，，

(廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣州 510900)

0 引言

無(wú)線傳感器網(wǎng)絡(luò)(wireless sensor network，WSN)是由大量低功耗，多功能，低成本的傳感器節(jié)點(diǎn)組成的網(wǎng)絡(luò)，該網(wǎng)絡(luò)具有環(huán)境適應(yīng)性強(qiáng)、自組織能力和組網(wǎng)成本低等特點(diǎn)[1]。WSN由于其廣泛的實(shí)際應(yīng)用而在當(dāng)今世界中引起極大關(guān)注，實(shí)用性可以從遠(yuǎn)程導(dǎo)航系統(tǒng)和緊急服務(wù)定位到工業(yè)的一氧化碳檢測(cè)[2]和社區(qū)人群的定位，跟蹤[3]。除了緊急情況和導(dǎo)航之外，常見(jiàn)的應(yīng)用還有軍事偵察與監(jiān)控、環(huán)境信息監(jiān)測(cè)、宇宙空間的探測(cè)和應(yīng)急救援救災(zāi)等前沿領(lǐng)域[4]。然而，實(shí)現(xiàn)小功率、低成本和高精度的穩(wěn)定定位仍然是WSN領(lǐng)域研究的熱點(diǎn)[5]。

根據(jù)是否需要測(cè)距，WSN定位算法可分為兩類(lèi)：距離相關(guān)(Range-Based)和距離無(wú)關(guān)(Range-Free)的定位算法[6]。其中Range-Free定位算法定位精度不高，不能滿(mǎn)足高精度應(yīng)用的要求；Range-Based定位算法定位精度較高，但需要較高的硬件條件。常見(jiàn)的測(cè)距方法有接收信號(hào)強(qiáng)度指示(RSSI) 、到達(dá)時(shí)間TOA(time different of arrival)、到達(dá)時(shí)間差TDOA(time of arrive)和到達(dá)角度AOA(angle of arrive)等。其中，后3種方法需要額外的硬件條件，結(jié)構(gòu)比較復(fù)雜，成本也比較高[7]。由于節(jié)點(diǎn)本身具有無(wú)線發(fā)射功能，對(duì)信號(hào)強(qiáng)度的測(cè)量也容易實(shí)現(xiàn)，因此作為一種低成本、低復(fù)雜度的測(cè)距方案受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。其缺點(diǎn)是無(wú)線信號(hào)的傳輸容易受外界環(huán)境(障礙物遮擋、多徑效應(yīng)和噪聲等)因素影響，加上本身信道衰落，導(dǎo)致RSSI測(cè)量存在較大的誤差[8-9]。因此通常需要采取相應(yīng)算法來(lái)提高測(cè)量精度，如設(shè)計(jì)相應(yīng)的濾波器或?qū)y(cè)量值進(jìn)行加權(quán)等方法[10]。

