RSSI定位范文

RSSI定位范文（精选7篇）

RSSI定位 第1篇

均值模型在RSSI测距阶段对获取数据的处理时是常用一类模型,在节点测距后采集n个RSSI值,组成数据序列,直接计算出该序列的数学平均值作为测距的结果。均值模型平衡定位的实时性与精确度主要通过调节参数n来实现,提高参数n取值可以提高数据的精确度,但是统计计算量也会增加,数据的时效性会降低。

分析了均值模型数据处理原理,结合无线传感器网络环境下RSSI信号特征本节提出一种基于排序去粗差统计定位模型,在测距阶段对所获取的数据进行了排序选取中位数,以中位数为基础选取两端90%范围数据进行求平均值,将排除可能存在的粗差同时去除一部分随机误差引起偏离值。

1 基于排序去粗差统计定位模型

无线传感器网络节点部署完成,设定发射节点发射通信信号,接收节点获取该节点n个RSSI数据值,先对该组数据序列进行预处理:在信号序列中,对信号强度数据进行大小排序,剔出两端可能含有粗差的数据,找出信号强度数据的中位数SM,选取一个信号区间[SM-ϑ,SM+ϑ],该文ϑ值选取序列总长的45%,使得信号区间内不存在粗差数据,最后将选取的信号区域内信号值求平均值,并将结果作为最终的输出,用于最终坐标位置定位估算。

2 基于排序去粗差统计定位模型数据处理预期

1)信号序列内的粗差与信号序列的中间值相差较大,直接将超出10%范围作为粗差排除在计算范围之外,避免了粗差对最终数据的影响;2)将选取范围序列内信号数值进行平均值处理,可以有效的处理随机误差对最终数据的干扰。

数据模型优劣影响到无线传感器网络算法的应用范围和适用性,通过实验数据验证模型的定位精度和定位覆盖率来具体反映。

测距平均误差(Average Error Of Distance Measurement,AEODM)能够直观反映节点定位精度。区域内所有待测节点估计位置到真实位置距离的平均误差值。能够反映数据模型对定位的精度影响,在节点通信半径小于区域范围并选值固定时,测距平均误差较大表明该模型的定位精度不高,测距平均误差越小表明该数据模型可以提高算法的定位精度。

其中(xi,yi)表示第i个节点的实际位置,(x̂i,ŷi)表示第i个节点的估计坐标位置,n为未知节点总数,r是通信半径。

节点定位比(Node Localization Ratio,NLR)反映了算法中可定位节点的覆盖比率。指在执行定位算法后取得成功定位的未知节点占原所有未知节点总数的比例。

其中n表示成功定位的未知节点数,u表示所有未知节点总数。

仿真实验部署,首先将80个节点(含锚节点和待测节点)随机部署在一个120m*120m的二维方形平面区域,设置锚节点数量为8个。实验数据通过matlab随机函数分别模拟出实验仿真场景为:区域范围内的信号数据粗差的比例为10%;

来计算出信号衰减值与距离之间的关系,参考距离d0=1m,n=3,ξσ为高斯分布的均值为0的随机数,标准差取值为4,模拟粗差大小设定为1.5倍的RSSI值,设置固定值为70m的节点通讯半径,节点间信号通讯100次以获得一定范围的数据值。考虑本次测试部署节点通过随机铺设,为了降低随机性对测试结果的影响程度,在该区域内将分别作随机节点的仿真试验100次,取100次仿真试验产生的定位数据平均值作为评价的实际依据。

统计随机部署100次仿真试验结果,分析“基于排序去粗差统计定位模型”和“均值模型”的测距平均误差(AEODM)和节点定位比(NLR),如表1所示:

从表1数据中在粗差为10%场景下,基于排序去粗差统计定位模型的两项测试指标高于均值模型。Matlab绘图功能能够非常直观展现出“基于排序去粗差统计定位模型”和“均值模型”算法模型的定位性能,因此试验中,分别在粗差比例为10%的场景下,随机抽取某一次实验数据进行分析,通过两种模型处理数据后通过三边测量法对数据进行仿真计算,生成它们的定位结果误差图。仿真模拟试验中节点分布如图1所示。

图中"〇"表示未知位置节点,"◇"点则表示锚节点。

粗差比例为10%场景下,两种模型定位算法获得估计坐标与实际坐标之间的定位误差图,其中"*"为无法定位的节点。在误差图中"*"节点是无法定位的未知节点,带“拖尾”的"〇"节点是完成定位的待测节点,“拖尾”长度是完成定位待测节点的估计位置与实际位置距离。仿真结果表明在复杂环境下(即粗差比较较高时),“基于排序去粗差统计定位模型”获得成功定位的待测节点定位误差相对较小,也可以保障待测节点的定位覆盖率。

参考文献

[1]李春蓉,无线传感器网络自定位技术研究[D].西南交通大学,2006.

[2]唐宏,谢静,鲁玉芳,等.无线传感器网络原理及应用[M].北京:人民邮电出版社,2010.

[3]孙利民,李建中,陈渝,等,无线传感器网络[M].北京:清华大学出版社,2005.

