首页> 中国专利> 一种基于RSSI的无线传感器网络全移动节点定位方法

一种基于RSSI的无线传感器网络全移动节点定位方法

页面导航

摘要
著录项
法律信息
说明书
相似文献

摘要

本发明涉及一种基于RSSI的无线传感器网络全移动节点定位方法。目前的测距定位算法多用于静态节点定位，或者部分节点移动，部分节点静止的情况，未见将RSSI测距算法应用于锚节点和未知节点均处于移动状态下的节点定位，且目前算法无法解决当锚节点数量少于3个的情况下的节点定位。本发明的目的在于克服现有技术的上述不足，提供一种基于RSSI的无线传感器网络全移动节点定位方法。本发明可以在未知节点与四个，三个，两个以及一个锚节点通信时，采用不同的算法得出未知节点的位置。

著录项

公开/公告号CN105223549A

专利类型发明专利
公开/公告日2016-01-06

原文格式PDF
申请/专利权人东北电力大学;
展开▼

申请/专利号CN201510518322.X
发明设计人李建坡;穆宝春;王晓辉;王艳娇;奚洋;刘迪;姜万昌;
展开▼

申请日2015-08-22
分类号G01S5/12(20060101);G01S5/02(20100101);H04W4/02(20090101);
代理机构51216 四川君士达律师事务所;
代理人芶忠义
地址 132012 吉林省吉林市长春路169号
入库时间 2023-12-18 13:18:56

法律信息

法律状态公告日

法律状态信息

法律状态
2018-12-11

授权

授权
2016-08-10

实质审查的生效 IPC(主分类):G01S5/12 申请日:20150822

实质审查的生效
2016-01-06

公开

公开

说明书

技术领域

本发明涉及的是网络节点定位方法，具体涉及基于RSSI的无线传感器网络全移动节点定位方法。

背景技术

无线传感器网络(wirelesssensornetworks,WSN)是由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织的网络系统，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者。

在传感器网络中，位置信息对传感器网络的监测活动至关重要，事件发生的位置或获取信息的节点位置是传感器节点监测消息中所包含的重要信息。因此，确定事件发生的位置或获取消息的节点位置是传感器网络最基本的功能之一，对传感器网络应用的有效性起着关键的作用。

在传感器网络节点定位技术中，根据节点是否已知自身的位置，把传感器节点分为锚节点和未知节点。锚节点在网络节点中所占的比例很小，可以通过携带GPS定位设备等手段获得自身的精确位置。锚节点是未知节点定位的参考点，未知节点通过锚节点的位置信息根据一定的定位算法计算出自身的位置。根据是否测量节点之间的距离，可将定位算法分为基于测距的定位算法和无需测距的定位算法。无需测距的定位算法主要通过路由跳数、网络连通性等信息进行定位。基于测距的定位算法通过测距技术测量节点间的距离，再利用测量得到的距离信息计算出未知节点的坐标。基于测距的定位技术由于需要计算出节点间的距离，所以其定位精度要高于非测距定位算法。其中，基于信号接收强度 (receivedsignalstrengthindicator,RSSI)测距的定位技术是一个比较有代表性的实现方案。基于RSSI测距的工作原理是已知发射节点发射时的信号强度，接收节点根据收到信号的强度，利用理论或经验的信号传播模型将信号强度转化为距离，从而计算出节点的位置。由于 RSSI算法具有定位算法简单、成本低、功耗小、无需时间同步和额外的硬件等优势而被广泛应用。但是该算法由于容易受环境的干扰，例如无线信号传播过程中的多径干扰、绕射、障碍物、非视线等不定因素都会影响无线信号强度，使得基于RSSI测距及定位的精度受到影响。将RSSI 引入质心定位算法，利用两者的优点，提高无线传感器网络的定位精度是目前定位技术的主要研究方向之一。目前的测距定位算法多用于静态节点定位，或者部分节点移动，部分节点静止的情况，未见将RSSI测距算法应用于锚节点和未知节点均处于移动状态下的节点定位，且目前算法无法解决当锚节点数量少于3个的情况下的节点定位。

