CN102395192A - 一种无线传感终端的定位方法和装置 - Google Patents

Abstract

本发明实施例公开了一种无线传感终端的定位方法和装置，本发明基于无线信号能量衰减原理，利用贝叶斯模型将全部节点获取的接收信号强度指示RSSI离线训练映射至概率加权距离D，并分别从静态和动态两个方面，结合最大似然估计法及卡尔曼滤波方法更为准确地定位节点位置，以统计学角度对接收信号强度指示建模，克服了现有技术中小型化移动终端信号受到天线方向及环境等对无线终端定位影响，及增加特殊传感器而导致成本较高的缺点；并且，本发明选用在线学习的方法更新模型比经典单一的线性模型或分段线性模型能够更准确地描述小型化无线终端采集样本方差较大的情况，实用性及适用性都有所提高。

Description

一种无线传感终端的定位方法和装置

技术领域

本发明涉及无线传感通信技术领域，更具体地说，涉及一种无线传感终端的定位方法和装置。

背景技术

无线传感网络作为一种物联网产业中全新的信息获取和处理方式，以其构架简单和拓展性强等优点，在工农业、医疗和市政监控领域得到推广和应用。所述无线传感网络通过在监测区域部署大量无线传感器节点，实时采集并监测网路覆盖区域的监测对象信息，通过无线信道传送至通信基站进行分析处理。

无线终端定位技术作为无线传感器网络技术中的关键技术之一，负责提供无线终端节点的位置信息，使通信基站能够及时有效地定位数据位置来源，且可提供网络拓扑信息，从而提高路由效率，实现网络结构的优化配置。现有的无线终端定位技术比较常用的接收信号的强度指示RSSI，其根据接收信号强度，使用无线传输理论或者经验模型转换为距离进而定位。而由于无线信号对于复杂环境的适应能力较弱，尤其当移动终端小型化后，天线朝向对信号接收强度影响将进一步加大并恶化最终的定位结果。为改善上述状况而使用附加硬件如角度测量AOA或时间差分TDOA进行辅助运行，终端的复杂性不但增加了终端的计算复杂性，且增加了硬件成本。

发明内容

有鉴于此，本发明提供一种无线传感终端的定位方法和装置，以实现减小环境因素及天线朝向对小型化终端定位的影响，并达到降低硬件成本及计算简洁的效果。

一种无线传感终端的定位方法，包括：

通过贝叶斯模型估计算法将全部节点获取的接收信号强度指示RSSI通过离线训练建模后，映射至概率加权距离D，所述贝叶斯模型估计算法基于无线信号能量衰减原理；

利用最大似然估计法结合所述概率加权距离D确定静态节点位置，并利用卡尔曼滤波方法将得到的静态节点位置的坐标与速度建立四维滤波模型确定移动节点位置。

上述实施方式是将天线的朝向对于无线信号的影响从统计学角度进行建模，通过使用贝叶斯概率统计模型估计目标距离及最大似然估计法得到目标位置。利用静态节点结合卡尔曼滤波模型确定移动节点位置，从静态和动态两个方面对各类型节点准确定位，相对于经典方法对信号强度进行确定性建模的方法更具鲁棒性，从而实现了减少小型终端天线角度及环境等对于定位结果影响，以及降低特殊传感器的硬件成本的目的。

优选地，所述方法还包括将得到的静态节点位置返回贝叶斯推断模型进行迭代更新，及将得到的移动节点位置返回所述卡尔曼模型中进行在线学习。

通过在线学习模型可更新所述贝叶斯推断模型，使静态节点得到所在环境下的信号能量传输模型；以及，通过卡尔曼滤波模型的迭代，可更好地完成运动节点的目标轨迹的滤波跟踪。

优选地，所述通过贝叶斯模型估计算法将全部节点获取的接收信号强度指示RSSI通过离线训练建模后，映射至概率加权距离D具体为：建立混合高斯模型GMM初步测距后获得基于此接收信号强度下概率加权距离D。

上述混合高斯模型是将接收概率与及节点间距建模为概率分布，且所述混合高斯模型对映射关系进行多模态建模，考虑由于信号入射角度不同带来差异，可以对目标映射关系进行准确定位，且并不局限于上述列举形式。

