CN105764133B - 一种基于rssi的抑制异常值的wsn节点定位方法 - Google Patents

Abstract

本发明公开了一种基于RSSI的抑制异常值的WSN节点定位方法，属于无线通信技术领域。本发明利用条件数改进最小二乘法抑制异常值的基于RSSI的WSN节点定位方法，首先利用RSSI获得未知节点与其邻居锚节点的距离；再由最小二乘法表示出估计矢量及其法矩阵；然后根据法矩阵的条件数判断估计矢量是否会出现异常值；若否，则可直接计算出估计矢量；若是，则通过增加或减少邻居锚节点的位置信息以降低估计矢量的法矩阵条件数,以抑制异常值出现。因而，针对用传统最小二乘法进行运算时存在的性能不稳定的缺陷，本发明具有定位精度高，定位性能稳定的特点。

Description

一种基于RSSI的抑制异常值的WSN节点定位方法

技术领域

本发明属于无线通信技术领域，特别是涉及一种利用条件数改进最小二乘法抑制异常值的基于RSSI的WSN节点定位方法。

背景技术

无线传感器网络(Wireless Sensor Networks,简称WSN)由大量部署在监测区域或者附近的低成本低功耗的传感器节点组成，这些节点具有感知能力、计算能力以及通信能力，各个节点通过自组织网络进行协同工作。

在无线传感器网络中，确定事件发生的位置或数据采集的位置是至关重要的，否则获取的信息就毫无意义。传感器节点可以分为两类：锚节点(位置信息已知的节点)与未知节点(位置信息未知的节点)。锚节点在无线传感器网络中的数量远小于未知节点数量，在定位过程中由锚节点作为参考点对未知节点进行定位。传感器节点的定位方法可以分为两类：基于测距的算法及距离无关的算法。

基于测距的算法首先需要测量待测节点与其邻居锚节点的距离或者角度，然后根据测得的距离或者角度通过三边测量法、三角测量法或者最小二乘法求得待测节点的坐标。基于测距的算法有基于RSSI(Received Signal Strength Indication)的定位、基于TOA(Time of Arrival)的定位、基于TDOA(Time Difference of Arrival)的定位以及基于AOA(Angle of Arrival)的定位等。距离无关的算法有质心定位算法、DV-Hop算法、APIT算法、DV2distance算法以及核心方程算法等，不需要待测节点与其邻居锚节点的距离或者角度，降低了对节点的硬件要求，但其定位精度不高。

通常无线传感器网络中的传感器节点是密集存在的，也可能会分布在不易维护的地理区域，一旦传感器节点的能量消耗殆尽，此节点就会失效，因此需要低耗能的定位算法同时也要兼顾定位的精确度。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种利用条件数改进最小二乘法的基于RSSI的WSN节点定位方法，以抑制异常值，有效的提高算法的稳定性与精确度。

本发明的解决方案是针对用传统最小二乘法进行运算时存在的精确度低的缺陷，首先利用RSSI获得未知节点与其邻居锚节点的距离；再由最小二乘法表示出估计矢量及其法矩阵；然后根据法矩阵的条件数判断估计矢量是否会出现异常值；若否，则可直接计算出估计矢量；若是，则通过增加或减少邻居锚节点的位置信息以降低估计矢量的法矩阵条件数。从而抑制异常值出现。因此，本发明的基于RSSI的抑制异常值的WSN节点定位方法包括下列步骤：

步骤1：基于当前网络拓扑获取未知节点的邻居锚节点；用K_i表示各未知节点的邻居锚节点数，其中下标i用于区分不同的未知节点，对于K_i≥3的未知节点，基于邻居锚节点的RSS计算当前未知节点与各邻居锚节点的距离；

步骤2：按未知节点与各邻居锚节点的距离的升序对K_i个邻居锚节点坐标进行排序，得到坐标序列：

步骤3：基于未知节点的前三个邻居锚节点坐标计算条件数a＝cond(A₁ ^TA₁)，基于未知节点的K_i个邻居锚节点坐标计算条件数b＝cond(A₂ ^TA₂)，其中符号cond(·)表示矩阵条件数，矩阵矩阵

步骤4：若K_i＝3且a＞thr，则跳过当前未知节点；若K_i＝3且a≤thr，则基于K_i个邻居锚节点坐标，通过最小二乘法确定当前未知节点坐标，并将当前未知节点标记为锚节点，其中thr为预设阈值；