近年來(lái)的相關(guān)文獻(xiàn)已經(jīng)提出各種方法來(lái)解決定位問(wèn)題，但這些算法各有利弊，對(duì)于不同的應(yīng)用，沒(méi)有統(tǒng)一的解決方案，只是針對(duì)定位的某個(gè)階段進(jìn)行改進(jìn)，定位效果有待進(jìn)一步提升。文獻(xiàn)[11]用高斯濾波器過(guò)濾波動(dòng)大的RSSI值，并對(duì)過(guò)濾后的RSSI值進(jìn)行加權(quán)計(jì)算，降低了測(cè)距誤差，但在加權(quán)計(jì)算的時(shí)候沒(méi)有考慮RSSI值剛好等于均值的情況；文獻(xiàn)[12-13]中根據(jù)未知節(jié)點(diǎn)接收信號(hào)的強(qiáng)度賦予參與定位的錨節(jié)點(diǎn)不同權(quán)重；文獻(xiàn)[14]利用4個(gè)錨節(jié)點(diǎn)，每3個(gè)為一組進(jìn)行四次定位，再對(duì)4個(gè)定位點(diǎn)進(jìn)行加權(quán)計(jì)算，最后確定未知節(jié)點(diǎn)的位置，使定位更加精確。文獻(xiàn)[15]提出了一種基于RSSI測(cè)距的多級(jí)能量定位算法，降低了定位的誤差。但文獻(xiàn)[12-15]均沒(méi)有考慮在測(cè)距階段RSSI值受環(huán)境的影響會(huì)產(chǎn)生較大的誤差，直接影響定位結(jié)果的精確性；文獻(xiàn)[16]選擇根軸相交組成的區(qū)域作為定位參考區(qū)域，將該區(qū)域的質(zhì)心作為未知節(jié)點(diǎn)的位置，但假設(shè)的是特殊情況下的模型，在實(shí)際中很難應(yīng)用。文獻(xiàn)[17]假定理想的部署條件來(lái)測(cè)量距離的傳感器節(jié)點(diǎn)，即該定位方案，所有節(jié)點(diǎn)都部署在固定的距離為3～8米，但在現(xiàn)實(shí)很多應(yīng)用中，節(jié)點(diǎn)都是隨機(jī)部署的。文獻(xiàn)[18]提出一種半分布式的定位機(jī)制，未知節(jié)點(diǎn)通過(guò)接收一定區(qū)域的錨節(jié)點(diǎn)來(lái)估計(jì)位置，這些完成定位的節(jié)點(diǎn)升級(jí)為錨節(jié)點(diǎn)來(lái)參與定位其它未知節(jié)點(diǎn)，該算法屬于粗定位，雖然提高了節(jié)點(diǎn)的定位成功率，但容易造成誤差累積，定位精度難以保證；文獻(xiàn)[19]提出基于時(shí)間的定位算法，原理類(lèi)似TOA算法，該算法的優(yōu)勢(shì)在于不需要時(shí)間同步就能獲得節(jié)點(diǎn)間的距離。但需要很詳細(xì)的時(shí)間劃分，增加了該算法的計(jì)算復(fù)雜度。

針對(duì)上述問(wèn)題，本文提出基于RSSI測(cè)距修正的四邊形加權(quán)質(zhì)心定位算法。首先在高斯濾波的基礎(chǔ)上，對(duì)高斯濾波后的RSSI值進(jìn)行中值加權(quán)計(jì)算，讓最終得到的RSSI值更加接近真實(shí)值；其次，使用四邊形加權(quán)質(zhì)心定位算法來(lái)計(jì)算未知節(jié)點(diǎn)的位置，并設(shè)計(jì)更加符合四邊形加權(quán)質(zhì)心的權(quán)值，對(duì)于交叉區(qū)域的每一個(gè)內(nèi)側(cè)交點(diǎn)，其權(quán)值由錨節(jié)點(diǎn)與未知節(jié)點(diǎn)的測(cè)量距離之和的倒數(shù)作為權(quán)值。最后仿真實(shí)驗(yàn)表明，定位精度得到了提高并且表現(xiàn)更好的穩(wěn)定性。

1 無(wú)線信號(hào)傳播模型

本文主要采用對(duì)數(shù)正態(tài)陰影模型，即Shadowing模型，該模型是目前應(yīng)用較多的一種測(cè)距模型，它考慮了實(shí)際環(huán)境的復(fù)雜性[20]。如公式(2)所示：

(2)

在式(2)中，PL(d)為距發(fā)射端d處的路徑損耗，單位是dB；PL(d0)為距發(fā)射端d0處的路徑損耗；d0通常取為1；k為無(wú)線信號(hào)的衰減因子，一般取2到4；Xσ為高斯分布，其均值為0，方差為σ2。

由于節(jié)點(diǎn)接收信號(hào)強(qiáng)度指示是功率，把式(2)兩邊分別取對(duì)數(shù)可得：

RSSI(d)=A-10klgd+Xσ

(3)