RSSI定位 第2篇

定位导航技术正逐渐成为人们生活中一种主要的辅助工具,在卫星定位导航领域里以美国GPS及国产北斗系统为代表的定位系统在室外环境下能达到10 m左右的精度。但是在室内环境下,由于大型楼宇内部结构复杂,卫星信号通过障碍物经过了衰减、折射等一系列的破坏,所以卫星定位不能满足室内环境下的操作需求。近年来,随着室内定位技术的研究逐渐发展,出现了一系列的室内定位技术,主要包括RFID技术、UWB技术、红外定位技术、超声波定位技术、蓝牙定位技术、Wi-Fi定位技术及Zig Bee定位技术等,可以说以上的各种室内定位技术在不同环境下有各自的优缺点。本文以Zig Bee定位技术为研究对象,在理解了Zig Bee的工作原理基础上,针对其定位算法进行了改进,提高了定位的精度。

Zig Bee是近年来一种发展很快的新兴无线网络技术,它作为一种短距离无线通信技术,具有通信效率高、低功耗、低成本、高安全等优势,同时采用自组网,节点之间跳动传输无线电信号的方式,使得通信距离能够无限扩展,在采用Zig Bee协调器链接到Internet网络之上,使得有形的物体与无形的数字世界连接到一起。Zig Bee定位技术一般采用基于接收信号强度指示( RSSI) 的定位跟踪技术[1],Zig Bee的未知节点通过测量接收到的锚节点信号强度,根据已知的无线电信号衰落模型估算出节点之间的距离,再利用已有的定位算法计算出节点的坐标位置[2]。

1 RSSI定位算法

1. 1 无线电传播路径损耗模型

无线电信号在空间传播的过程当中,会因为环境的差异会产生不同程度的损耗。常用的几种无线电传播路径损耗模型[3]包括: 自由空间传播模型、对数距离路径损耗模型、哈它模型及对数-常态分布模型等。其中对数-常态分布模型在实际的应用环境下更加适用,式( 1) 给出了对数-常态分布的数学模型。

其中: PL( d) 为信号传输距离d后的路径损耗,单位为d Bm; PL0为信号传输d0的路径损耗,通常取d0= 1 m; n为路径衰减因子,一般取2 ~ 5; Xσ为平均值为0 的高斯分布随机数,其标准差范围为4 ~ 10[4]。由此得到节点接收到的RSSI值为:

式中RSSI表示接收到的信号强度; PS为发射信号的功率值; PA为天线的增益; PL( d) 为路径损耗。IEEE 802. 15. 4 协议的标准信号模型符合无线电对数-常态模型,在IEEE Standards[5]中对IEEE 802. 15. 4 标准模型信号做出了如下规定:

其中接收灵敏度为- 85 dm,因此当所测到的接收强度小于- 85 dm时,误差较大,数值不可信,因此在实际测量中要把范围控制在- 85 dm以内。图1 为实际测量得到的Zig Bee接收信号强度曲线。

根据图1 中可以看出,Zig Bee实际接收强度值在20 m以内的距离基本符合IEEE802. 15. 4 的理论衰减曲线趋势,因此在实际测量中要尽量控制在20 m以内的距离,以保证数据相对可靠。

1. 2 三边-质心定位算法模型

在基于RSSI的定位算法模型中,最传统的算法模型包括三边测量法、三角形面积法、质心定位算法及加权质心定位算法。本文提出的三边-质心定位算法将三边测量法与加权质心定位算法结合使用,先将未知节点所在的定位区域缩小,再对加权值做出相应的改进,达到未知节点的估计值与实际值尽量相近的目的。传统的三边测量法是在理想的情况下能够应用的,当已知3 个锚节点和待求未知节点的距离时可列方程组求得未知节点的位置[6]。

由于在实际测量当中经计算得到的距离通常会比实际距离偏大,因此式( 4) 通常会存在无解的情况。这时往往使用最小二乘估计( 或最大似然估计) 的方法,通过引进多个锚节点的位置信息,以达到减少误差的影响[6]。通过对式( 4) 的改进得到最大似然估计的方程。

使用最大似然估计法要计算多个非线性方程,对于n值的选择没有一个明确的结论,同时在计算距离dn时也存在n值越多计算的个数越多的问题,进而引进的误差也会偏大。本文提出的三边-加权质心算法在只采用3 个锚节点的基础上,利用修正的质心算法求得未知节点的坐标。

如图2 所示,已知3 个锚节点A、B、C,待定的未知节点测得距离锚节点的距离分别为RA、RB、RC,通常情况下的RA、RB、RC比实际距离dA、dB、dC偏大。

分别以A、B、C为圆心,RA、RB、RC为半径做圆。3 个圆的交集区域内,两两圆的交点设为O1、O2、O3,则O1、O2、O3的坐标满足以下方程组:

由以上三个方程组解得交点O1、O2、O3的坐标位置。求得以O1、O2、O3为顶点的三角形目的是将未知节点所在的区域面积缩小,以提高定位算法的精确度。在 △O1O2O3中预使用加权质心定位算法时需要对加权值做如下的考虑,以O1点为例,该点是由⊙B和⊙C相交而得,因此权值变量中需要有RB、RC两个参量; 其次从未知节点O角度考虑,理想情况下O点是由OA、OB、OC三个距离得到,3 个距离与O点的求解是联系在一起的,此时在O1点的权值变量中也应该考虑到RA的影响; 最后考虑到锚节点 — 未知节点的距离与权重值成反比的关系[4,7],故确定O1的权值设定为:。在决定O1点的权值中,RB、RC起主导作用,RA起次要作用,因此在RA函数中添加一个修正系数n( n ≥ 2) 。同理得到O2、O3的权值分别为:。通过对 △O1O2O3三个顶点权值的确定,根据加权质心算法最终得到未知节点的坐标( xi,yi) 为:

2 Zig Bee定位系统的结构设计

本文设计了一个硬件结构简单的Zig Bee定位系统,该系统由参考节点、未知定位节点、CAN总线传输模块及终端计算机构成。未知定位节点在进入定位区域内会周期性的向周围参考节点发送自身的ID信号,参考节点在接收到未知节点的ID信号后,根据信号强弱转换为RSSI值,连续接收5 次后取RSSI的均值; 然后将自己的位置坐标、RSSI值( 5 次的均值) 、未知节点的ID号打包为一个数据包通过CAN总线发送到监控终端。为了有效利用计算机的强大计算功能,同时减小硬件结构的复杂度,该系统采用在终端计算机中对未知节点进行定位算法计算,而没有采取如文献[8]中采用的定位节点自己计算的方法[8]。系统的结构设计如图3 所示。

