【《基于RSSI的三维质心室内定位研究》6000字（论文）】

基于RSSI的三维质心室内定位研究目录TOC\o"1-2"\h\u29276基于RSSI的三维质心室内定位研究 1310571.1基于ZigBee的信号传播模型 148391.2三维质心室内定位算法 9248251.3三维室内质心迭代定位算法 14实际室内定位过程中，信号传播存在非视距（NLOS）的问题。在利用无线传感器网络进行定位时，很多情况下锚节点与待定位节点之间无直达路径，因此直接进行定位会使定位结果产生误差。为了验证质心迭代定位算法在室内定位环境下的有效性，在室内部署锚节点并进行定位实验。1.1基于ZigBee的信号传播模型利用基于ZigBee的无线传感网络定位系统，可测得节点的RSSI值，将接收信号强度值代入传输模型可计算得到节点间的距离。1.1.1RSSI的传播模型在实际室内环境下，各种障碍物、多径效应、阴影效应和人员走动等因素都会对RSSI值产生影响，导致信号强度异常衰减，从而使来自同一个信号源的RSSI发生偏差，与距离值的对应关系不完全符合传播模型，最终影响定位结果。因此有必要通过实际环境的多次测量，得到符合当前应用环境的传播距离与信号路径间的关系，构建RSSI距离损耗模型，对实际获得的信号值进行分析处理。常用的距离损耗模型主要包括自由空间传播模型、对数-距离路径损耗模型、对数-正态分布模型等[46]。本文根据实际应用情况选择对数-正态阴影模型，用修正的路径损耗模型描述；（4-1）其中，为信号传播距离后的损耗，单位为dBm；为信号传播距离后的损耗，单位为dBm；为传播因子（常取2~5）；为发送节点与接收节点间的欧式距离；为遮蔽因子，是一个均值为0、方差为的高斯随机噪声变量，单位为dBm。为便于计算，在运用时参考距离取值为1m。因此，公式可被简化为:（4-2）式中，为距离发射中心1m处的节点所接收到的信号强度值；单位为dBm。依据公式（4-2），可求得的计算公式为：（4-3）由公式（4-3）可知，常数A和n是计算信号传播距离的关键参数，参数的取值直接影响RSSI值和距离d的计算。A和n的值主要受定位环境的影响，一般固定或相似环境的n值也是接近的，然而由于定位环境的多样性以及信号易受到多径效应等因素的影响，不同定位条件下的n值也各不相同。为了使参数最大程度的契合当前环境中信号的传播特性，确保RSSI值的准确性，需要得到最适合当前环境的A和n。本文在分析大量前人研究工作的基础上，采用线性回归方法估计参数A和n的值。表4-1[47]中给出了一些在不同环境下参数A和n的值，是研究人员通过多次实验得到的适合特定环境的范围值，这些数值不是固定值，无法直接使用，可以用来验证，因此本文需结合实际室内定位条件进行实验，确定适合当前室内的参数A和n的值，进而通过公式（1.3）完成测距。表4-1不同定位环境的经验参数值Table4-1Empiricalparametervaluesofdifferentpositioningenvironments环境A(dB)n办公室（-50.5至-20.5）（1.2-2.6）楼梯走道（-58.2至-29.5）（1.8-5.7）卧室阳台（-62.4至-22.5）（2.6-3.4）大厅（-61.2至-45.5）（2.6-3.8）实验室（-70.5至-30.5）（3.8-5.0）院子（-71.5至-38.5）（3.3-3.9）操场（-76.5至-40.5）（1.5-5.4）树林（-80.5至-25.5）（1.1-3.2）沙滩（-86.5至-56.4）（2.2-3.8）公园（-88.5至-41.6）（3.0-1.6）为了使得模型能够尽量真实反映当前室内环境中的传播特性，评估不同室内环境下RSSI不同的损耗特性，保证RSSI测距的精度，对室内定位环境进行测距分析。在实验室测得两组间隔为0.1m的距离与RSSI一一对应的数值，每个位置采集100个RSSI值，经滤波处理后1m处的RSSI值分别为-45.65dB、-51.96dB,基于公式（1.3）的传播模型，采用线性回归法拟合得到n的值均为3，拟合结果如图4-1、4-2所示。