优选地，利用最大似然估计法结合所述概率加权距离D确定静态节点位置具体为：将所述概率加权距离D在其概率权重下加入最小化误差代价函数得到最大似然估计定位结果。

本实施方式中的最大似然定位算法是目前无线传感网络中非基于拓扑结构中定位准确度较高的算法，而通过寻找测距距离与估算距离之间差异最小的点进行后续目标定位。

优选地，所述方法还包括初始化节点功率信息并对各节点进行线性时域滤波处理。

为了减少无线传感终端在实际使用过程中，接收信号强度RSSI受到环境以及目标移动等影响，需要再进行数据分析前对信号进行滤波处理，且并不局限于上述列举形式。

一种无线传感终端的定位装置，包括：

贝叶斯模型测距模块，用于通过贝叶斯模型估计算法将全部节点获取的接收信号强度指示通过离线训练建模后，映射至概率加权距离D，所述贝叶斯模型估计算法基于无线信号能量衰减原理；

节点定位模块，用于利用最大似然估计法并结合所述概率加权距离D确定静态节点位置；并利用卡尔曼滤波方法将得到的静态节点位置的位置坐标与速度建立四维滤波模型确定移动节点位置。

优选地，所述装置还包括：初始化处理模块，用于初始化节点功率信息并对各节点进行线性时域滤波处理。

优选地，所述装置还包括：在线更新学习模块，用于将得到的静态节点位置返回贝叶斯推断模型进行迭代更新，及将得到的移动节点位置返回所述卡尔曼模型中进行在线学习。

所述装置与方法对应，将静态节点定位模块及移动节点模块结合达到了减小小型终端天线角度及环境的等对无线传感网络定位的影响，并降低特殊传感器的硬件成本的技术效果。

从上述的技术方案可以看出，本发明实施例利用贝叶斯模型将全部节点获取的接收信号强度指示RSSI离线训练映射至概率加权距离D，并分别从静态和动态两个方面，结合最大似然估计法及卡尔曼滤波方法更为准确地定位节点位置，以统计学角度对接收信号强度指示建模，克服了现有技术中小型化移动终端信号受到天线方向及环境等对于无线终端定位的影响，及增加特殊传感器而导致成本较高的缺点；并且，本发明选用在线学习的方法更新模型比经典单一的线性模型或分段线性模型能够更准确地描述小型化无线终端采集样本方差较大的情况，实用性及适用性都有所提高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种无线传感终端的定位方法流程图；

图2为本发明又一实施例公开的一种无线传感终端的定位方法流程图；

图3a为本发明实施例公开的一种无线传感终端的定位装置结构示意图；

图3b为本发明实施例公开的一种无线传感终端的定位算法流程图。

具体实施方式

为了引用和清楚起见，下文中使用的技术名词、简写或缩写总结如下：

RSSI：Received Signal Strength Indicator，接收信号的强度指示。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种无线传感终端的定位方法和装置，以实现减小环境因素及天线朝向对小型化终端定位的影响，并达到降低硬件成本及计算简洁的效果。

在进行实施例描述前，需要说明的是：

本发明实施例中有两种节点，静态节点及移动节点，通过本发明实施例的方法进行所述静态节点位置定位，而在实际定位场景中，由于遮挡、多径效应等干扰因素的影响，导致终端节点接收功率与距离之间的关系分布出现偏差，静态节点的定位方法将不适合该类移动节点的确定，则此时，需要对已经定位好的静态节点中需要参与移动定位的节点，即静态目标节点，并利用卡尔曼滤波方法针对所述静态目标节点的位置坐标和速度建立模型，建立跟踪机制，进行准确定位。

现就实施方式进行详述：

图1示出了一种无线传感终端的定位方法，包括：

步骤11：通过贝叶斯模型估计算法将全部节点获取的接收信号强度指示RSSI通过离线训练建模后，映射至概率加权距离D；

需要指出的是，所述贝叶斯模型基于经典的无线信号能量衰减原理，在本实施例中，即，采用的无线传输模型基于该接收信号强度指示RSSI：

RSSI＝-(10nlog₁₀d+A)

根据无线信号传播理论，(RSSI，10nlog₁₀d)理论上应该近似服从一个线性分布，建模目标是路径损耗系数n，，功率偏置A。

优选地，在离线状态下构建目标混合高斯模型将采集的数据根据某一测度m(x)来对给定的函数族f求解极小泛函。即：

arg min Loss(f)＝∫_x∈Dm(y-f(x))dx；

$D=\left\{\mathrm{dis}\right|\∃y=\mathrm{RSSIvs}.\mathrm{dis}\};$

线性化无线终端信号接收强度受到天线朝向的影响较大，接收信号强度RSSI与距离d无法用简单的映射模型进行建模，其建模后较大的模型类内差直接影响最后的定位结果，因此在本实施例中，建立对测距环节的F(RSSI，D)混合高斯模型，其后使用贝叶斯推断模型中的推断方法加权确定距离。

