鬼佬大哥大
  • / 12
  • 下載費用:30 金幣  

一種基于無線傳感器網絡的協作節點定位方法.pdf

關 鍵 詞:
一種 基于 無線 傳感器 網絡 協作 節點 定位 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
摘要
申請專利號:

CN201210205022.2

申請日:

2012.06.18

公開號:

CN102711244B

公開日:

2015.01.28

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):H04W 64/00申請日:20120618|||公開
IPC分類號: H04W64/00(2009.01)I; H04B17/00; G01S5/00 主分類號: H04W64/00
申請人: 北京中防視信科技有限公司
發明人: 楊永民; 江峰; 李直
地址: 100085 北京市海淀區上地信息產業基地上地三街中黎科技園1號樓2層c段
優先權:
專利代理機構: 天津盛理知識產權代理有限公司 12209 代理人: 王利文
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201210205022.2

授權公告號:

102711244B||||||

法律狀態公告日:

2015.01.28|||2012.11.28|||2012.10.03

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明涉及一種基于無線傳感器網絡的協作節點定位方法,包括以下步驟:步驟1:建立每個鏈路RSS值的混合高斯模型;步驟2:通過背景學習方法將RSS值中的背景RSS值分離出來;步驟3:根據路徑損耗模型將背景RSS值轉化為節點間的距離信息,并利用貝葉斯估計方法計算得到未知節點坐標。本發明設計合理,其根據接收信號強度(RSS)在有移動障礙物情況下的變化特征,通過建立鏈路RSS值的混合高斯模型并通過背景學習方法將測量的RSS值分離出背景RSS值,然后利用貝葉斯估計方法(LS)實現協作定位功能,有效地減小了障礙物對信號接收強度的干擾,從而獲得較高的節點定位精度。

權利要求書

1.一種基于無線傳感器網絡的協作節點定位方法,其特征在于:包括以下
步驟:
步驟1:建立每個鏈路RSS值的混合高斯模型;
步驟2:通過背景學習方法將RSS值中的背景RSS值分離出來;
步驟3:根據路徑損耗模型將背景RSS值轉化為節點間的距離信息,并利用
貝葉斯估計方法計算得到未知節點坐標。
2.根據權利要求1所述的一種基于無線傳感器網絡的協作節點定位方法,
其特征在于:所述步驟1的混合高斯模型的數學模型為:
P ( R t ) = Σ k = 1 k w k · g ( R t ; μ k , σ k ) ]]>
其中,Rt是時刻t的RSS值,μk,σk分別為均值和方差,wk是第k個高斯
分布的權重值,g(Rt;μk,σk)是第k個高斯分布:
g ( R t ; μ k , σ k ) = 1 2 π σ k exp [ - ( R t - μ k ) 2 2 σ k 2 ] . ]]>
3.根據權利要求2所述的一種基于無線傳感器網絡的協作節點定位方法,
其特征在于:所述混合高斯模型中的均值、方差和權重均利用自適應線性濾波
器進行更新。
4.根據權利要求1所述的一種基于無線傳感器網絡的協作節點定位方法,
其特征在于:所述所述步驟2的背景學習方法為:
將k個分布按照wk/σk排序,前面的B個分布看做是背景模型:
B=arg?minbwk>T
其中,T是傳感器網絡中背景分布的最小先驗概率,wk是第k個高斯分
布的權重值,σk為方差;
如果RSS值符合B中任何一個高斯分布,則被當做是背景RSS值。
5.根據權利要求1所述的一種基于無線傳感器網絡的協作節點定位方法,
其特征在于:所述步驟3利用貝葉斯估計方法計算未知節點坐標的數學模型為:
x i ( t ) = x i ( t - 1 ) + γ Σ j S j ( δ ij - d ^ ij ) e ij ]]>
其中,xi(t)是t時刻節點i的坐標,是i和j單位向量,
γ是控制向量調整的步長,是節點i和節點j之間的距離,
是節點i和節點j之間的RSS值,d0為參考距離,P0是在參考
距離d0處的RSS值,Pij是節點i和節點j之間的RSS值,β是路徑損耗因子。

