董 哲，吳 瑤，孫德輝

（北方工業(yè)大學(xué) 機(jī)電工程學(xué)院 現(xiàn)場(chǎng)總線及自動(dòng)化重點(diǎn)實(shí)驗(yàn)室，北京100144）

0 引 言

隨著物聯(lián)網(wǎng)的廣泛應(yīng)用，移動(dòng)定位技術(shù)成為了國(guó)內(nèi)外熱點(diǎn)研究課題之一。其中，由于GPS信號(hào)無(wú)法傳播到室內(nèi)、地下和隧道中，且易受到大樹(shù)、山脈、城市內(nèi)部高大建筑物的遮擋發(fā)生多路徑效應(yīng)，從而難以應(yīng)用到室內(nèi)［1］。在室內(nèi)目標(biāo)定位和跟蹤等應(yīng)用中，無(wú)線傳感器網(wǎng)絡(luò)正好可以彌補(bǔ)GPS定位性能的局限性，并且有效應(yīng)用在智能家居、倉(cāng)儲(chǔ)管理以及安全防護(hù)等領(lǐng)域。因此對(duì)其技術(shù)的應(yīng)用要求也越來(lái)越嚴(yán)格，主要體現(xiàn)于定位精度。

1 RSS和TOF定位技術(shù)研究

1.1 基于RSSI的距離測(cè)量

在信號(hào)傳輸過(guò)程中，移動(dòng)節(jié)點(diǎn)接收到的信號(hào)強(qiáng)度會(huì)隨著距離的變化而變化，利用理論和經(jīng)驗(yàn)?zāi)Ｐ蛯鬏敁p耗轉(zhuǎn)化為節(jié)點(diǎn)間的距離。采用Log－normal Shadowing Model模型［2］，公式如下

式中：d——固定節(jié)點(diǎn)到移動(dòng)節(jié)點(diǎn)的距離，Pr（d）——固定節(jié)點(diǎn)接收到的信號(hào)強(qiáng)度，d0——參考距離，Pr（d0）——移動(dòng)節(jié)點(diǎn)在距離d0時(shí)所接收到的信號(hào)強(qiáng)度。XdB——一個(gè)均值為0，方差為σdB的隨機(jī)數(shù)，其中σdB為遮蔽方差，見(jiàn)表1。α為路徑損耗指數(shù)，在不同的環(huán)境也會(huì)有很大的變化［3］，見(jiàn)表1。

表1 不同環(huán)境下的路徑損耗及遮蔽方差

由式 （1）可以看出，當(dāng)α，σdB以及參考距離d0一定時(shí)，傳播損耗10αlog（d／d0）和傳播距離d呈線性關(guān)系，由于對(duì)數(shù)函數(shù)log（d／d0）在d的逐漸增大的變化過(guò)程中漸趨于平緩，傳播損耗也隨之趨于平緩。但是在實(shí)際情況下，隨著距離d的增大，由于天線增益、反射、阻擋、多徑傳播等多種因素的影響，傳播損耗和傳播距離d之間的線性關(guān)系可能發(fā)生局部的劇烈變化，上述模型在這種情況下就會(huì)發(fā)生較大誤差，定位精度會(huì)有所降低。即便如此，由于傳感器節(jié)點(diǎn)本身具有無(wú)線通信的功能，相應(yīng)硬件設(shè)備價(jià)格較低，且功率小，近年來(lái)仍被廣泛應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)基于距離的定位技術(shù)中。

1.2 基于TOF的距離測(cè)量

TOF測(cè)距技術(shù)也被稱(chēng)為飛行時(shí)差測(cè)距 （time of flight measurement）［4］，主要靠?jī)蓚€(gè)射頻設(shè)備之間傳輸數(shù)據(jù)包，根據(jù)數(shù)據(jù)包往返的時(shí)間差，來(lái)計(jì)算移動(dòng)節(jié)點(diǎn)的距離。固定節(jié)點(diǎn)向移動(dòng)節(jié)點(diǎn)發(fā)送一個(gè)數(shù)據(jù)包，當(dāng)移動(dòng)節(jié)點(diǎn)收到時(shí)立即向固定節(jié)點(diǎn)發(fā)送一個(gè)回復(fù)響應(yīng)。