在式(3)中，A=10lgPr(do)表示信號(hào)傳播d0時(shí)的接受功率,則接收端與發(fā)送端的距離可以通過(guò)式(4)獲得:

(4)

2 加權(quán)質(zhì)心定位介紹

質(zhì)心算法(Centriod Algorithm)是一種利用網(wǎng)絡(luò)連通來(lái)定位,通過(guò)與未知節(jié)點(diǎn)通信的錨節(jié)點(diǎn)所組成多邊形區(qū)域的質(zhì)心作為未知節(jié)點(diǎn)坐標(biāo)[21],算法如圖1所示。

圖1 質(zhì)心算法原理圖

假設(shè)A，B，C，D，E分為未知節(jié)點(diǎn)M通信范圍內(nèi)的5個(gè)錨節(jié)點(diǎn)，其坐標(biāo)分別為(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，(x5,y5)，則未知節(jié)點(diǎn)的估計(jì)坐標(biāo)為：

一些研究者對(duì)其進(jìn)行了改進(jìn)，利用了測(cè)距信息。通過(guò)權(quán)值來(lái)反映不同錨節(jié)點(diǎn)對(duì)未知節(jié)點(diǎn)的影響程度[22]。假設(shè)無(wú)線傳感器網(wǎng)絡(luò)中有未知節(jié)點(diǎn)的坐標(biāo)為D(x,y)和n個(gè)錨節(jié)點(diǎn)坐標(biāo)分別為(x1,y1), (x2,y2),…(xn,yn)，則加權(quán)質(zhì)心定位算法的公式如(5)所示：

(5)

在式(5)中，ωi表示第i個(gè)錨節(jié)點(diǎn)的權(quán)值，ωi為未知節(jié)點(diǎn)與第i個(gè)錨節(jié)點(diǎn)的距離的倒數(shù)。

3 本文定位算法

3.1 高斯加權(quán)濾波算法

在實(shí)際測(cè)量中，在短時(shí)間內(nèi)未知節(jié)點(diǎn)收到n個(gè)RSSI值，由于外界環(huán)境的影響，這些RSSI值具有很大的波動(dòng)，但總體上呈現(xiàn)出高斯分布[23]，如圖2所示。

圖2 高斯分布曲線圖

單純的均值濾波和中值濾波對(duì)數(shù)據(jù)處理存在較大的誤差，而高斯濾波雖然去除了波動(dòng)大的值，但剩下的RSSI數(shù)據(jù)是仍然是波動(dòng)的，本文采用高斯加權(quán)濾波對(duì)RSSI值進(jìn)行修正，其核心思想是：先采用高斯濾波器剔除波動(dòng)大的值，接著使用中值加權(quán)方法對(duì)濾波后的RSSI值進(jìn)行校正得到最終的RSSI值。該算法能有效地減少小概率、大干擾對(duì)整體測(cè)量數(shù)據(jù)的影響，也能充分利用剩下RSSI值的信息，讓最終的RSSI值更加接近真實(shí)值。此方法具有穩(wěn)定性和適用性，更加適用于復(fù)雜的環(huán)境。加權(quán)高斯修正RSSI值的步驟如下：

1) 對(duì)RSSI值進(jìn)行高斯濾波。高斯函數(shù)如公式(6)所示，在錨節(jié)點(diǎn)廣播信號(hào)完成之后，計(jì)算出每組RSSI測(cè)量值的參數(shù)μ和σ，并且事先設(shè)定一個(gè)測(cè)量誤差的門(mén)限閾值K，若f(RSSIi)>k，則表示誤差值超出范圍需要剔除，并置其權(quán)值λ為0;否則，權(quán)值為1。本文確定誤差門(mén)限值的原則是：選擇概率較高的區(qū)域，高概率發(fā)生區(qū)，由高斯分布函數(shù)性質(zhì)可知位于區(qū)間(μ-σ，μ+σ)內(nèi)的面積占總面積的68%，而一般只需要選擇概率大于0.6即可[24]。

