太阳城集团

  • / 12
  • 下载费用:30 金币  

一种基于无线传感器网络的协作节点定位方法.pdf

摘要
申请专利号:

CN201210205022.2

申请日:

2012.06.18

公开号:

CN102711244B

公开日:

2015.01.28

当前法律状态:

授权

有效性:

有权

法律详情: 授权|||实质审查的生效IPC(主分类):H04W 64/00申请日:20120618|||公开
IPC分类号: H04W64/00(2009.01)I; H04B17/00; G01S5/00 主分类号: H04W64/00
申请人: 北京中防视信科技有限公司
发明人: 杨永民; 江峰; 李直
地址: 100085 北京市海淀区上地太阳城集团产业基地上地三街中黎科技园1号楼2层c段
优先权:
专利代理机构: 天津盛理知识产权代理有限公司 12209 代理人: 王利文
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201210205022.2

授权太阳城集团号:

太阳城集团102711244B||||||

法律状态太阳城集团日:

太阳城集团2015.01.28|||2012.11.28|||2012.10.03

法律状态类型:

授权|||实质审查的生效|||公开

摘要

本发明涉及一种基于无线传感器网络的协作节点定位方法,包括以下步骤:步骤1:建立每个链路RSS值的混合高斯模型;步骤2:通过背景学习方法将RSS值中的背景RSS值分离出来;步骤3:根据路径损耗模型将背景RSS值转化为节点间的距离太阳城集团,并利用贝叶斯估计方法计算得到未知节点坐标。本发明设计合理,其根据接收信号强度(RSS)在有移动障碍物情况下的变化特征,通过建立链路RSS值的混合高斯模型并通过背景学习方法将测量的RSS值分离出背景RSS值,然后利用贝叶斯估计方法(LS)实现协作定位功能,有效地减小了障碍物对信号接收强度的干扰,从而获得较高的节点定位精度。

权利要求书

1.一种基于无线传感器网络的协作节点定位方法,其特征在于:包括以下
步骤:
步骤1:建立每个链路RSS值的混合高斯模型;
步骤2:通过背景学习方法将RSS值中的背景RSS值分离出来;
步骤3:根据路径损耗模型将背景RSS值转化为节点间的距离太阳城集团,并利用
贝叶斯估计方法计算得到未知节点坐标。
2.根据权利要求1所述的一种基于无线传感器网络的协作节点定位方法,
其特征在于:所述步骤1的混合高斯模型的数学模型为:
P ( R t ) = Σ k = 1 k w k · g ( R t ; μ k , σ k ) ]]>
其中,Rt是时刻t的RSS值,μk,σk分别为均值和方差,wk是第k个高斯
分布的权重值,g(Rt;μk,σk)是第k个高斯分布:
g ( R t ; μ k , σ k ) = 1 2 π σ k exp [ - ( R t - μ k ) 2 2 σ k 2 ] . ]]>
3.根据权利要求2所述的一种基于无线传感器网络的协作节点定位方法,
其特征在于:所述混合高斯模型中的均值、方差和权重均利用自适应线性滤波
器进行更新。
4.根据权利要求1所述的一种基于无线传感器网络的协作节点定位方法,
其特征在于:所述所述步骤2的背景学习方法为:
将k个分布按照wk/σk排序,前面的B个分布看做是背景模型:
B=arg minbwk>T
其中,T是传感器网络中背景分布的最小先验概率,wk是第k个高斯分
布的权重值,σk为方差;
如果RSS值符合B中任何一个高斯分布,则被当做是背景RSS值。
5.根据权利要求1所述的一种基于无线传感器网络的协作节点定位方法,
其特征在于:所述步骤3利用贝叶斯估计方法计算未知节点坐标的数学模型为:
x i ( t ) = x i ( t - 1 ) + γ Σ j S j ( δ ij - d ^ ij ) e ij ]]>
其中,xi(t)是t时刻节点i的坐标,是i和j单位向量,
γ是控制向量调整的步长,是节点i和节点j之间的距离,
是节点i和节点j之间的RSS值,d0为参考距离,P0是在参考
距离d0处的RSS值,Pij是节点i和节点j之间的RSS值,β是路径损耗因子。