发明内容

本发明的目的在于克服现有技术的上述不足，提供一种基于RSSI 的无线传感器网络全移动节点定位方法。具体步骤如下：

1.测距模型的确定

一般情况下，接收信号的平均功率随着距离的增加而呈现衰减性，无线传输中普遍采用的理论模型是shadowing模型，如公式(1)所示：

$P_{r} = P_{r} (d_{0}) - 10 n \lg (\frac{d}{d_{0}}) + X - - - (1)$

式中，P_r表示无线信号的接收功率(dBm)；P_r(d₀)表示参考距离为d₀的无线信号在接收端的接收功率(dBm)，d表示收发单元之间的距离(m)， d₀是参考距离(m)，n表示与环境相关的路径散逸指数，X是均值为0 的高斯随机变量(dBm)。参考距离d₀常取值1m，所以公式(1)可以近似表示为：

P_r＝A-10nlg(d)(2)

式中，A为信号传输距离1m远时接收信号的功率(dBm)，n为与环境有关的路径损耗系数，d为信号传输距离。

式(2)中可采用最小二乘法确定A与n值，在相同的实验环境下测量一组距离d_i与接收信号功率强度的值P_ri，令y＝P_r和x＝lg(d)，则公式(2) 可表示为：

y＝A-10nx(3)

设近似的拟合曲线为偏差平方和为：

式中为把x_i带入拟合曲线后的关于系数a的式子，y_i为x_i所对应的实验环境下测量的数据。按照使偏差平方和最小的原则拟合曲线。

各点到拟合曲线的距离之和，即偏差平方和可表示为：

$R^{2} = Σ_{i = 1}^{n} {[y_{i} - (a_{0} + a_{1} x + ... + a_{k} x^{k})]}^{2} - - - (5)$

对(5)式右边求a_i偏导，并表示成矩阵形式：

通过(6)式可以解出[a₀a₁…a_k]，进而可以确定拟合曲线，然后将拟合曲线与实际的曲线进行对比，可以确定出A和n，最后可以得到shadowing模型的距离与接收信号强度的公式。

2.具体定位过程

(1)当锚节点和未知节点都在随机移动时，在k时刻，当未知节点 X能与4个及以上锚节点进行通信时，选取其中4个RSSI值最大的锚节点A、B、C、D来定位该未知节点，RSSI越大就代表锚节点距离未知节点越近。未知节点接收到的来自锚节点A、B、C、D的信号强度分别为RSSI_A、 RSSI_B、RSSI_C、RSSI_D，利用距离转换模型，可计算出X到锚节点A、B、C、 D的距离，分别表示为d_A、d_B、d_C、d_D。在二维平面定位中，定位一个未知节点需要有三个能够与它通信的锚节点，因此，从这四个锚节点中，任意选出三个来定位未知节点，则同一个未知节点总共可以被定位4次，每次定位坐标分别为(x₁,y₁)、(x₂,y₂)、(x₃,y₃)、(x₄,y₄)。假设先以B、C、D 为锚节点定位未知节点X，分别以锚节点B、C、D为圆点，d_B、d_C、d_D为半径的三个圆相交于点X，则该点即为未知节点的位置，计算公式如 (7)：

$(\begin{matrix} \sqrt{{(x_{1} - x_{B})}^{2} + {(y_{1} - y_{B})}^{2}} = d_{B} \\ \sqrt{{(x_{1} - x_{C})}^{2} + {(y_{1} - y_{C})}^{2}} = d_{C} \\ \sqrt{{(x_{1} - x_{D})}^{2} + {(y_{1} - y_{D})}^{2}} = d_{D} \end{matrix}) - - - (7)$

式中(x_B,y_B)、(x_C,y_C)、(x_D,y_D)分别为锚节点B、C、D的坐标，(x₁,y₁)为通过锚节点B、C、D来定位的未知节点X的坐标，d_B、d_C、d_D分别为锚节点B、C、D到未知节点X的距离，如图2所示。