系统选用了Chipcon公司的CC2430 芯片作为Zig Bee模块的核心器件,CC2430 片上系统集成了CC2420RF收发器、增强工业标准的8051MCU、32 /64 /128KB Flash及8KB SRAM等高性能的模块,具有极高的灵敏度和抗干扰性能,支持2. 4GHz IEEE802. 15. 4 的Zig Bee协议。相比CC2420,其内嵌入的8051MCU简化了需外部控制器进行应用设置的硬件电路结构。节点ZigBee模块硬件结构简单,主要包括电源模块、电压转换模块、时钟模块、CAN总线模块及用来起指示作用的LED指示灯。节点的硬件结构单元如图4 所示。

在Zig Bee网络协议规范中,IEEE 802. 15. 4 标准只定义了物理层协议和MAC层协议,后来成立的Zig Bee联盟对网络协议和API进行了标准化,形成了Zig Bee协议栈,简称Zstack。本文中的Zig Bee网络协议采用的标准的Zstack协议。在节点上电工作后,先关闭中断函数,进行内部初始化; 初始化结束后,打开中断函数,轮询判断有无事件发生; 当有系统中有多个事件请求工作时,通过比较各事件的优先级来判断调用处理程序的顺序。图5 描述了Zig Bee节点发送数据包的工作流程。

3 Zig Bee定位试验分析

为了有效地验证基于RSSI的Zig Bee定位技术的实际使用状况,本文没有采用软件随机生成锚节点坐标、RSSI值的方式,而采用简易的铺设硬件系统获取事实数据的方法。本文采用了14 个CC2430 Zig Bee锚节点模块及1 个Zig Bee未知节点模块,在空旷的区域里,将14 个Zig Bee锚节点设置为两排,同时为了减少CAN总线电缆的铺设,总共铺设距离为0 ~ 30 m,间隔距离取5 m,从而形成了一条长为30 m,宽为5 m的定位区域,并取修正系数为n = 3。整个测试步骤如下进行:

( 1) 在进入定位区域前打开未知节点的电源,未知Zig Bee节点系统进行初始化,然后不断的向四周发送自己的ID信息。

( 2) 定位区域中的锚节点在收到未知节点的ID信号后,将信号强度转换为RSSI值,每个锚节点连续接收5 次后,对所接收到的RSSI值取平均,作为该锚节点接收到的RSSI值。

( 3) 14 个锚节点将自己的位置坐标、RSSI值及未知节点的ID号打包为一个Data数据包; 本实验中选取的距离相近,因此每个锚节点都会有RSSI值,如图5 步骤完成。考虑到如果在限定的时间里没有接收到未知节点的信号,则RSSI值及ID号均以00 表示。Data数据包通过CAN总线传输到监控终端计算机上。

( 4) 由于一般计算机没有连接CAN通信的接口,因此在终端计算机与CAN总线间连有CAN-RS232 的转换器。终端计算机调用Matlab软件完成如图6 的数据处理。

如图6 中所述,终端计算机先接收14 个锚节点的Data数据包后,先对数据包解压,然后根据其中RSSI值的大小排序,将RSSI值最大的三个锚节点数据包保留。 然后分别建立两组集合:

锚节点的位置坐标集合:

锚节点接收的RSSI集合:

在计算数据之前,在Matlab中建立质心算法函数和三边-质心算法函数的M文件,之后在Matlab中需要用两种算法时,直接调用函数即可。

按照以上的测试步骤,先后在6 个区域中得到了6 次测试结果。得到了如表1 和表2 所示的坐标集合和RSSI值的集合。

由试验得到的图7 可知,当定位区域越小,且未知节点的未知越靠近三边的质心时,由质心定位算法得到未知节点估计值误差与三边-质心算法估计的节点位置相差不大; 但考虑到室内大距离范围内的定位中,质心算法具有局限性,相反提出的三边-质心定位算法将距离作为权值因子,使得在大区域里定位误差得到有效的减小。

4 结语

在研究了基于RSSI定位原理的基础上,结合Zig Bee技术特点,改进了RSSI的定位算法,提出先通过三边法定出三角形区域,再通过改进的质心算法得到未知节点的估计坐标。相比较传统的质心算法,本文提出的改进算法将质心到三点的距离分别按影响因数大小的原则加入到权值变量中,提高了未知节点估计的精度,而且减小了由于Zig Bee系统在测量中由于某个锚节点误差较大时造成估计值偏大的情况。同时本文为验证算法而搭建的硬件结构系统,由于计算的工作在终端计算机中完成,因此结构非常简单,相对于靠软件生成随机函数做验证的方法,更具有实际应用性。

摘要：ZigBee定位技术常常采用基于RSSI测距的原理。在研究传统的定位算法基础上,提出一种三边-加权质心定位算法,改进的算法以减小定位面积为目的,采用三边法确定定位三角形,在三角形中再根据以测试距离按影响大小设置的权值变量计算出未知节点的估计值。在基于ZigBee的硬件平台之上,验证了该算法较传统算法的误差更小,在测量距离较大时,优势更加明显。同时采用终端计算机进行算法处理,使各节点硬件结构简单,适合通信开销小、硬件要求低的节点使用。

关键词：RSSI,ZigBee,质心算法,室内定位技术

参考文献

[1]崔璐,蔡觉平,赵博超,等.基于ZigBee技术的井下人员定位安全监测系统[J].大连理工大学学报,2011,51(S1):101-106.

