一种无线传感器网络森林定位方法与流程

本发明属于森林管理领域，具体涉及一种无线传感器网络(wirelesssensornetwork，wsn)森林定位方法。

背景技术：

无线传感器网络在森林中的定位问题已成为无线传感器网络研究的重点问题之一。目前wsn网络森林定位研究主要存在的问题是定位环境复杂，信号存在多径效应，导致定位误差较大。在测距定位中，信号强度受障碍物的干扰非常严重，使得测距不准确，因此传统的路径损耗模型不适用于森林定位。由于森林环境的复杂性，导致接收信号强度(receivedsignalstrengthindication，rssi)误差较大，且目前的rssi路径损耗模型满足不了森林中传感器节点定位的需求。

技术实现要素：

鉴于上述，本发明提供了一种森林无线传感器网络定位方法，该方法充分考虑了复杂深林环境对无线传感器信号强度的影响，能够准确地获得对无线传感器的定位。

本发明的技术方案为：

一种森林无线传感器网络定位方法，包括以下步骤：

(1)根据rssi在不同区域的离散系数将整个定位区域划分成m个定位子区域，并拟合建立每个定位子区域的rssi路径损耗模型组成整个定位区域的rssi路径损耗模型rⁿ；j为定位子区域的序号，j＝1,2,3,…,m；

(2)融合所述rssi路径损耗模型rⁿ与整个定位区域的对数路径损耗模型r^d，得到森林路径损耗模型r；

(3)根据所述森林路径损耗模型r，采用分区域三边测量定位方法确定多个无线传感器定位节点；

(4)采用k-means聚类方法对所述多个无线传感器定位节点进行聚类，确定最终无线传感器定位节点。

由于在森林环境中，不同区域的环境相别很大，随着信号传播距离的变化不确定性会相应增加，信号受障碍物的干扰也会越大，rssi的离散程度也会逐渐增加。因此，本发明采用根据rssi的离散系数分区域拟合的方法，使得拟合建立的每个rssi路径损耗模型更加符合实际情况，准确度更高一些。

步骤(1)中的具体步骤为：

(1-1)通过实验测量得到n个离散rssi数组(rssii,di)，rssii为采集的第i个rssi值，且i＝1,2,3,…,n，di为与rssii对应的距离，该距离为采集信号点距信号发射节点之间的长度；

(1-2)采用滑动窗口寻找划分区域节点，实时计算滑动窗口内离散rssi的离散系数，选取离散系数突变时，滑动窗口内离散rssi的中值对应的距离为划分区域节点，得到m个定位子区域；

(1-3)对每个定位子区域中的离散rssi数组拟合得到rssi随距离变化的rssi路径损耗模型

(1-4)结合m个rssi路径损耗模型得到rssi路径损耗模型rⁿ：

其中，对于整个定位区域[0,a]，a1,a2,…,aj,…,an为划分区域节点。

发射节点是指主动向其他节点发送数据帧的传感器节点。

在森林环境中rssi受环境影响较大，而对数路径损耗模型r^d较好地考虑了环境影响因子，因此选用对数距离路径损耗模型r^d作为森林路径损耗模型r的一部分。

在复杂环境中，大多数采用对数距离损耗模型r^d计算rssi的损耗情况，具体模型如公式(2)所示：

p(d)＝p0(d0)+10vlg(d/d0)+xσ(2)

公式(2)中，d0为参考距离，通常取值为1m；d为实际信号传播距离，即距离发射信号节点的距离；p0(d0)为参考距离d0处的路径损耗；p(d)为信号经过距离d后的路径损耗；v为路径损耗指数，v值的大小反映rssi随传播距离增加而变化的速率，与环境影响因素相关；xσ是均值为0、标准差为σ的高斯随机变量。

距离发射节点距离为d的rssi如公式(3)所示：

rssi＝p-p(d)(3)

公式(3)中，p为信号源的发射功率。

距离发射节点d0处的参考点路径损耗p0(d0)＝p-a，其中，a表示参考点处的接收信号强度，且d0＝1，将p0(d0)＝p-a代入公式(2)中得到公式(4)，将公式(3)代入到公式(4)中得到公式(5)：

p(d)＝p-a+10vlg(d)+xσ(4)

rssi＝a-10vlg(d)-xσ(5)

由于xσ均值为0，由此得到公式(6)：

为减少实验误差，rssi多次测量并取平均值代入公式(6)得到公式(7):

上述对数路径损耗模型中参考点处的rssi值a和环境影响因子v确定方法为：

在具体森林环境中，将距离发射节点1m处的rssi值作为a；

由于在不同区域范围内，环境差异很大，进而每个区域的环境影响因子也是大有不同。因此，本发明在确定每个定位子区域的基础上，确定属于第j个定位子区域的环境影响因子vj：