通过式(7)可求得未知节点X的坐标。

$(\begin{matrix} x_{1} \\ y_{1} \end{matrix}) = {(\begin{matrix} 2 (x_{B} - x_{D}) & 2 (y_{B} - y_{D}) \\ 2 (x_{C} - x_{D}) & 2 (y_{C} - y_{D}) \end{matrix})}^{- 1} (\begin{matrix} x_{B}^{2} - x_{D}^{2} + y_{B}^{2} - y_{D}^{2} + d_{D}^{2} - d_{B}^{2} \\ x_{C}^{2} - x_{D}^{2} + y_{C}^{2} - y_{D}^{2} + d_{D}^{2} - d_{C}^{2} \end{matrix}) - - - (8)$

利用上述方法，可以分别得到用锚节点A、C、D，A、B、D，A、B、C 定位的未知节点坐标(x₂,y₂)、(x₃,y₃)、(x₄,y₄)。

使用质心加权定位算法确定未知节点的坐标：

距离值d越小，对应定位的精度也就越高，任意三个锚节点到未知节点的总共距离越小，定位出来的结果精度较高，所以这样的坐标的权值应该较大。(x₁,y₁)、(x₂,y₂)、(x₃,y₃)、(x₄,y₄)的权值M₁、M₂、M₃、M₄分别为：

$(\begin{matrix} M_{1} = \frac{\frac{1}{d_{B}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}}{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}} \\ M_{2} = \frac{\frac{1}{d_{A}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}}{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}} \\ M_{3} = \frac{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{D}}}{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}} \\ M_{4} = \frac{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{C}}}{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}} \end{matrix}) - - - (9)$

式中分母表示四个锚节点分别到未知节点距离倒数的和，分子为相应的参与定位的三个锚节点到未知节点距离倒数的和。

由此计算出，未知节点的坐标为(x',y')

$(\begin{matrix} x^{'} = \frac{(M_{1} x_{1} + M_{2} x_{2} + M_{3} x_{3} + M_{4} x_{4})}{4} \\ y^{'} = \frac{(M_{1} y_{1} + M_{2} y_{2} + M_{3} y_{3} + M_{4} y_{4})}{4} \end{matrix}) - - - (10)$

当锚节点和未知节点都在随机移动时，在k时刻，当未知节点X 能与4个及以上锚节点进行通信时，根据公式(10)计算出未知节点的坐标(x',y')后，为了进一步提高移动节点的定位精度，对定位出来的坐标进行修正；

根据环境情况，给定一个距离值σ且σ＞0，当两个节点之间的距离小于σ时，则认为两个节点处在同样的环境中，那么定位这两个节点时由于环境造成的误差是近似一样的，在4个锚节点中，他们到未知节点X 的距离分别为d_A、d_B、d_C、d_D，挑选出小于σ的距离值，则认为这些锚节点与未知节点处在相同的环境中；

1)如在A、B、C、D四个锚节点中只有锚节点A距离未知节点的距离d_A＜σ，则使用锚节点B、C、D来定位锚节点A，并且算出的A点的坐标为(x'_A,y'_A)，定位误差为(e_x,e_y)表示为：

$(\begin{matrix} e_{x} = x_{A} - x_{A}^{'} \\ e_{y} = y_{A} - y_{A}^{'} \end{matrix}) - - - (11)$

此误差代表了未知节点环境所造成的定位误差；

2)若未知节点与锚节点的距离值中有多个值满足d＞σ，则采用加权求平均的方法来计算误差，如锚节点A、B、C、D到未知节点X的距离值 d_A、d_B、d_C、d_D都小于σ，则分别以其中三个锚节点为信标节点定位另外的一个锚节点，重新被定位的锚节点坐标分别为 A(x'_A,y'_A)B(x'_B,y'_B)C(x'_C,y'_C)D(x'_D,y'_D)，分别得定位误差为，如公式(12)