(6)

2)對(duì)高斯濾波后剩下n個(gè)信號(hào)值(RSSI1,RSSI2，…，RSSIn)，對(duì)其按數(shù)值大小進(jìn)行排序，并找出中值RSSIm，RSSIm的值由公式(7)確定。

(7)

求出各個(gè)RSSI信號(hào)強(qiáng)度與中值RSSIm的差，如公式(8)所示：

Di=(RSSIi-RSSIm)

(8)

考慮到過(guò)濾后的信號(hào)值剛好與中值相等的情況，用公式(9)來(lái)表示加權(quán)系數(shù)：

(9)

進(jìn)行權(quán)值系數(shù)歸一化處理，如公式(10)所示：

(10)

其中:RSSIi第i個(gè)RSSI值，可以看出RSSIi和RSSIm相差越大，相對(duì)應(yīng)的加權(quán)系數(shù)越??；反之，則越大；當(dāng)RSSIi和RSSIm相等時(shí)，加權(quán)系數(shù)最大。

3) 把高斯過(guò)濾后的信號(hào)值與其相應(yīng)的權(quán)值相乘，再對(duì)它們進(jìn)行求和，得到的結(jié)果作為優(yōu)化后的RSSIopt值，公式如下：

(11)

3.2 四邊形質(zhì)心定位算法

由于外界環(huán)境的影響，錨節(jié)點(diǎn)本身有可能出現(xiàn)自身的定位精度誤差大，比如在森林中，錨節(jié)點(diǎn)域受樹(shù)蔭的遮擋，有些錨節(jié)點(diǎn)自身的精度可能高達(dá)15米[25]，有時(shí)候錨節(jié)點(diǎn)因潮濕等因素造成損壞而無(wú)法定位，導(dǎo)致定位階段誤差大。因此，采用四邊形來(lái)計(jì)算未知節(jié)點(diǎn)的坐標(biāo)，具體方法是：首先把最優(yōu)RSSI值轉(zhuǎn)化成距離，然后找出最近4個(gè)錨節(jié)點(diǎn)，并以其坐標(biāo)為圓心，距離為半徑畫(huà)圓，如圖3所示。四邊形區(qū)域是由相鄰兩圓交點(diǎn)的內(nèi)側(cè)坐標(biāo)所組成，用加權(quán)質(zhì)心算法計(jì)算該區(qū)域的質(zhì)心并作為未知節(jié)點(diǎn)的坐標(biāo)。其權(quán)值的選擇依據(jù)是內(nèi)側(cè)的每一個(gè)交點(diǎn)由兩個(gè)相鄰的錨節(jié)點(diǎn)與未知節(jié)點(diǎn)的測(cè)量距離共同決定的，如公式(12)所示：

(12)

其中:d1，d2，d3，d4分別為未知節(jié)點(diǎn)到各個(gè)錨節(jié)點(diǎn)A，B，C，D的估計(jì)距離，E，F(xiàn)，G，H為內(nèi)側(cè)4個(gè)交點(diǎn)，其坐標(biāo)為(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)其中第i個(gè)內(nèi)側(cè)交點(diǎn)坐標(biāo)對(duì)應(yīng)的權(quán)值為其相鄰兩個(gè)錨節(jié)點(diǎn)與未知節(jié)點(diǎn)的測(cè)量距離之和的倒數(shù)，N為未知節(jié)點(diǎn)的坐標(biāo)。

