基于RSS的多目标节点定位算法.docVIP

基于RSS的多目标节点定位算法 　　摘要：为节约成本、提高算法实用性和准确性，提出一种新颖的基于RSS的多目标节点定位算法。通过一个移动信标节点采集RSS信号及其相应位置坐标，构成已知条件，结合高斯混合模型和贝叶斯信息准则等统计模型设计实现多目标高斯混合模型定位算法。仿真实验和实测实验均表明该算法在不预先假设一定区域内传感器节点数量的情况下，能够同时估计传感器节点的数量和位置，具有较好的实用性和准确性。本文网络版地址：http：///article/164387.htm 　　关键词：定位；GMM；信号传播模型 　　DOI： 10.3969/j.issn.1005-5517.2013.9.008 　　*基金项目：国家自然科学基金项目（NO络攻击行为混杂建模及检测技术研究，NO向服务的无线传感器网络生存期优化体系研究） 　　引言 　　无线传感器网络节点定位是传感器网络研究的热点，如何利用简单廉价的设备得到精确的定位结果一直是传感器节点定位研究的重点和难点。 　　在目前已有的定位算法中，基于RSS的节点定位算法与基于AOA、TOA或TDOA的节点定位算法相比，具有成本低、适用范围广等优点，但定位精度不高[1-2]。为此，研究人员利用统计模型提高定位算法的健壮性和精确度[3-8]。另外，很多定位算法假设待估节点数量已知，或者假设RSS发射节点的ID可识别，但在大多数情况下，上述假设都是不可预知的，很难在实际环境中使用，因而算法实用性不强。 　　为节约成本，提高算法实用性和精度，本文提出一种新颖的基于RSS的定位算法——多目标高斯混合模型定位算法（Multi-target Localization Based on Gaussian Mixture Model，MTL-GMM），使用单一移动信标节点[8-9]采集信息，用最小化已知条件估算传感器节点的数量和位置信息。仿真实验和实测实验均证明了本文提出算法的有效性和准确性。 　　多目标高斯混合模型 　　GridL算法描述 　　图1给出了GridL算法的伪代码。表1给出了GridL算法使用的符号及其解释。MT-GMM算法嵌套了内外两层循环。外层循环即算法第4行到第29行，用来估计节点数量。假设节点数量M从1开始取值，并随循环逐次递增，根据（M-1）个节点坐标估计第M个节点坐标。当节点数量增加，但模型BIC取值不增加时，算法结束。内层循环即算法第11行到第20行，用来调整外层循环确定的M个节点的位置坐标。当模型BIC取值最大时，获得节点数量为M时的位置坐标。 　　算法第13行的函数findBIC（R，j）根据前j个节点的位置坐标，估计第（j+1）个节点的位置坐标。该函数分别假设第（j+1）个节点在定位区域内的每个网格中，并分别计算相应的BIC取值，BIC取值最大时对应的网格坐标就是第（j+1）个节点的坐标。 　　仿真实验 　　我们用NCTUns v5.0[14]模拟实验场景，将8个传感器分别放置在180m×300m的区域里，将一个可移动的传感器做为信标节点RC，如图2所示。图中叉号表示传感器节点所在的位置，曲线表示RC的移动路径，圆圈表示估计的传感器位置。传感器节点的通信半径设为100米。RC采集的RSS序列长度为300。 　　第一次迭代的网格边长为5米，第二次为1米。表3给出了仿真实验的数据结果，两次迭代估计的节点数量均为8个，与实际相符，节点坐标的定位误差由第一次迭代时的3.86米减小到第二次迭代时的0.93米。 　　实测实验 　　我们将4个Access Point（AP）分布在学校实验室大楼二层，将带有无线网卡的笔记本做为信标节点，采集从AP发来的RSS，同时记录笔记本移动的路线坐标。图3给出了AP的位置（叉号表示）和笔记本的移动路线（实线表示），圆圈表示估计的节点位置。AP的通信半径为30米，笔记本采集的RSS序列长度为120。 　　第一次迭代的网格边长为2米，第二次为1米。表4给出了实测实验结果，两次迭代估计的节点数量均为4个，与实际相符，节点坐标的定位误差由第一次迭代时的2.99米减小到第二次迭代时的1.83米。 　　结语 　　本文提出了一种基于RSS的多目标节点定位算法（MTL-GMM算法），可同时估计一定区域内传感器节点的数量和位置。相比其他定位算法，MTL-GMM算法选择单一的移动信标节点采集RSS信号，结合使用高斯混合模型、贝叶斯信息准则等统计模型，节约了成本，提高了定位精度。同时，MTL-GMM算法不假设待估节点数量已知或RSS发射节点的ID可辨识，增强了算法的实用性。 　　参考文献： 　　[1] 蒋鹏，覃添，陈岁生. 基于AOA降维和同心圆定位的三维传感器网络节点自定位方法[J].传感技术