图4-1视距环境RSSI值特性Fig.4-1RSSIvaluecharacteristicsofline-of-sightenvironment图4-2非视距环境RSSI值特性Fig.4-2RSSIvaluecharacteristicsofnon-line-of-sightenvironment从图4-1、4-2中可以看出，实际测量的RSSI值的特性曲线并不光滑稳定。整体看来，随着节点间通信距离的增加RSSI值呈衰减趋势，但又不是严格的衰减，距离较近时RSSI值衰减较快，两者之间的对应关系较好，距离较远时RSSI值波动明显加大，信号值整体衰减程度变得平缓，两者之间的对应关系不明显，此时采集到的RSSI值几乎不可用，说明RSSI值与距离并不是严格的对应关系。在实际环境中，对于某一时间段内节点采集到的n个RSSI值，由于存在多径效应等因素的影响，导致这些RSSI值波动幅度较大。由于4m之前RSSI值与距离的对应关系呈现的较好，因此本文选取节点的通信半径R=4m。图4-3复杂环境的测距误差Fig.4-3Rangingerrorincomplexenvironment图4-3是对复杂环境中4m通信范围内测距误差的拟合，整体看来，在设定的通信距离范围之内，测距误差稳定在1m范围之内，测距结果与距离变量的对应关系较好，为后续定位中锚节点的部署奠定基础。1.1.2RSSI值的处理无线信号传播环境的复杂性必然会导致测距误差，影响定位的精度。因此在实际定位中，需要对接收到的RSSI值进行滤波处理，尽可能消除异常值对RSSI值的影响，以减小测距误差，提高定位精度。本文对测量所得的RSSI值进行滤波预处理，常用的滤波技术有如下3种[48]：1、均值滤波：均值滤波是指计算节点接收到的多个RSSI值的平均值，求取其算术平均值的结果作为滤波结果，减少极端误差值对定位结果的影响。k为采样个数，公式如下：（4-4）其中k的大小将影响采样的精度，k越大意味着采集到的RSSI值的数量越多，样本量越大滤波的效果越好。但样本量的增大意味着所需要的节点数量也增大，所需的定位成本也随之增大，同时从上一节的分析可以看出，实际环境中RSSI值的波动幅度较大，当远离均值的信号值较多时，均值滤波的效果并不好。图4-4RSSI均值滤波Fig.4-4RSSImeanfiltering图4-4中红色线条为采用均值滤波对RSSI值滤波处理的结果，由于定位环境中干扰因素众多，RSSI值的波动受环境影响具有随机性，当数值上下波动的幅度或数量相差不大时，均值滤波的效果就大打折扣。2、高斯滤波：高斯滤波是一种线性平滑滤波，能够有效抑制噪声，高斯滤波的基本原理和均值滤波相似，都是取滤波器窗口内的RSSI的均值作为输出。不同的是高斯滤波器的模板系数不是定值，而是随着距离模板中心的增大而减小，因此它的滤波效果略优于均值滤波。由于节点接收到的RSSI值是波动性的，会影响某个区间内的概率分布，高斯模型利用高概率发生区的数值，再计算其加权平均值，得到滤波结果。RSSI服从的高斯分布，其概率密度函数为：（4-5）式中：，，则区间（）的概率为：该区间即为高概率区间，在区间内选择与函数值相对应的RSSI值，对这些RSSI值加权平均即可得到滤波后的RSSI值：，（4-6）图4-5RSSI高斯滤波Fig.4-6RSSIGaussianfilter高斯滤波有效解决了在收集RSSI值时存在的波动大等问题，能够处理少数异常值，剔除突变信号，但对持续时间较长的稳定性质的干扰问题处理效果不明显。3、卡尔曼滤波：卡尔曼滤波被广泛运用于滤波处理领域，用最小均方误差作为评价准则是它的基本原理，根据前一时刻的预测值和当前时刻的测量值来更新最小均方误差，预测下一时刻的状态，能够对采集到的RSSI数值进行有效滤波。在卡尔曼滤波算法中，用方程描述被观测到的系统。