无线传感器网络定位算法的研究及实现 - 武汉大学测绘实验教学中心.doc

国家测绘实验教学示范中心创新实验研究项目 无线传感器网络室内定位系统 开放实验项目：无线传感器网络定位算法验证 项目负责人 张 鹏 所属单位 武汉大学测绘学院测量工程研究所 联系电话 日 期 2011.12.1 实验目的 在无线传感器网络应用中，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，对变形监测的有效性、采取措施和做出决策方面起着关键的作用，没有位置信息的传感数据往往是没有意义的。大量的传感器节点通常随机部署在监测区域内部或附近执行各种监测任务，以自组织的方式相互协调工作。随机布放的节点必须按照某种定位机自身定位后，才便于实现对所处环境的有效监控和测量。同时，传感器节点定位还可以提高网络的路由效率、覆盖质量，实现网络的负载均衡和拓扑自配置等。由于节点硬件配置低，能量、计算、存储和通信能力有限，如何设计节点的自身定位算法显得尤为重要，成为必须解决的关键问题之一。本实验搭建了一个无线传感器网络的定位平台，利用该平台采集必要的信息，不仅可以验证各种定位算法的可行性，而且能够比较各种定位算法在不同场景下的优劣。 实验条件 项目中采用的硬件设备是Crossbow公司生产的无线传感器网络开发套件，包括六个具有无线收发功能的IRIS型号传感器节点和一个MIB520编程板。同时我们还使用了一台笔记本电脑和卷尺，笔记本电脑用来数据接收、控制及处理，卷尺用来建立坐标系以及量取各节点的坐标。 实验原理 基于接收信号强度（RSSI）的定位技术主要分为测距模型法和指纹匹配法，而在无线传感器网络的环境下，由于不方便预先采集指纹，我们一般采用测距模型法完成定位。测距模型法的基本原理是利用信号衰减模型将接收信号强度值(RSSI)转化为距离，当系统获得了未知节点到达多个参考节点的距离后进行定位。常用的解法有极大似然法、改进的极大似然法以及泰勒级数迭代法。 （1）极大似然法 设定位环境中有n(n≥3)个锚节点，则可依据未知节点到各个锚节点的距离与节点坐标的关系列出由n个方程组成的方程组。以第式为基准，其余各式都与之相减，即可将上述非线性方程组转化为一个线性方程组到1m-1.5m 图1 目标定位图 我们同时利用定位系统对测距模型法与指纹匹配法的定位性能进行了分析。图2为测距模型法中三种方法的定位误差对比图。图3和图4依次为指纹匹配法在不同的最邻近点个数(K值)及采样间距下的定位误差对比。 图2 三种解法的定位误差比较 从测试结果可以看出，泰勒级数法和改进的极大似然法较极大似然法在定位精度上有了提升。后者较极大似然法只增加一次未知节点与参考节点之间的遍历，前者在此基础上又增加了迭代循环，但算法复杂度的增加并不大。从定位误差统计的角度来看，泰勒级数法最稳定，改进的最大似然次之。 图3 K值对定位误差的影响 从图3看出，随着K值的增大，定位误差不断减小。但若K值取的过小，K个最邻近点中与待定位节点位置相近的点数所占的比例就小，易引发错误的估计。在本测试环境中，取K=4最适宜。 随着采样间距的减小，采样点个数的增加，待定位节点匹配的K个最邻近点的信号强度值也越来越准确。但是若采样密度过大，各采样点处平均信号强度之间的差别较小，不易区分相邻的采样点，从而可能导致定位误差的增大。因此，在此模拟测试环境中，采样间距取0.35m即可。 图5和图6显示两种改进算法均能实现节点定位的自动化，不再需要人工干预建模，且定位精度能达到较好的结果。