基于RSS特征选取的RTI定位方法

朱春华 陈岳

摘 要： 接收信号强度（RSS）特征选取是影响无线层析成像（RTI）定位性能的关键因素之一。将现有RTI技术采用的RSS特征分为RSS衰减特征、RSS移动方差特征和RSS直方图分布核距离特征三类。分析结果表明，三类RSS特征在多径干扰抑制、目标运动状态、系统要求以及定位精度上有明显不同。所得结论是进一步研究RSS特征优化的基础。

关键词： 无线层析成像； 定位算法； RSS； 特征选取； 衰减特征； 核距离

中图分类号： TN911?34； TP212 文献标识码： A 文章编号： 1004?373X（2018）15?0031?03

RTI location method based on RSS feature selection

ZHU Chunhua， CHEN Yue

（School of Information Science and Engineering， Henan University of Technology， Zhengzhou 450001， China）

Abstract： The feature selection of received signal strength （RSS） is one of the key factors affecting the positioning performance of radio tomographic imaging （RTI）. The RSS features adopted in available RTI technology are divided into three types： RSS attenuation feature， RSS moving variance feature and RSS histogram distribution kernel distance feature. The analysis results show that the above three RSS features are significantly different in the aspects of multipath interference suppression， target motion state， system requirements and positioning accuracy. The conclusion is the basis of further study on RSS feature optimization.

Keywords： radio tomographic imaging； location algorithm； RSS； feature selection； attenuation feature； kernel distance

0 引 言

无线层析成像技术（Radio Tomographic Imaging， RTI）在2007年由Youssef M等提出，是一种基于无线传感器网络接收信号强度（Received Signal Strength，RSS）变化进行目标定位的方法。RTI定位技术将无线传感器节点（Wireless Sensor Node，WSN）放置在监测区域周围，由于监测目标的存在，WSN通信链路会出现衰减、折射及反射现象，从而引起接收信号强度的变化。RSS的特征选取是无线层析成像技术的关键点。文献[1?2]验证指纹定位算法的可用性，选取RSS的方差变化特征使得指纹定位算法的定位精度达到1.82 m；文献[3?4]提出的网格定位算法选取RSS变化强弱特征来确定通信链路相应的权重，再利用通信链路中间点的坐标及对应的权重值进行目标定位；基于蒙特卡洛粒子滤波算法[5?6]建立粒子滤波观测模型来构建目标与节点距离及与其对应的RSS衰减特征的数学模型，选取各通信链路RSS的衰减特征计算粒子的权重大小，再通过求解粒子坐标的权重加权平均，进而进行目标定位。三种定位算法的RSS特征选取不同情况下，它们的定位精度、计算复杂度和适用场景也有很大的差异，这充分说明RTI定位算法中RSS特征选取的重要性。

1 基于RSS特征選取的RTI定位算法

该领域经典定位算法中，指纹定位算法需要离线校准时间，耗时耗力；网格定位算法要求传感器节点等间距部署到监测区域上方，不适合一般灾难场景下的应用；粒子滤波定位算法在要求定位精度的情况下，其计算的复杂程度随着所取粒子数的增多呈几何式增长，在定位实时性方面效果不理想。与之相比，基于RSS的RTI定位技术[7]部署简单，适合多种场景的应用。基于RSS的RTI定位技术又可以分为基于RSS衰减、基于RSS移动方差、基于RSS直方图分布核距离的RTI定位算法，它们之间的区别在于处理RSS变化所选取特征不同。

三种定位算法虽然选取RSS变化特征不同，但其最后目标位置估计都采用最小二乘法求解反问题得出。

1.1 基于RSS衰减特征的RTI定位算法

基于RSS衰减特征的RTI定位算法将监测区域划分成大小均匀的网格，经过测量WSN节点间的RSS衰减特征，计算网格像素对通信链路衰减的权重大小，通过求解反问题实现目标定位。该算法原理如图1所示。