状态估计的一步预测方程是：（4-7）其中是k时刻的状态向量，过程噪声是具有零均值的白噪声，协方差，是状态转移矩阵。它的一步预测方差为：（4-8）下一时刻的预测：（4-9）预测相应的协方差为：（4-10）滤波器的增益为：（4-11）卡尔曼滤波算法的状态更新方程为：（4-12）（4-13）滤波误差协方差更新方程为：（4-14），（4-15）式中，为时刻状态估计的误差，为k时刻测量的状态向量，为过程噪声，其期望是0，协方差为的白噪声。是过程噪声分布矩阵，R是具有期望值为0的正定协方差矩阵。式（4-12）-（4-15）是卡尔曼滤波的修正部分。重复对预测值的修正，消除数值中正态分布的噪声，进而实现滤波。图4-6RSSI卡尔曼滤波Fig.4-6RSSIKalmanfilter图4-6是对一组RSSI值进行卡尔曼滤波的结果。卡尔曼滤波作为一种最优化自回归数据处理方法，对于RSSI值的最优值估计具有很好的效果，在求解时不需要存储大量数据，且可以根据观测到的新数据计算新的滤波值，非常适用于对节点接收到的RSSI滤波。1.2三维质心室内定位算法在三维室内环境进行质心迭代定位算法实验。根据在第三章中介绍的质心迭代定位算法的原理和实现流程，结合1.1节对RSSI在实际定位环境中传播特性的分析，将锚节点均匀布置在8m*8m*3m的房间内，进行基于三维室内环境的质心迭代定位。1.2.1锚节点部署结合3.2节和1.1节的研究分析，选取的节点通信半径为4m，为了最大程度的覆盖空间，在高度为1.5m的平面和地平面间隔4m共部署18个节点，部署模型示意图如图4-7所示，定位空间的俯视平面图如图4-8所示，其中包括1个会议桌、一些椅子、2个工位和书柜等。图4-7锚节点部署模型Fig.4-7Anchornodedeploymentmodel图4-8定位空间平面模型图Fig.4-8Positioningspaceplanemodeldiagram图4-7中虚线连接起来的点为高度为1.5m水平面的锚节点，其余为地平面的部署锚节点，所有锚节点均为间隔4m均匀部署。18个节点的部署方式能够实现94%的覆盖率，随机选取室内空间的10个点作为未知节点进行定位分析，结果见表4-2。实验场景如图4-9所示，图中为部分节点的部署场景。图4-9部分实验场景图Fig.4-9Partoftheexperimentalscenegraph表4-2定位误差对比Table4-2Positioningerrorcomparison定位算法最大误差(m)最小误差(m)平均误差(m)质心定位算法7.320.201.66质心迭代定位算法2.040.031.02可以得出，相同条件下，质心迭代定位算法平均误差可提高3.46m，定位效果优于传统质心定位算法。本文算法的最大定位误差为2.04m，比传统质心定位算法的定位精度高72%。图4-10锚节点部署模型Fig.4-10Anchornodedeploymentmodel本文的定位算法相较于常规的指纹地图定位算法能够减少大量的数据库收集工作，并且大大减少节点部署成本。可以看出，针对64m2的房间均匀部署18个锚节点进行定位对于定位区域来说具有一定的冗余性，因此，尝试减少节点部署数量。减少地平面的锚节点部署数量为4个，如图4-10中的绿色圆点，将8m*8m的平面分为4m*4m的4个网格，分别部署锚节点在网格中心，而高度1.5m的平面其节点部署数量和部署方式不变，部署模型如图4-10所示，这样锚节点能够实现87%的覆盖率。对同样的10个未知节点进行定位分析，定位结果如表4-3所示。表4-3定位误差对比Table4-3Positioningerrorcomparison定位算法最大误差(m)最小误差(m)平均误差(m)质心定位算法7.752.405.17质心迭代定位算法2.110.031.10由于质心定位算法定位方式简单，计算方法单一，质心的计算结果接近于平面中心，使得接近地平面的未知节点的定位结果总是趋近于平面中心，即坐标为（4,4,0）的点，因此，若需要定位的位置距离质心较远，会导致定位误差的偏差大大增加。