$(\begin{matrix} e_{A x} = x_{A} - x_{A}^{'} \\ e_{A y} = y_{A} - y_{A}^{'} \\ e_{B x} = x_{B} - x_{B}^{'} \\ e_{B y} = y_{B} - y_{B}^{'} \\ e_{C x} = x_{C} - x_{C}^{'} \\ e_{C y} = y_{C} - y_{C}^{'} \\ e_{D x} = x_{D} - x_{D}^{'} \\ e_{D y} = y_{D} - y_{D}^{'} \end{matrix}) - - - (12)$

(e_Ax,e_Ay)、(e_Ax,e_Ay)、(e_Ax,e_Ay)、(e_Ax,e_Ay)的权值分别为W_A、W_B、W_C、W_D，如公式(13)

$(\begin{matrix} W_{A} = \frac{\frac{1}{d_{A}}}{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}} \\ W_{B} = \frac{\frac{1}{d_{B}}}{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}} \\ W_{C} = \frac{\frac{1}{d_{C}}}{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}} \\ W_{D} = \frac{\frac{1}{d_{D}}}{\frac{1}{d_{A}} + \frac{1}{d_{B}} + \frac{1}{d_{C}} + \frac{1}{d_{D}}} \end{matrix}) - - - (13)$

权值的分母是各锚节点到未知节点距离倒数的和，分子为其中被定位的锚节点到未知节点距离的倒数，距离值越小，表示锚节点距离未知节点的距离越近，那么定位该锚节点时产生的误差就越能代表定位未知节点时的误差，所以权值就越大；

最终误差为(e_x,e_y)可表示为

$(\begin{matrix} e_{x} = \frac{W_{A} e_{A x} + W_{B} e_{B x} + W_{C} e_{C x} + W_{D} e_{D x}}{4} \\ e_{y} = \frac{W_{A} e_{A y} + W_{B} e_{B y} + W_{C} e_{C y} + W_{D} e_{D y}}{4} \end{matrix}) - - - (14)$

修正后的未知节点的坐标(x，y)为

${\begin{matrix} x = x^{'} + e_{x} \\ y = y^{'} + e_{y} \end{matrix} - - - (15)$

(2)当锚节点和未知节点都在随机移动时，在第k时刻，当只有3 个锚节点能够与未知节点进行通信的时候，假设锚节点分别为A、B、C，未知节点接收到的信号强度分别为RSSI_A、RSSI_B、RSSI_C，利用距离转换模型，其分别到未知节点的距离为d_A、d_B、d_C，则分别以锚节点A、B、 C为圆心，分别以d_A、d_B、d_C为半径画圆，相交于未知节点X，可采用三边测量法定位未知节点X。计算公式为：

$(\begin{matrix} \sqrt{{(x - x_{A})}^{2} + {(y - y_{A})}^{2}} = d_{A} \\ \sqrt{{(x - x_{B})}^{2} + {(y - y_{B})}^{2}} = d_{B} \\ \sqrt{{(x - x_{C})}^{2} + {(y - y_{C})}^{2}} = d_{C} \end{matrix}) - - - (16)$

由此便可求得未知节点X的坐标(x,y)。

$(\begin{matrix} x \\ y \end{matrix}) = {(\begin{matrix} 2 (x_{A} - x_{C}) & 2 (y_{A} - y_{C}) \\ 2 (x_{B} - x_{C}) & 2 (y_{B} - y_{C}) \end{matrix})}^{- 1} (\begin{matrix} x_{A}^{2} - x_{C}^{2} + y_{A}^{2} - y_{C}^{2} + d_{C}^{2} - d_{A}^{2} \\ x_{B}^{2} - x_{C}^{2} + y_{B}^{2} - y_{C}^{2} + d_{C}^{2} - d_{B}^{2} \end{matrix}) - - - (17)$

(3)当锚节点和未知节点都在随机移动时，在k时刻，当未知节点 X只能与2个锚节点A和B进行通信时，设未知节点的移动速度为v，未知节点在k-1时刻定位成功其坐标为(x_k-1,y_k-1)。k时刻锚节点A和B与未知节点X进行通信，锚节点到未知节点X的距离分别为d_A、d_B，分别以锚节点A和B为圆心，以d_A、d_B为半径画圆，则两个圆相交的点分别为X₁和X₂，根据公式(18)求出交点的坐标X₁(x₁,y₁)、X₂(x₂,y₂)，如图3所示。