該模型公式如下

由dT＝TTOF＊C，其中C代表電磁波的速度，值為3＊108m／s?？傻?/p>

式中：dT——移動(dòng)節(jié)點(diǎn)相對(duì)于固定節(jié)點(diǎn)的距離，TTOT——固定節(jié)點(diǎn)從發(fā)出數(shù)據(jù)包到接收確認(rèn)的時(shí)間，TTAT——移動(dòng)節(jié)點(diǎn)從收到數(shù)據(jù)包到回復(fù)確認(rèn)的時(shí)間段，TRTT為數(shù)據(jù)包往返于兩個(gè)節(jié)點(diǎn)間的飛行時(shí)間。φ（t）代表數(shù)據(jù)包在確認(rèn)和應(yīng)答過(guò)程中產(chǎn)生的干擾及延遲。

1.3 兩種算法的對(duì)比

為準(zhǔn)確了解兩種測(cè)距算法的特性，本實(shí)驗(yàn)采集兩組實(shí)測(cè)數(shù)據(jù)。通過(guò)使用無(wú)線射頻模塊CC2530在0～100米內(nèi)采用RSSI和TOF算法分別進(jìn)行測(cè)距分析。

由圖1可知，采用RSSI算法測(cè)得的距離隨著距離的增大，所受到的噪音等干擾也逐漸增大，與真實(shí)距離偏離也隨之增大。在TOF算法測(cè)距中當(dāng)距離近時(shí)，延遲時(shí)間有可能會(huì)大于飛行時(shí)間，即φ（t）＞TRTT，在這種情況下測(cè)得的距離已經(jīng)不可進(jìn)行采用，作為死區(qū)。死區(qū)之外可看出隨著距離增長(zhǎng)，測(cè)得的距離呈現(xiàn)逐漸接近真實(shí)值的趨勢(shì)。

圖1 RSSI與TOF的測(cè)距對(duì)比

經(jīng)過(guò)實(shí)驗(yàn)得知，在可視距傳輸LOS（line－of－sight）環(huán)境下，TOF測(cè)距方法能夠彌補(bǔ)RSSI在距離估算上面的誤差，但在近距離區(qū)域，TOF存在死區(qū)等干擾測(cè)量精確度會(huì)大大降低，而RSSI恰好能夠彌補(bǔ)該區(qū)域的漏洞。

2 數(shù)據(jù)過(guò)濾

2.1 采集過(guò)濾

由上述式 （1）和式 （3）可看出，兩種不同的測(cè)距方法均可得到移動(dòng)節(jié)點(diǎn)到固定節(jié)點(diǎn)的距離，然而在采集數(shù)據(jù)的過(guò)程中，均會(huì)產(chǎn)生不同差值的噪音量，而多次測(cè)量的結(jié)果之間并沒(méi)有必然聯(lián)系。所以本文先采用R－EWMA算法，此算法由移動(dòng)平均算法MA演變過(guò)來(lái)，它克服了移動(dòng)平均算法高存儲(chǔ)需求的缺陷，并通過(guò)對(duì)歷史數(shù)據(jù)和加權(quán)指數(shù)進(jìn)行線性結(jié)合，對(duì)距離測(cè)量值進(jìn)行優(yōu)化，是一種簡(jiǎn)單高效的評(píng)估算法［5］。k是一個(gè)字節(jié)窗口的最大值的可調(diào)節(jié)參數(shù)，即移動(dòng)窗口。算法如下

前一時(shí)刻可表示為

其中，β＝k／k＋1，且0≤β＜1。指數(shù)加權(quán)系數(shù)β就是對(duì)最近數(shù)據(jù)重視程度的權(quán)值，β越大，表示最近數(shù)據(jù)對(duì)于最終結(jié)果的影響越小，反之則越大。通過(guò)上式的計(jì)算可得到相應(yīng)的

另外，異樣噪聲并不是唯一的不確定性測(cè)量問(wèn)題。根據(jù)人的運(yùn)動(dòng)常規(guī)，事實(shí)上，在室內(nèi)環(huán)境中，人的速度不會(huì)超過(guò)vmax＝2m／s［6］。因此，可將超過(guò)此范圍的變化量過(guò)濾掉

