无线传感器网络中节点定位算法的学习

22
总结
左图是聚类的流程图，假设对这些 RSSI值集合已经完成聚类，聚类数目k （人为设定），即n个RSSI值已经被聚 成k个聚类群体中，每个聚类群体代表 了具有最大相似度的RSSI值，我们可 以计算出在这个聚类群体中的信号传播 指数为（其中有k个n值） n={n1,n2……nk}，对每个聚类中的 RSSI值进行求平均值：
φ1 = φ
2
1 1 1 1
r a + rb + r c r a + rb + r f ra + r f + rc r f + rb + r c
得到最后的未知节点D（x，y）的坐标公 式如下：
n
=
φ3 = φ
4
D( x, y ) = D( i =1 n
∑φ ∑φ
i
xi 1
i
n i =1 n
yi
i
,
=
10
文献回顾
这篇文章中的算法主要流程如下：
测出某一段时间内， 接收器接收到未知节 点发出的RSSI值
对这些RSSI值进行 高斯滤波，选取比较 优的RSSI值
最后通过三边测量法， 质心加权算法测出未 知节点的坐标
根据信号—距离模型 将优化的RSSI值转 换成距离
11
文献回顾
高斯滤波寻找最优的RSSI值：首先定义在某段时间内， 信号接收器接收到未知节点的n个RSSI值，由于这n个 RSSI值是随机离散的变量，则这些值服从或近似服从 高斯分布（正态分布），选取那些高概率，即分布密 度比较大的区域（一般经验值位大于等于0.6的区域）， 测量结果关于x的密度函数f(x)如下公式所示：
可以根据上面的式子求出M点的 坐标，同理可以求出N点，E点的 坐标，最后通过求三角形质心的 位置信息来得到未知节点的坐标
15
文献回顾
文章提出了一种加权质心的算法，可以得到更加精准的未知节点的坐标信息： 对于四个接收器节点A，B，C,F,它们的坐标位置已知，现在利用这4个已知节 点来求未知节点D的坐标位置，每次从A，B，C，F四个节点中选择3个，通过 上面的三角质心算法可以确定未知节点的4个坐标信息D1（x1,y1），D2 （x2,y2）,D3（x3,y3）,D4（x4,y4）通过求平均值来求得未知节点D的坐标， 其中引入了加权因子，该加权因子是每次选取的三个节点的半径之和的倒数， 如下式所示：
前言
主要介绍无线传感 器网络中节点定位 的研究现状，包括 百度文库RSSI算法的介 绍
文献回顾
主要通过阅读期 刊文献，理解文 章的思想
总结
通过阅读文章，能够对 自己的研究方向产生更 加深刻的印象，并能够 提出自己的想法
2
前言
无线传感器网络(wireless sensor network,简称 WSN)，是一种比较新的信息获取和处理技术， 它能够在很多应用领域上实现复杂的监测和跟踪 任务，对目标物体进行实时定位。与传统的基于 终端定位方式不同的是，基于终端的定位是指移 动终端根据基站和服务器所提供的信息进行定位， 比如全球卫星定位技术（Global positioning satellite，简称GPS），基于WSN的定位是根据
24
LOGO
Thank You
25
17
文献回顾
Paper II
无线传感器网络中基于聚类平均的定位 算法
侯亚娜, 胡维平
摘要：这篇文章主要是针对RSSI定位算法中RSSI由于在传播过程中的损耗， 导致定位精度不高的问题，提出了在信号强度值在传播模式中的相似度原则进行 聚类平均，通过仿真表明，改进后的算法定位精度提高，算法抗干扰能力强，特 别适合锚点数量较少的环境。 Key words：RSSI clustering anti-interference
R(d0 ) − R(d ) d = d0 *10exp( ) 10n
（2）
9
文献回顾
Paper I
无限网络定位技术研究
李丽1,3,周彦伟2,吴振强3
摘要：这篇文章主要针对RSSI定位算法的距离值容易受影响而导致定位精 度低的问题，提出了在RSSI定位算法的基础上，通过高斯滤波的方法优先 选取RSSI值的策略，并融入了加权质心算法，以保证定位精度的提高。改 进的算法在相应的实验环境下得到了验证，改进后的算法的定位精度得到了 改善。 Key words：RSSI Gaussian Filters weighted centroid
18
文献回顾
当运动节点离开信源时，接收的信号强度会减少，如下图 曲线所示，虚线是这段信号强度的均值；
根据信号—距离模型公式， n是传播损耗指数，会随 环境的变化而变化，所以 n值的不确定性会很大程 度上影响定位精度。
图5.RSSI的实测值和平均值
19
文献回顾
文章提出了一种思想：对处在相似因素影响环境下的多个节点组成的接受到的RSSI 值进行聚类，对于形成的k个聚类群，对每个聚类群的n值进行统计分析，然后求出 每个聚类群中的RSSI均值，最后再对这k个聚类群的平均值再求几何平均，得到一 个比较优的RSSI值，作为最后测距的RSSI值，其中的n是从这k个n中求平均值得到。 文章中对聚类的相似度测量采用的是夹角余弦测量法：
LOGO
Learning of node localization algorithm in wireless sensor networks
Addresser：Jian Zou Advisor: Prof . Jianxia Chen Date: Mar,9th ,2012
1
Main content