步骤5：若K_i＞3且b≤thr，则基于K_i个邻居锚节点坐标，通过最小二乘法确定当前未知节点坐标，并将当前未知节点标记为锚节点；

若K_i＞3且b＞thr且a≤thr，则对未知节点的邻居锚节点坐标进行筛选，并基于筛序结果，通过最小二乘法确定当前未知节点坐标，并将当前未知节点标记为锚节点；

若K_i＞3且b＞thr且a＞thr，则首先对未知节点的邻居锚节点坐标进行筛选，再判断筛选结果的邻居锚节点个数是否大于3，若是，则基于筛序结果，通过最小二乘法确定当前未知节点坐标，并将当前未知节点标记为锚节点；否则跳过当前未知节点；

其中，对未知节点的邻居锚节点坐标进行筛选为：从坐标序列的第四个坐标(x₄,y₄)到坐标顺次执行步骤①～③：

步骤①：将坐标(x_s,y_s)加入到当前集合Set_c中，其中s＝4,5,…,K_i-1，集合Set_c的初始值为Set_c＝((x₁,y₁),(x₂,y₂),(x₃,y₃))；

步骤②：基于当前集合Set_c，计算条件数c＝cond(A₃ ^TA₃)，其中矩阵

步骤③：若c＞thr，则将坐标(x_s,y_s)从集合Set_c中删除。

综上所述，由于采用了上述技术方案，本发明的有益效果是：在最小二乘法的基础上增加了条件数进行判断，不仅保留了尽可能多的位置信息而且有效的剔除异常值，显著提高了定位的精确度，并大大增强了最小二乘法定位的稳定性。

附图说明

图1是本发明实施方式的流程示意图；

图2是本发明实施方式的定位区域及节点分布图；

图3是本发明实施方式仿真运行所得未知节点定位误差轨迹示意图；

图4是本发明实施方式仿真运行所得定位误差随总节点数目变化轨迹示意图；

图5是本发明实施方式仿真运行所得定位误差随锚节点数目变化轨迹示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

参见图1，将本发明用于图2所示的无线传感器网络的监测区域(在200m*200m的区域内随机布置20个锚节点，60个未知节点。)的WSN节点定位，具体包括下列步骤：

步骤S1：获取图2所示的检测区域的网络拓扑；

步骤S2：获取未知节点数量n(n＝60)，从第一个未知节点开始，分别获取未知节点的邻居锚节点。即初始化未知节点标识符i＝1，每处理一个未知节点的定位，则将i+1，以用于判断是否处理完当前网络拓扑的所有未知节点；

步骤S3：若i≤n，则执行步骤S4；否则执行步骤S17；

步骤S4：判断当前未知节点的邻居锚节点的个数K_i是否小于3，若是，则不能定位，跳过当前未知节点，处理下一个未知节点，即执行步骤S11(令i＝i+1后，返回步骤S3)；若否，则执行步骤S5；

步骤S5：根据接收到的RSSI计算其与邻居锚节点的距离并记录邻居锚节点的坐标信息；

步骤S6：将距离按由小到大重新排序同时也将与距离对应的锚节点坐标重新排序。重新排序后的邻居锚节点坐标为与之对应的距离为其中

步骤S7：计算矩阵在此基础上计算条件数a＝cond(A₁ ^TA₁),b＝cond(A₂ ^TA₂)；

步骤S8：若K_i＝3，则执行步骤S9；否则执行步骤S12；

步骤S9：判断条件数a与阈值thr(本实施方式中，取值为100)的大小关系，若a≤thr，则执行步骤S10；否则执行步骤S11；

步骤S10：基于K_i个邻居锚节点，通过最小二乘法计算未知节点坐标并将当前未知节点标记为锚节点，并执行步骤S11；

其中，矩阵

步骤S11：更新i，即令i＝i+1后，返回步骤S3；

步骤S12：判断条件数b是否小于或等于thr，若是，则执行步骤S10；若否，则执行步骤S13；

步骤S13：对K_i个邻居锚节点进行筛选后执行步骤S14。

对邻居节点进行筛选的处理具体为：从坐标序列的第四个坐标(x₄,y₄)到坐标顺次执行步骤①～③：

步骤①：将坐标(x_s,y_s)加入到当前集合Set_c中，其中s＝4,5,…,K_i-1，集合Set_c的初始值为Set_c＝((x₁,y₁),(x₂,y₂),(x₃,y₃))；