說明書

一種基于無線傳感器網絡的協作節點定位方法

技術領域

本發明屬于無線傳感器網絡領域,特別涉及一種基于無線傳感器網絡的協
作節點定位方法。

背景技術

節點定位技術是無線傳感器網絡中一項關鍵的技術,近年來很多研究人員
對節點定位技術都做了深入的研究。節點的精確定位功能產生了很多新的應用,
如醫療監控、動物追蹤和急救服務。在很多情況下,為了使節點之間的信息有
利用價值,節點位置是必不可少的,例如,如果我們部署一個無線傳感器網絡
來監控儲物室的設備,需要動態更新節點位置來監控設備的具體位置。在許多
情況下,特別是突發事件情況下,需要迅速和隨機地部署傳感器網絡,因此沒
有足夠的時間測量節點的位置。在這樣的應用場景下,需要自動知道節點位置
信息。

協作定位是一種有效的節點定位方法,其在給定部分已知節點的位置信息
的前提下,估計未知節點信息。基于信號接收強度(RSS,Received?Signal?Strength)
的協作節點定位方法具有部署簡單且不需要額外的硬件,因此得到了廣泛的應
用。現有的基于RSS的節點協作定位方法通常是將接收到的RSS值直接轉化為
距離信息,沒有考慮到環境中物體對RSS產生的衰減,或者僅考慮了靜態障礙
物對節點定位造成的影響,當環境中有隨機出現的移動障礙物時,RSS會產生很
大的波動,因而嚴重影響節點定位精度。

發明內容

本發明的目的在于克服現有技術的不足,提供一種基于無線傳感器網絡的
協作節點定位方法,該方法在有移動障礙物的情況下,能夠有效減小障礙物對
節點定位精度的影響。

本發明解決其技術問題是采取以下技術方案實現的:

一種基于無線傳感器網絡的協作節點定位方法,包括以下步驟:

步驟1:建立每個鏈路RSS值的混合高斯模型;

步驟2:通過背景學習方法將RSS值中的背景RSS值分離出來;

步驟3:根據路徑損耗模型將背景RSS值轉化為節點間的距離信息,并利用
貝葉斯估計方法計算得到未知節點坐標。

而且,所述步驟1的混合高斯模型的數學模型為:

P ( R t ) = Σ k = 1 k w k · g ( R t ; μ k , σ k ) ]]>

其中,Rt是時刻t的RSS值,μk,σk分別為均值和方差,wk是第k個高斯
分布的權重值,g(Rt;μk,σk)是第k個高斯分布:

g ( R t ; μ k , σ k ) = 1 2 π σ k exp [ - ( R t - μ k ) 2 2 σ k 2 ] . ]]>

而且,所述混合高斯模型中的均值、方差和權重均利用自適應線性濾波器
進行更新。

而且,所述所述步驟2的背景學習方法為:

將k個分布按照wk/σk排序,前面的B個分布看做是背景模型:

B=arg?minbwk>T

其中,T是傳感器網絡中背景分布的最小先驗概率,wk是第k個高斯分
布的權重值,σk為方差;

如果RSS值符合B中任何一個高斯分布,則被當做是背景RSS值。

而且,所述步驟3利用貝葉斯估計方法計算未知節點坐標的數學模型為:

x i ( t ) = x i ( t - 1 ) + γ Σ j S j ( δ ij - d ^ ij ) e ij ]]>

其中,xi(t)是t時刻節點i的坐標,是i和j單位向量,
γ是控制向量調整的步長,是節點i和節點j之間的距離,
是節點i和節點j之間的RSS值,d0為參考距離,P0是在參考距
離d0處的RSS值,Pij是節點i和節點j之間的RSS值,β是路徑損耗因子。

本發明的優點和積極效果是:

本發明基于接收信號強度(RSS)在有移動障礙物情況下的變化特征,通過
建立鏈路RSS值的混合高斯模型并通過背景學習方法將測量的RSS值分離出背
景RSS值,然后利用貝葉斯估計方法(LS)實現協作定位功能,有效地減小了
障礙物對信號接收強度的干擾,從而獲得較高的節點定位精度。

附圖說明

圖1(a)為兩個節點距離為1m時RSS的時間變化圖;

