm;RSSI;beacon node

引言

无线传感器网络（Wireless Sensor Networks，WSN）[1]是将大量低成本、低功耗的微型无线传感器节点布置到感兴趣的区域，传感器节点通过自组织快速形成一种分布式网络，对某些数据进行测量，并将数据以无线的方式发回给用户，其在军事和民用领域都具有广阔的应用前景[2]。实时地确定事件发生的位置或获取消息的节点位置是传感器网络最基本的功能之一，也是提供监测事件位置信息的前提，所以定位技术对传感器网络应用的有效性起着关键的作用[3]，因而传感器节点定位技术成为无线传感器网络多数应用中的关键支撑技术之一[4-5]。

首先，根据测距与否我们可以将定位算法分为基于测距算法和不基于测距算法。基于测量距离算法通过测量节点间的距离或其它位置信息，使用相关的计算方法如三边测量法、三角测量法或最大似然估计定位法等估算节点位置。常用的测距技术有接收信号强度指示法（RSSI），到达时间测距法（TOA），到达时间差测距法（TDOA）和到达角度测距法（AOA）;不基于测距定位算法则理论上不需要节点自身配置标准的测距硬件，不需对距离测量，相关算法是根据网络连通性确定信息，然后利用一些优化方法来得到距离信息，从而实现节点定位。

在以上的定位算法对比中，本文选取了接收信号强度指示法（RSSI），RSSI算法硬件结构比较简单，成本比较低，并且很多无线通信模块都可以直接读取RSSI值，相对其它的定位算法，基于RSSI定位算法适用范围更加广泛。本文通过对加权质心定位算法的研究，提出了一种更合理的权值选取方案，建立定位精度更高的校正模型。

1.算法模型

1.1 无线电传播路径损耗模型分析

无线电信号在介质中传播时，必然会在传播过程中出现一定程度的损耗，这些损耗在很大程度上对基于RSSI算法的定位精度产生影响，所以对于选取合适的损耗模型显得非常重要。通过对这些损耗的分析，大致存在以下几种损耗模型：自由空间传播模型（free space propagation model）、对数一常态分布模型（log-distance path loss medel）、对数距离路径损耗模型（log-distance distribution）、哈它模型（hata model）等。

自由空间传播模型如下：

LOSS=32.44+10*k*log10（d）+10*k*log10（f）

（1）

式中：d为距信源的距离;f为频率;k为路径衰减因子。

对数-常态分布模型如下：

P（d1）=P（d2）—10nlg（d1/d2）-X       （2）

式中：P（d1）是信号传输距离为d1的路径损耗，P（d2）是信号传输距离为d2的路径损耗，通常取d2=lm，该项可以通过式（1）来计算，即P（d2）。X满足均值为0，方差为u（通常取4～10）的高斯随机分布。

当然，在实际的应用环境中，由于一些外界因素如多径、绕射、障碍物等，无线电信号在传播过程的路径损耗跟理论值还是有差异，这是不可避免的。

传感器节点接收到的RSSI值满足下式：

RSSI=天线增益+P发射-P损耗               （3）

通过以上各式就可以得出相关距离，从而实现定位算法。

1.2 信标节点的优选

对于对数—常态分布模型，可以引用文献[6]如图1所示的基于RSSI的曲线图，通过对图1的分析，不难看出定位节点到信号源的距离越近，RSSI值的由于偏差所产生的绝对距离误差就越小，反之亦然。鉴于以上分析，本文将通过优选信标节点的方法来提高未知节点的精度，优选信标节点的原则如下：当任意一个未知节点收到多个信标节点的信号时，选取RSSI值大的前几个信标节点来进行相关的定位计算。与此同时，在保证参与相关定位计算的信标节点数量大于3个的前提下，通过相应的环境情况定一个阀值，将距离大于阀值的信标节点去除，这样可以进一步减小定位误差。

图1 对数—常态分布模型绘制的RSSI曲线图

1.3 传统质心定位模型

最早的质心算法[7]是由南加州大学的Bulusu等人提出，在未知节点收到邻居信标节点的相关位置信息后，选取这些邻居信标节点的质心作为该节点的估计位置。传统的质心算法是不需要相关距离信息的非常简单的定位算法，基本原理图如图2所示。

图2 质心定位算法示意图

在传统的质心算法中，信标节点首先是周期性地向邻近的邻居节点广播信标分组信息，包含信标节点的相关位置信息。当未知节点接收到来自不同信标节点的信标分组信息数量超过一定阀值或一定时限后，就确定现在自身所在位置为这些信标节点所组成的多边形的质心，如式（4）所示：

（4）

在基于接收信号强度指示法（RSSI）的定位算法中，一般包括有普通的质心定位算法，加权质心定位算法等模型。其中，普通的质心定位算法虽然最简单，但是定位精度较低，使用比较少。而加权质心定位算法稍显复杂，权值选取的不同导致其有着不同的形式，当然权值的选取一般都有助于定位精度的提高，尽管如此，其定位算法仍然存在一些缺点。

对于权值的选取，本文采取以下方法：首先，当信标节点收到未知节点的传输信号时，将接收的RSSI值转化为相应的距离信息，然后分别以接收传输信号的信标节点为圆心，以RSSI转换距离为半径画圆。由此估测，未知节点应该就位于所有圆的交集部分内，接着以质心定位算法为基础，对圆与圆之间的交点组成的多边形进行研究，为体现出顶点的不同，可以给每一个坐标增加权值。当信标节点与未知节点的距离越远时，对应节点坐标对整体的影响就会越小，反之亦然，而每个顶点最少得由两个距离确定。如图3所示，假设圆O2和O3相交，与该顶点相关的两个距离分别为dA和dB，则权值选择为。算法如下：