本文提出的定位算法具有很好的适应性，在减少锚节点部署数量的条件下，平均定位误差仅仅比锚节点覆盖率为87%的定位误差增加0.08m，由于实际目标位置通常不会处于室内边界等极端位置点，因此在减少锚节点部署数量的情况下定位精度几乎不受影响，仍然能够满足室内定位需求，稳定性远优于传统质心定位算法，因此本文采用13个锚节点的部署方式进行实验。1.2.2室内质心迭代定位算法收敛分析从前一章的仿真分析可以得出，本文提出的质心迭代定位算法具有很好的适应性，在不同锚节点覆盖率的条件下，其定位性能都比常规质心定位算法的定位性能好。结合上一小节在室内实际定位的结果来看，质心迭代定位算法的定位精度优于常规质心定位算法，具有良好的实用性。由于仿真实验无法完全实现实际定位空间的定位条件，无法完全考虑其中的非视距因素和不稳定环境因素，因此，在分析了不同的锚节点布局策略后，需要分析算法的适应性。在同样的定位空间和定位条件下，本文的距离偏移系数选取方法优于其他两种，在实际空间中同样适用，但算法的收敛条件受RSSI值波动的影响，仿真实验的收敛条件不一定适用于实际实验。为了找到适用于实际定位环境的收敛条件，按照1.2.1节13个锚节点的部署方式进行实验，待定位环境不变，同样在空间内随机选取10个未知点进行定位分析。本文实验设定节点的通信半径为4m，通信范围不大，结合仿真实验的收敛次数为5次，预估实际实验的收敛速度不会太慢，因此10个未知节点分别进行10次质心迭代计算，其定位结果如下图所示。图4-11未知节点定位迭代分析Fig.4-11Iterativeanalysisofunknownnodelocation从图4-11可以看出红色线条对应的两个节点其迭代优化趋势较为平缓，是因为随机选取的待定位节点距离质心位置较近，算法的距离偏差系数较为稳定。而其他的节点优化效果就比较明显，从图中可以看出，本文算法的定位精度明显优于质心定位，前两次的迭代优化效果最为明显，是因为待定位节点距离质心位置较远，导致算法系数的计算结果差异较大，需要多次迭代才能保证系数的稳定性。综合来看，算法的定位效果随着质心迭代次数的增加越来越好，随着算法系数趋于定值，待定位节点的估计位置趋近实际节点位置，在7次迭代之后体现出较好的收敛效果，7次之后算法迭代对未知节点的定位精度的改善作用减小，为保证定位结果的准确性，因此本文设定室内算法迭代次数为8次。1.3三维室内质心迭代定位算法为了验证室内环境中CILA算法的可行性，将常规加权质心定位算法和本文所提出的CILA算法比较分析。其中常规加权质心定位算法同样是基于传统质心定位算法的改进，加权质心定位算法是通过分析不同锚节点对定位节点的影响程度，利用接收信号强度作为权重系数，进而实现质心定位算法的优化改进；而本文的质心迭代定位算法一方面利用定位偏差系数改进定位效果，另一方面结合实际定位环境进行了锚节点部署分析。加权质心定位算法与本文提出的算法均针对质心定位算法进行算法系数的改进方式，因此这两者具有一定的比较意义。1.3.1加权质心定位算法常规的加权质心定位算法针对传统质心定位算法的优化方式是通过未知节点接收到的RSSI值的集合计算出改进后的权值，达到提高定位精度的目的。现有的权值计算大多基于二维平面，将其扩展到三维空间的基本计算公式为：（4-16）其中，为权值，为待定位节点坐标，为锚节点坐标。由公式(1.1)可知，在实际环境中，利用RSSI值的集合做为权值可能会导致定位效果不好，RSSI值随着距离的增大其值会不断减小，权值的性能下降。这种定位方法没有考虑RSSI值随着距离增大而衰减对定位影响，将参与定位的锚节点对待测节点的影响作用没有作差别考虑。文献[33]基于距离进行系数优化，从距离远近上体现出不同的信标节点对待测节点的影响。节点接收到RSSI值之后，由测距模型可以计算出未知节点到各个信标节点的距离d值，则4个锚节点（A，B，C，D）到未知节点的距离分别为dA、dB、dC、dD，定义权值系数为Q，计算方式为：