说明书

一种基于无线传感器网络的协作节点定位方法

技术领域

本发明属于无线传感器网络领域,特别涉及一种基于无线传感器网络的协
作节点定位方法。

背景技术

节点定位技术是无线传感器网络中一项关键的技术,近年来很多研究人员
对节点定位技术都做了深入的研究。节点的精确定位功能产生了很多新的应用,
如医疗监控、动物追踪和急救服务。在很多情况下,为了使节点之间的太阳城集团有
利用价值,节点位置是必不可少的,例如,如果我们部署一个无线传感器网络
来监控储物室的设备,需要动态更新节点位置来监控设备的具体位置。在许多
情况下,特别是突发事件情况下,需要迅速和随机地部署传感器网络,因此没
有足够的太阳城集团测量节点的位置。在这样的应用场景下,需要自动知道节点位置
太阳城集团。

协作定位是一种有效的节点定位方法,其在给定部分已知节点的位置太阳城集团
的前提下,估计未知节点太阳城集团。基于信号接收强度(RSS,Received Signal Strength)
的协作节点定位方法具有部署简单且不需要额外的硬件,因此得到了广泛的应
用。现有的基于RSS的节点协作定位方法通常是将接收到的RSS值直接转化为
距离太阳城集团,没有考虑到环境中物体对RSS产生的衰减,或者仅考虑了静态障碍
物对节点定位造成的影响,当环境中有随机出现的移动障碍物时,RSS会产生很
大的波动,因而严重影响节点定位精度。

发明内容

本发明的目的在于克服现有技术的不足,提供一种基于无线传感器网络的
协作节点定位方法,该方法在有移动障碍物的情况下,能够有效减小障碍物对
节点定位精度的影响。

本发明解决其技术问题是采取以下技术方案实现的:

一种基于无线传感器网络的协作节点定位方法,包括以下步骤:

步骤1:建立每个链路RSS值的混合高斯模型;

步骤2:通过背景学习方法将RSS值中的背景RSS值分离出来;

步骤3:根据路径损耗模型将背景RSS值转化为节点间的距离太阳城集团,并利用
贝叶斯估计方法计算得到未知节点坐标。

而且,所述步骤1的混合高斯模型的数学模型为:

P ( R t ) = Σ k = 1 k w k · g ( R t ; μ k , σ k ) ]]>

其中,Rt是时刻t的RSS值,μk,σk分别为均值和方差,wk是第k个高斯
分布的权重值,g(Rt;μk,σk)是第k个高斯分布:

g ( R t ; μ k , σ k ) = 1 2 π σ k exp [ - ( R t - μ k ) 2 2 σ k 2 ] . ]]>

而且,所述混合高斯模型中的均值、方差和权重均利用自适应线性滤波器
进行更新。

而且,所述所述步骤2的背景学习方法为:

将k个分布按照wk/σk排序,前面的B个分布看做是背景模型:

B=arg minbwk>T

其中,T是传感器网络中背景分布的最小先验概率,wk是第k个高斯分
布的权重值,σk为方差;

如果RSS值符合B中任何一个高斯分布,则被当做是背景RSS值。

而且,所述步骤3利用贝叶斯估计方法计算未知节点坐标的数学模型为:

x i ( t ) = x i ( t - 1 ) + γ Σ j S j ( δ ij - d ^ ij ) e ij ]]>

其中,xi(t)是t时刻节点i的坐标,是i和j单位向量,
γ是控制向量调整的步长,是节点i和节点j之间的距离,
是节点i和节点j之间的RSS值,d0为参考距离,P0是在参考距
离d0处的RSS值,Pij是节点i和节点j之间的RSS值,β是路径损耗因子。

本发明的优点和积极效果是:

本发明基于接收信号强度(RSS)在有移动障碍物情况下的变化特征,通过
建立链路RSS值的混合高斯模型并通过背景学习方法将测量的RSS值分离出背
景RSS值,然后利用贝叶斯估计方法(LS)实现协作定位功能,有效地减小了
障碍物对信号接收强度的干扰,从而获得较高的节点定位精度。