圖3 四邊形加權(quán)質(zhì)心定位算法

如圖所示，越多的錨節(jié)點(diǎn)參與未知節(jié)點(diǎn)位置計(jì)算時(shí)，其相交得到的區(qū)域會(huì)越小，定位精度會(huì)越高；但在實(shí)際應(yīng)用中錨節(jié)點(diǎn)容易受環(huán)境影響出現(xiàn)定位精度低或者無(wú)法定位的情況，本文提出的定位算法其魯棒性明顯優(yōu)于傳統(tǒng)的三角形加權(quán)質(zhì)心定位算法；然而并不是一味的增加錨節(jié)點(diǎn)參與定位的數(shù)量就是可行的，四邊形質(zhì)心算法在內(nèi)側(cè)交點(diǎn)的選擇方式和三角形質(zhì)心算法的方式不太一樣，最近的4個(gè)錨節(jié)點(diǎn)A，B，C，D在計(jì)算內(nèi)側(cè)坐標(biāo)的時(shí)候是選擇兩兩相鄰圓的內(nèi)側(cè)交點(diǎn)，比如以A和C為圓心的兩個(gè)圓是不相鄰的，兩個(gè)交點(diǎn)都不屬于內(nèi)側(cè)的。其核心思想是判斷哪些錨節(jié)點(diǎn)是兩兩相鄰(即對(duì)錨節(jié)點(diǎn)進(jìn)行逆時(shí)針或者順時(shí)針判斷)。假設(shè)我們事先不知道選擇4個(gè)錨節(jié)點(diǎn)的順序，隨機(jī)選擇兩個(gè)錨節(jié)點(diǎn)B和C的坐標(biāo)，由兩點(diǎn)確定一條直線可得出直線方程為F(x)=kx+b，并把另外兩個(gè)錨節(jié)點(diǎn)A和D的坐標(biāo)(xi,yi)和(xj,yj)代入該直線方程F(x)并通過(guò)公式(13)判斷另外兩個(gè)錨節(jié)點(diǎn)是否同側(cè)還是異側(cè)。在判斷哪些錨節(jié)點(diǎn)是兩兩相鄰的時(shí)候會(huì)遇到3種情況：1) 另外的兩個(gè)錨節(jié)點(diǎn)的坐標(biāo)位于直線的異側(cè)。則這兩個(gè)錨節(jié)點(diǎn)的連線是4個(gè)錨節(jié)點(diǎn)所組成四邊形的對(duì)角線，那么另外兩個(gè)也是四邊形的對(duì)角線，經(jīng)過(guò)一次判斷就可以得出哪些錨節(jié)點(diǎn)是兩兩相鄰的，如圖4(a)所示;2) 如果第一次判斷是同側(cè)，則需要再進(jìn)行一次判斷，保持前面隨機(jī)選擇的兩個(gè)錨節(jié)點(diǎn)的其中一個(gè)坐標(biāo)，再選擇另一個(gè)坐標(biāo)進(jìn)行判斷，如果兩次判斷的結(jié)果都是同側(cè)，那么這3個(gè)錨節(jié)點(diǎn)剛好就是所組成四邊形的兩條邊，可以得出哪些錨節(jié)點(diǎn)是組成四邊形的對(duì)角線，也同樣可以得到第一種情況的結(jié)果，如圖4(b)所示;3)如果第二次是異側(cè)，則兩個(gè)錨節(jié)點(diǎn)是組成四邊形的一條邊和一條對(duì)角線，也可以得到第一種情況的結(jié)果。如圖4(c)所示。

(13)

由上面的分析可知，如果參與未知節(jié)點(diǎn)位置計(jì)算的錨節(jié)點(diǎn)的數(shù)目多于4個(gè)的話(huà)，內(nèi)側(cè)交點(diǎn)會(huì)出現(xiàn)很多個(gè)，在內(nèi)側(cè)交點(diǎn)的選擇和判斷錨節(jié)點(diǎn)的相鄰情況的難度和復(fù)雜度也會(huì)變得很大，計(jì)算量也很大。

