一种无线传感器网络室内定位中基于RSSI的测距优化方法

摘要

本发明公布了一种无线传感器网络室内定位中基于RSSI的测距优化方法，包括RSSI数据预处理、距离预计算和测距误差纠正三个步骤。首先，对无线传感器网络中的信号接收节点获得的RSSI样本序列值进行高斯滤波，滤除掉小概率事件后，根据每个RSSI的权重计算得出有效的接收信号强度的均值再利用信标节点A与信标节点B之间的信号传播实际距离来估计出信标节点A与普通节点S之间的距离再次，根据shadowing模型，计算出任意两个可直接通信的信标节点间的测量距离，并计算出每个测量距离与信号传播实际距离之间的差值，通过最小二乘拟合法确定每个信标节点的误差与测量距离之间的关系式；最后，利用信标节点的误差与测量距离的关系式对进行误差补偿，从而得到优化的测量距离

主权项

1.一种无线传感器网络室内定位中基于RSSI的测距优化方法，包括下述步骤：步骤一：无线传感器网络中的各个节点统计其获得的RSSI样本值集合{rssi₁,rssi₂,...,rssi_T}，对这些样本值进行高斯滤波，得到大概率的样本值集合{rssi₁,rssi₂,...,rssi_R}，然后，根据每个样本值的特征，设置相应的权重配额比，根据每个样本值的权重配额比及样本值最终确定接收信号强度均值所述权重配额比按如下方法确定：$w_k=\frac{{\mathrm{RSSI}}_{\left(\mathrm{NS}\right)k}}{\underset{k=1}{\overset{R}{\Sigma }}{\mathrm{RSSI}}_{\left(\mathrm{NS}\right)k}}$式中，w_k为第k个样本值的权重配额比；RSSI_(NS)k为节点N与节点S之间第k个样本值；R表示节点N和S之间RSSI样本值的数目；所述接收信号强度均值确定方法如下：步骤二：建立无线传感器网络中信标节点的shadowing模型与普通节点的shadowing模型；2.1若信标节点{N₁,N₂,...,N_m}中的接收信标节点N_i，与其他p个发射信标节点{N₁,N₂,...,N_p}直接通信，通过步骤一，得到N_i与其他p个信标节点之间的接收信号强度均值集合通过shadowing模型得到如下一系列关系式：式中，表示N_i和N_j之间的信号传播实际距离；参考距离取1m；A表示距离1m处的接收信号强度值；2.2普通节点{S₁,S₂,...,S_n}中的接收节点S_m与发射信标节点N_i直接通信，通过步骤一，得到N_i的通过shadowing模型得到如下关系式：其中，d_im为未知量；2.3将步骤2.1中信标节点N_i的多个shadowing模型分别与步骤2.2中普通节点的shadowing模型组成方程组，然后求解该方程组，可以得到d_im与的关系式如下：式中，d_im表示根据信标节点N_i与信标节点N_j之间的信号传播实际距离确定的普通节点S_m与信标节点N_i之间的测量距离；表示信标节点N_i与信标节点N_j之间的信号传播实际距离；2.4对d_im与关系式求均值得到初次测量的距离其中步骤三：3.1建立一个测量误差与测量距离之间的线性模型ε(d)＝a·d+b；3.2计算信标节点N_i与其他信标节点{N₁,N₂,...,N_p}的测量距离{d_i1,d_i2,...,d_ip}，并计算这些测量距离与信号传播实际距离之间的差值，即误差集合{ε_i1,ε_i2,...,ε_ip}；3.3建立线性模型与误差集合样本点之间的距离平方和的关系式：$\eta =\underset{j=1}{\overset{p}{\Sigma }}{[ϵ\left(d_{\mathrm{ij}}\right)-|{ϵ}_{\mathrm{ij}}]}^2;$3.4对步骤3.3中的关系式分别作关于参数a和b的偏导数，同时令偏导数的结果为0，即$\left\{\begin{array}{c}\frac{\mathrm{d\eta }}{\mathrm{da}}=2\underset{j=1}{\overset{p}{\Sigma }}{d}_{\mathrm{ij}}[ϵ\left(d_{\mathrm{ij}}\right)-|{ϵ}_{\mathrm{ij}}\left|\right]=0\\ \frac{\mathrm{d\eta }}{\mathrm{db}}=2\underset{j=1}{\overset{p}{\Sigma }}[ϵ\left(d_{\mathrm{ij}}\right)-|{ϵ}_{\mathrm{ij}}\left|\right]=0\end{array}\right.$3.5计算步骤3.4中的方程组，解出参数a和b；$\left\{\begin{array}{c}a=\frac{p\underset{j=1}{\overset{p}{\Sigma }}{ϵ}_{\mathrm{ij}}{d}_{\mathrm{ij}}-\left(\underset{j=1}{\overset{p}{\Sigma }}{d}_{\mathrm{ij}}\right)\left(\underset{j=1}{\overset{p}{\Sigma }}{ϵ}_{\mathrm{ij}}\right)}{p\underset{j=1}{\overset{p}{\Sigma }}{d}_{\mathrm{ij}}-{\left(\underset{j=1}{\overset{p}{\Sigma }}{d}_{\mathrm{ij}}\right)}^2}\\ b=\frac{\left(\underset{j=1}{\overset{p}{\Sigma }}{d_{\mathrm{ij}}}^2\right)\left(\underset{j=1}{\overset{p}{\Sigma }}{ϵ}_{\mathrm{ij}}\right)-\left(\underset{j=1}{\overset{p}{\Sigma }}{d}_{\mathrm{ij}}\right)\left(\underset{j=1}{\overset{p}{\Sigma }}{ϵ}_{\mathrm{ij}}{d}_{\mathrm{ij}}\right)}{p\underset{j=1}{\overset{p}{\Sigma }}{d}_{\mathrm{ij}}-{\left(\underset{j=1}{\overset{p}{\Sigma }}{d}_{\mathrm{ij}}\right)}^2}\end{array}\right.;$步骤四：根据步骤三中的线性关系式，对步骤二中普通节点的测量距离进行误差补偿，得到优化解；所述测距误差补偿形式为：