无线传感器网络中一种模糊加权目标定位方法*

蔡世清， 周　杰

(南京信息工程大学 电子与信息工程学院，江苏 南京 210044)



无线传感器网络中一种模糊加权目标定位方法*

蔡世清， 周杰

(南京信息工程大学 电子与信息工程学院，江苏 南京 210044)

摘要:提出了一种无线传感器网络(WSNs)中的模糊加权定位算法，利用探测节点RSSI值的估计距离为平面离散栅格分配权值，通过比较累计权值搜索出目标坐标，其模糊性使得该方法能够有效地抵抗各种强度的噪声，设定可调模糊度适应不同的衰落信道，在单目标定位中具有非常高的稳定性。针对多目标定位，提出变型的权值模型，设计了去模糊化算法将多个目标坐标提取出来。对实验仿真结果作出了评估，并提出了多目标定位的限制条件。

关键词:无线传感器网络; 接收信号强度指示; 目标定位; 模糊权值

0引言

目标定位[1]是无线传感器网络(WSNs)中重要的应用之一,常用的基本方法包括基于接收信号强度指示(RSSI)[2]、信号到达角度(AOA)[3]、信号到达时间(TOA)[4]、信号到达时间差(DTOA)[5]。其中，RSSI对传感器硬件的普适性使其成为近来基于WSNs的目标定位最常用的方法。在监测区域中的传感器节点中获取和存储着目标信号的强度信息，通过信号在信道中的衰减模型可以将各节点中的信号强度向量映射为距离向量。理论上而言，用三点定位法便可以计算出目标的准确位置，但是因为在信号的测量过程中存在着噪声的干扰，并且由于实际环境中的信道并非理想的视距传播(LOS)信道，由于多径、绕射、障碍物等的影响，理想的衰减模型并不能反映真实的信号强度与距离的关系，信号强度向量向距离向量的映射存在着误差，用这个带误差的距离信息无法计算出目标的准确位置。而由于WSNs具有多节点协作的优势，可以通过多个探测节点的冗余信息补偿定位误差。

文献[6]中以概率加权对目标位置做估计，但是其二值化权值不能反映信号的连续变化，这样的加权方法对多目标定位比较有利，但是过分依赖节点密度。本文在文献[6]的基础上作出了改进，采用基于RSSI对平面栅格点模糊加权再累加的方法得到了较高的定位精度和鲁棒的定位性能。

1模糊权值目标定位原理

假设监测区域为L×L的矩形A，将平面A量化成M×M的栅格点。N只传感器随机均匀散布在监测区域中。当监测区域内存在目标时，每个传感器会接收到一定的信号，信号强度随着距离递减。无线信号传播理论模型主要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，本文采用自由空间传播模型，映射关系有

(1)

以这三个指标设计高斯分布模型为

C=ηe-(l-d)2η2=βPαe-(l-d)2(βPα)2,

(2)

式中l为栅格点与传感器的距离，d为目标的估计距离，η=βPα为可靠度，P,α分别为探测信号强度和衰减因子(距离越远,η越小,可靠度越低，权值的峰值越小并且分布越平坦，因为远距离信号的可信度较低，不能用较集中的模糊圈去估计距离，并且在整个模糊权值分配中分配较低的权值),β为模糊因子，是可调节的，信噪比越高的环境下将β设置得越高，一般设置为0.01～0.10。

图1　模糊目标圈和分布函数Fig 1　Fuzzy target circle and distribution function

N个传感器节点根据信号强度得到模糊目标圈之后将每个栅格点获得的N个权值累加起来，会在监测平面上形成连续的权值分布矩阵XM×M，在目标点附近出现峰值，利用峰值坐标估计目标位置。因为对每个栅格点多次模糊赋权值再进行累加，这种目标估计方法在各种噪声环境下都具有较高的抗噪性和鲁棒性。

2模糊加权多目标定位

2.1多目标栅格加权模型

当区域中出现多个目标时，每个传感器节点会探测到多个目标的信号，因为这些信号的成分具有一致性，所以，无法区分信号的来源。信号强度主要取决于节点附近的目标源，但由于远处目标的影响，指示距离会小于附近目标的真实距离。基于此，在多目标的定位上，需要将上述的模糊圈分布函数做一个变形，如图2，因为节点附近目标落在模糊圈外面，所以，在圈内的权值衰减较快，圈外的权值衰减较慢，以高概率让附近的目标点赋予较高的权值，由此对式(2)做如下变形

C=ηe-(l-d)2η2θ=βPαe-(l-d)2(βPα)2ρ(d-l)/|d-l|.