（5）

图3 加权质心定位算法原理图

由式（5）分析可知，与未知节点相隔越近的信标节点，对定位算法的影响就会越大，这也是权值因子的作用所在，所以，这个权

值因子能达到提高定位精度的效果，是有效可取的。

2.改进的算法校正模型

根据上一小节所讲到的传统质心定位模型的基本原理可知，加权权值选取的好坏与整个算法定位的精度有着紧密的联系。对于加权质心定位算法中权值的选择，不同的文献资料采用不同的方式。在本文中，选用了文献[8]中的算法：用距离的倒数之和代替传统加权质心算法中距离和的倒数的算法。

对权值的修正如下：

通过分析权值修正以后的定位算法可知，dA（假如dB>dA）就能在权值中起到主要作用，避免了像dB这样的次要数据起主要作用，所以，跟之前的传统加权质心定位算法相比有了很大的提高。这种权值修正方法体现了RSSI值较大的信标节点对于定位算法的影响更大，能够让RSSI值较大的一些信标节点充分运用到定位算法中去。

整个算法改进如下：

由上式分析可知，改进后的算法优点体现在以下几个方面：

（1）在质心定位算法中充分利用了测量数据的信息，增加了RSSI接收信息量;

（2）在权值的选取中对于接收信息的权重的安排更加合理;

（3）整个算法的定位精度得到了很大的提高。

3.算法过程

基于改进的算法模型，过程如下：

（1）信标节点周期性地发送自身信息：节点ID、自身位置信息;

（2）未知节点在收到信标节点发送的相关信息后，记录对应信标节点的RSSI值，多个接收后求其平均值，作为接收值记录下来;

（3）未知节点接收信标节点的信息采用信标节点的优选原则，达到原则上的一定数量后，结束信息接收。接着对接收到的RSSI值进行由大到小的排序，并建立以下三个集合：

信标节点集合：

Beacon={a1，a2 ，，…，am}

信标节点位置集合：

Position={（X1，Y1），（X2，Y2），，（Xk，Yk）}

未知节点到信标节点的距离集合：

Distance={d1，d2，…dk），其中dl

（4）在建立的集合中选取离未知节点距离最近的前4个信标节点进行定位;

（5）通过改进算法对选取的四组进行计算，得到四个定位点坐标，组成一个多边形;

（6）最后取4个估计点组成的多边形的质心作为未知节点的坐标（x，y）。

4.仿真结果分析

为了验证本文提出的节点定位校正模型，采用Matlab来进行仿真实验。仿真环境如下：在一个自由空间环境中展开，位于一个50*50的区域范围内，信标节点随机分布于此区域内。仿真实验环境中都加入了均值为0，标准差为1的高斯分布的随机噪声，来代替实际环境中的反射、多径、物体移动、气候等带来的影响。在仿真前设定衰减因子K取4，然后采用第1节提到的两个算法模型，即自由空间传播模型和对数一常态分布模型，按照上述的算法过程及相应的步骤进行仿真定位.定位算法仿真次数设定为100次，最后求平均值，从而得到定位误差。仿真结果如图4所示。

图4 改进前后定位误差的比较

如图4所示，加权质心定位算法相对于传统的质心定位算法，定位精度上有所提高，而改进后的加权质心定位算法与改进前相比，定位精度又一次得到了提高。所以改进后的定位校正模型是有效的，定位误差明显减小，而定位精度有了明显的提高。从改进前后的比较也不难看出，权值的选取对于整个定位算法很重要，同时，信标节点的增多也提高了精度，减小了定位误差。由此可见，新的校正模型很好地提高了定位精度。

5.结论

本文提出的基于RSSI无线传感网络节点定位校正模型，首先采取优选信标节点的方法提高未知节点的精度，然后采用距离倒数和作为权重，充分的利用了RSSI数据信息，避免了加权质心算法中的数据淹没现象，使数据信息得到了最大程度的利用，避免了信息的丢失。当设定的环境相同时，相对传统的一些质心定位算法，通过仿真得到的定位误差明显减小了，定位精度得到了很大的提高。

参考文献

[1]李晓维.无线传感器网络技术[M].北京：北京理工大学出版社，2007.

[2]A kyildiz I F，Su w，Sankarasubramaniam Y，et a1.Wireless Sensor Network：A Survey[J].Computer Networks，2002，38（4）：393-422.

[3]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.

[4]Kims，Koig，YoonJ，et a1.Multiple-Objective Metric for Plating Multiple Base Stations in Wireless Sensor Networks[A].Proc of  the  2rd International Symposium  on  Wireless Pervasive Computing [C]//Piscataway，USA，2007.627-631.

[5]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）：l-15.

[6]陈维克，李文锋，首珩，袁兵.基于RSSI的无线传感器网络加权质心定位算法[J].武汉理工大学学报，2006（04）.

[7]方震，赵湛，郭鹏，张卫国.基于RSSI～J]距分析[J].传感技术学报，2007，20（11）：2526-2530.

[8]刘运杰，金明录，崔承毅.基于RSSI的无线传感器网络修正加权质心定位算法[J].传感技术学报，2010（05）.