圖4 判斷錨節(jié)點(diǎn)相鄰時(shí)的3種情況

4 定位算法描述

本文定位算法的步驟如下：

Step 1：錨節(jié)點(diǎn)周期性向周?chē)鷱V播信息(ID、位置信息和發(fā)射功率)；

Step 2：當(dāng)未知節(jié)點(diǎn)接收通信范圍內(nèi)同一錨數(shù)據(jù)包達(dá)到一定閾值時(shí)，對(duì)接收到的 RSSI值進(jìn)行高斯加權(quán)處理，得到最優(yōu)RSSI值；

Step 3：將高斯加權(quán)濾波后的RSSI值轉(zhuǎn)換成距離；

Step 4：與未知節(jié)點(diǎn)通信的錨節(jié)點(diǎn)數(shù)目如果大于3個(gè)，則執(zhí)行步驟5；否則用RSSI三角形加權(quán)質(zhì)心求未知節(jié)點(diǎn)的坐標(biāo)；

Step 5：對(duì)距離值從小到大排序，選擇前4個(gè)距離值, 并記錄其對(duì)應(yīng)錨節(jié)點(diǎn)的坐標(biāo)；

Step 6：判斷哪些錨節(jié)點(diǎn)是兩兩相鄰的，并求以?xún)蓛上噜彽腻^節(jié)點(diǎn)為圓心，測(cè)量距離為半徑的圓的內(nèi)側(cè)交點(diǎn)，并計(jì)算相應(yīng)的權(quán)值。

Step 7：利用加權(quán)質(zhì)心算法計(jì)算內(nèi)測(cè)4個(gè)交點(diǎn)所組成四邊形區(qū)域的質(zhì)心，并作為未知節(jié)點(diǎn)的估計(jì)位置并計(jì)算和實(shí)際位置的偏移誤差；

定位算法流程如圖5所示。

圖5 定位算法流程圖

5 仿真分析

評(píng)估定位算法標(biāo)準(zhǔn)的主要參數(shù)是平均定位誤差[26]，如公式(14)所示：

(14)

其中:(xest，yest)為估計(jì)坐標(biāo)，(xi，yi)為實(shí)際坐標(biāo)，R表示節(jié)點(diǎn)的通信半徑，M表示未知節(jié)點(diǎn)的個(gè)數(shù)。

本文使用Matlab2010a對(duì)算法進(jìn)行仿真，未知節(jié)點(diǎn)和錨節(jié)點(diǎn)的個(gè)數(shù)分別為80和20，隨機(jī)分布在100 m×100 m的正方形區(qū)域內(nèi)。在衰減模型中添加高斯隨機(jī)變量，試驗(yàn)中假設(shè)各次測(cè)量相互獨(dú)立且同分布，即服從均值為零、方差為σ2的高斯分布，用來(lái)模擬實(shí)際的氣候、多徑和陰影衰落等環(huán)境，衰減系數(shù)，n的值取為2，按上述算法和步驟進(jìn)行仿真。

為了清晰地反應(yīng)高斯加權(quán)濾波算法修正RSSI值后對(duì)定位精度的影響，對(duì)高斯加權(quán)和不采用高斯加權(quán)修正所得到的各個(gè)節(jié)點(diǎn)定位誤差進(jìn)行仿真比較，其中未知節(jié)點(diǎn)和錨節(jié)點(diǎn)的數(shù)目分別為30和20，仿真結(jié)果如圖6所示。

圖6 修正前后誤差對(duì)比

由圖6可知，采用高斯加權(quán)濾波算法修正后，每個(gè)節(jié)點(diǎn)的定位誤差均減小了，而且不同節(jié)點(diǎn)的誤差也比較穩(wěn)定。

對(duì)未知節(jié)點(diǎn)的估計(jì)位置進(jìn)行仿真。在默認(rèn)參數(shù)下進(jìn)行仿真。未知節(jié)點(diǎn)的個(gè)數(shù)為80，錨節(jié)點(diǎn)的個(gè)數(shù)為20，通信半徑為30 m，仿真結(jié)果如圖7所示。

圖7 未知節(jié)點(diǎn)的位置坐標(biāo)