(3)

式(3)对式(2)添加了一个指数因子θ=ρ(d-l)/|d-l|，ρ为大于1的数，此指数因子的意义是:当l1，权值快速衰减；当l>d时θ=1/ρ<1，权值在圈外慢衰减。用这样的模型对平面区域栅格赋值，可以使目标所在位置附近的栅格点以较高概率呈现峰值。

图2　变形后的模糊圈分布函数Fig 2　Transformed fuzzy circle distribution function

2.2多目标定位的去模糊化过程

假设在监测区域随机散布K个目标，用以上的赋权值模型可以在平面区域上形成模糊的K个亮区，即权值峰，亮区的中心便可以估计为各目标的位置。多目标位置分离与提取是模糊赋权值的逆过程，即增加目标识别区域与无关区域的对比度，突出K个峰值位置。为了提取多个有效目标坐标，本文设计一种去模糊化算法，通过逐层淘汰边缘低权值栅格，使权值平面逐渐锐化。通过栅格权值的平均密度作为筛选条件，逐次淘汰除K个峰值栅格块以外的栅格。

通过网络划分来降低计算复杂度，将原本权值矩阵XM×M均匀划分为R×R块，以块中栅格的平均密度作为低维分块密度矩阵YR×R中的元素，系统能分辨出两个目标的最小距离为rmin=L/R。设计了一种锐化策略，逐次增加高权值栅格和相邻低权值栅格的权值差量，增加权值对比度，无关区域权值逐渐减小为0。为了避免原本权值较低的点锐化了更低栅格的权值而比原本较高权值的栅格高，开辟一个临时存储空间CR×R来存放一次锐化的权值差量cij，元素cij为一次锐化过程的分块权值增量，其值为权值块横向与纵向对比所得权值差量的代数和。算法流程图3。

图3　去模糊化算法流程图Fig 3　Flow chart of defuzzification algorithm

3仿真结果与分析

本次仿真选取1 000 m×1 000 m的矩形平面作为监测区域，将此平面离散化为100×100的栅格点，在平面内随机均匀散布N=50只传感器，分别观察单目标定位和多目标定位的效果。

3.1单目标定位

先设定如下参数:平均信噪比SNR=20 dB，衰减因子α=0.5，模糊因子β=0.01。单目标定位效果如图4所示。图5为平面栅格权值的三维分布，β取值越小可以使权值的分布越平滑。然后以100次实验的均方根误差(RMSE)作为定位精度指标，分别观察在不同信道环境下的定位精度，图6为α=0.5时的模糊权值定位的抗噪声性能，与传统的极大似然估计(maximum likelihood estimation)法相比，本文的模糊加权定位具有更高的抗噪声性能，因为模糊染色定位中设定了可靠度，可以根据信号强度自适应地调整节点信息的参考性。图7为定位误差随衰减因子的变化情况，可以看出:定位误差随着信号衰减加强而增加，这是因为信号衰减得越快，有用的节点信息越少。模糊度对应于系统的容错性能，但是模糊度越高其精确度会降低，所以,模糊度的选取是容错性与精确度的折中。

图4　模糊权值的单目标定位结果Fig 4　Single target localization result of fuzzy weights

图5　权值三维分布Fig 5　3D distribution of weights

图6　模糊权值目标定位的抗噪声性能Fig 6　Anti-noise performance of fuzzy weights target localization

图7　定位误差与信号衰减因子的关系Fig 7　Relationship between location errors and signal decay factor

3.2多目标定位

初始化参数α=0.6，β=0.006，ρ=2.5,以5×5对栅格进行分块，目标间的最小分辨距离为1000/100×5=50m，图8为三目标的详细定位结果，右上为去模糊化结果。可以看出三目标的定位效果良好。图9分别显示了4,5,6,7个目标下的定位结果，图中可以看出，随着目标个数增多，系统可能出现误判(见K=6,7)，当两个目标距离很近时容易出现漏判(见K=5)，将两个目标定为一个目标。此系统适合稀疏度较高的多目标定位。