2.2 卡爾曼濾波

在無(wú)線通信中，設(shè)定兩個(gè)無(wú)線節(jié)點(diǎn)在可視距環(huán)境下，根據(jù)運(yùn)動(dòng)學(xué)原理建立系統(tǒng)狀態(tài)模型［7］

式中：s（t）——移動(dòng)節(jié)點(diǎn)在t時(shí)刻的直線距離，v（t）——移動(dòng)點(diǎn)在固定節(jié)點(diǎn)方向上的速度分量，也可稱(chēng)為徑向速度，作為系統(tǒng)的輸入，可通過(guò)v＝ ［d（t）－d（t－1）］／Δt得到。d（t）作為系統(tǒng)的輸出，輸出移動(dòng)節(jié)點(diǎn)到固定節(jié)點(diǎn)之間的距離。

將上述模型離散化，可表示為

這里s（n）和v（n）分別表示移動(dòng)節(jié)點(diǎn)接收到第n個(gè)數(shù)據(jù)包時(shí)的距離和徑向速度，T為采樣周期。ζ（n）和η（n）分別是系統(tǒng)的過(guò)程噪聲和觀測(cè)噪聲，且滿(mǎn)足ζ（n）∈（0，Qn），η（n）∈ （0，Rn），Qn，Rn是系統(tǒng)噪聲ζ（n）和觀測(cè)噪聲η（n）的方差，取值取決于多種不確定條件的疊加，例如，天線的方位和存在的障礙物或墻壁。對(duì)于帶有未知噪聲分布的線性系統(tǒng)來(lái)說(shuō)，卡爾曼濾波 （KF）是最優(yōu)選的狀態(tài)估計(jì)的方法。一般來(lái)說(shuō)，對(duì)于典型的卡爾曼濾波算法，主要由預(yù)測(cè)階段和更新階段兩部分組成。用上標(biāo)＊被來(lái)表示預(yù)測(cè)，根據(jù)文獻(xiàn)［8］可由方程 （9）得到KF預(yù)測(cè)方程

3 融合算法

RSSI和TOF均可獲取數(shù)據(jù)通過(guò)公式計(jì)算實(shí)現(xiàn)目標(biāo)定位，不過(guò)在測(cè)距的過(guò)程中都夾雜著不小的噪音量，存在很大誤差。其中一部分可通過(guò)卡爾曼濾波的方法濾掉，但還有一部分的噪音是無(wú)法測(cè)得也不容易去除掉的。由此，本文提出不同的融合算法來(lái)結(jié)合這兩種測(cè)距算法以提高定位精度，并通過(guò)MATLAB仿真來(lái)觀察融合效果。

3.1 平均法

經(jīng)過(guò)同一運(yùn)動(dòng)軌跡的RSSI和TOF兩種測(cè)距算法經(jīng)過(guò)卡爾曼濾波后可得到和兩條距離估計(jì)曲線。綜合其兩種測(cè)距方法，取其濾波曲線的平均值得到估計(jì)值。即

由圖2可觀察到，采用平均法融合后的曲線在大部分區(qū)域比單一算法更趨近于真實(shí)理想值，不過(guò)在死區(qū)及突變等區(qū)域受到的干擾較大，一概平均求值不夠穩(wěn)定且精度達(dá)不到理想值。

圖2 平均法

3.2 加權(quán)法

此方法將兩種不同測(cè)距技術(shù)性質(zhì)特點(diǎn)作為融合因素引入實(shí)驗(yàn)，依照距離的變化分別對(duì)RSSI和TOF兩種算法進(jìn)行加權(quán)，使其均能發(fā)揮優(yōu)勢(shì)，避其短處，從而達(dá)到降低誤差的效果。簡(jiǎn)單來(lái)說(shuō)，可由下述方程來(lái)表示

其中可通過(guò)遍歷算法獲取ɑ的取值。

由圖3可觀察到，加權(quán)法很好的降低了：在距離近時(shí)TOF測(cè)距算法存在的死區(qū)等干擾對(duì)距離偏移的影響；以及距離遠(yuǎn)時(shí)RSSI測(cè)距算法存在的耗損和噪音產(chǎn)生誤差的影響。但是對(duì)于臨界值的選定，以及權(quán)值ɑ的取值都存在一定的不準(zhǔn)確性，無(wú)法達(dá)到最優(yōu)。由此本文提出神經(jīng)網(wǎng)絡(luò)法來(lái)解決此問(wèn)題。