$(\begin{matrix} \sqrt{{(x - x_{A})}^{2} + {(y - y_{A})}^{2}} = d_{A} \\ \sqrt{{(x - x_{B})}^{2} + {(y - y_{B})}^{2}} = d_{B} \end{matrix}) - - - (18)$

然后计算k-1时刻未知节点X的位置到X₁和X₂的距离值分别为d₁、 d₂，将d₁、d₂于速度进行比较，与速度v比较接近的距离值所对应的位置，即为未知节点k时刻的位置。即若|d₁-v|＜|d₂-v|，则x₁为未知节点X 在k时刻的位置；若|d₂-v|＜|d₁-v|，则x₂为未知节点X在k时刻的位置。

(4)当锚节点和未知节点都在随机移动时，在k时刻，当只有1个锚节点A能够与未知节点X通信的时候，未知节点的移动速度为v，k-n 到k-1时刻，未知节点定位成功。前n个时刻定位的坐标倾斜角序列分别为θ_i＝(θ_k-n,θ_k-n+1,…,θ_k-1)，其中用后一项减去前一项得到相邻的角度差序列Δθ_i＝(Δθ₁,Δθ₂,…,Δθ_n-1)。利用这n-1个角度差来预测第n个角度差，进而计算出来k时刻未知节点相对于坐标原点的倾斜角。预测用的方法是灰预测，以角度差序列作为原始序列，令Δθ_i＝x⁽⁰⁾(m)，其中 m＝i＝1,…n-1具体过程如下：

原始序列为：

x⁽⁰⁾(m)＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n-1))(19)

1)做一阶累加生成序列：

$x^{(1)} (k) = Σ_{m = 1}^{k} x^{(0)} (m), k = 1, ..., n - 1 - - - (20)$

2)构造GM(1,1)的背景值：

$z^{(1)} (k + 1) = \frac{1}{2} [x^{(1)} (k) + x^{(1)} (k + 1)], k = 1, 2, ..., n - 2 - - - (21)$

3)建立x⁽¹⁾(k),(k＝1,2,…,n-1)的一阶线性白化微分方程:

$\frac{{dx}^{(1)} (k)}{d t} + {ax}^{(1)} (k) = u - - - (22)$

其中a,u为待定系数，方程(22)的白化函数式为：

$x^{(1)} (k) = (x^{(0)} (1) - \frac{u}{a}) e^{- a (k - 1)} + \frac{u}{a}, k = 1, 2, ..., n - 1 - - - (23)$

4)根据最小二乘法原理估计参数a,u

${[\hat{a}, \hat{u}]}^{T} = {(B^{T} B)}^{- 1} B^{T} Y_{n} - - - (24)$

其中，数据矩阵B和Y_n为：

$B = (\begin{matrix} - \frac{1}{2} Z^{(1)} (2) & 1 \\ - \frac{1}{2} Z^{(1)} (3) & 1 \\ . & . \\ . & . \\ . & . \\ - \frac{1}{2} Z^{(1)} (n - 1) & 1 \end{matrix}) - - - (25)$

$Y_{n} = (\begin{matrix} x^{(0)} (2) \\ x^{(0)} (3) \\ . \\ . \\ . \\ x^{(0)} (n - 1) \end{matrix}) - - - (26)$

5)将a,u的估计值代入式(23),得到预测方程

6)建立原始数据序列模型：

${\hat{x}}^{(0)} (1) = x^{(0)} (1) - - - (27)$

${\hat{x}}^{(0)} (k) = {\hat{x}}^{(1)} (k) - {\hat{x}}^{(1)} (k - 1) = (1 - e^{\hat{a}}) ({\hat{x}}^{(0)} (1) - \frac{\hat{u}}{\hat{a}}) e^{- \hat{a} (k + 1)}, k = 2, 3 ... - - - (28)$