图8　三目标定位结果 Fig 8　Results of three targets location

图9　不同目标数的定位效果Fig 9　Location results of different target numbers

4结论

通过探测节点中的RSSI信息可以估计出目标的距离，用每个探测节点估计出的距离做模糊圆求模糊交点，以平面上栅格点的模糊权值判断目标的坐标，在单目标情况下这种方法具有很高的抗噪声性能，在信号衰减较慢时能获得10m的定位精度。通过调节模糊度因子β可以适应不同的噪声和衰减环境。将模糊圈的分布函数变形以抵抗多目标时不同目标之间的影响，仿真结果显示，在密度较小的多目标定位中具有较好的定位效果。

参考文献:

[1]OzdemIRO，NiuRX，VarshneyPK.Channelawaretargetlocalizationwithquantizeddatainwirelesssensornetworks[J].IEEETransactionsonSignalProcessing，2009，57(3):1190-1202.

[2]AnzaiD，HaraS.AsimpleoutlierdatarejectionalgorithmforanRSSI-basedMIlocationestimationinwirelesssensornetwork-s[C]∥ProcofIEEEVehicularTechnologyConference(VTC)，Calgary，Canada，2008:1-5.

[3]KapiAN，LanceM.Globa1nodeselectionforlocalizationinadistributedsensornetwork[J].IEEETransactionsonAerospaceandElectronicSystems，2006，42(1):113-135.

[4]ShoebM，AhmadF，AminM.Narrowbandsourcelocalizationforindoorwirelessenvironments[C]∥ProcoftheFifthIEEEInternationalSymposiumonSignalProcessingandInformationTechnology(ISSPIT)，Athens，Greece，2005:411-416.

[5]BatsonMS，MceachenJC，TummaiAM.Amethodforfastradiofrequencydirectionfindingusingwirelesssensornetworks[C]∥Procofthe41stAnnualHawaiiInternationalConferenceonSystemSciences(HICSS)，BigIsland，HI，2008:495-495.

[6]徐昌庆，徐建良，楼财义.WSNs中一种基于概率加权定位的目标跟踪算法 [J].军事通信技术，2009,30(4):7-9.

[7]张晓平，刘桂雄，周松斌.利用最小二乘支持向量机实现无线传感器网络的目标定位[J].光学 精密工程，2010,18(9):2061-2067.

[8]万群，刘申建，彭应宁.基于目标三线坐标校正的定位方法 [J].电子学报，2002,30(6):844-845.

[9]ShengXH，HuYH，Maximumlikelihoodmultiple-sourcelocalizationusingacousticenergymeasurementswithwirelesssensornetworks[J].IEEETransactionsonSignalProcessing，2005,53(1):44-53.

[10]KapiAN，IanceM.Globa1nodeselectionforlocalizationinadistributedsensornetwork[J].IEEETransactionsonAerospaceandElectronicSystems，2006，42(1):113-135.

A fuzzy weights targets location method in WSNs*

CAI Shi-qing, ZHOU Jie

(School of Electronic and Information Engineering, Nanjing University of Information Science and Technology,Nanjing 210044, China)

Abstract:A fuzzy weights location algorithm in WSNs is proposed,target coordinate can be searched by comparing accumulated weights from RSSI of each detecting node.It’s an innovation method which can live a high-accuracy in low SNR because of its fuzziness and can adapt to different signal attenuating speed attribute to its flexible fuzzy degree.The proposed method performs a high stability in mono-target location application.There is also a deeper analysis in application to multi-target location,a transformed model is developed in allusion to multi-target location.Multiple targets coordinate is extracted successfully through defuzzification algorithm.Experimental result is evaluated, and restriction condition to multi-target location is proposed.

Key words:wireless sensor networks(WSNs); RSSI; target location; fuzzy weights

DOI:10.13873/J.1000—9787(2016)02—0042—04

收稿日期：2015—04—24

*基金项目：国家自然科学基金面上项目(60873026, 61021062，61372128)；江苏省高校自然科学研究重大项目(14KJA510001)

中图分类号:TP 393

文献标识码:A

文章编号:1000—9787(2016)02—0042—04

作者简介:

蔡世清(1991-)，男，江苏金坛人，硕士研究生，研究方向为无线通信理论、无线传感网。