From the anisotropy coefficient of circular device γc =x1c/x2c and the oxidation depth of diamond device xd = (x1c +x2c)/2, we got:

圖3 加權(quán)法

3.3 神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)是由多個(gè)簡(jiǎn)單的處理單元 （也稱(chēng)為神經(jīng)元）廣泛地互相連接而形成的一個(gè)復(fù)雜網(wǎng)絡(luò)系統(tǒng)，可以進(jìn)行大規(guī)模的并行、分布式存儲(chǔ)和處理、自組織、自適應(yīng)和自學(xué)習(xí)。

3.3.1 建立神經(jīng)網(wǎng)絡(luò)

鑒于網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)和神經(jīng)元的特性，本文構(gòu)建前饋型BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，BP網(wǎng)絡(luò)的算法［9，10］核心是誤差反向傳播來(lái)修正各個(gè)節(jié)點(diǎn)的權(quán)值和閾值。

圖4即為所構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)，其中輸入層有兩個(gè)神經(jīng)元xi，分別為RSSI和TOF經(jīng)過(guò)卡爾曼濾波的距離值，隱含層選取3個(gè)節(jié)點(diǎn)yj，輸出層有一個(gè)節(jié)點(diǎn)zk，輸出真實(shí)狀態(tài)T。輸入層與隱含層之間的權(quán)值為wji，隱含層與輸出層之間的閾值為wkj，閾值函數(shù)為θ。輸入信號(hào)通過(guò)隱含層運(yùn)算傳給輸出層，與輸出層的預(yù)期結(jié)果進(jìn)行比較，計(jì)算出誤差，并將誤差反向傳播，從而不斷更新權(quán)重縮小誤差。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.3.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò)

用newff（）函數(shù)創(chuàng)建一個(gè)前向型BP神經(jīng)網(wǎng)絡(luò)，然后直接調(diào)用train函數(shù)進(jìn)行訓(xùn)練，傳遞函數(shù)為tansig（），設(shè)定訓(xùn)練目標(biāo)誤差為3e－3，最大訓(xùn)練次數(shù)為1000，采用標(biāo)準(zhǔn)的梯度下降算法進(jìn)行訓(xùn)練。

圖5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

3.3.3 神經(jīng)網(wǎng)絡(luò)仿真

由于newff（）函數(shù)是具有隨機(jī)性的，所以每一次的訓(xùn)練結(jié)果會(huì)有所不同，當(dāng)訓(xùn)練達(dá)到期望值后可使用sim函數(shù)進(jìn)行仿真。

由圖6可以看出較于加權(quán)法，神經(jīng)網(wǎng)絡(luò)法與真實(shí)值的擬合程度更高，收斂的更快，且穩(wěn)定性強(qiáng)。

圖6 神經(jīng)網(wǎng)絡(luò)法

3.4 算法對(duì)比

為了更好的觀察所提出各算法的優(yōu)劣，本文將其進(jìn)行對(duì)比分析。如圖7所示。

由圖7可以看到，RSSI在遠(yuǎn)距離時(shí)與真實(shí)值偏離較大，TOF在近距離時(shí)存在死區(qū)等問(wèn)題影響定位精度。平均法在誤差跳動(dòng)大的區(qū)域也存在較大偏離。而加權(quán)法雖然明顯地使噪音的波動(dòng)幅度得到了收斂，但是精度較低，不夠理想。通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的距離估計(jì)值，與真實(shí)值的擬合程度最高，精度較大幅度提升。其中，為了可以更直觀地對(duì)比誤差大小，實(shí)驗(yàn)分別比較了測(cè)距算法所得到的估計(jì)值與真實(shí)值之間的歐式距離［11］。

圖7 融合算法對(duì)比

在表2中，通過(guò)對(duì)所列幾種算法進(jìn)行誤差比較可以看出，神經(jīng)網(wǎng)絡(luò)算法的誤差值最小。

表2 誤差值對(duì)比

4 結(jié)束語(yǔ)

