利用人工神经网络RSSI测距优化技术研究.docVIP

利用人工神经网络RSSI测距优化技术研究 　　摘要： 基于RSSI（接收信号强度指示）的测距技术是一项低成本和低复杂度的距离测量技术，被广泛应用于基于测距的无线传感器网络的定位技术中。由于室内环境中存在非视距和多径传输的影响，测距误差比较大。针对这个问题，本文提出了一种递推平均滤波和高斯模型相结合的R值筛选策略以及一种利用人工神经网络的距离估计方法。实验表明: 通过合理的R值筛选策略和距离估计算法，RSSI测距的精度和抗干扰能力得到了明显的提高。 　　Abstract: Ranging technology based on RSSI (received signal strength indication) is a distance measurement technique with the features of low cost and low complexity. It is widely used in indoor wireless location. Ranging error is relatively large with the impact of NLOS indoor and multipath transmission. For this reason this paper presents a screening strategy, which successfully combined recursive average filter and Gaussian models. A measuring method of artificial neural network distance has been proposed as well. According to the result of the Experiments, RSSI ranging accuracy and anti-jamming capability have been significantly improved by this method. 　　关键词： RSSI；高斯模型；人工神经网络 　　Key words: RSSI；Gaussian models；artificial neural networks 　　 中图分类号：TP39 文献标识码：A 文章编号：1006-4311（2012）11-0164-03 　　 　　0 引言 　　节点定位技术是无线传感器网络各种应用的关键技术之一，而基于测距的定位技术是通过测量节点间距离来实现的，节点之间的测距精度直接影响了最终的定位效果。RSSI测距是一种低成本节点测距技术，RSSI值（接收信号的强度指示）是与距离相关的信息，它可以由传感器节点自身测量得到，不需要额外的硬件支持，所以得到了比较广泛的应用[1][2]。但是R值容易受到环境变化的影响，获取的R值经常无规律地变化。另一方面R值与实际距离之间的转化模型（距离-衰减模型）中的环境因子和遮挡因子具有一定的不确定性，这使得RSSI测距距离与实际距离往往存在较大误差。针对以上问题本文分别提出了一种递推平均滤波和高斯模型相结合的R值筛选策略和一种利用人工神经网络的距离估计方法对传统的RSSI测距进行优化处理。 　　1 RSSI???距存在的问题分析 　　信号在传播的过程中，随着距离的增大，信号强度的大小发生改变，根据这个改变可以得出信号强度的衰减与距离的关系。目前，无线信号传输中普遍采用的理论模型―Shadowing 模型[3]，其具有对数衰减特性，如式（1）： 　　RSSI=RSSI+10nlg+ε （1） 　　式中：其中d为参考距离；RSSI是距离为d时接收到的信号强度指示（Received Signal Strength Indicator，RSSI）；d是真实距离；RSSI是距离为d时接收到的信号强度；ε是环境因子，与传播距离无关，主要与环境中的遮挡物、人员走动情况、空气温度和湿度等有关；n是路径损耗指数，它是介于2.0～3.3之间的常数。式（1）的模型中，d与RSSI的函数关系与参考点的选择（d，RSSI）、路径损耗指数（n）及环境因子（ε）有着很大关系，这些参数的选择优劣决定了该模型的准确性。 　　为了研究RSSI与距离的对应关系以及随机遮挡干扰对R值测量的影响，本文在室内环境下做了大量的实验，部分实验数据如图1所示。图1（a）所示为多次重复实验测定[0~3.5]m范围内每隔10cm处传输距离与RSSI的对应关系。从图中不难看出RSSI和无线信号传输距离之间有确定关系，RSSI的测量具有一定的重复性和互换性。图1（b）为节点周围存在和没有随机遮挡干扰时RSSI值变化曲线，可以看到在