步骤②：基于当前集合Set_c，计算条件数c＝cond(A₃ ^TA₃)，其中矩阵

步骤③：若c＞thr，则将坐标(x_s,y_s)从集合Set_c中删除；

步骤S14：判断条件数a是否小于或等于thr，若是，则执行步骤S15；否则执行步骤S16；

步骤S15：判断集合Set_c的元素数m是否大于3，若是，则执行步骤S16；否则执行步骤S11；

步骤S16：基于筛选结果，通过最小二乘法计算未知节点坐标后，执行步骤S11；

筛选结果为：集合Set_c＝((x₁,y₁),(x₂,y₂),…,(x_m,y_m))，其中m表示Set_c的元素数，且m≤K_i，各邻居锚节点与当前未知坐标的对应距离依次为(d₁,d₂,…,d_m)，且d₁＜d₂＜d₃＜…＜d_m。

矩阵

步骤17：当i＞n时，执行步骤S17，即判断当前网络拓扑是否还存在未知节点，若是，则执行步骤S18；否则执行步骤S19，结束。

步骤S18：更新网络拓扑，继续执行步骤S2。

图3、4、5分别是针对对图2所示的监测区域，仿真运行本发明所得未知节点定位误差轨迹示意图、定位误差随总节点数目变化轨迹示意图和定位误差随锚节点数目变化轨迹示意图。图3中横坐标为定位次数(The number of location)，纵坐标为误差率；图4中横坐标为当前检测区域的所有节点数量(The number of all nodes)，纵坐标为误差率；图5中横坐标为锚节点数量(The number of anchor nodes)，纵坐标为误差率。从图3-5可表面本发明的节点定位方法的低误差性与处理稳定性。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (2)

1.基于RSSI的抑制异常值的WSN节点定位方法，其特征在于，包括下列步骤：

步骤1：基于当前网络拓扑获取未知节点的邻居锚节点；用K_i表示各未知节点的邻居锚节点数，其中下标i用于区分不同的未知节点，对于K_i≥3的未知节点，基于邻居锚节点的RSSI计算当前未知节点与各邻居锚节点的距离；

步骤2：按未知节点与各邻居锚节点的距离的升序对K_i个邻居锚节点坐标进行排序，得到坐标序列：

步骤3：基于未知节点的前三个邻居锚节点坐标计算条件数a＝cond(A₁ ^TA₁)，基于未知节点的K_i个邻居锚节点坐标计算条件数b＝cond(A₂ ^TA₂)，其中符号cond(·)表示矩阵条件数，矩阵矩阵

步骤4：若K_i＝3且a＞thr，则跳过当前未知节点；若K_i＝3且a≤thr，则基于K_i个邻居锚节点坐标，通过最小二乘法确定当前未知节点坐标，并将当前未知节点标记为锚节点，其中thr为预设阈值；

步骤5：若K_i＞3且b≤thr，则基于K_i个邻居锚节点坐标，通过最小二乘法确定当前未知节点坐标，并将当前未知节点标记为锚节点；

若K_i＞3且b＞thr且a≤thr，则对未知节点的邻居锚节点坐标进行筛选，并基于筛序结果，通过最小二乘法确定当前未知节点坐标，并将当前未知节点标记为锚节点；

若K_i＞3且b＞thr且a＞thr，则首先对未知节点的邻居锚节点坐标进行筛选，再判断筛选结果的邻居锚节点个数是否大于3，若是，则基于筛序结果，通过最小二乘法确定当前未知节点坐标，并将当前未知节点标记为锚节点；否则跳过当前未知节点；

其中，对未知节点的邻居锚节点坐标进行筛选为：从坐标序列的第四个坐标(x₄,y₄)到坐标顺次执行步骤①～③：

步骤①：将坐标(x_s,y_s)加入到当前集合Set_c中，其中s＝4,5,…,K_i-1，集合Set_c的初始值为Set_c＝((x₁,y₁),(x₂,y₂),(x₃,y₃))；

步骤②：基于当前集合Set_c，计算条件数c＝cond(A₃ ^TA₃)，其中矩阵

步骤③：若c＞thr，则将坐标(x_s,y_s)从集合Set_c中删除。

2.如权利要求1所述的方法，其特征在于，阈值thr的取值为100。