一种消除盲区的无线传感器网络四边加权质心定位算法.docVIP

一种消除盲区的无线传感器网络四边加权质心定位算法 　　【摘 要】为了抑制环境干扰和盲区因素对无线传感器节点定位精度的影响，以加权质心定位算法为基础，提出了一种消除盲区的四边加权质心定位算法。算法首先利用高斯模型和分批估计融合对所测RSSI值进行滤波处理并取得最优值，消除随机性干扰；然后利用RSSI值与距离的对数的映射关系得到未知节点到参考节点的距离；定位过程的最后，通过建立虚拟的参考节点来消除盲区，以及对加权质心定位算法的权重进行了修正，从而提高了定位精度和定位覆盖率。 　　【关键词】定位盲区；加权质心；抗干扰；映射关系；虚拟节点 　　0 引言 　　无线传感器网络[1]的大量应用都依赖于节点的位置信息，其位置信息对传感器网络的监测活动至关重要，事件发生的位置或获取信息的节点位置是传感器节点监测消息中所包含的重要信息，没有位置信息的监测消息往往是毫无意义的；传感器节点必须明确自身的位置才能详细说明“在什么位置或区域发生了特定事件”，从而实现对外部目标的定位和跟踪，甚至可以提高路由效率以及网络的覆盖质量。 　　无线传感器节点通常随机分布在不同的环境中执行各种监测任务，以自组织的方式相互协调工作。只有在传感器节点自身正确定位后，才能确定传感器节点监测到的事件发生的具体位置，传感器节点自身的正确定位是提供监测事件位置信息的前提。 　　随着无线传感器网络的不断发展，节点定位技术中的节点定位算法越来越受到国内外研究者的重视，对于无线传感器网络节点自身定位的研究，国内外学者提出了许多定位解决方案和算法[2，5，6，7]以及不同的设备和算法被实现[3，4]。文献[5]利用不同的加权因子对传统的质心定位算法进行了改进，提高一定的定位精度，但是在测距阶段没有对RSSI值进行一定的抗干扰处理，以及没有考虑加权质心定位算法会使最终的定位坐标会向定位区域的质心偏移，从而导致一定的盲区。文献[6]利用三个未知参考节点组成三边加权质心定位模型解决质心定位问题，却没有考虑定位覆盖率低的问题。因此本文在加权质心定位算法的基础上提出了消除盲区的四边加权质心定位算法，从而消除了盲区，提高了定位覆盖率及其定位精度。 　　1 数据分析处理模型 　　由于信号在传播过程中信号强度会降低，因此可以根据信号强度的差值得到节点之间的距离。接收信号强度指示（Received Signal Strength Indicator，简称RSSI）的原理是发送节点广播包含发射功率值的信号，接收节点通过比较自身接收到的信号功率与发射功率的功率差。根据特定的信号传播模型将传播功率差转换为节点间的距离，所以节点间距离越近，RSSI值越大，节点间距离越远，RSSI值就越小。RSSI值与距离的关系服从对数-常态分布模型[7]，表达式为： 　　RSSI（d）[dB]=RSSI（d0）-10ηlog（d/d0）+Xσ[dB] （1） 　　式中：Xσ为平均值为0的高斯分布随机变数；η为路径衰减因子。 　　1.1 高斯模型 　　在实际的应用环境中，RSSI值受环境的影响很大，在不同的应用环境中收到的干扰也不相同。因此我们需要对RSSI值进行滤波处理后，才能用于测距计算。 　　其中RSSI（d）服从高斯分布[8]，即RSSI（d）～N（μ，σ2）。其概率密度函数为： 　　（5） 　　公式中：xi为第i个RSSI信号强度值；μ为样本均值；σ为样本标准差；σi为样本离差。 　　通过高斯模型，本文选取离差与标准差的差值的大小作为筛选RSSI信号的标准，这样可以减少一些小概率、大干扰事件对整体测量的影响，可以一定程度上增强定位信息的准确性和稳定性。 　　σi-σ0） （6） 　　公式中：β为筛选临界值。 　　1.2 分批估计融合理论[9-10] 　　由于利用高斯模型只能消除短暂的小概率事件的扰动，因此在用高斯模型处理RSSI数据的基础上，再利用单传感器分批估计融合理论对数据进行融合来获取RSSI最优值。其原理为：将经过高斯分布模型处理后的n个数据分成两组样本（按奇偶或先后分组），即x11，x12，…x1i和x21，x22，…x2j，其中：i+j=n（i，j≥2）。两组样本所对应的样本均值为： 　　2 算法模型 　　加权质心定位算法，其基本思想是在传统的质心定位算法的基础上，通过加权因子来反映参考节点对质心坐标决定权的大小以及体现各个参考节点对质心位置的影响程度，反映了它们之间的内在关系。 　　假设未知节点到各虚拟参考节点计算出来的距离为d1*、d2*、d3*、d4*，由此可以根据文献[6]得到消除盲区的四边加权质心定位算法的最终坐标公式为： 　　3 定位步骤 　　在本文中，我们采用基于模型的即插即用的定位方式，而无需建立各个参考节点的位置和信号强度关系的离线数据库