基于RSSI的有效锚节点选取方法与流程

本发明涉及协同定位领域，具体涉及基于RSSI(received signal strength indicator)的有效锚节点选取方法。

背景技术：

传感器定位是电子对抗系统中的一个重要组成部分，资源分配、任务调度、目标跟踪等高难度任务都需要精确的定位作为基础。组织多个不同类别的侦察传感器执行协同侦察定位任务是当今电子战的一大发展趋势。传统的单传感器独立侦察定位由于受环境、敌方态势、自身性能等多方面的限制，很难满足现代电子战的需求。因传感器节点本身具有无线通信能力，很容易获得信号强度值，所以RSSI是一种方便、廉价的测距技术。

针对不同的协同定位模型，针对多传感器协同定位问题，在国外已有一些相关研究成果。信息与通信大学的Jeongsu Lee等人设计了一种军用移动基站定位系统，该系统同时利用RSSI和AOA信号进行混合定位，可以较快的定位出目标所在的小范围区域；但不适合精确定位。弗吉尼亚大学的Tian He等人提出一种APIT算法，利用节点之间的连通信息和节点接收到的邻居节点发送的RSSI值来判断节点之间的相对距离，与单纯利用连通信息的算法相比，可有效的提高定位精度；但该算法需要每个节点都有很好的信息处理能力，定位成本较高。

国内在多传感器协同定位方面也已有一些研究成果。如国防科技大学的王珊珊等人提出一种RSSI-NLP算法，根据节点间的RSSI值计算出可通信节点间距离的相对关系，并结合线性规划的方法进行定位，有较好的定位效果；但随着未知节点数的增加，定位精度会急剧下降。重庆大学的熊志广等人提出基于中值原则与空间补偿模型的RSSI定位策略，实现了算法复杂度与定位性能上的折衷；但其定位结果过度依赖于定位环境的好坏。

现有的定位算法大多有两方面的不足：一方面是定位算法的复杂度太高，在节点数较多的网络中，往往显得计算能力不足；另一方面是误差的累积，由于缺乏有效的误差判别方法，哪怕是初始定位环境中很小的误差都会在定位过程中不断的进行积累，最终导致定位精度的下降。

技术实现要素：

本发明的目的是提供一种基于RSSI的有效锚节点选取方法。

实现本发明目的的技术解决方案为：一种基于RSSI的有效锚节点选取方法，具体包括以下步骤：

步骤1、定位场景中每个锚节点广播其自身位置与其RSSI信号；

步骤2、对于每个锚节点B_i，在收到其通信半径R内其他锚节点的信号之后，计算B_i的区域路径损耗指数n(B_i)；

步骤3、确定约束条件，建立有效锚节点选取模型；

步骤4、根据约束条件对锚节点进行筛选，选出周围没有障碍物的有效锚节点集合S。

本发明与现有技术相比，其显著优点为：1)本发明根据感器所处环境动态选择有效锚节点进行后其定位，有效降低环境干扰等因素对定位结果的影响。2)本发明针对经典路径损耗指数采取经验值的方式进行改进，根据传感器所处环境动态确定节点之间的路径损耗指数。3)本发明将基于RSSI的有效锚节点选取模型应用于无线传感器协同定位领域，可以显著提高协同定位精度和协同定位覆盖率，防止误差累积。

附图说明

图1为基于RSSI的有效锚节点选取模型流程图。

图2为示例实验图。

图3为误差阈值α的节点定位覆盖率图。

图4为误差阈值α的节点定位误差图。

图5为定位误差对比图。

具体实施方式

本发明对传统的RSSI定位方法进行深入地分析，针对上述问题，提出了一种有效锚节点选取模型EAS(Efficient Anchor-Node Selection)，并通过仿真实验与其它模型进行对比。仿真实验结果表明，EAS模型能够有效的消除初始网络环境产生的误差，提高定位的精度，有效防止误差的累积。

本发明的一种基于RSSI的有效锚节点选取方法，包括以下步骤：

步骤1、在定位场景中每个锚节点广播其自身位置与其RSSI信号；

步骤2、对于每个锚节点B_i，在收到其通信半径R内其他锚节点的信号之后，计算锚节点B_i的区域路径损耗指数n(B_i)；所述区域路径损耗指数n(B_i)计算方法为：