[2]屈巍,李喆.基于RSSI的无线传感器网络节点定位技术[J].东北大学学报:自然科学版,2009,30(5):656-660.

[3]Bulusu N,Heidem J,Estrin D.GPS-Less Low Cost Outdoor Localization for Very Small Devices[J].IEEE Personal Communications Magazine,2000,7(5):28-34.

[4]陈维克,李文锋,首珩,等.基于RSSI的无线传感器网络加权质心定位算法[J].武汉理工大学学报:交通科学与工程版,2006,32(2):265-268.

[5]IEEE Standard for Information technology-Telecommunications and information exchange between systems-Local and metropolitan area networks-Specific requirements Part 15.4:Wireless Medium Access Control and Physical Layer Specification for Low-Rate Wireless Personal Area Networks(LR-WPANs)[S].LAN/MAN Standards Committee,2003:640-642.

[6]吕睿,阳宪惠.减少无线传感器网络节点定位误差的方法[J].清华大学学报:自然科学版,2008,48(S2):1839-1843.

[7]刘运杰,金明录,崔承毅.基于RSSI的无线传感器网络修正加权质心定位算法[J].传感技术学报,2010,23(5):717-720.

RSSI异常天馈侧排查定位分析 第3篇

关键词：CDDU,RSSI,Site Master,VSWR,DTF,工程质量,干扰,天馈系统(下文称天馈)

1 背景

RSS(IReceived Signal Strength Indication)是接收信号强度指示,是基站1.2288M频带内的反向信号接收强度指示,RSSI是否正常,是反向通道是否工作正常的重要标志。

在CDMA450网络出现较多的RSSI异常,主要现象有主分集差异大或主分集偏高等,问题诱发原因多样,现场情况复杂,排查难度大,资源需求多。为此将前期现场排查问题的一些经验进行总结,分享给大家,希望在问题出现时,给与现场一个思路和方法,能够快速解决RSSI异常的问题。

2 现象

1)主分集差异大,一般为分集正常时测试在-107d Bm左右,主集高于-97Dd Bm以上,现场主要以主、分集差异大于10d B以上定义为异常,这种情况一般出现在CDDU为一个TRX口,另一个为RX口的情况。

2)主分集偏高,这种情况一般RSSI比较高,-70~-80d Bm以上,比较好判断,但按照产品要求,发射端口RSSI值在-95~-115d Bm之间属于正常,这样判断异常时要根据现场话务和配置等具体情况确定一个标准。

3)长期低于--115d Bm且RSSI不变化。

3 处理思路

1)明确问题了解情况,当接到客户通知或者在维护台上看到RSSI存在异常的时候,首先对相关问题信息做尽量多的搜集,特别是VSWR与DTF数据,详细可参考定位方法1。在分析VSWR和DTF数据没有问题同时,在维护台上提取全网或单个BSC下前一个月和RSSI天平均数据,找出问题扇区,分析长期的RSSI变化趋势,对长期稳定异常的扇区列为首要或重点排查对象,同时对全部数据按照判断标准进行筛选,查看是否存在其它异常,如果存在一并处理,按照异常类别输出异常扇区问题清单。(第一点非常重要,能不能做好将直接决定问题处理速度)

2)提交GCRMS问题单,确认问题后就可以将现场情况提交网上问题单,请求技术支持,并记录该次问题。

3)获取定位和处理方法,可以在support上search相关案例参考。

4)制定排查计划,按照客户要求及RSSI数值异常的严重程度,制定排查计划。

5)制定排查方案,在确认问题现象与类别后,根据现场情况初步做定位方案,并准备好相应的工具、仪表、人员等。

6)定位过程做好记录,到站后要对所有的操作过程进行记录,以便分析问题;在现场不能判断问题时,及时将情况发回总部分析判断原因。(具体可参考定位流程与定位方法)

7)进展通报,整个问题排查定位进展,确认清楚以后,及时通报给客户与相关接口。

8)及时总结,当问题处理完成后,及时总结,形成案例提交Spport分享。

4 定位方法

1)使用Site Master测试VSWR与DTF数据分析判断,当出现RSSI异常时,如果已有该基站的VSWR和DTF测试数据,或者可以容易获得该类数据时,可以先分析VSWR和DTF数据来判断是否存在一般的工程质量问题。目前在450MHz系统中,一般工程质量问题不会造成VSWR值超标,但VSWR值超标或者异常,一定影响RSSI指标。所以首先判断是否存在天馈工程质量问题,避免简单问题复杂化。另外要注意,满足客户VSWR验收,不能足以判断工程质量是否存在问题,也不等于DTF测试时不会发现问题,RSSI不一定是正常状态。所以不能简单用客户VSWR验收标准,判断是否存在天馈工程质量问题,问题排查时,要得到VSWR和DDTTFF数据来分析判断。

2)用手拍打跳线、馈线接头及接头之间的连接点,判断工程质量问题,现场可在RSSI稳定的情况下,观察RSSI数值同时用手拍打跳线、馈线接头及连接处(注意:每次拍打不能力量太大造成其它伤害,也不能同时拍打多个接头造成无法判断问题点),观察RSSI变化情况,如果在拍打的过程出现RSSI有较大幅度跳动的情况,基本可以判定该点存在工程质量问题。

3)交叉替换法判断天馈部分中那些环节有问题,一个基站一般有3个扇区,3面天线6根馈线,也就是有6个射频通路,这这种情况下,可以认为是6个单独的通路。验证有一个做信号发射的射频通路没有问题(主集RSSI正常),就可以以这个通路为基准,通过替换其它不同通路中的射频部件,来判断问题在那个部分。(参考排查流程)

