本发明涉及无线通信技术领域，特别涉及一种基于rss的无线传感器网络定位方法。
背景技术：
无线传感器网络(wsn，wirelesssensornetwork)是继因特网之后，将对人类生活方式产生重大影响的一项it技术。它综合了传感器技术、嵌入式技术、微机电系统(mems，microelectronicmechanicalsystem)技术以及现代的网络和无线通信技术。在传感器网络中，各类集成化的微型传感器通过协作进行实时监测、感知和采集各种环境或监测目标的信息，并对这些信息进行处理加工，再通过随机自组无线通信网络以多跳的方式将信息传送到用户终端，从而实现物理世界、计算机世界以及人类社会三元世界的连通。由于其不需要固定网络支持，功耗和成本都很低，在军事、环境监测、医疗、农业和采矿领域有广阔的应用前景。特别适合用于布线和电源供给困难，人员不能到达的区域，以及一些临时场合。
定位技术作为无线传感器网络中的一项核心技术，对于传感器网络的监测活动至关重要。路由算法的优化，资源的有效配置，对特定目标的定位和追踪，计算网络的覆盖范围以及控制通信开销和网络负载方面都是在准确的位置信息的基础上进行的。由于受到成本、功耗、扩展性等问题的限制，人工安置所有节点或者为每个节点配备全球定位系统(gps，globalpositioningsystem)模块的方法是不现实的。
近年来通过节点之间有限的信息传输来获取节点的位置信息成为了该领域的一个重要应用方向。将位置信息未知的节点称为待测节点，而位置信息已经掌握可用来协助待测节点实现定位的节点称为锚节点。其中基于接收信号强度指示测距的定位技术是一个比较有代表性的实现方案。rssi，是无线发送层的可选部分，通过接收到的信号强弱可以对两个通信节点间的距离进行估算，进而根据相应的数据进行定位。由于其定位原理简单，且无需额外的硬件开销和网络通信开销，得到了人们的亲睐。
然而现有的估算方法，只能实现对未知节点的粗略定位；对节点的密度有较高的要求，定位精度也不理想，且容易受环境干扰，影响其定位精度。
技术实现要素：
本发明的目的在于提供一种基于rss的无线传感器网络定位方法，以解决上述背景技术中提出的问题。
本发明提供了一种基于rss的无线传感器网络定位方法，包括以下步骤：
(1)在监测区域中部署所需数量的传感器网络节点；
(2)对于所有传感器网络节点，通过和周围传感器网络节点之间的信息交换，得到传感器网络节点之间的跳数关系，采用dv-hop方法对传感器网络待测节点进行粗定位；
通过公式：
计算出平均跳动距离ci，式中：j为信标节点i的数据表中的其他信标节点，hopsij为信标节点i和j之间的跳数，ci为平均每跳距离，(xi，yi)为信标节点i的坐标值，(xj，yj)为信标节点i的数据表中的其他信标节点的坐标值；
通过公式：
cc＝∑ci/n
计算出全网平均每跳距cc，式中：n为无线传感器网络中信标节点的个数；
通过公式：
式中：n为信标节点的个数，(x1，y1)为第一个信标节点的坐标值，(xn，yn)为第n个信标节点的坐标值，(x，y)为未知节点p的坐标，d1，dn分别表示在位置节点p与信标节点的通信范围内的两个节点间的距离。经过变换可以得到：
进而可以表示为方程：
ax＝b
其中：
从而可得到粗定位的结果x；
(3)建立待测节点rss值的混合高斯模型；
(4)通过背景学习方法将rss值中的背景rss值分离出来，进一步根据路径损耗模型将背景rss值转化为节点间的距离信息，并利用贝叶斯估计方法计算得到待测节点的最终位置信息。
较佳地，所述混合高斯模型的数学模型为：
其中，rt是时刻t的rss值，uk,δk分别为均值和方差，wk是第k个高斯分布的权重值，g(rt；uk,δk)是第k个高斯分布：
较佳地，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。
较佳地，所述dv-hop定位算法是根据锚节点与传感器节点之间的跳数信息进行定位，是非测距的定位算法。
本发明和现有技术相比，其优点在于：
本发明提供的一种基于rss的无线传感器网络定位方法，能够从有限的信息中得到更多的定位信息，克服了现有技术中由于个别节点在功率强度测量上的误差过大而造成的最终定位结果误差过大的缺陷，对节点的密度要求低，且不易受环境干扰，定位精度大大提高，定位误差降至20％到50％之间。
具体实施方式
下面对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
本发明实施例提供了一种基于rss的无线传感器网络定位方法，包括以下步骤：
(1)在监测区域中部署所需数量的传感器网络节点；
(2)对于所有传感器网络节点，通过和周围传感器网络节点之间的信息交换，得到传感器网络节点之间的跳数关系，采用dv-hop方法对传感器网络待测节点进行粗定位；
通过公式：
计算出平均跳动距离ci，式中：j为信标节点i的数据表中的其他信标节点，hopsij为信标节点i和j之间的跳数，ci为平均每跳距离，(xi，yi)为信标节点i的坐标值，(xj，yj)为信标节点i的数据表中的其他信标节点的坐标值；
通过公式：
cc＝∑ci/n
计算出全网平均每跳距cc，式中：n为无线传感器网络中信标节点的个数；
通过公式：
式中：n为信标节点的个数，(x1，y1)为第一个信标节点的坐标值，(xn，yn)为第n个信标节点的坐标值，(x，y)为未知节点p的坐标，d1，dn分别表示在位置节点p与信标节点的通信范围内的两个节点间的距离。经过变换可以得到：
进而可以表示为方程：
ax＝b
其中：
从而可得到粗定位的结果x；
(3)建立待测节点rss值的混合高斯模型；
(4)通过背景学习方法将rss值中的背景rss值分离出来，进一步根据路径损耗模型将背景rss值转化为节点间的距离信息，并利用贝叶斯估计方法计算得到待测节点的最终位置信息。
较佳地，所述混合高斯模型的数学模型为：
其中，rt是时刻t的rss值，uk,δk分别为均值和方差，wk是第k个高斯分布的权重值，g(rt；uk,δk)是第k个高斯分布：
较佳地，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。
较佳地，所述dv-hop定位算法是根据锚节点与传感器节点之间的跳数信息进行定位，是非测距的定位算法。
综上所述，本发明实施例提供的一种基于rss的无线传感器网络定位方法，能够从有限的信息中得到更多的定位信息，克服了现有技术中由于个别节点在功率强度测量上的误差过大而造成的最终定位结果误差过大的缺陷，对节点的密度要求低，且不易受环境干扰，定位精度大大提高，定位误差降至20％到50％之间。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。