由圖7可知，錨節(jié)點(diǎn)分布比較密集的區(qū)域，未知節(jié)點(diǎn)的誤差線會(huì)比較短；較稀疏的區(qū)域，誤差線會(huì)比較長(zhǎng)。

不同錨節(jié)點(diǎn)數(shù)目下的平均定位誤差。改變錨節(jié)點(diǎn)的數(shù)量，分別取為10，15，20，25，30，35，40，45，50通信半徑為30 m，分別對(duì)質(zhì)心算法、傳統(tǒng)的RSSI定位算法、文獻(xiàn)[11]定位算法以及本文提出的定位方法進(jìn)行仿真比較。仿真結(jié)果如圖8所示。

圖8 不同錨節(jié)點(diǎn)數(shù)目下的平均定位誤差

由圖8可以看出，隨錨節(jié)點(diǎn)個(gè)數(shù)從10變化到50，本文定位算法的平均誤差都保持最小，4種定位算法的平均誤差均有逐漸減小的趨勢(shì)；在錨節(jié)點(diǎn)較少的情況下，本文算法的定位精度優(yōu)于其它3種，并且隨錨節(jié)點(diǎn)數(shù)目的變化，本文的定位算法更為穩(wěn)定，當(dāng)錨節(jié)點(diǎn)個(gè)數(shù)為10時(shí)，本文的定位精度相當(dāng)文獻(xiàn)[11]定位算法在錨節(jié)點(diǎn)數(shù)量為20以上的定位精度，由此也可知本文定位算法不需要大量錨節(jié)點(diǎn)來(lái)保證精度，減少錨節(jié)點(diǎn)數(shù)目對(duì)于傳感器在實(shí)際中的應(yīng)用有著重要作用。

6 結(jié)論

本文采用高斯加權(quán)濾波得到校正RSSI值，在一定程度上減少了環(huán)境對(duì)測(cè)距結(jié)果的影響，提高了測(cè)距的精度。使用四邊形加權(quán)質(zhì)心定位，降低單個(gè)錨節(jié)點(diǎn)的權(quán)重，提高了定位精度，具有較好的魯棒性，仿真結(jié)果表明本文定位算法在精度、穩(wěn)定性都優(yōu)于相比較的3種定位算法。如何利用數(shù)據(jù)融合技術(shù)把不同傳感器測(cè)距得到的數(shù)據(jù)進(jìn)行融合來(lái)提高定位精度將是下一步研究工作的重點(diǎn)。

參考文獻(xiàn)：

[1] 孫利民,李建中,陳 渝.無(wú)線傳感器網(wǎng)絡(luò)[M].北京:清華大學(xué)出版社, 2005.

[2] Yang J, Zhou J, Lv Z, et al. A Real-Time Monitoring System of Industry Carbon Monoxide Based on Wireless Sensor Networks[J].Sensors, 2015, 15(11):29535-29546.

[3] Li S, Qin Z, H. Song, A temporal-spatial method for group detection, locating and tracking[J]. IEEE Access, 2016, 1-10.

[4] Kushki A, Plataniotis K N, Venetsanopoulos A N. Intelligent Dynamic Radio Tracking in Indoor Wireless Local Area Networks[J]. IEEE Transactions on Mobile Computing, 2010, 9(3):405-419.

[5] Elkin C, Kumarasiri R, Rawat D B, et al. Localization in wireless sensor networks: A Dempster-Shafer evidence theoretical approach[J]. Ad Hoc Networks, 2016, 54:30-41.

[6] 張新榮,熊偉麗,徐保國(guó).采用RSSI模型的無(wú)線傳感器網(wǎng)絡(luò)協(xié)作定位算法[J]. 電子測(cè)量與儀器學(xué)報(bào), 2016, 30(7):1008-1015.

[7] 方 震,趙 湛,郭 鵬,等.基于RSSI測(cè)距分析[J].傳感技術(shù)學(xué)報(bào),2007, 20(11):2526-2530.