基于RSS衰减特征的RTI定位算法实现过程如下：

1） 由通信链路损耗模型求得第[i]条链路在时刻[t]的RSS值[ri（t）]，其中[7]：

[ri（t）=Pi-Li（t）-Si（t）-ni（t）] （1）

式中：[Pi]为WSN节点发射功率；[Li（t）]为大尺度衰落；[Si（t）]为目标形成的阴影衰落；[ni（t）]为噪声和多径干扰衰落。

2） 由RSS衰落模型求得所有通信链路RSS变化的向量[Δr]，用椭圆权重模型计算网格像素对通信链路的权重大小，其中[7]：

[Δri=j=1NWijΔxi+n] （2）

[Δr=WΔx+n] （3）

式中：[Δri]为通信链路RSS的衰落；[Δxi]為网格像素衰减量；[n]为测量噪声变化量；[Wij]为网格权重；[Δr]为所有通信链路RSS变化的向量；[W]为权重矩阵；[Δx]为所有网格衰减量。

3） 根据式（3），使用最小二乘法[8]估计进行目标定位。

1.2 基于RSS移动方差特征的RTI定位算法

基于RSS移动方差特征的RTI定位算法通过计算通信链路的移动方差来描述图像中的像素值，再根据像素点的分布确定目标的位置[9?10]，其原理如图2所示。

基于RSS移动方差特征的RTI定位算法实现过程如下：

1） 测量模型将接收无线信号的基带电压信号转化为[V]，其中：

[V=v+i=1mViexp（jΦi）] （4）

式中：[v]为加性噪声；[Vi]为第[i]条链路的电压幅值；[Φi]为相位。

2） 根据通信链路RSS的方差与接收功率变化关系，通信链路的RSS表示为：

[RdB=10lgV2=10lg（V2+σ2v+TAP（X））] （5）

式中：[V]为[V]中多径静态分量幅度值；[σ2v]为[V]中多径分量动态总功率和加性噪声功率的和；[TAP（X）]表示所有多径动态分量的总功率之和；[V]为符合莱斯分布的随机变量（Riceam Random Variable）[11?13]。

3） 以[Ts]为采样间隔对通信链路RSS进行采样，求出前[NB]个时刻RSS采样值[sn]，并得到所有通信链路RSS的方差矩阵[s]，其中：

[sn=1NB-1p=0NB-1Rn[k-p]-Rn[k]2] （6）

[s=[s1，s2，…，sM]T] （7）

式中[Rn[k]]表示通信链路[n]的[NB]个采样点的平均值。

4） 利用最小二乘法[8]求解，进行目标定位。

1.3 基于RSS直方图分布核距离特征的RTI定位算法

基于RSS直方图分布核距离的RTI定位算法通过计算长、短观测窗口下的RSS直方图的核距离值实现目标定位，该算法原理如图3所示。

1） 获得长、短观测窗口下的通信链路RSS直方图在[n]时刻的向量表示[hn]，其中：

[hn=iwn，iIyi] （8）

式中：[I]是长度为[N]的向量；[Iyi]为第[yi]个元素的值是“1”，其余元素为“0”的向量；[wn，i]为指数加权移动平均的权重矩阵，其表达式如下：

[wn，i=β（1-β）n-i，i≤n0，其他] （9）

式中[0<β<1]为遗忘因子，通过设置不同的[β]值可以获得不同观测窗口下的直方图分布。

2） 使用KL散度计算两观测窗口下的RSS直方图分布核距离[14?15]，则有：

[DK（un，vn）=un-vn2] （10）

式中：[u=K12p，v=K12q]，[K]为高斯核矩阵。

3） 利用最小二乘法求解[8]，进行目标定位。

1.4 三种RTI定位算法的比较

基于RSS变化的三种定位算法不仅处理RSS变化的方式不同，在系统初始状态和适用条件上也有很大差异。三种定位算法的特点如表1所示。

由表1可知，RSS特征影响了RTI定位算法的定位速度和应用场景。基于RSS衰减特征的定位算法需要系统校准无目标时的RSS基准值，不适合紧急情况下的应用，在实际应用中且不能克服多径干扰；基于RSS移动方差特征的定位算法相比基于RSS衰减的定位算法减弱了多径干扰的影响，提高了定位的精度，但不能定位静止状态的目标；基于RSS直方图分布核距离特征的定位算法用数学统计的方式来表示通信链路RSS的变化情况，同样减弱了多径干扰对定位精度的影响，且能定位静止目标，适用条件较以上两种定位算法广泛。