文章中作者提出了后续 的研究重点：该聚类平 均算法是一种旨在消除 复杂环境下衰落对RSSI 值的随机性影响的基础 性算法,聚类平均算法如 何与更优的后续处理策 略相组合有望产生更好 的性能。
各种算法定位误差分析
21
总结
通过上面2篇paper的学习，我觉得这2篇文章各有互补，paper I中采用的 是高斯滤波的策略对RSSI值进行筛选，然后再对优选的RSSI通过测距模型， 转换成距离，再通过三边测量法，加权质心算法来对未知节点定位，我认为在 对RSSI进行优选阶段，其中涉及到的经验值太多，比如选取高概率p〉=0.6， [0.15 +u,3.09 +u]的范围，这些值的选定都具有随机性。可以通过paper II中提 到的聚类思想，对于随机离散的RSSI值，我们可以通过聚类思想把这些离散 的变量聚成k个集合，对于这k个聚类群，我们可以得到这个群体内的RSSI损 耗指数，通过损耗模型，我们可以求出每个RSSI对于的距离，最后通过对这 个群体的距离进行几何平均，我们可以得到k个这样的距离值，最后再求平均 值，就可以得到一个优化的RSSI值，然后利用加权质心算法就可以得到目标 物体的坐标信息。
f (x) =
δ
1 2π
e
−
( x − u ) 2δ
2
2
其中，
12
文献回顾
13
文献回顾
采用三边测量法来确定未知节点的位置
( x − x1 ) 2 + ( y − y 1 ) 2 = R 1 2 ( x − x2 ) 2 + ( y − y2 ) 2 = R2 2 ( x − x3 ) 2 + ( y − y 3 ) 2 = R3 2
n
1 cos( A, B ) = * R ( A, B )
∑R
i =1 n i =1
Ai
RBi
R Ai 2 RBi 2 ∑
上面的式子中， 表示 节点A接受到节点B的 RSSI值，RA i和RB i分 别是节点A、B 从相同 的N 个节点中第i个节点 接收到的RSSI值;
20
文献回顾
文章通过仿真结果表明，聚类平均法定位具有很好的定位效果，通过与RSSI质心法， RSSI校验法等基于RSSI测距算法进行对比，该算法有明显的优势。仿真结果如下图:
4
前言
在这些算法中，RSSI（Recept Signal Strength Indication，接收信号强度指示，简称 RSSI）算法由于其低成本，低复杂性的优势被广 泛应用到各个领域，但是由于信号强度很容易受 影响（比如天气，障碍物等）导致定位精度会有 所影响。因为RSSI算法的优势，所以在RSSI算法 上寻求一种能提高定位精度的方法很有必要，现 阶段我主要是通过大量阅读相关期刊文献，弄清 楚算法理论的基础上，能够产生自己的思想，找 到一种低成本投入实现高精度定位的算法，并能 在仿真平台上去验证自己的思想。
3
前言
定位网络所测得的数据来计算目标物体的位置 信息，主要分为测距定位和测向定位，其中在 测距定位的基础上产生了很多种定位算法，比 较经典的有RSSI，DV—hop，TOA，TDOA， 最近邻居算法等，基于测向的算法有AOA算法， 以及包括在AOA算法基础上进行改进的基于神 经网络的AOA定位算法等。
6
前言
R(d0)
d d0 R(d)
7
前言
如上图中，R（d）表示目标物体在距离阅读器d 处的信号强度，R（d0）表示参考物体在距离阅 读器d0处的信号强度，根据信号损耗的理论模型， 可以得到公式（1）：
d R(d ) = R(d 0 ) − 10n lg( ) （1） d0
8
前言
其中n是一个信号衰减指数，一般根据具体的环境 情况而设定，属于经验值，一般取（2,5）之间， 根据公式（1），我们可以求出距离d，见公式 （2）：
这种是理想模型，三圆相交在未知节点上，可 以根据上面的式子计算出未知节点的坐标信息。
14
文献回顾
实际情况往往会很复杂，现在模拟简单的三圆相交的 情况
( xa − xm )2 + ( ya − ym )2 <= Ra2 ( xb − xm )2 + ( yb − ym )2 = Rb2 ( xc − xm )2 + ( yc − ym )2 = Rc2
∑φ ∑φ
i =1 i =1
1
i
)(n = 4)
16
文献回顾
文章作者在Window平台上，用C++语言实现了该算法。 实验环境包括笔记本电脑一台，装有wpa_supplicant用于 接收信号强度，AP三个，USB接口TPLINK无线网卡一块。 wpa_supplicant获得周围的无线信号强度后，根据筛选出 的RSSI值定位。根据作者的实验数据可以看出，基于过 滤的RSSI值结合加权质心算法来定位确实提高了定位精 度。
m
RSS I m =
∑ RSSI
i =1
i
m
23
总结
代表某类中有m个RSSI值，然后利用信号—距离模型：
求出这个聚类群体中的距离di，最后对这k个距离值进行几何平均，可以得到一个 比较好的距离值。这种思路在理论上是可行的，但是具体在实际运用中能否提高定 位的精度，还需要通过进一步的实验和仿真结果来支撑。
5
前言
RSSI算法介绍 RSSI算法是指根据无线传感器接受到（目标物体） 的信号指示强度，计算该信号在传播中的损耗， 根据理论或者经验的信号传播模型将信号强度转 换成距离。但是这种算法很容易受到天气，障碍 物或人员流动的影响，导致测距不精确，从而定 位精度不高。但是由于RSSI算法简单，成本低廉， 很多无线通信模块提供RSSI值，所以RSSI算法依 然应用在众多领域中。下面是RSSI算法的模型和 理论公式：