根据以上建模方法，每个接收信号强度RSSI可以根据训练样本得到p个距离取值，其系数ω_p代表在当前训练样本当前信号接收功率RSSI下，节点间距离a_p出现的后验概率。使用混合模型建模可以较好地解决接收信号强度RSSI与距离D映射多模态的问题。最后通过概率加权的最大似然估计得到的结果会更加准确。

并且，本发明与经典的确定性参数的估计方法不同，贝叶斯估计假设所估计的参数是一个随机变量，通过建立该高斯混合模型能够更好地描述参数映射实际分布。

步骤12：利用最大似然估计法结合所述概率加权距离D确定静态节点位置；

最大似然定位算法是无线传感网络定位非基于拓扑结构中定位效果较好的算法。通过寻找一个使得测距距离与估算距离之间差异最小的点，以该点为未知节点的位置，具体计算方式如下：

设已知参考节点的坐标分别为(x₁，y₁)，(x₂，y₂)，(x₃，y₃)....(x_n，y_n)，设待定节点坐标为(x，y)，待定节点到已知参考节点的测量距离分别为d₁，d₂，d₃...d_n，则有方程组：

$\left\{\begin{array}{c}{(x_1-x)}^2+{(y_1-y)}^2={d_1}^2\\ {(x_2-x)}^2+{(y_2-y)}^2={d_2}^2\\ \·\\ \·\\ \·\\ {(x_n-x)}^2+{(y_n-y)}^2={d_n}^2\end{array}\right.$

在基于测距的定位算法中，由于测量距离不是完全准确的，加入误差项后，上述的方程可以简写为

AX+E＝B

可以得到移动节点的位置估计坐标为以下形式时，待测节点的最小测距误差平方下最小。

$\hat{X}={\left(A^{T}A\right)}^{-1}{A}^{T}b$

当接收功率小于一定的饱和值以后，功率与距离的基本不成比例关系，则功率测试方差较大，对定位结果影响很大。将所述概率加权距离D在其概率权重下加入最小化误差代价函数得到最大似然估计定位结果。

在本步骤中使用到的残差定位平方和函数为：

f(x)＝W_p(B-AX)²，其中为W_p混合高斯概率加权矩阵。

步骤13：利用卡尔曼滤波方法将得到的静态节点位置的坐标与速度建立四维滤波模型确定移动节点位置。

本实施例中，使用卡尔曼滤波的方法对静态目标节点的位置坐标与速度建立四维(x，y，v_x，v_y)滤波模型，得到的跟踪结果不但可以预测目标下一时刻可能的位置，而且该定位结果不受实际环境对信号强度的影响，可以改善静态定位算法中因环境因素对于定位结果的影响，得到更加接近实际运动曲线的平滑轨迹。

综上可知：针对无线终端小型化后，使用接收信号强度RSSI进行距离映射使用单一模型方差较大，建模结果不准确而导致定位偏差的模型方面的缺陷，通过使用贝叶斯概率统计模型估计目标距离及最大似然估计法得到静态节点位置，及结合卡尔曼滤波模型确定移动节点位置，从静态和动态两个方面对各类型节点准确定位，相对于经典方法对信号强度进行确定性建模的方法更具鲁棒性，从而实现了在实际无线传感终端的定位时，多模态对小型终端天线角度及环境等影响，以及减少特殊传感器的硬件成本的目的。

图2示出了又一种无线传感终端的定位方法，包括：

步骤21：初始化节点功率信息并对各节点进行线性时域滤波处理。

该步骤中，为了减少无线传感终端在实际使用过程中，接收信号强度RSSI受到环境以及目标移动等影响，需要再进行数据分析前对信号进行滤波处理，且并不局限于上述列举形式。

步骤22：通过贝叶斯模型估计算法将全部节点获取的接收信号强度指示RSSI通过离线训练建模后，映射至概率加权距离D；

步骤23：利用最大似然估计法结合所述概率加权距离D确定静态节点位置；

步骤24：利用卡尔曼滤波方法将得到的静态节点位置的坐标与速度建立四维滤波模型确定移动节点位置；

步骤25：将得到的静态节点位置返回贝叶斯推断模型进行迭代更新，及将得到的移动节点位置返回所述卡尔曼模型中进行在线学习。

将最终的定位结果返回所述贝叶斯推断模型与所述卡尔曼滤波模型中进行在线学习更新，是通过在线最大期望online-EM更新贝叶斯推断模型，可以使不同的静态节点迭代学习得到基于其特定环境下的信号能量传输模型。通过卡尔曼滤波模型的迭代，从而完成运动目标轨迹的滤波跟踪。

