无线传感器网络中节点定位算法的学习

可以根据上面的式子求出M点的 坐标，同理可以求出N点，E点的 坐标，最后通过求三角形质心的 位置信息来得到未知节点的坐标
15
文献回顾
文章提出了一种加权质心的算法，可以得到更加精准的未知节点的坐标信息： 对于四个接收器节点A，B，C,F,它们的坐标位置已知，现在利用这4个已知节 点来求未知节点D的坐标位置，每次从A，B，C，F四个节点中选择3个，通过 上面的三角质心算法可以确定未知节点的4个坐标信息D1（x1,y1），D2 （x2,y2）,D3（x3,y3）,D4（x4,y4）通过求平均值来求得未知节点D的坐标， 其中引入了加权因子，该加权因子是每次选取的三个节点的半径之和的倒数， 如下式所示：
∑φ ∑φ
i =1 i =1
1
i
)(n = 4)
16
文献回顾
文章作者在Window平台上，用C++语言实现了该算法。 实验环境包括笔记本电脑一台，装有wpa_supplicant用于 接收信号强度，AP三个，USB接口TPLINK无线网卡一块。 wpa_supplicant获得周围的无线信号强度后，根据筛选出 的RSSI值定位。根据作者的实验数据可以看出，基于过 滤的RSSI值结合加权质心算法来定位确实提高了定位精 度。
10
文献回顾
这篇文章中的算法主要流程如下：
测出某一段时间内， 接收器接收到未知节 点发出的RSSI值
对这些RSSI值进行 高斯滤波，选取比较 优的RSSI值
最后通过三边测量法， 质心加权算法测出未 知节点的坐标
根据信号—距离模型 将优化的RSSI值转 换成距离
11
文献回顾
高斯滤波寻找最优的RSSI值：首先定义在某段时间内， 信号接收器接收到未知节点的n个RSSI值，由于这n个 RSSI值是随机离散的变量，则这些值服从或近似服从 高斯分布（正态分布），选取那些高概率，即分布密 度比较大的区域（一般经验值位大于等于0.6的区域）， 测量结果关于x的密度函数f(x)如下公式所示：
4
前言
在这些算法中，RSSI（Recept Signal Strength Indication，接收信号强度指示，简称 RSSI）算法由于其低成本，低复杂性的优势被广 泛应用到各个领域，但是由于信号强度很容易受 影响（比如天气，障碍物等）导致定位精度会有 所影响。因为RSSI算法的优势，所以在RSSI算法 上寻求一种能提高定位精度的方法很有必要，现 阶段我主要是通过大量阅读相关期刊文献，弄清 楚算法理论的基础上，能够产生自己的思想，找 到一种低成本投入实现高精度定位的算法，并能 在仿真平台上去验证自己的思想。
n
1 cos( A, B ) = * R ( A, B )
∑R
i =1 n i =1
Ai
RBi
R Ai 2 RBi 2 ∑
上面的式子中， 表示 节点A接受到节点B的 RSSI值，RA i和RB i分 别是节点A、B 从相同 的N 个节点中第i个节点 接收到的RSSI值;
20
文献回顾
文章通过仿真结果表明，聚类平均法定位具有很好的定位效果，通过与RSSI质心法， RSSI校验法等基于RSSI测距算法进行对比，该算法有明显的优势。仿真结果如下图:
17
文献回顾
Paper II
无线传感器网络中基于聚类平均的定位 算法
侯亚娜, 胡维平
摘要：这篇文章主要是针对RSSI定位算法中RSSI由于在传播过程中的损耗， 导致定位精度不高的问题，提出了在信号强度值在传播模式中的相似度原则进行 聚类平均，通过仿真表明，改进后的算法定位精度提高，算法抗干扰能力强，特 别适合锚点数量较少的环境。 Key words：RSSI clustering anti-interference
5
前言
RSSI算法介绍 RSSI算法是指根据无线传感器接受到（目标物体） 的信号指示强度，计算该信号在传播中的损耗， 根据理论或者经验的信号传播模型将信号强度转 换成距离。但是这种算法很容易受到天气，障碍 物或人员流动的影响，导致测距不精确，从而定 位精度不高。但是由于RSSI算法简单，成本低廉， 很多无线通信模块提供RSSI值，所以RSSI算法依 然应用在众多领域中。下面是RSSI算法的模型和 理论公式：
LOGO
Learning of node localization algorithm in wireless sensor networks
Addresser：Jian Zou Advisor: Prof . Jianxia Chen Date: Mar,9th ,2012
1
Main content
这种是理想模型，三圆相交在未知节点上，可 以根据上面的式子计算出未知节点的坐标信息。
14
文献回顾