圖1(b)為圖1(a)中RSS值符合的混合高斯分布示意圖;

圖2(a)為環境中沒有障礙物情況下的鏈路RSS時間變化圖;

圖2(b)為鏈路中有人情況下的RSS時間變化圖;

圖2(c)是經過背景學習算法去除移動障礙物干擾后的RSS時間變化圖;

圖3(a)是20個節點規則排放為一個正方形情況下的節點定位結果圖;

圖3(b)是節點均勻分布時的節點定位結果圖;

圖4是利用背景學習算法后的節點定位的MSE值示意圖。

具體實施方式

以下結合附圖對本發明實施例做進一步詳述:

一種基于無線傳感器網絡的協作節點定位方法,通過建立鏈路RSS值的混
合高斯模型并通過背景學習方法將測量的RSS值分離為前景值(由于環境變化
引起的RSS值)和背景RSS值(節點自身通信的RSS值),然后利用貝葉斯估計
方法(LS)實現協作節點定位功能,從而獲得較高的節點定位精度。具體包括
以下步驟:

步驟1:建立每個鏈路RSS值的混合高斯模型。

當有移動障礙物隨機出現在無線傳感器網絡中時,RSS值會產生三種形式的
波動:沒有移動障礙物存在的情況、移動障礙物在鏈路周圍不遮擋鏈路的情況、
移動障礙物遮擋鏈路的情況,也就是說,對于每條鏈路,被障礙物完全遮住、
附近環境有障礙物活動和附近無障礙物活動三種狀態下的RSS值可以看做是
三個隨機變量,分別符合三個參數不同的高斯分布。因此,每條鏈路的RSS
值可以建模為如下的混合高斯模型:

P ( R t ) = Σ k = 1 k w k · g ( R t ; μ k , σ k ) ]]>

其中,Rt是時刻t的RSS值,μk,σk是均值和方差,wk是第k個高斯分布的權
重值且滿足g(Rt;μk,σk)是第k個高斯分布,其表達式為:

g ( R t ; μ k , σ k ) = 1 2 π σ k exp [ - ( R t - μ k ) 2 2 σ k 2 ] ]]>

混合高斯模型中的參數:均值、方差和權重,可以利用自適應線性濾波器
(Linear?Adaptive?filter,LAF)更新:

θ ( t ) = η ( t ) · ( R t ; θ ( t - 1 ) ) + ( 1 - η ( t ) ) · θ ( t - 1 ) ]]>

其中,η(t)是學習速率,θ(t)根據更新。

步驟2:通過背景學習方法將RSS值中的背景RSS值分離出來

在鏈路的RSS建模以后,需要選擇合適的方法決定哪些是前景(由于環境變
化引起的RSS值)和背景RSS值(節點自身通信的RSS值),得到背景RSS值。當環
境中沒有移動障礙物時候,方差會很大直到運動停止,而靜態的環境保持相對
穩定的值而且方差比較小。當新的移動障礙物出現時,會產生新的高斯分布,
并且權重值很小。因此,本步驟將k個分布按照wk/σk排序,前面的B個分布
看做是背景模型:

B=arg?minbwk>T

T是傳感器網絡中背景分布的最小先驗概率。如果RSS值符合B中任何一個高
斯分布,則被當做是背景RSS值。背景RSS值就是我們所需要的最終用來估計節
點坐標的RSS值。

步驟3:根據路徑損耗模型將背景RSS值轉化為節點間的距離信息,并利用貝
葉斯估計方法計算得到未知節點坐標。

得到RSS值后,根據路徑損耗模型,節點間的RSS值和節點距離之間存在如下
關系:

P ij = P 0 - 10 β log 10 ( d ij d 0 ) - v ij ]]>

上式中Pij是節點i和節點j之間的RSS值,dij是節點i和節點j之間的距
離,P0是在參考距離d0處的RSS值,一般d0選為1m,β是路徑損耗因子,和環
境有關系。vij是噪聲,與多徑環境有關系。節點i和節點j之間的距離通常被近
似為δij:

δ ij = d 0 1 0 P 0 - P ij 10 β ]]>

明顯的,公式中沒有包含vij的信息,利用背景學習的算法就可以有效的去除
環境帶來的影響,從而獲得較好的定位結果。利用上式可以得到兩個節點之間
的相對距離。

然后利用利用貝葉斯估計方法得到未知節點的坐標:

C LS ( x ) = Σ i = 1 N 2 Σ j S i | | δ ij - d ^ ij | | 2 ]]>

其中,是節點i和節點j之間的RSS值,N2是未知節點的個數。
Si是與未知節點通信的節點的個數。在時刻t,上式的最小值由分布式梯度下降
算法得到:

x i ( t ) = x i ( t - 1 ) + γ Σ j S j ( δ ij - d ^ ij ) e ij ]]>

xi(t)是節點i的坐標,是i和j單位向量,γ是控制向
量調整的步長。

下面結合附圖對本協作定位方法做進一步說明。

當物體進入無線傳感器網絡的時候,通過該物體的鏈路會產生陰影衰落,
當信道主要是可視路徑的時候,經過該鏈路的RSS值會產生較大的衰減。為了
分析當環境中有隨機運動障礙物產生時,RSS隨著時間變化的規律,我們首先設
置了一個擁有兩個節點的傳感器網絡,兩個節點之間的距離為4m,一個人隨機
穿過鏈路,圖1(a)給出了RSS的時序圖,從圖中可以看到RSS值有三種不同的
衰減,當鏈路周圍有人但是沒有遮擋鏈路的時候,RSS在均值附近有3~4毫分
貝的波動;當人剛好遮住鏈路的時候,RSS的波動會變大,大約是20~30毫分
貝;當鏈路周圍沒有人存在時,RSS值基本維持均值,有1~2毫分貝的小波動。
因此,鏈路的RSS值可以被建模為三個混合高斯模型,如圖1(b)所示。

我們通過一系列的實驗來驗證本發明的有效性。傳感器網絡包含20個節點,
這些節點工作在2.4GHz頻段。節點間的通信通過數據包來實現,每個數據包包
含節點的ID號,傳輸時間以及節點間的RSS值。傳輸間隔是5ms,每個鏈路的
數據每隔100ms記錄一次。傳感器節點被固定在桿上,距離地面1m的高度。如
圖3(a)所示,節點被擺放成7*7m正方形,且相鄰節點的距離是1m。在實驗時,
首先,我們記錄網絡中沒有人即空網絡的狀況,RSS變化如圖2(a)所示;然后
人隨機出現在網絡中,RSS變化如圖2(b)所示;經過背景學習后提取出的RSS
值如圖2(c)所示。可以看出,經過背景學習后的RSS值與沒有人出現時候的RSS
變化基本一致。然后利用背景學習后的鏈路RSS進行節點定位,本實驗所采用
的參數如表1所示。

表1算法參數值

??參數名稱
??參數值
??參數名稱
??參數值
??K
??3
??T
??0.5
??V0
??1
??P0
??-33dBm
??α
??0.08
??β
??3
??Tσ
??2
??γ
??0.01

有4個已知未知的節點和16個未知位置的節點,定位結果如圖3(a)所示。
由于節點位置的擺放會影響節點定位結果,圖3(b)改變了網絡節點的分布,采
用均勻分布的方式擺放節點,圖中顯示了節點定位的結果。可以明顯看到,經
過背景學習后的RSS值能很好的適應環境的變化,獲得較高的定位精度。而未
經過背景學習的RSS值直接定位的結果與實際位置有較大偏差。圖4為運用背
景學習算法進行節點定位時的均方誤差圖,當鏈路中沒有人出現時,最小均方
誤差維持在一個比較小的值,當鏈路中有人出現時,均方誤差會變大,但是由
于背景學習算法的使用,會隨著時間慢慢減小趨于穩定,誤差維持在0.1~
0.3m2。

需要強調的是,本發明所述的實施例是說明性的,而不是限定性的,因此
本發明并不限于具體實施方式中所述的實施例,凡是由本領域技術人員根據本
發明的技術方案得出的其他實施方式,同樣屬于本發明保護的范圍。

關于本文
本文標題:一種基于無線傳感器網絡的協作節點定位方法.pdf
鏈接地址:http://www.wwszu.club/p-6420754.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大