公式(8)中，d12为属于第j个定位子区域中锚节点k1和k2之间的距离，a为距离发射节点1m处的rssi值，为锚节点m1、m2处rssi值的平均值。所述的锚节点是具体位置坐标确定的传感器节点。

最终确定的整个定位区域的对数路径损耗模型r^d为：

步骤(2)中，将考虑环境影响因子的对数路径损耗模型r^d与考虑距离影响因子的rssi路径损耗模型rⁿ(d)结合，得到更适合复杂深林环境的森林路径损耗模型r(d)：

公式(10)中，αj和βj分别表示和的所占比重系数。

确定比重系数αj和βj的方法为：

首先，在第j个子区域内，通过多次实验，采集多组数据(rssi,d)并计算该多个rssi值的平均值

然后，根据采集的多组数据(rssi,d)，利用上述方法确定模型与

最后，建立公式(11)，并以f(αj,βj)最小为目标求解公式(11)，进而确定αj,βj，

由于在实际的环境当中，受到外界环境的影响，rssi会存在波动，而rssi值是影响定位精度的直接因素，所以，在求解未知节点的具体位置前，需要对rssi值进行有效的滤波处理。

作为优选，本发明方法还包括采用高斯滤波模型对rssi进行滤波。高斯滤波能够有效降低小概率的影响，提高定位的精度。rssi服从(0,σ²)高斯分布，其高斯概率密度函数如公式(12)所示：

公式(12)中，rssi为节点接收的信号强度值。

根据经验取值高概率区间为(μ-σ,μ+σ)，该区间的发生概率为0.6826，故排除该区间外的异常值，选取区间内的rssi值作为实验数据。高斯滤波部分地解决了rssi实际环境中易受干扰等问题，有效地提高了定位精度。

步骤(3)中，针对上述得到的森林路径损耗模型r，根据节点间的信号强度准确计算节点间的距离，进而确定未知节点的具体位置。作为优选，本发明采用分区域三边测量定位方法确定多个无线传感器定位节点，具体为：选取位置坐标分别为(x1,y1)、(x2,y2)、(x3,y3)的已经锚节点a、b、c作为发射信号节点，分别建立未知节点与三个锚节点之间的距离方程，组成方程组：

求解公式(13)确定未知节点(无线传感器定位节点)的位置坐标(x,y)，da,db,dc分别为锚节点a、b、c到目标节点之间的距离。利用公式(13)，通过同一区域内多次定位和不同区域内的重复定位，获取多个无线传感器定位节点。

通过步骤(3)获得的多个无线传感器定位节点集中在一定范围中，大多处定位节点比较集中，密集度较高，少量定位节点偏离了定位节点密集区。本发明认为偏离了定位节点密集区的定位节点为定位误差较大的一些定位结果。为提高定位精度，本发明采用k-means聚类方法排除误差。具体为：

利用k-means聚类方法对多个无线传感器定位节点进行聚类，选取定位节点最多的一簇的簇心作为最终无线传感器定位节点，这样可以大大提高定位精度。

相比于现有技术，本发明的有益技术效果为：

(1)本发明对路径损耗模型进行融合，同时根据环境的复杂程度，将路径损耗模型进行分段，使得分段后的路径损耗模型更能适应环境的多变性。

(2)本发明利用k-means提取定位结果，排除了定位过程中的其他干扰，使得定位结果更准确。

附图说明

图1是本发明森林无线传感器网络定位方法的流程图；

图2是本发明中rssi与距离d的关系图；

图3是本发明中的分区域定位及分区域三边测量定位示意图；

图4是本发明利用k-means聚类方法的聚类结果及确定最终无线传感器定位节点示意图；

图5是空旷环境下距离发射节点25m内的rssi离散情况示意图；

图6是竹林环境下距离发射节点25m内的rssi离散情况示意图；

图7是实施例中未知节点的定位结果示意图；

图8是实施例中采用k-means算法对未知节点定位结果的实验结果示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

参见图1，本发明森林无线传感器网络定位方法，包括以下步骤：

s01，根据rssi在不同区域的离散系数将整个定位区域划分成m个定位子区域，并拟合建立每个定位子区域的rssi路径损耗模型组成整个定位区域的rssi路径损耗模型rⁿ；j为定位子区域的序号，j＝1,2,3,…,m。

参见图2，s01的具体步骤为：

(1-1)通过实验测量得到一系列的离散rssi数组(rssii,di)，rssii为采集的第i个rssi值，且i＝1,2,3,…,n，di为与rssii对应的距离，该距离为采集信号点距信号发射节点之间的长度；