[8] Li F M, Han P, Luo T. Adaptive area location algorithm combining with packet lost rate and RSSI in wireless sensor networks [J] . Journal on Communications, 2009.30.

[9] 沈 田,溫 斌.基于RSSI距離區(qū)間映射的加權(quán)質(zhì)心定位算法[J].電子測(cè)量技術(shù), 2015, 38(5):42-44.

[10] 文春武,宋 杰,姚家振.基于RSSI校正的無(wú)線傳感器網(wǎng)絡(luò)定位算法[J].傳感器與微系統(tǒng), 2014, 33(12):134-136.

[11] 王洪元,蔣燕蓉,焦筱悛,等.一種改進(jìn)的加權(quán)質(zhì)心自定位算法[J].計(jì)算機(jī)與應(yīng)用化學(xué), 2014, 31(3).

[12] 李文辰,張 雷.無(wú)線傳感器網(wǎng)絡(luò)加權(quán)質(zhì)心定位算法研究[J].計(jì)算機(jī)仿真,2013, 30(2):191-194.

[13] 朱忠記,何熊熊,章曉,等.基于RSSI的四邊測(cè)距改進(jìn)加權(quán)質(zhì)心定位算法[J]. 杭州電子科技大學(xué)學(xué)報(bào), 2014(1):17-20.

[14] 李衛(wèi)東,郭 鵬,侯麗虹.基于RSSI的改進(jìn)質(zhì)心定位算法[J].電子測(cè)量技術(shù), 2017, 40(1):180-183.

[15] Fang J Y, Chu H C, Jan R H, et al. A multiple power-level approach for wireless sensor network positioning[J]. Computer Networks the International Journal of Computer & Telecommunications Networking, 2008, 52(16):3101-3118.

[16] 方 震,趙 湛,郭 鵬,等.基于RSSI測(cè)距分析[J].傳感技術(shù)學(xué)報(bào),2007, 20(11):2526-2530.

[17] Kumar P, Reddy L, Varma S. Distance measurement and error estimation scheme for RSSI based localization in Wireless Sensor Networks[A]. Wireless Communication and Sensor Networks[C]. IEEE, 2010:1-4.

[18] Ghidini G, Pinotti C M, Das S K. A semi-distributed localization protocol for wireless sensor and actor networks[A]. IEEE International Conference on Pervasive Computing and Communications Workshops[C].IEEE, 2010:438-443.

[19] Shah G A, Akan O B. Timing-Based Mobile Sensor Localization in Wireless Sensor and Actor Networks[J]. Mobile Networks and Applications, 2010, 15(5):664-679.

[20] Quan Z, Cui S, Sayed A H. Optimal Linear Cooperation for Spectrum Sensing in Cognitive Radio Networks[J]. IEEE Journal of Selected Topics in Signal Processing, 2008, 2(1):28-40.

[21] Zhao C, Xu Y, Huang H. Weighted centroid localization based on compressive sensing[J]. Wireless Networks, 2014, 20(6):1527-1540.

[22] Soderstrom T, Stoica P. System identification[M}.London, UK :Prentice-Hall ,1999.

[23] Zhao J, Xi W, He Y, et al. Localization of wireless sensor networks in the wild:pursuit of ranging quality[J]. IEEE/ACM Transactions on Networking, 2013, 21(1):311-323.

[24] Kumar S, Lobiyal D K. Power efficient range-free localization algorithm for wireless sensor networks[J]. Wireless Networks, 2014, 20(4):681-694.

[25] Zhao J, Xi W, He Y, et al. Localization of wireless sensor networks in the wild:pursuit of ranging quality[J]. IEEE/ACM Transactions on Networking, 2013, 21(1):311-323.

[26] Kumar S, Lobiyal D K. Power efficient range-free localization algorithm for wireless sensor networks[J]. Wireless Networks, 2014, 20(4):681-694.