步骤2-1、确定任意两个锚节点B_i,B_j之间的距离，所用公式为：

其中，(x_i,y_i,z_i),(x_j,y_j,z_j)分别为锚节点B_i,B_j的坐标；

步骤2-2、确定任意两个锚节点B_i,B_j之间的路径损耗指数n(B_i,B_j)，所述公式为：

其中，B_j为发送节点，B_i为接收节点；d为两节点之间的距离；RSSI(B_i,B_j)为B_i,B_j之间信号强度；X₀定义为均值为0、方差为5的高斯随机变量；P_T为发射功率，PL(d₀)为接收功率；

步骤2-3、确定高斯路径损耗影响系数f_i(B_j)，所述公式为：

其中，(x_i,y_i,z_i),(x_j,y_j,z_j)分别为锚节点B_i,B_j的坐标，f_i(B_j)是均值为0、方差为1的高斯分布函数；

步骤2-4、确定区域路径损耗指数n_R(B_i)，所述公式为：

其中，区域路径损耗指数n_R(B_i)由N个局部路径损耗指数组成，N是B_i通信半径R内其他锚节点的数量，其中第j个局部路径损耗指数由第j(1≤j≤N)个锚节点所确定，每个局域路径损耗指数由高斯路径损耗影响系数和路径损耗指数相关和的乘积计算所得，B_j的路径损耗指数相关和代表B_j与其他锚节点B_k(1≤k≤N,k≠j)之间的路径损耗指数之和。

步骤3、确定有效锚节点的约束条件，建立有效锚节点选取模型；所述有效锚节点的约束条件为：

其中，其中n(B_i,B_j)为锚节点B_i与其通信半径R内其他锚节点B_j(1≤j≤N)之间的路径损耗指数，n_R(B_i)为锚节点B_i的区域路径损耗指数，(x_i,y_i,z_i),(x_j,y_j,z_j)分别为锚节点B_i,B_j的坐标，α为误差阈值。

步骤4、根据步骤3确定的约束条件对锚节点进行筛选，选出周围没有障碍物的有效锚节点集合S，完成有效锚节点的选取。所述有效锚节点筛选原则为：

当锚节点B_i与其通信半径R内其他锚节点B_j(1≤j≤N)之间的路径损耗指数n(B_i,B_j)与B_i区域路径损耗指数n_R(B_i)的差值均小于误差阈值α时，表示锚节点B_i是一个有效的锚节点；当锚节点B_i周围存在障碍物时，B_i必定不满足于有效锚节点约束条件，从而B_i不是一个有效的锚节点。

为了使本领域技术人员更好地理解本申请中的技术问题、技术方案和技术效果，下面结合附图和具体实施方式对本发明的基于RSSI的有效锚节点选取模型作进一步详细说明。

本发明提供一种基于RSSI的有效锚节点选取模型，基本流程如图1所示。具体步骤如下：

步骤1：每个锚节点广播其自身位置与其RSSI信号；

步骤2：对于每个锚节点B_i，在收到其通信半径R内其他锚节点的信号之后，计算B_i的区域路径损耗指数n(B_i)；

其中，确定两个锚节点B_i,B_j之间的距离，所用公式为：

其中，(x_i,y_i,z_i),(x_j,y_j,z_j)分别为锚节点B_i,B_j的坐标。

确定两个锚节点B_i,B_j之间的路径损耗指数n(B_i,B_j)，所述公式为：

其中，B_j为发送节点，B_i为接收节点；d为两节点之间的距离；RSSI(B_i,B_j)为B_i,B_j之间信号强度；X₀定义为均值为0、方差为5的高斯随机变量；P_T为发射功率，PL(d₀)为接收功率。

确定高斯路径损耗影响系数f_i(B_j)，所述公式为：

其中，(x_i,y_i,z_i),(x_j,y_j,z_j)分别为锚节点B_i,B_j的坐标。f_i(B_j)是均值为0、方差为1

的高斯分布函数。由于高斯分布具有精度高，覆盖面广等优点，因此我们将锚节点之间的距离作为高斯分布的随机变量得到高斯分布路径损耗影响系数f_i(B_j)，并以此来量化B_i通信半径R内其他锚节点对n_R(B_i)的影响。

