一种基于优化RSSI精度的加权质心定位算法

贾银山 曾帅斌 王 璟

1(辽宁石油化工大学计算机与通信工程学院 辽宁 抚顺 113001) 2(辽宁石油化工大学马克思主义学院 辽宁 抚顺 113001)

一种基于优化RSSI精度的加权质心定位算法

贾银山1曾帅斌1王 璟2

1(辽宁石油化工大学计算机与通信工程学院 辽宁 抚顺 113001)2(辽宁石油化工大学马克思主义学院 辽宁 抚顺 113001)

针对无线传感器网络中传感器节点接收信号强度的误差影响，在利用信号强度的比值作为加权因子的基础上提出一种基于优化信号强度、精度的加权质心定位算法。首先对信号强度(RSSI)值进行了修正：为每个RSSI值求得一个加权系数，用加权后的信号强度值进行运算；然后用修正后的信号强度的比值的倒数之和作为此算法的权重因子。实验结果表明，算法的定位准确度比传统质心算法提高了61.5%～87.3%，比RR-WCL算法提高了32.7%～46.4%。

无线传感器网络 信号强度(RSSI) 加权质心算法 精度

0 引 言

获取节点的位置信息的重要性是毋庸置疑的，实时获取事件发生的地址是传感器网络的主要功能之一。若是丢失对位置信息的监测，传感器网络就变得没有意义。无线传感器网络最为基础的技术之一就是节点定位技术[1-2]。节点定位技术，具体而言，就是通过一些科学技术方法获取节点位置信息的过程。在定位过程中，通常把网络内的节点分为已知的信标节点和未知的未知节点。

当前，无线传感器定位算法根据距离有关与否分为两大类:基于测距和非基于测距[3]。非基于测距的定位算法也叫距离无关算法，是通过节点间的连通性和多跳路由来对距离进行计算，主要有质心算法、DV-Hop算法[4]等。非基于测距算法固然对于节点的硬件要求较低，可是定位的误差较大。测量节点间的角度或者距离，再经过计算，最终获得节点的位置的方法叫做基于测量距离的定位算法，比如RSSI[5]、AOA[6]、TOA、TDOA等[7]。与非基于测距的算法对比，固然基于测距算法计算量较大，但精确度需求较高，只实用于定位精度要求较高的场合。

邓克岩[8]提出基于RSSI的加权质心算法的改进算法，原理是：未知节点会接收到不同信标节点的RSSI值，并把这些信号作为确定权值的依据。可是它并没有考虑反射、多径传播等成分的影响。杨新宇等[9]提出了基于信号强度比值的加权质心算法。该算法的优点是不仅有效缓解了环境对路径衰减因子的影响，而且减小了由于方向不同带来的信号误差,缺点是没有思量天线增益等问题会对RSSI值产生较大的误差。施伟等[10]首先将信号强度值用高斯理论模型进行滤波处理，利用窗口函数滤去偏离较大的信号值。然后再运用校正过的RSSI测距技术优选信标节点。该算法的优点是尽可能利用RSSI数据，提高了数据利用度，且对硬件的要求不高。吕振等[11]和CH Genitha等[12]利用倒数函数，把未知节点和信标节点间的距离作倒数运算，将倒数进行相加，并把它当作权值进行计算。这样，可以避免数据利用度相同，并进行了系数的修正。赵宝峰等[13]将四边形拆分成两个三角形，在三边测距的基础上分别对这两个三角形求质心。该算法的优点是在不增添信标节点的前提下，避免了四个信标节点组成凹形图所带来的误差。缺点是随着信标节点占的比例越大，就需要再额外增加节点或者切换原始算法来计算，但这样算法的改进就变得没有意义。

为了克服信标节点位置分布不合理造成的少数节点无法定位，弥补信号强度由于非人为因素而对算法结果产生误差的缺陷，提高信号强度的完整性与准确率，本文基于对文献[9]提出的RR-WCL算法的研究，对RSSI数据处理方法的漏洞进行了修正，给出一种优化算法对RSSI值进行加权处理的方法, 来修正RSSI数据产生的误差。本文提出将RSSI值进行加权处理的方法与RR-WCL算法结合，用归一化方法为每个信标节点的信号强度求权重系数，使修正后的算法不仅使得数据信息的运用更充分，而且还在选取权值的过程中合理地安排了信息的权重。并基于加权质心算法理论，将两种方法结合。相比于现有的基于单一加权方法，本算法提高了信号强度值的准确率。

1 加权质心定位算法模型

1.1 无线电传播路径损耗模型

由于多条路径形成的反射、障碍物阻隔等非人为因素的影响，往往会导致无线信号在传播的时候存在一定的损耗。而这种耗损很可能会导致算法结果出现偏差，路径损耗是无法避免的，但是我们通过研究发现，不同环境下选择不同的损耗模型对于实现精确的定位效果是非常关键的。实际中，主要有三种模型：自由空间传播模型、对数距离路径损耗模型、对数-常态分布模型。针对实际的应用环境，选取自由空间传播模型与对数-常态分布模型[14]。