4)旋转天线方位角判断干扰,当检查射频通路没有问题,但RSSI还是存在异常,这时可以通过旋转异常扇区天线的方位角,判断是否因干扰引起RSSI异常。干扰一般有远端的信号干扰,也有天线口面主辐射方向附近有反射信号的物体如:固定天线的抱杆、固定铁塔的钢索拉线、墙面反射等。

5)使用维护台反向扫描跟踪判断是否有干扰,在长期都存在RSSI异常的基站,可在维护台打开反向扫描跟踪功能,获取接收带内接收信号波形,从图像回放中判断是否存在干扰问题。

6)使用YBT250测试观察接收带内信号判断干扰,在RSSI主分集都偏高的情况下,有一种诱因就是干扰,特别是在CDDU的TRX和RX端口RSSI都偏高的情况,就可以初步判断存在外部干扰。可以通过维护台查看干扰,在现场条件允许的情况下,也可以使用YBT250进行扫频测试,并进行准确定位。

7)使用低互调衰减器或负载判断问题,这个方法相对简单,但是要求现场有这种低互调器件,一般研发或维护组织有这种器件,在疑难问题或重点问题处理中可以申请支持。现场可以通过低互调器件,依次连接在设备各个节点,观察RSSI指标,测试发现当前测试点RSSI异常,就可以判断问题在之前测试点与现在测试点之间。这种方法能够非常快速定位问题点,再有低互调器件时,该方式的定位效率最高。

5 总结

RSSI定位 第4篇

无线传感器网络技术是近年来新兴的无线网络技术[1],zigbee定位技术变得越来越重要,应用越来越广泛。与GPS相比较,zigbee定位技术更适用于室内的定位。zigbee工作在国际免授权的2.4GHz频段上,具有250kbps的最高数据传输率[2]。zigbee定位技术常用的方法,主要有基于到达时间(TOA)、基于到达时间差(TDOA)、基于到达角度(AOA)和基于接收信号强度指示(RSSI)的方法等[3],本文采用的是基于接收信号强度指示(RSSI)的方法[4]。由于RSSI会受到环境、空气、人体、参考节点布局的边距等影响,导致定位的不精确。文本就参考节点布局的边距这一因素分析,改变边距的大小进行定位,找出边距大小与定位精度间的规律,从而简单地提高定位精度。

1 边距选取方案

文本使用zigbee定位系统采用8个参考节点和1个盲节点组成。盲节点会接收参考节点的RSSI信息,得出与各参考节点的距离,通过参考节点坐标,确定当前坐标位置,并在上位机显示坐标。

参考节点的布局方案采用正方形的摆放方式,边距大小分别选取3m、3.5m、4m、4.5m、5.5m,这里的边距大小是指每一个小正方形的边长,如图1所示。分别对特定的点进行定位,测量盲节点坐标。

2 实验步骤

通过仿真器将程序烧录到对应的协调器、参考节点程序和盲点程序。使所有参考节点以及盲节点加入网络中。按照图1的布局方案布置参考节点位置。参考节点应该保持同一高度。避免由室内的墙壁、地面以及障碍物对RF信号有一定的影响[5]。微调参数A,N值,直至找到最优值。

在无人遮挡的情况下,通过上位机定位软件进行对盲节点的坐标测量,记录数据并与实际坐标比较,得出误差值。

在人体遮挡的情况下,用上述方法得出误差值,测量的位置应与在无人遮挡情况下测量的位置一致。

3测量结果

经过对不同边距和在是否有人体遮挡这一因素影响的情况下进行坐标测量,并记录一系列坐标,作出误差折线图,结果如图2和3所示。其中,横坐标为边距大小,纵坐标为误差e,单位:m

x1,y1为测量坐位,x0,y0为实际坐标

对是否有人体遮挡这两组数据进行比较,从而作出图4。其中,横坐标为边距大小,纵坐标为相对误差Δe,单位:m

e1为人体遮挡时的误差值,e0为无人遮挡时的误差值

实验结果如下:

1)边距的大小会影响定位的精度,由图2与3所示,在3m至5.5m的范围内,边距的大小与定位的精度并不是单调递增火递减的关系,因此具有边距大小选取的最优方案。

2)对于在无人遮挡和人体遮挡的情况下,边距的大小对定位精度影响的规律基本接近,因此,在人体因素的影响对本文边距选取最优的方法并没有太大的影响。

3)由图2与3所示,这些数据说明在3.5m~4.5m内的数据都比较理想的数据,误差比较小,而两边的误差都比较大,因此边距大小选取3.5m~4.5m时,定位精度较高。

4)在最优边距大小范围3.5m~4.5m内,由图4所示,在边距大小为4m时,有效地降低人体遮挡这一因素对定位精度的影响。

4 结语

本文从边距大小对zigbee定位精度影响的作出分析,测量出一系列数据并绘制出折线图。由实验结果表明,在允许的改变边距大小条件下,在边距为4m时,人体遮挡影响较小,定位精度较高,故认为4m为边距大小的最优值。本文方法简单且有效地提高了定位精度。

参考文献

[1]高明,吉祥,刘宇等.ZigBee技术在室内定位中的应用[J].西安工业大学学报,2010,30(1):9-12

[2]付军安,卢涵宇,王合闯等.基于ZigBee的定位系统环境参数的探讨[J].长江大学学报,2011,8(4):86-88

[3]范静辉,叶宏.ZigBee室内定位系统定位精度优化算法研究[J].电视技术,2013,37(5):123-124

[4]贾福利,黎峰,张瑞华.基于核的RSSI定位[J].计算机工程与应用,2008,44(30):118-120.