本文主要研究了一種融合RSSI和TOF的數(shù)據(jù)混合算法。首先分別對(duì)RSSI和TOF兩種方法進(jìn)行了詳細(xì)的分析，并通過(guò)R－EWMA算法減少輸入寬帶噪聲，消除了隨機(jī)出現(xiàn)的突變量噪聲，然后將RSSI和TOF的算法利用卡爾曼濾波進(jìn)行算法融合，得到多個(gè)能夠降低誤差的方法，將其進(jìn)行模擬仿真，經(jīng)過(guò)對(duì)比分析，結(jié)果表明通過(guò)神經(jīng)網(wǎng)絡(luò)算法融合后的距離測(cè)量最為精準(zhǔn)。

［1］WANG Xiaohui，WANG Yunjia，ZHANG Wei.Review of indoor positioning technology based on RFID ［J］.Transducer and Microsystem Technologies，2009，28 （2）：1－3 （in Chinese）.［王小輝，汪云甲，張偉.基于RFID的室內(nèi)定位技術(shù)評(píng)述 ［J］.傳感器與微系統(tǒng)，2009，28 （2）：1－3.］

［2］ZHU Jian，ZHAO Hai，XU Jiuqiang，et al.Localization model in wireless sensor networks ［J］.Journal of Software，2011，22 （7）：1612－1625 （in Chinese）.［朱劍，趙海，徐久強(qiáng)，等.無(wú)線傳感器網(wǎng)絡(luò)中的定位模型 ［J］.軟件學(xué)報(bào)，2011，22 （7）：1612－1625.］

［3］Xu J，Liu W，Lang F，et al.Distance measurement model based on RSSI in WSN ［J］.Wireless Sensor Network，2010，2 （8）：606－611.

［4］CHANG Huawei，WANG Fubao，YAN Guoqiang，et al.TOF ranging method for w ireless sensor networks ［J］.Modern Electronics Technique，2011，34 （1）：35－38 （in Chinese）.［常華偉，王福豹，嚴(yán)國(guó)強(qiáng)，等.無(wú)線傳感器網(wǎng)絡(luò)的TOF測(cè)距方法研究 ［J］.現(xiàn)代電子技術(shù)，2011，34 （1）：35－38.］

［5］BI Weiwei.Research and implementation of anti－interference location algorithm based on RSSI ［D］.Shenyang：Northeastern University，2009 （in Chinese）. ［畢偉偉.基于 RSSI的WSN抗干擾定位算法研究與實(shí)現(xiàn) ［D］.沈陽(yáng)：東北大學(xué)，2009.］

［6］Karamouzas I，Overmars M.A velocity－based approach for simulating human collision avoidance ［C］／／Intelligent Virtual Agents.Springer Berlin Heidelberg，2010：180－186.

［7］Macii D，Trenti F，Pivato P.A robust wireless proximity detection technique based on RSS and ToF measurements ［C］／／IEEE International Workshop on Measurements and Networking Proceedings，2011：31－36.

［8］Grewal M S，Andrews A P.Kalman filtering：Theory and practice using MATLAB ［M］.Wiley，2011.

［9］Wu W，Wang J，Cheng M，et al.Convergence analysis of online gradient method for BP neural networks ［J］.Neural Networks，2011，24 （1）：91－98.

［10］SHI Xiaowei，ZHANG Huiqing，DENG Guihua.Research on indoor location algorithm based on distance－loss model using back propagation neural network ［J］.Computer Measurement and Control，2012，20 （7）：1944－1947 （in Chinese）.［石曉偉，張會(huì)清，鄧貴華.基于BP神經(jīng)網(wǎng)絡(luò)的距離損耗模型室內(nèi)定位算法研究 ［J］.計(jì)算機(jī)測(cè)量與控制，2012，20（7）：1944－1947.］

［11］JIA Zixi.A research on the localization and tracking method in wireless sensor network ［D］.Shenyang：Northeastern University，2009（in Chinese）.［賈子熙.無(wú)線傳感器網(wǎng)絡(luò)定位與跟蹤方法研究 ［D］.沈陽(yáng)：東北大學(xué)，2009.］