图3a示出了一种无线传感终端的定位装置，包括；

贝叶斯模型测距模块31：用于通过贝叶斯模型估计算法将全部节点获取的接收信号强度指示RSSI通过离线训练建模后，映射至概率加权距离D，所述贝叶斯模型估计算法基于无线信号能量衰减原理；

节点定位模块32，用于利用最大似然估计法并结合所述概率加权距离D确定静态节点位置；并利用卡尔曼滤波方法将得到的静态节点位置的位置坐标与速度建立四维滤波模型确定移动节点位置；

初始化处理模块33，用于初始化节点功率信息并对各节点进行线性时域滤波处理；

在线更新学习模块34，用于将得到的静态节点位置返回贝叶斯推断模型进行迭代更新，及将得到的移动节点位置返回所述卡尔曼模型中进行在线学习。

所述装置与方法对应，将静态节点定位模块及移动节点模块结合达到了减小小型终端天线角度及环境的等对无线传感网络定位的影响，并降低特殊传感器的硬件成本的技术效果。

图3b为与所述方法及装置对应的逻辑流程图，如图所示，详细说明可参见图2及图3图示及相应说明，此处不再赘述。

综上所述：

本发明基于无线信号能量衰减原理，利用贝叶斯模型将全部节点获取的接收信号强度指示RSSI离线训练映射至概率加权距离D，并分别从静态和动态两个方面，结合最大似然估计法及卡尔曼滤波方法更为准确地定位节点位置，以统计学角度对接收信号强度指示建模，克服了现有技术中小型化移动终端信号受到天线方向及环境等无线终端定位的影响，及增加特殊传感器而导致成本较高的缺点；

并且，本发明选用在线学习的方法更新模型比经典单一的线性模型或分段线性模型能够更准确地描述小型化无线终端采集样本方差较大的情况，实用性及适用性都有所提高，可支持无线井下定位、无线医疗监护及无线监狱安防等多种领域的无线传感终端的定位。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本领域技术人员可以理解，可以使用许多不同的工艺和技术中的任意一种来表示信息、消息和信号。例如，上述说明中提到过的消息、信息都可以表示为电压、电流、电磁波、磁场或磁性粒子、光场或以上任意组合。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种无线传感终端的定位方法，其特征在于，包括：

通过贝叶斯模型估计算法将全部节点获取的接收信号强度指示RSSI经离线训练建模后，映射至概率加权距离D，所述贝叶斯模型估计算法基于无线信号能量衰减原理；

利用最大似然估计法结合所述概率加权距离D确定静态节点位置，并利用卡尔曼滤波方法将得到的静态节点位置的坐标与速度建立四维滤波模型确定移动节点位置。

2.根据权利要求1所述的方法，其特征在于，所述通过贝叶斯模型估计算法将全部节点获取的接收信号强度指示经离线训练建模后，映射至概率加权距离D具体为：建立混合高斯模型GMM初步测距后获得基于此接收信号强度下概率加权距离D。

3.根据权利要求1所述的方法，其特征在于，将得到的静态节点位置返回贝叶斯推断模型进行迭代更新进行迭代更新，及将得到的移动节点位置返回所述卡尔曼模型中进行在线学习。

4.根据权利要求1所述的方法，其特征在于，利用最大似然估计法结合所述概率加权距离D确定静态节点位置具体为：将所述概率加权距离D在其概率权重下加入最小化误差代价函数得到最大似然估计定位结果。

5.根据权利要求1所述的方法，其特征在于，还包括初始化节点功率信息并对各节点进行线性时域滤波处理。

6.一种无线传感终端的定位装置，其特征在于，包括：

贝叶斯模型测距模块：用于通过贝叶斯模型估计算法将全部节点获取的接收信号强度指示RSSI通过离线训练建模后，映射至概率加权距离D，所述贝叶斯模型估计算法基于无线信号能量衰减原理；

节点定位模块，用于利用最大似然估计法并结合所述概率加权距离D确定静态节点位置；并利用卡尔曼滤波方法将得到的静态节点位置的位置坐标与速度建立四维滤波模型确定移动节点位置。

7.根据权利要求6所述的装置，还包括：初始化处理模块，用于初始化节点功率信息并对各节点信号强度进行线性时域滤波处理。

8.根据权利要求6所述的装置，还包括：在线更新学习模块，用于将得到的静态节点位置返回贝叶斯推断模型进行迭代更新，及将得到的移动节点位置返回所述卡尔曼模型中进行在线学习。

Images