RSSI定位 第5篇

在一个有着大量节点的无线传感网络应用中,确定每个节点的位置是一个本质的难题[1]。在目标追踪和定位数据信息的来源等方面,利用无线传感网络中的位置信息,可以实现高效路由,减少能耗[2,3,4,5,6,7]。手工配置位置信息在规模移动节点网络中显然是不可行的,为每个节点提供定位硬件如全球定位系统接收器,从成本和能耗方面考虑不是一个好的选择。对于定位问题更加合理的解决方案是,让一些节点( 称为种子节点或信标节点) 时刻知道自己的位置信息,其他节点通过与信标节点交换信息来确定自己的位置。

RSSI[8]定位技术利用无线传感器信号衰减的原理进行测距,理论上就可以通过3个信标节点的RSSI信息利用三边测量法决定一个未知节点的位置。由于信号传播中会受到很多因素干扰,定位会产生很大误差,所以本文提出了一种定位算法以提高节点的定位精度,并与Amorphous定位算法[9]做了比较,验证了在节点降低定位功耗和提高定位精度2个方面的可行性。

1 算法的提出

1. 1 RSSI 和三边测量方法

在RSSI方法中,信标的邻近节点在收到信标消息后,通过测量广播信号的接收信号强度来估计距信标的距离,只要一个节点从至少3个信标中接收到广播信号,它就会通过三边测量方法[10]来算出它自己的位置。在三边测量法中,知道节点到3个信标节点的距离和位置,通过三角函数法则知道节点的位置是被唯一确定的。

1. 2 算法思想

把信标节点开始广播到一些节点位置被确定为一轮。在第1轮中一组节点在事先定义时间间隔内会收到至少3个信标节点的信息,其他的节点只能从不多于2个信标中接收信息。在第1轮中一些临近信标的节点会从包含位置信息的3个信标节点获取信息,通过RSSI和三边测量法测量接收信号强度并估计自己的位置。一个节点一旦确定自己的位置,它就会作为信标通过广播来协助其他节点确定位置。如果一个节点在第1轮定位时存在估计误差,误差将被传播到随后的几轮中。为此采用下面的措施进行解决。

随着定位次数的增加,越来越多的节点的位置被确定成为信标,由于信标节点的增多,一个节点可以接收到N( N≥3) 个信标节点的信息,则可以生成一个三元组的集合,这个集合有C3N个元素,三元组中的每个元素是一个信标节点位置坐标和到未知节点距离的一条记录。若要求三元组集合中的每个元素中的3个信标节点两两之间的距离必须大于一个提前确定的阈值( T) ,这样就排除一些元素,生成新的集合。通过用估计参数模拟整个网络,然后挑选出使定位误差最小化的值作为阈值。集合的缩减一方面减小了定位误差,另一方面也减小了计算的复杂性。一旦选出合适的集合,通过集合中每个元素就可以产生出一个估计坐标( x,y) 。只要让得到的一系列横纵坐标按大小排序,去掉中间50% 的元素,就可以去除一些极端值,同时可以保留下有意义的值。最后,以横纵坐标的平均值( x,y) 作为位置节点的位置。

必须选择最佳的阈值T,以获得最好的定位精度。T值过小,会导致信标节点非常近的三元组被选择,这样会造成较大的定位误差以及不必要的计算; T值过大,将导致三元组的数量减少,从而减小了该算法的有效性。因此,最佳的T值必须通过在预测参数基础上模拟整个传感器网络得出。

2 算法实现

用伪代码的形式描述该算法中的未知节点是如何确定自己位置的。假设有N个信标节点,每个信标节点向邻居节点广播自己的位置信息。邻居节点以( xbeaconi,ybeaconi) 的形式存储每个收到的广播信息,其中xbeaconi和ybeaconi分别表示信标i的横纵坐标。每个位置节点在一轮中一旦接收到来自3个或3个以上信标节点的信息就执行以下算法。

3 性能分析

下面从定性分析和定量分析2个方面阐述本文算法的有 效性,本文算法 的相关数 据结果与Amorphous定位算法( ALA) 做了比较。

3. 1 定性分析

可从存储、计算和通信开销3个方面评价该算法的优劣。以测量节点的处理单元数据的传输量作为通信开销,测量节点的处理单元执行相应算法时所用的时间作为计算开销,测量节点处理单元执行相应算法时所用的内存空间作为内存开销。

考虑有一个2 km×2 km( A×B) 的无线传感网络,其中有400( n) 个未知节点,5( N) 个信标节点。平均每个节点有10( navg) 个邻居节点。RSSI的最大和最小接收信号强度之比为100( Smax/ Smin) ,ALA中所有节点确定跳数需要10轮。对于特定的mica2系列节点,执行一条 指令的时 间为0. 125μs,传输1 byte的能量消 耗为16. 25μJ,而接收为12. 25μJ,文中所有的分析都基于特定的mica2motes系列传感器节点。

本文算法与ALA算法在传输量、接收量、计算量和存储量方面的公式如下:

本文算法:

ALA算法:

本文算法与ALA算法在传输量、接收量、计算量和存储量方面的计算结果如表1所示。

3. 2 定量分析

采用Matlab进行仿真,在2 km×2 km网络领域随机地部署了400个节点,其中3个信标是彼此互为邻居的,独立运行100次。在仿真中,设定每个节点的通信范围( Rc) 为160 m,2个信标之间的距离阈值( T) 为20 m,标准差σ为4,路径损耗指数( α)为3,通过位置误差( 定义为一个节点的实际位置与估计位置之间的平均距离) 评估该方案的性能。

分别针对不同的冗余系数( 指网络中节点的数目与覆盖网络所需的节点的最小数目的比值) 、不同的定位轮数和不同的信标数量进行实验仿真,并与ALA的结果相比较,如图1、图2和图3所示。