实际情况往往会很复杂，现在模拟简单的三圆相交的 情况
( xa − xm )2 + ( ya − ym )2 <= Ra2 ( xb − xm )2 + ( yb − ym )2 = Rb2 ( xc − xm )2 + ( yc − ym )2 = Rc2
24
LOGO
Thank You
25
m
RSS I m =
∑ RSSI
i =1
i
m
23
总结
代表某类中有m个RSSI值，然后利用信号—距离模型：
求出这个聚类群体中的距离di，最后对这k个距离值进行几何平均，可以得到一个 比较好的距离值。这种思路在理论上是可行的，但是具体在实际运用中能否提高定 位的精度，还需要通过进一步的实验和仿真结果来支撑。
f (x) =
δ
1 2π
e
−
( x − u ) 2δ
22Βιβλιοθήκη 其中，12文献回顾
13
文献回顾
采用三边测量法来确定未知节点的位置
( x − x1 ) 2 + ( y − y 1 ) 2 = R 1 2 ( x − x2 ) 2 + ( y − y2 ) 2 = R2 2 ( x − x3 ) 2 + ( y − y 3 ) 2 = R3 2
φ1 = φ
2
1 1 1 1
r a + rb + r c r a + rb + r f ra + r f + rc r f + rb + r c
得到最后的未知节点D（x，y）的坐标公 式如下：
n
=
φ3 = φ
4
D( x, y ) = D( i =1 n
∑φ ∑φ
i
xi 1
i
n i =1 n
yi
i
,
=
22
总结
左图是聚类的流程图，假设对这些 RSSI值集合已经完成聚类，聚类数目k （人为设定），即n个RSSI值已经被聚 成k个聚类群体中，每个聚类群体代表 了具有最大相似度的RSSI值，我们可 以计算出在这个聚类群体中的信号传播 指数为（其中有k个n值） n={n1,n2……nk}，对每个聚类中的 RSSI值进行求平均值：
R(d0 ) − R(d ) d = d0 *10exp( ) 10n
（2）
9
文献回顾
Paper I
无限网络定位技术研究
李丽1,3,周彦伟2,吴振强3
摘要：这篇文章主要针对RSSI定位算法的距离值容易受影响而导致定位精 度低的问题，提出了在RSSI定位算法的基础上，通过高斯滤波的方法优先 选取RSSI值的策略，并融入了加权质心算法，以保证定位精度的提高。改 进的算法在相应的实验环境下得到了验证，改进后的算法的定位精度得到了 改善。 Key words：RSSI Gaussian Filters weighted centroid
18
文献回顾
当运动节点离开信源时，接收的信号强度会减少，如下图 曲线所示，虚线是这段信号强度的均值；
根据信号—距离模型公式， n是传播损耗指数，会随 环境的变化而变化，所以 n值的不确定性会很大程 度上影响定位精度。
图5.RSSI的实测值和平均值
19
文献回顾
文章提出了一种思想：对处在相似因素影响环境下的多个节点组成的接受到的RSSI 值进行聚类，对于形成的k个聚类群，对每个聚类群的n值进行统计分析，然后求出 每个聚类群中的RSSI均值，最后再对这k个聚类群的平均值再求几何平均，得到一 个比较优的RSSI值，作为最后测距的RSSI值，其中的n是从这k个n中求平均值得到。 文章中对聚类的相似度测量采用的是夹角余弦测量法：
6
前言
R(d0)
d d0 R(d)
7
前言
如上图中，R（d）表示目标物体在距离阅读器d 处的信号强度，R（d0）表示参考物体在距离阅 读器d0处的信号强度，根据信号损耗的理论模型， 可以得到公式（1）：
d R(d ) = R(d 0 ) − 10n lg( ) （1） d0
8
前言
其中n是一个信号衰减指数，一般根据具体的环境 情况而设定，属于经验值，一般取（2,5）之间， 根据公式（1），我们可以求出距离d，见公式 （2）：
前言
主要介绍无线传感 器网络中节点定位 的研究现状，包括 对RSSI算法的介 绍
文献回顾
主要通过阅读期 刊文献，理解文 章的思想
总结
通过阅读文章，能够对 自己的研究方向产生更 加深刻的印象，并能够 提出自己的想法
2
前言
无线传感器网络(wireless sensor network,简称 WSN)，是一种比较新的信息获取和处理技术， 它能够在很多应用领域上实现复杂的监测和跟踪 任务，对目标物体进行实时定位。与传统的基于 终端定位方式不同的是，基于终端的定位是指移 动终端根据基站和服务器所提供的信息进行定位， 比如全球卫星定位技术（Global positioning satellite，简称GPS），基于WSN的定位是根据