式中，为原始数据序列x⁽⁰⁾(k),(k＝1,2,…,n-1))的拟合值；为原始数据序列x⁽⁰⁾(k),(k＝1,2,…,n-1)的预测值。

预测出Δθ_n后，计算k时刻未知节点的位置相对于坐标原点的倾斜角为：

θ_k＝θ_k-1+Δθ_n(29)

k-1时刻，以未知节点X的位置为圆心，速度v为半径的圆与k时刻以锚节点A位置为圆心，d_A为半径的圆相交于X₁和X₂两个点，这两个点中有一个点为k时刻未知节点X的位置。由于估计出了k时刻未知节点与原点连线L的倾斜角，通过判断X₁和X₂到直线L的距离可以确定哪个点为正确的位置，即距离较近的点为k时刻未知节点运动到的位置，如图4所示，X₂为k时刻未知节点的位置。

k-1时刻未知节点X的坐标为(x_k-1,y_k-1)，k时刻锚节点A的坐标为 (x_A,y_A)，X₁和X₂计算公式为：

$(\begin{matrix} \sqrt{{(x - x_{k - 1})}^{2} + {(y - y_{k - 1})}^{2}} = v \\ \sqrt{{(x - x_{A})}^{2} + {(y - y_{A})}^{2}} = d_{A} \end{matrix}) - - - (30)$

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明的系统流程图；

图2为本发明的三边测量法；

图3为本发明可与未知节点通信的锚节点个数为2时的情况；

图4为本发明可与未知节点通信的锚节点个数为1时的情况。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1-4，本具体实施方式采用以下技术方案：本发明提出了一种基于RSSI加权质心移动节点定位算法，将RSSI加权质心算法应用于锚节点和未知节点全移动的无线传感器网络。结合未知节点的速度与不同时刻倾斜角的变化，来解决RSSI定位算法中当锚节点少于3个的时候无法定位的问题。

1.测距模型的确定

一般情况下，接收信号的平均功率随着距离的增加而呈现衰减性，无线传输中普遍采用的理论模型是shadowing模型，如公式(1)所示：

$P_{r} = P_{r} (d_{0}) - 10 n \lg (\frac{d}{d_{0}}) + X - - - (1)$

P_r＝A-10nlg(d)(2)

式中，A为信号传输距离1m远时接收信号的功率(dBm)，n为与环境有关的路径损耗系数，d为信号传输距离。

式(2)中可采用最小二乘法确定A与n值，在相同的实验环境下测量一组距离d_i与接收信号功率强度的值P_ri，令y＝P_r和x＝lg(d)，则公式(2) 可表示为：

y＝A-10nx(3)

设近似的拟合曲线为偏差平方和为：

式中为把x_i带入拟合曲线后的关于系数a的式子，y_i为x_i所对应的实验环境下测量的数据。按照使偏差平方和最小的原则拟合曲线。

各点到拟合曲线的距离之和，即偏差平方和可表示为：

$R^{2} = Σ_{i = 1}^{n} {[y_{i} - (a_{0} + a_{1} x + ... + a_{k} x^{k})]}^{2} - - - (5)$

对(5)式右边求a_i偏导，并表示成矩阵形式：

2.具体定位过程

通过式(7)可求得未知节点X的坐标。

利用上述方法，可以分别得到用锚节点A、C、D，A、B、D，A、B、C 定位的未知节点坐标(x₂,y₂)、(x₃,y₃)、(x₄,y₄)。

使用质心加权定位算法确定未知节点的坐标：

式中分母表示四个锚节点分别到未知节点距离倒数的和，分子为相应的参与定位的三个锚节点到未知节点距离倒数的和。

由此计算出，未知节点的坐标为(x',y')

$(\begin{matrix} x^{'} = \frac{(M_{1} x_{1} + M_{2} x_{2} + M_{3} x_{3} + M_{4} x_{4})}{4} \\ y^{'} = \frac{(M_{1} y_{1} + M_{2} y_{2} + M_{3} y_{3} + M_{4} y_{4})}{4} \end{matrix}) - - - (10)$