(1-2)采用滑动窗口寻找划分区域节点，实时计算滑动窗口内离散rssi的离散系数，选取离散系数突变时，滑动窗口内离散rssi的中值对应的距离为划分区域节点，得到m个定位子区域；

(1-3)对每个定位子区域中的离散rssi数组拟合得到rssi随距离变化的rssi路径损耗模型

(1-4)结合m个rssi路径损耗模型得到rssi路径损耗模型rⁿ(d)：

其中，对于整个定位区域[0,a]，a1,a2,…,an为划分区域节点。

s02融合所述rssi路径损耗模型rⁿ与整个定位区域的对数路径损耗模型r^d，得到森林路径损耗模型r。

本步骤中，在复杂环境中，大多数采用对数距离损耗模型r^d计算rssi的损耗情况，具体模型如公式(2)所示：

p(d)＝p0(d0)+10vlg(d/d0)+xσ(2)

公式(2)中，d0为参考距离，通常取值为1m；d为实际信号传播距离，即距离发射信号节点的距离；p0(d0)为参考距离d0处的路径损耗；p(d)为信号经过距离d后的路径损耗；v为路径损耗指数，v值的大小反映rssi随传播距离增加而变化的速率，与环境影响因素相关；xσ是均值为0、标准差为σ的高斯随机变量。

距离发射节点距离为d的rssi如公式(3)所示：

rssi＝p-p(d)(3)

公式(3)中，p为信号源的发射功率。

距离发射节点d0处的参考点路径损耗p0(d0)＝p-a，其中，a表示参考点处的接收信号强度，且d0＝1，将p0(d0)＝p-a代入公式(2)中得到公式(4)，将公式(3)代入到公式(4)中得到公式(5)：

p(d)＝p-a+10vlg(d)+xσ(4)

rssi＝a-10vlg(d)-xσ(5)

由于xσ均值为0，由此得到公式(6)：

为减少实验误差，rssi多次测量并取平均值代入公式(6)得到公式(7):

上述对数路径损耗模型中参考点处的rssi值a和环境影响因子v确定方法为：

在具体森林环境中，将距离发射节点1m处的rssi值作为a；

由于在不同区域范围内，环境差异很大，进而每个区域的环境影响因子也是大有不同。因此，本发明在确定每个定位子区域的基础上，确定属于第j个定位子区域的环境影响因子vj：

公式(8)中，d12为属于第j个定位子区域中锚节点k1和k2之间的距离，a为距离发射节点1m处的rssi值，为锚节点m1、m2处rssi值的平均值。

最终确定的整个定位区域的对数路径损耗模型r^d为：

基于上述，s02中，将考虑环境影响因子的对数路径损耗模型r^d与考虑距离影响因子的rssi路径损耗模型rⁿ(d)结合，得到更适合复杂深林环境的森林路径损耗模型r(d)：

公式(10)中，αj和βj分别表示和的所占比重系数。

通过多次实验采集数据确定比重系数αj和βj，具体过程为：

首先，在第j个子区域内，通过多次实验，采集多组数据(rssi,d)并计算该多个rssi值的平均值

然后，根据采集的多组数据(rssi,d)，利用上述方法确定模型与

最后，建立公式(11)，并以f(αj,βj)最小为目标求解公式(11)，进而确定αj,βj，

s03，采用高斯滤波模型对rssi进行滤波。

高斯滤波能够有效降低小概率的影响，提高定位的精度。rssi服从(0,σ²)高斯分布，其高斯概率密度函数如公式(12)所示：

公式(12)中，rssi为节点接收的信号强度值。

根据经验取值高概率区间为(μ-σ,μ+σ)，该区间的发生概率为0.6826，故排除该区间外的异常值，选取区间内的rssi值作为实验数据。高斯滤波部分地解决了rssi实际环境中易受干扰等问题，有效地提高了定位精度。

s04，根据所述森林路径损耗模型r，采用分区域三边测量定位方法确定多个无线传感器定位节点。

本步骤中，采用分区域三边测量定位方法确定未知节点的具体位置，具体为：参见图3，选取位置坐标分别为(x1,y1)、(x2,y2)、(x3,y3)的已经锚节点a、b、c作为发射信号节点，分别建立未知节点o与三个锚节点之间的距离方程，组成方程组：