附图说明

图1(a)为两个节点距离为1m时RSS的太阳城集团变化图;

图1(b)为图1(a)中RSS值符合的混合高斯分布示意图;

图2(a)为环境中没有障碍物情况下的链路RSS太阳城集团变化图;

图2(b)为链路中有人情况下的RSS太阳城集团变化图;

图2(c)是经过背景学习算法去除移动障碍物干扰后的RSS太阳城集团变化图;

图3(a)是20个节点规则排放为一个正方形情况下的节点定位结果图;

图3(b)是节点均匀分布时的节点定位结果图;

图4是利用背景学习算法后的节点定位的MSE值示意图。

具体实施方式

以下结合附图对本发明实施例做进一步详述:

一种基于无线传感器网络的协作节点定位方法,通过建立链路RSS值的混
合高斯模型并通过背景学习方法将测量的RSS值分离为前景值(由于环境变化
引起的RSS值)和背景RSS值(节点自身通信的RSS值),然后利用贝叶斯估计
方法(LS)实现协作节点定位功能,从而获得较高的节点定位精度。具体包括
以下步骤:

步骤1:建立每个链路RSS值的混合高斯模型。

当有移动障碍物随机出现在无线传感器网络中时,RSS值会产生三种形式的
波动:没有移动障碍物存在的情况、移动障碍物在链路周围不遮挡链路的情况、
移动障碍物遮挡链路的情况,也就是说,对于每条链路,被障碍物完全遮住、
附近环境有障碍物活动和附近无障碍物活动三种状态下的RSS值可以看做是
三个随机变量,分别符合三个参数不同的高斯分布。因此,每条链路的RSS
值可以建模为如下的混合高斯模型:

P ( R t ) = Σ k = 1 k w k · g ( R t ; μ k , σ k ) ]]>

其中,Rt是时刻t的RSS值,μk,σk是均值和方差,wk是第k个高斯分布的权
重值且满足g(Rt;μk,σk)是第k个高斯分布,其表达式为:

g ( R t ; μ k , σ k ) = 1 2 π σ k exp [ - ( R t - μ k ) 2 2 σ k 2 ] ]]>

混合高斯模型中的参数:均值、方差和权重,可以利用自适应线性滤波器
(Linear Adaptive filter,LAF)更新:

θ ( t ) = η ( t ) · ( R t ; θ ( t - 1 ) ) + ( 1 - η ( t ) ) · θ ( t - 1 ) ]]>

其中,η(t)是学习速率,θ(t)根据更新。

步骤2:通过背景学习方法将RSS值中的背景RSS值分离出来

在链路的RSS建模以后,需要选择合适的方法决定哪些是前景(由于环境变
化引起的RSS值)和背景RSS值(节点自身通信的RSS值),得到背景RSS值。当环
境中没有移动障碍物时候,方差会很大直到运动停止,而静态的环境保持相对
稳定的值而且方差比较小。当新的移动障碍物出现时,会产生新的高斯分布,
并且权重值很小。因此,本步骤将k个分布按照wk/σk排序,前面的B个分布
看做是背景模型:

B=arg minbwk>T

T是传感器网络中背景分布的最小先验概率。如果RSS值符合B中任何一个高
斯分布,则被当做是背景RSS值。背景RSS值就是我们所需要的最终用来估计节
点坐标的RSS值。

步骤3:根据路径损耗模型将背景RSS值转化为节点间的距离太阳城集团,并利用贝
叶斯估计方法计算得到未知节点坐标。

得到RSS值后,根据路径损耗模型,节点间的RSS值和节点距离之间存在如下
关系:

P ij = P 0 - 10 β log 10 ( d ij d 0 ) - v ij ]]>

上式中Pij是节点i和节点j之间的RSS值,dij是节点i和节点j之间的距
离,P0是在参考距离d0处的RSS值,一般d0选为1m,β是路径损耗因子,和环
境有关系。vij是噪声,与多径环境有关系。节点i和节点j之间的距离通常被近
似为δij:

δ ij = d 0 1 0 P 0 - P ij 10 β ]]>

明显的,公式中没有包含vij的太阳城集团,利用背景学习的算法就可以有效的去除
环境带来的影响,从而获得较好的定位结果。利用上式可以得到两个节点之间
的相对距离。

然后利用利用贝叶斯估计方法得到未知节点的坐标:

C LS ( x ) = Σ i = 1 N 2 Σ j S i | | δ ij - d ^ ij | | 2 ]]>

其中,是节点i和节点j之间的RSS值,N2是未知节点的个数。
Si是与未知节点通信的节点的个数。在时刻t,上式的最小值由分布式梯度下降
算法得到:

x i ( t ) = x i ( t - 1 ) + γ Σ j S j ( δ ij - d ^ ij ) e ij ]]>

xi(t)是节点i的坐标,是i和j单位向量,γ是控制向
量调整的步长。

下面结合附图对本协作定位方法做进一步说明。

当物体进入无线传感器网络的时候,通过该物体的链路会产生阴影衰落,
当信道主要是可视路径的时候,经过该链路的RSS值会产生较大的衰减。为了
分析当环境中有随机运动障碍物产生时,RSS随着太阳城集团变化的规律,我们首先设
置了一个拥有两个节点的传感器网络,两个节点之间的距离为4m,一个人随机
穿过链路,图1(a)给出了RSS的时序图,从图中可以看到RSS值有三种不同的
衰减,当链路周围有人但是没有遮挡链路的时候,RSS在均值附近有3~4毫分
贝的波动;当人刚好遮住链路的时候,RSS的波动会变大,大约是20~30毫分
贝;当链路周围没有人存在时,RSS值基本维持均值,有1~2毫分贝的小波动。
因此,链路的RSS值可以被建模为三个混合高斯模型,如图1(b)所示。

我们通过一系列的实验来验证本发明的有效性。传感器网络包含20个节点,
这些节点工作在2.4GHz频段。节点间的通信通过数据包来实现,每个数据包包
含节点的ID号,传输太阳城集团以及节点间的RSS值。传输间隔是5ms,每个链路的
数据每隔100ms记录一次。传感器节点被固定在杆上,距离地面1m的高度。如
图3(a)所示,节点被摆放成7*7m正方形,且相邻节点的距离是1m。在实验时,
首先,我们记录网络中没有人即空网络的状况,RSS变化如图2(a)所示;然后
人随机出现在网络中,RSS变化如图2(b)所示;经过背景学习后提取出的RSS
值如图2(c)所示。可以看出,经过背景学习后的RSS值与没有人出现时候的RSS
变化基本一致。然后利用背景学习后的链路RSS进行节点定位,本实验所采用
的参数如表1所示。

表1算法参数值

  参数名称
  参数值
  参数名称
  参数值
  K
  3
  T
  0.5
  V0
  1
  P0
  -33dBm
  α
  0.08
  β
  3
  Tσ
  2
  γ
  0.01

有4个已知未知的节点和16个未知位置的节点,定位结果如图3(a)所示。
由于节点位置的摆放会影响节点定位结果,图3(b)改变了网络节点的分布,采
用均匀分布的方式摆放节点,图中显示了节点定位的结果。可以明显看到,经
过背景学习后的RSS值能很好的适应环境的变化,获得较高的定位精度。而未
经过背景学习的RSS值直接定位的结果与实际位置有较大偏差。图4为运用背
景学习算法进行节点定位时的均方误差图,当链路中没有人出现时,最小均方
误差维持在一个比较小的值,当链路中有人出现时,均方误差会变大,但是由
于背景学习算法的使用,会随着太阳城集团慢慢减小趋于稳定,误差维持在0.1~
0.3m2。

需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此
本发明并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本
发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。

关 键 词:
一种 基于 无线 传感器 网络 协作 节点 定位 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
太阳城集团本文
本文标题:一种基于无线传感器网络的协作节点定位方法.pdf
链接地址:http://zh228.com/p-6420754.html
太阳城集团我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
葡京赌场|welcome document.write ('');