自由空间传播模型：

P(d0)=32.44+10nlg(d0)+10nlg(f)

(1)

其中:P(d0)是路径损耗，d0是接收端到发射端的距离(KM)，n是路径损耗系数，取值范围为2～5，f是无线电传播的频率(MHz)。

对数-常态分布模型：

(2)

其中:P(d)是经过d距离后的路径损耗(dB)，P(d0)无线电信号传输d0距离后的路径损耗,d0是参考距离，取d0=1 m；通过式(1)计算可得P(d0)。Xσ是均值为0、方差为μ的高斯随机变量。由式(1)、式(2)可以得到各未知节点接收信号强度：RSSI=Psend+Pampligy-P(d)，其中，RSSI是接收到的功率，Psend是发射功率，Pampligy是天线的增益，P(d)是路径损耗。

1.2 传统质心算法

质心算法的核心思路是：未知节点把所有与其通信的信标节点的质心位置当成自身的预测位置。具体定位过程为：信标节点定期广播发送周围节点能够接收的信标，信标节点自身的ID和位置信息都包含在该信标中，所以周围未知节点接收到信标时，就能以此判断自身位置。当未知节点在一定时限内接收到的信标数量超过某一事先设定的阈值时，该节点就把与之联通的信标节点多边形的质心确定为自身的位置。定位算法第一要确定未知节点所能感知的信标节点，这些信标节点构成一个多边形地域，第二要计算这个多边形所有节点坐标的平均值，就是所求的质心坐标[15]。如图1所示。

图1 质心定位原理示意图

多边形ABCD的顶点分别为A(x1，y1)、B(x2，y2)、C(x3，y3)、D(x4，y4)，则多边形质心公式为：

(3)

1.3 加权质心算法

加权质心算法核心思路是：在传统质心算法的构思基础上，基于每个信标节点和未知节点之间的信号强度作为依据，计算每个固定信标节点的权值。信标节点对质心位置的影响是通过权值大小来判断的。假定(xj,yj)、(xi,yi)分别为未知节点和信标节点的坐标，则：

(4)

其中:wi为权值。通常，权值是未知节点到信标节点距离的函数，要是未知节点不能与信标节点通信，那么wi的值为0。n为信标节点的个数。

2 一种加权质心的优化算法

由于相同的信号强度对于同一拓扑结构中的不同节点来说，代表的距离是不同的，所以必须赋予不同的权值加以区分。若是仅仅考虑未知节点到任意一个信标节点的信号强度值，显然对未知节点的位置计算起不到明显的效果。针对这一问题，有必要加入另外的RSSI修正方式。

2.1 RSSI值修正

针对RSSI值进行修正：给RSSI值求得一个归一化系数，通过式(7)为RSSI值求得一个加权系数，用加权后的RSSI值代替原始RSSI值。

具体改进算法的计算步骤如下：

对于n个信标节点Be1(x1,y1),Be2(x2,y2),Be3(x3,y3),…,Ben(xn,yn),未知节点U(x0,y0)接收到各信标节点的信号强度分别为S1,S2,S3,…,Sn。

步骤1假设有n个信标节点，且未知节点能收到这n个信标节点的信息。按照式(5)求得未知节点从信标节点接收到的信号强度的平均值RSSIAVG。

(5)

步骤2对于来自n个信标节点的信号强度，RSSIAVG与Si相差较大的话，给予一个相对小的权值，反之则给予一个相对大的权值。根据式(6)求得权重因子δi，根据式(7)对δi作归一化处理得到加权系数Ci。

(6)

(7)

步骤3根据式(8)求得修正后的RSSI值。

(8)

2.2 位置计算

定义未知节点M从信标节点Bej、Bei分别接收到的信号强度比值为Sji,即：

(9)

定义权值为：

(10)

最终得到的加权质心计算公式为：

(11)

(12)

3 仿真结果及分析

利用MATLAB在100 m×100 m的仿真区域内，对传统质心算法、文献[9]提到的算法、本文的优化算法进行比较。信标节点和未知节点随机分布在仿真地域中。待定位目标点数为50个，仿真测试中，全部的数据点代表50次试验结果的平均值。仿真结果如图2和图3所示。

图2为三种算法的未知节点到质心距离误差的比较。在同一条件下，优化后的距离误差明显比另外两种小得多，这说明优化后的定位算法精度提高了。

图2 平均误差曲线

图3 通信半径对误差的影响

从实验结果可明显看出，在信标节点数相同而通信半径不断增加的情况下，本文优化算法的定位精度得到了显著提高。随着通信半径的增加，本文算法的定位准确度比质心算法提高了61.5%～87.3%，比文献[9]算法提高了32.7%～46.4%。

4 结 语

针对传统质心算法和加权质心算法的缺点，本文算法将传统质心算法和加权质心算法的核心思想相结合，并在信号强度值的优化方法上提出创新，具有明显的优势。通过仿真表明：在直接将信号强度比值作为算法加权系数的前提下，先把信号强度进行一次求权值运算，其定位精度会高出很多。尤其当通信半径适当增大的情况下，该算法比另外两种算法的定位误差下降将越发明显，证明了该算法的优异性。

[1] 刘雪兰,王宜怀,陆全华,等.无线传感器网络RSSI定位算法改进[J].计算机应用与软件,2013,30(11):87-89,141.