求解公式(13)确定未知节点(无线传感器定位节点)的位置坐标(x,y)，da,db,dc分别为锚节点a、b、c到目标节点之间的距离。利用公式(13)，通过同一区域内多次定位和不同区域内的重复定位，获取多个无线传感器定位节点。

s05，采用k-means聚类方法对所述多个无线传感器定位节点进行聚类，确定最终无线传感器定位节点。

本步骤中，参见图4，利用k-means聚类方法对多个无线传感器定位节点进行聚类，选取定位节点最多的一簇的簇心作为最终无线传感器定位节点，这样可以大大提高定位精度。

实施例

采用telosb传感器节点进行实验，在一块30m×30m的竹林中均匀部署15个锚节点，随机部署5个未知节点。telosb传感器节点将信息发送到电脑端进行定位实验。实验场景为密度不均匀的竹林，实验中传感器节点放置在1.2m高的架子上，确保传感器节点部署在同一高度层次上。

定位区域划分：

由于树林环境中不同区域的树木密度有很大差别，如果在定位实验中不区分对待，则对定位精度有很大的影响。本文利用rssi在不同区域的离散情况对定位区域进行划分，同一区域中树木的密度非常接近。实验测试了距离发射节点25m内的rssi离散情况。由于影响rssi的主要因素是树木的密度，所以实验中以竹林为例，对比了空旷环境和竹林环境，实验对竹林环境进行了处理，布置了四种不同密度的竹林，实验结果如图5、图6所示，图5为空旷环境结果，图6为竹林环境结果，横坐标为节点间距离，纵坐标为rssi值。

实验中利用滑动窗口技术计算rssi离散系数，在空旷场环境中离散系数比较接近，其值在-0.018上下波动，而在竹林环境中离散系数出现三次明显的变动，距离发射节点分别为5.5m、12.5m和19.5m处。这三处将竹林划分为四个区域，对应的rssi离散系数分别为-0.051、-0.037、-0.026、-0.008。实验结果表明利用rssi离散系数对树林定位区域进行划分是可靠的。

分区域定位：

对比了对数路径损耗模型在分区域和不分区域情况下的定位精度。通过区域划分实验确定了竹林中定位区域的划分，每个区域的环境影响因子v分别为2.96、1.96、2.61、2.71。在没有划分区域的情况下环境影响因子v为2.42，参考值a为-56.59。实验中不划分区域的情况随机选取三个锚节点对5个未知节点进行30次定位，在划分区域的情况下按照s04的定位方法对5个未知节点进行定位。实验结果如图7所示，横坐标为实验次数(experimentnumber)，纵坐标为定位误差(deviation)。

实验中，不对定位区域划分的情况下：不采用k-means算法提高精度(non-subregion-kmeans)，定位的误差在3.8m左右；采用k-means算法(non-subregion)，可将定位精度提高0.3m左右。

对定位区域进行划分的情况下：分别计算不同区域的环境影响因子，并且通过在不同区域内选取锚节点进行定位。如果不采用k-means算法()subregion)，定位误差在2.5m左右；如果采用k-means算法(subregion-kmeans)，能够提高定位精度提高0.2m左右，而且不分区域的情况定位精度波动较大，定位更加不稳定。

实验结果表明对定位区域按照rssi离散系数进行划分，能大大提高定位精度，因为不同区域的竹子密度不同，导致环境影响因子不同，而利用对数路径损耗模型测距的关键是环境影响因子准确与否，而且实验结果验证了k-means算法能有效提高定位精度。

融合模型：

采用实际测量的数据建立拟合模型(fusionmodel)，然后与对数路径损耗模型(pathlossmodel)相融合，使得建立的模型更加适应复杂的环境中。根据s02的方法计算了每个区域的α和β值分别为(5.79,-5.05)、(-9.42,10.01)、(-3.85,4.95)、(10.88,-9.99)，然后建立融合路径损耗模型，对定位区域中的5个未知节点进行分区域定位，实验中每个区域的环境影响因子v分别为2.96、1.96、2.61、2.71，参考值a为-56.59，每次结果是定位30次的结果，重复10次定位实验，实验中利用k-means算法提高定位精度，实验结果如图8所示。横坐标为定位实验次数(experimentnumber)，纵坐标为定位误差(deviation)(5个未知节点的平均定位误差)，单位是米(m)。

实验结果表明在分区域定位的情况下，融合模型比对数路径损耗模型能更好的描述信号损耗情况。利用融合模型，可以根据信号强度得到更精确的定位结果。因为拟合模型更加符合定位环境，但是拟合模型缺乏适用性，换一种定位环境定位精度就会有所降低，需要重新建立拟合模型。为了增加融合模型的适用性，本文利用对数路径损耗模型与拟合模型相融合，建立定位精度与适用性都比较可靠的rssi路径损耗融合模型。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。