在此基础上，为了进一步提高移动节点的定位精度，现在对定位出来的坐标进行修正。

根据环境情况，给定一个距离值σ且σ＞0，当两个节点之间的距离小于σ时，则认为两个节点处在同样的环境中，那么定位这两个节点时由于环境造成的误差是近似一样的。在4个锚节点中，他们到未知节点X 的距离分别为d_A、d_B、d_C、d_D，挑选出小于σ的距离值，则认为这些锚节点与未知节点处在相同的环境中。

$(\begin{matrix} e_{x} = x_{A} - x_{A}^{'} \\ e_{y} = y_{A} - y_{A}^{'} \end{matrix}) - - - (11)$

此误差代表了未知节点环境所造成的定位误差。

2)若未知节点与锚节点的距离值中有多个值满足d＞σ，则采用加权求平均的方法来计算误差。如锚节点A、B、C、D到未知节点X的距离值 d_A、d_B、d_C、d_D都小于σ，则分别以其中三个锚节点为信标节点定位另外的一个锚节点，重新被定位的锚节点坐标分别为 A(x'_A,y'_A)B(x'_B,y'_B)C(x'_C,y'_C)D(x'_D,y'_D)，分别得定位误差为，如公式(12)

(e_Ax,e_Ay)、(e_Ax,e_Ay)、(e_Ax,e_Ay)、(e_Ax,e_Ay)的权值分别为W_A、W_B、W_C、W_D，如公式(13)

权值的分母是各锚节点到未知节点距离倒数的和，分子为其中被定位的锚节点到未知节点距离的倒数，距离值越小，表示锚节点距离未知节点的距离越近，那么定位该锚节点时产生的误差就越能代表定位未知节点时的误差，所以权值就越大。

最终误差为(e_x,e_y)可表示为

修正后的未知节点的坐标(x，y)为

${\begin{matrix} x = x^{'} + e_{x} \\ y = y^{'} + e_{y} \end{matrix} - - - (15)$

3)如果在4个锚节点中距离未知节点的距离都大于给定的σ，则不进行定位精度的修正，则未知节点的坐标即为(x',y')

由此便可求得未知节点X的坐标(x,y)。

当锚节点和未知节点都在随机移动时，在k时刻，当未知节点X只能与2个锚节点A和B进行通信时，设未知节点的移动速度为v，未知节点在k-1时刻定位成功其坐标为(x_k-1,y_k-1)。k时刻锚节点A和B与未知节点X进行通信，锚节点到未知节点X的距离分别为d_A、d_B，分别以锚节点A和B为圆心，以d_A、d_B为半径画圆，则两个圆相交的点分别为X₁和X₂，根据公式(18)求出交点的坐标X₁(x₁,y₁)、X₂(x₂,y₂)，如图3所示。

$(\begin{matrix} \sqrt{{(x - x_{A})}^{2} + {(y - y_{A})}^{2}} = d_{A} \\ \sqrt{{(x - x_{B})}^{2} + {(y - y_{B})}^{2}} = d_{B} \end{matrix}) - - - (18)$

然后计算k-1时刻未知节点X的位置到X₁和X₂的距离值分别为d₁、d₂，将d₁、d₂于速度进行比较，与速度v比较接近的距离值所对应的位置，即为未知节点k时刻的位置。即若|d₁-v|＜|d₂-v|，则x₁为未知节点X在k 时刻的位置；若|d₂-v|＜|d₁-v|，则x₂为未知节点X在k时刻的位置。

原始序列为：

x⁽⁰⁾(m)＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n-1))(19)

1)做一阶累加生成序列：

$x^{(1)} (k) = Σ_{m = 1}^{k} x^{(0)} (m), k = 1, ..., n - 1 - - - (20)$

2)构造GM(1,1)的背景值：

$z^{(1)} (k + 1) = \frac{1}{2} [x^{(1)} (k) + x^{(1)} (k + 1)], k = 1, 2, ..., n - 2 - - - (21)$