确定区域路径损耗指数n_R(B_i)，所述公式为：

其中，区域路径损耗指数n_R(B_i)由N个局部路径损耗指数组成，N是B_i通信半径R内其他锚节点的数量(不包括B_i)。其中第j个局部路径损耗指数由第j(1≤j≤N)个锚节点所确定。每个局域路径损耗指数由高斯路径损耗影响系数和路径损耗指数相关和的乘积计算所得，体现了不同锚节点对B_i的区域路径损耗指数的不同影响。B_j的路径损耗指数相关和代表B_j与其他锚节点B_k(1≤k≤N,k≠j)之间的路径损耗指数之和。在计算过程中每两个锚节点之间的路径损耗指数都被分别计算了一次，所以需要乘以系数1/2。

步骤3：确定约束条件，建立有效锚节点选取模型；

其中，其中n(B_i,B_j)为锚节点B_i与其通信半径R内其他锚节点B_j(1≤j≤N)之间的路径损耗指数，n_R(B_i)为锚节点B_i的区域路径损耗指数，(x_i,y_i,z_i),(x_j,y_j,z_j)分别为锚节点B_i,B_j的坐标，α为误差阈值。

步骤4：根据约束条件对锚节点进行筛选，选出周围没有障碍物的有效锚节点集合S；

当锚节点B_i与其其通信半径R内其他锚节点B_j(1≤j≤N)之间的路径损耗指数n(B_i,B_j)与B_i区域路径损耗指数n_R(B_i)的差值均小于误差阈值α时，表示锚节点B_i是一个有效的锚节点。当锚节点B_i周围存在障碍物时，B_i必定不满足于有效锚节点约束条件，从而B_i不是一个有效的锚节点。

步骤5：从有效锚节点集合S中选择4个距离目标节点T最近的有效锚节点进行四边定位，从而验证有效锚节点选取模型的效果。

本发明根据感器所处环境动态选择有效锚节点进行后其定位，有效降低环境干扰等因素对定位结果的影响。

下面结合实施例对本发明做进一步详细的描述。

实施例

在300m×300m×300m的三维空间内随机分布的200个未知节点，如图2所示；其中，Δ代表锚节点，O代表未知节点，*代表通过基于RSSI的有效锚节点选取模型定位出来的已定位锚节点，黑色区域代表随机生成的障碍物区域；

定义误差量化公式如下：

其中，N表示未知节点总数，R表示位未知节点通信半径，表示未知节点m的实际坐标，(x_m,y_m,z_m)表示点m经过算法定位出的坐标。对于无法定位或者未成功定位的节点，定位误差取其通信半径的一半。

实验选取了4种不同的阈值进行试验，图3是误差阈值α的节点定位覆盖率图。从图中可以看出当α＝0.05时，EAS算法对锚节点的筛选非常严格，很少的锚节点参与定位，未知节点的定位覆盖率较低；当阈值α＝0.1时，对于锚节点的筛选比较严格，参与定位的锚节点虽然相比于α＝0.05变多，但相比于未知节点的数量还是较少，未知节点的定位覆盖率不高；当阈值α＝0.15时，对锚节点的筛选适中，未知节点的定位覆盖率较高；当阈值α＝0.2时，虽然参与定位的锚节点增多，但对于有效锚节点的筛选作用变弱，导致未知节点的定位的覆盖率和α＝0.15相差不多。

图4是误差阈值α的节点定位误差图，从图4中可以看出，随着锚节点密度的增加，α＝0.15时的定位平均误差要明显小于α＝0.2时的定位误差；从定位覆盖率的角度来说，α＝0.15与α＝0.2的定位覆盖率差别并不大，所以α＝0.15是一个较为合理的阈值。

在确定阈值0.15的情况下，比较固定路径损耗指数模型与基于EAS模型定位的准确度。

从图5可以看出，在锚节点数较少时，EAS模型的优势不明显，随着锚节点数的增多，EAS模型的选择效果逐渐显现，EAS模型的定位效果明显优于固定路径损耗模型的定位效果。