此外，RTI定位算法的定位性能还受到内部干扰和外部干扰的严重影响。室内环境中存在多径干扰问题和WiFi干扰问题，常造成数据包的丢失，从而影响RSS值的更新，造成定位精度下降。外部环境中的噪声干扰使得目标真实位置难以辨别。可见，影响RTI定位算法性能的因素有很多，本文仅考虑RSS特征的选取对定位性能的影响。

2 结 语

本文对比分析了三种RSS特征的RTI定位算法的定位速度、定位精度和适用性，实际应用中，应用场景无线传输特性将决定RTI定位算法中RSS特征的选取，深层次地挖掘RSS特征与环境的关系是未来研究的重点。

参考文献

[1] MOUSSA M， YOUSSEF M. Smart cevices for smart environ?ments： device?free passive detection in real environments [C]// 2009 IEEE International Conference on Pervasive Computing and Communications. Galveston， Texas： IEEE， 2009： 1?6.

[2] SEIFELDIN M， SAEED A， KOSBA A E， et al. Nuzzer： a large?scale device?free passive localization system for wireless environments [J]. IEEE transactions on mobile computing， 2013， 12（7）： 1321?1334.

[3] ZHANG D， LIU Y， NI L M. Link?centric probabilistic coverage model for transceiver?free object detection in wireless networks [C]// 2010 IEEE the 30th International Conference on Distributed Computing Systems. Genoa， Italy： IEEE， 2010： 116?125.

[4] ZHANG D， LIU Y， GUO X. Rass： a real?time， accurate and scalable system for tracking transceiver?free objects [C]// 2011 IEEE International Conference on Pervasive Computing and Communications. Seattle， USA： IEEE， 2011： 197?204.

[5] WILSON J， PATWARI N. A fade?level skew?Laplace signal strength model for device?free localization with wireless networks [J]. IEEE transactions on mobile computing， 2012， 11（6）： 947?958.

[6] CHEN X， EDELSTEIN A， LI Y， et al. Sequential Monte Carlo for simultaneous passive device?free tracking and sensor localization using received signal strength measurements [C]// 2011 International Conference on Information Processing in Sensor Networks. Chicago， USA： IEEE， 2011： 342?353.

[7] WILSON J， PATWARI N. Radio tomographic imaging with wire?less networks [J]. IEEE transactions on mobile computing， 2010， 9（5）： 621?632.

[8] ZHAO Y， PATWARI N， PHILLIPS J M， et al. Radio tomogra?phic imaging and tracking of stationary and moving people via kernel distance [C]// 2013 International Conference on Informa?tion Processing in Sensor Networks. Philadelphia， USA： IEEE， 2013： 229?240.

[9] WILSON J， PATWARI N. See?through walls： motion tracking using variance?based radio tomography networks [J]. IEEE transactions on mobile computing， 2011， 9（5）： 612?621.

[10] DURGIN G D， RAPPAPORT T S， DE WOLF D A. New analytical models and probability density functions for fading in wireless communications [J]. IEEE transactions on communi?cations， 2002， 50（6）： 1005?1015.

[11] TSE D， VISWANATH P. Fundamentals of wireless commu?nication [M]. Cambridge： Cambridge University Press， 2005.

[12] HAYKIN S S， MOHER M， KOILPILLAI D. Modern wireless communications [M]. India： Pearson Education India， 2005.

[13] ABDI A， TEPEDELENLIOGLU C， KAVEH M， et al. On the estimation of the K parameter for the rice fading distribution [J]. IEEE communications letters， 2001， 5（3）： 92?94.

[14] COVER T M， THOMAS J A. Elements of information theory [M]. US： John Wiley & Sons， 2012.

[15] PHILLIPS J M， VENKATASUBRAMANIAN S. A gentle introduction to the kernel distance [EB/OL]. [2011?03?10]. http：//www.cs.utah.edu/～jeffp/papers/gentleintroKD.pdf.