3)建立x⁽¹⁾(k),(k＝1,2,…,n-1)的一阶线性白化微分方程:

$\frac{{dx}^{(1)} (k)}{d t} + {ax}^{(1)} (k) = u - - - (22)$

其中a,u为待定系数，方程(22)的白化函数式为：

$x^{(1)} (k) = (x^{(0)} (1) - \frac{u}{a}) e^{- a (k - 1)} + \frac{u}{a}, k = 1, 2, ..., n - 1 - - - (23)$

4)根据最小二乘法原理估计参数a,u

${[\hat{a}, \hat{u}]}^{T} = {(B^{T} B)}^{- 1} B^{T} Y_{n} - - - (24)$

其中，数据矩阵B和Y_n为：

$B = (\begin{matrix} - \frac{1}{2} Z^{(1)} (2) & 1 \\ - \frac{1}{2} Z^{(1)} (3) & 1 \\ . & . \\ . & . \\ . & . \\ - \frac{1}{2} Z^{(1)} (n - 1) & 1 \end{matrix}) - - - (25)$

$Y_{n} = (\begin{matrix} x^{(0)} (2) \\ x^{(0)} (3) \\ . \\ . \\ . \\ x^{(0)} (n - 1) \end{matrix}) - - - (26)$

5)将a,u的估计值代入式(23),得到预测方程

6)建立原始数据序列模型：

${\hat{x}}^{(0)} (1) = x^{(0)} (1) - - - (27)$

${\hat{x}}^{(0)} (k) = {\hat{x}}^{(1)} (k) - {\hat{x}}^{(1)} (k - 1) = (1 - e^{\hat{a}}) ({\hat{x}}^{(0)} (1) - \frac{\hat{u}}{\hat{a}}) e^{- \hat{a} (k + 1)}, k = 2, 3 ... - - - (28)$

式中，为原始数据序列x⁽⁰⁾(k),(k＝1,2,…,n-1))的拟合值；为原始数据序列x⁽⁰⁾(k),(k＝1,2,…,n-1)的预测值。

预测出Δθ_n后，计算k时刻未知节点的位置相对于坐标原点的倾斜角为：

θ_k＝θ_k-1+Δθ_n(29)

k-1时刻未知节点X的坐标为(x_k-1,y_k-1)，k时刻锚节点A的坐标为 (x_A,y_A)，X₁和X₂计算公式为：

$(\begin{matrix} \sqrt{{(x - x_{k - 1})}^{2} + {(y - y_{k - 1})}^{2}} = v \\ \sqrt{{(x - x_{A})}^{2} + {(y - y_{A})}^{2}} = d_{A} \end{matrix}) - - - (30)$

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

去获取专利，查看全文>

相似文献

专利
中文文献
外文文献

1. 一种基于RSSI的无线传感器网络全移动节点定位方法 [P] . 中国专利： CN105223549B . 2018.12.11
2. 一种基于CSI与RSSI的无线传感器网络抗干扰定位方法 [P] . 中国专利： CN111683345B . 2021.12.14
3. WIRELESS SENSOR NETWORK BASED AUTONOMOUS DRIVING METHOD OF MOBILE NODE NOT REQUIRING LOCALIZATION [P] . 韩国专利： KR20130122340A . 2013-11-07

机译：基于无线传感器网络的移动节点自主驾驶方法，无需定位
4. RSSI Object positioning system and method based on RSSI [P] . 韩国专利： KR20200074607A . 2020-06-25

机译：基于RSSI的RSSI对象定位系统和方法
5. RSSI WIRELESS CHARGING VEHICLE POSITIONING SYSTEM BY TRIANGULATION BASED ON RSSI FOR IMPROVING CHARGING EFFICIENCY AND METHOD THEREOF [P] . 韩国专利： KR20200050275A . 2020-05-11

机译：基于RSSI的三角剖分RSSI无线充电车辆定位系统以提高充电效率及其方法