[2] 李建中,高宏.无线传感器网络的研究进展[J].计算机研究与发展,2008,45(1):1-15.

[3] 孙利民,李建中,陈渝.无线传感器网络[M].北京:清华大学出版社,2005.

[4] 林金朝,刘海波,李国军,等.无线传感器网络中DV-Hop节点定位改进算法研究[J].计算机应用研究,2009,26(4):1272-1275.

[5] 陈维克,李文锋,首珩,等.基于RSSI的无线传感器网络加权质心定位算法[J].武汉理工大学学报,2006,28(4):265-271.

[6] Niculescu D,Nath B.Ad hoc positioning system (APS) using AOA[J].Proceedings-IEEE INFOCOM,2003,3(2):1734-1743.

[7] Akyildiz I F,Su W,Sankarasubramaniam Y,et al.A survey on sensor networks[J].Communications Magazine IEEE,2002,40(8):102-114.

[8] 邓克岩.一种基于RSSI的加权质心算法的改进算法[J].自动化与仪器仪表,2012,34(3):136-137.

[9] 杨新宇,孔庆茹,戴湘军.一种改进的加权质心定位算法[J].西安交通大学学报,2010,44(8):1-4.

[10] 施伟,高军.无线传感器网络中基于RSSI的改进加权质心定位算法[J].计算机应用与软件,2015,32(12):68-70,104.

[11] 吕振,赵鹏飞.一种改进的无线传感器网络加权质心定位算法[J].计算机测量与控制,2013,21(4):1102-1104.

[12] Genitha C H,Vani K.Classification of satellite images using new Fuzzy cluster centroid for unsupervised classification algorithm[C]//Information & Communication Technologies.IEEE,2013:203-207.

[13] 赵宝峰,赵栋栋,赵菊敏,等.基于四边形分解的质心定位算法[J].传感器与微系统,2013,32(6):139-142.

[14] 刘运杰,金明录,崔承毅.基于RSSI的无线传感器网络修正加权质心定位算法[J].传感技术学报,2010,23(5):717-721.

[15] 彭泓,赵阳,夏天鹏.基于优化RSSI精度的WSN加权质心定位算法[J].计算机工程与应用,2015,51(21):88-91.

[16] 邹佳顺,张永胜.无线传感器网络中关于DV-Hop定位算法的改进[J].计算机应用与软件,2016,33(3):147-150.

[17] 吕淑芳,冯秀芳,肖忠义.基于TDOA的无线传感器网络四面体质心定位算法研究[J].计算机应用与软件,2014,31(9):125-128.

[18] 曾子维,张超.一种质心与DV-Hop算法相结合的WSN节点定位算法[J].计算机应用与软件,2015,32(11):130-133.

AWEIGHTEDCENTROIDLOCALIZATIONALGORITHMBASEDONOPTIMIZEDRSSIPRECISION

Jia Yinshan1Zeng Shuaibin1Wang Jing2

1(SchoolofComputerandCommunicationEngineering,LiaoningShihuaUniversity,Fushun113001,Liaoning,China)2(SchoolofMarxism,LiaoningShihuaUniversity,Fushun113001,Liaoning,China)

Aiming at the influence of the

signal strength error in wireless sensor networks, on the basis of using the ratio of signal strength as the weighting factor, a weighted centroid localization algorithm based on optimized signal strength precision is proposed. First, the algorithm modified the signal strength (RSSI) value. A weighted factor of each RSSI value was counted, and the original RSSI values were replaced with weighted RSSI values. Then, the sum of the reciprocal of the ratio of the modified signal strength was used as the weighting factor of the algorithm. The experimental results show that the localization accuracy of our algorithm is improved by 61.5%～87.3% than that of the traditional centroid algorithm, and 32.7% ～ 46.4% higher than the RR-WCL algorithm.

Wireless sensor networks Received signal strength (RSSI) Weighted centroid algorithm Precision

2016-12-02。辽宁省教育厅科学研究项目(L2016011)。贾银山，教授，主研领域：智能信息处理。曾帅斌，硕士生。王璟，硕士生。

TP3

A

10.3969/j.issn.1000-386x.2017.11.030