从图1可以看出,测得的定位误差随着冗余系数的增加而变大。因为RSSI定位方法与衰减有关,还有节点密度随冗余系数的增加而变大,造成节点的平均距离减小,使得RSSI方法产生的误差对结果的影响更为严重。但是与ALA方法相比较,本方案的定位误差小。当冗余系数取较低的值时,ALA的定位误差比本方案高2. 5倍以上; 冗余系数取较高的值时,ALA的定位误差比本方案高1. 2倍以上。

从图2可以看出,本方案每一轮的定位误差都要小于ALA方案,定位误差随轮数增加而减小。本方案的曲线是相对稳定的,说明和ALA方案相比本方案受定位误差传播的影响较小。这是由于在每一轮中越来越多的节点被定位,在下一轮中成为信标的结果。这个结果证明了本方案是优于现有ALA方案的。

图3中的定位误差是在提供更多的初始信标的情况下测得的。网络区域内放置了400个普通节点,信标节点的数目从3 ~ 10变化。从图3可以看到本方案在信标数目不超过8时,其定位误差随信标数目的变化基本上是不变的,直到信标数超过9时定位误差才随信标数目的增加而减小。信标数目变到8时,本方案的定位误差大约是160 m,而ALA方案的误差大约在410 ~ 700 m之间,这是因为本方案有更多的信息可以使用,所以本方案的算法的平均定位误差比ALA方案低2. 4倍。

综上所述,如果在只有少量信标的网络中,本方案是一个很好的选择,因为它获得了更高的定位精度。

4 结束语

提出了一种基于RSSI提高无线传感网络定位精度的定位方法,该方法能够一定程度上提高定位精度。其优点是提供了一个低开销的方案,除了一些硬件成本和管理费用外几乎没有其他额外费用。该方案和现有的其他方案相比具有更小的误差,同时它也有更少的通信和存储开销,但是与ALA方案相比,计算开销稍大。从ALA方案中看出,在能量消耗方面计算消耗要低于通信消耗几个数量级,通信的能耗开销是决定定位方案性能的主要因素之一,所以今后的努力方向仍然是减小该方案的通信开销。

摘要：为了提高无线传感网络中节点的定位精度,同时又希望降低节点的定位开销,提出接收信号强度(RSSI)定位算法。以RSSI和三边定位原理为基础,详细阐述了该算法的定位思想,以伪代码的形式描述未知节点定位的实现过程。从存储、计算和通信开销3个方面与ALA方案做了定性分析,针对不同的冗余系数、不同的定位轮数和不同的信标数量进行了仿真,与ALA方案做了定量分析。分析结果表明,该算法达到了提高无线传感网络定位精度的目的。

关键词：无线传感网络,RSSI,定位思想

参考文献

[1]周艳.基于RSSI测距的传感器网络定位算法[J].计算机科学,2009,36(4):119-120.

[2]成林,毛松,谭虎.无线传感器网络能量均衡分簇路由协议[J].无线电工程,2011,41(3):1-4.

[3]刘秀文.基于HLA的多传感器侦察系统仿真技术[J].无线电工程,2011,41(11):22-24,45.

[4]陈爱斌,张陆勇,夏新兰,等.无线传感器网络能量异构分簇算法的研究[J].无线电工程,2012,42(1):7-10.

[5]张勇军.小型化低功耗多媒体传感器网络节点设计[J].无线电工程,2012,42(12):4-6,19.

[6]杨小勇,杨荣,李彬.一种新型无线传感器网络分布式定位算法[J].无线电通信技术,2012,38(3):14-17.

[7]王琰,王喆.无线传感器网络节点定位算法研究[J].无线电通信技术,2011,37(5):21-23,27.

[8]张明华.基于WLAN的室内定位技术研究[D].上海:上海交通大学,2009.

[9]NAGPAL R,SHROBE H,BACHRACH J.Organizing a Global Coordinate System from Local Information on an Ad Hoc Sensor Network[C]∥2nd International Workshop on Information Processing in Sensor Networks(IPSN),Palo Alto,CA,2003.Palo Alto:Springer-Verlag,2003:333-348.

RSSI定位 第6篇

在无线传感网络的应用中[1,2],网络节点的定位[3]日益重要。基于RSSI的定位方法是无线网络广泛应用的定位方法之一[4,5],该方法在简单的硬件环境下,结合有效的定位算法便可实现定位节点定位。室内环境比室外环境复杂,无线信号在室内传播受墙壁、地板及其他障碍物的阻挡而产生反射、折射及绕射影响,产生不一致的衰减关系[6],这是基于RSSI定位误差大的根本原因[7]。目前解决这个问题主要采用大量信标节点加权估计法[8]、构建RSSI值数据库法[9]和基于最小二乘曲线拟合的RSSI定位法[10],但是这些方法计算复杂、自适应性差、定位精度不高[11],在实际应用中存在很大的局限性[12]。

近年来,粒子群(PSO)算法及其改进算法被应用到RSSI定位中,并取得了一定效果,但这些算法仅对节点位置进行优化,并没对无线信号传播模型参数进行优化,定位精度不高,且算法易早熟,收敛速度慢。

本文在研究PSO算法的基础上,采用多种群最优值维度交叉法和多种群惯性权重动态变化法对粒子群算法进行改进,降低早熟概率,提高收敛速度。采用改进粒子群对无线传感网络中定位节点三维坐标和无线信号传播模型参数同时进行优化,有效提高定位精度。

1 RSSI定位参数优化模型分析

无线电波在室内传播采用无线电波的大尺度衰减模型,无线电波的传播损耗服从正态阴影衰减[13],可得接收功率pr与传输距离d的关系,其数学表达式为:

式中,pr(d)为距离信源d处的接收机的接收信号功率,pr(d0)为距离信源d0处的接收信号功率,d0一般取1 m,η为信道衰减系数,d为接收节点间的距离,v为零均值的随机测量噪声。在三维环境下,式(1)可表述为:

式中,pr,i(γ)为定位节点接收第i个信标节点的信号功率,γ=[x,y,z,η,pd0]T为需要优化的参数向量,pd0为在参考距离1 m处的接收信号功率,η为当前信道衰减系数,vi为定位节点接收第i个信标节点时对应的随机测量噪声,n为信标节点的个数。

结合式(3),将式(2)表示的对数正态阴影衰减模型写成向量形式,方便进行向量运算:

2 基于改进粒子群的RSSI参数优化算法

2.1 RSSI数据的动态滤波预处理

室内环境的复杂性,导致接收到信号强度值可能与真实值间存在较大误差,如果直接将未经处理的接收信号强度数组带入算法计算,将会使定位结果出现很大误差。考虑室内环境存在变化,接收到信号强度也应该能体现出这种变化关系,采用式(5)对定位节点接收信标节点的信号功率数组进行动态滤波。

式中,为定位节点第j次采样接收第i个信标节点的信号功率滤波输出值,pj,i为定位节点第j次采样接收第i个信标节点的信号功率,为定位节点第j-1次采样接收第i个信标节点的信号功率滤波输出值,λ为值<1的动态参数,室内环境变化较大时,λ取大值较好,反之,λ取小值较好,这里取λ为采集次数的倒数。式(5)对采样值滤波,只需上次滤波输出值和本次采样次数,计算量和存储量均较小。

2.2 改进粒子群算法对RSSI定位参数优化

改进粒子群算法各种群粒子速度和位置更新公式为:

式(6)中,Xi和V为5维向量,Xi与γ数据格式相同,为需要优化的参数向量,r1和r2为0~1间的随机数,c1和c2为学习因子,取值为2,pi为粒子最优值,pg为群体最优值,ω(i)为惯性权重函数,其表达式为:

式中,ωs为初始权重,ωe为终止权重,N为迭代总数。

改进PSO算法中采用式(9)作为粒子适应度函数,适应度函数值越小,粒子位置越好。

改进PSO算法的运行流程如图1所示。

PSO算法作为一种的随机搜索算法,仍旧存在着早熟收敛和算法后期收敛速度较慢这两个难题,且具有种群多样性随代数增加下降过快、可能无法收敛到全局最优解等缺点[14]。改进算法采用多种群并行搜索全局最优值。在算法初始化阶段,创建多个规模相同的种群,并赋予每个种群不同的惯性权重初始值ωs。在算法的迭代阶段,各个种群内的粒子根据式(6)和式(7)更新粒子速度和位置,各种群的惯性权重根据式(8)线性递减。在迭代过程中,各种群并行搜索各自的最优值,实现对问题解空间的大范围覆盖,更容易搜索到全局最优值;种群内的粒子有交流,种群间粒子是没有交流的,保证种群的多样性,避免出现PSO算法在迭代后期所有粒子聚拢在一处,一旦陷入局部,不能跳出,发生早熟的现象。在整个迭代过程中,各种群的惯性权重从不同初始值ωs线性递减到不同终止值ωe。各种群在迭代开始阶段具有较强的全局搜索能力,较弱的局部搜索能力,能够快速搜索到全局最优值大致位置。随着迭代次数的增加,惯性权重线性递减,种群的全局搜索能力逐渐变弱,局部搜索能力逐渐变强,开始精细的局部搜索,得到全局最优值的准确位置。

改进PSO算法采用维度交叉方法对所有种群最优值中适应度最好的和适应度最差的进行处理,具体步骤:

①在每次迭代中,根据式(9)分别计算各种群最优粒子与上次迭代保存的几个适应度最好的粒子的适应度,并进行排序;

②取出适应度最好和适应度最差的种群最优粒子,在2个最优粒子的每个维度上任取其一生成32个新粒子;

③根据式(9)计算各个新粒子的适应度,并进行排序;

④选取适应度最好的新粒子作为本次迭代全局最优值,保存多个适应度最好的新粒子,并在其中随机选取粒子作为各种群的最优值,指导各种群内粒子飞行。

PSO算法在搜索全局最优值时,常表现为多数维度靠近最优值,而少数维度远离最优值。在搜索空间中,适应度最好的种群最优粒子多数维度距离全局最优值最近,少数维度可能比适应度最差的种群最优粒子的维度远离全局最优值[15]。比如求三维平面内距离原点最近的点,全局最优值为点(0,0,0),在迭代过程中一种群最优粒子(1,3,9)和另一种群最优粒子(6,5,1)相比较前者明显好于后者,但是从靠近全局最优值的位置而言后者在某些维度上较前者好很多。通过维度交叉可以产生较好的粒子(1,3,1)。因此,通过种群最优值间的维度交叉,可以进行精度搜索,加快搜索速度。

本文根据已知n个信标节点的坐标信息和定位节点获取的来自n个信标节点的功率信息,运用改进粒子群算法,实时优化RSSI定位参数向量γ=[x,y,z,η,pd0]T,间接实现节点的定位。

3 仿真结果

在MATLAB环境下,创建长10 m,宽10 m,高6 m的三维空间,三维空间的每个顶角部署一个信标节点,每次仿真在三维空间内随机部署一个定位节点,设定节点的通信半径为30 m,RSSI定位参数γ的噪声方差矩阵Q=[0.3,0.2,0.5,0.5,0.5]T。采用式(5)对定位节点接收信标节点的信号功率进行动态滤波处理。图2为定位节点接收同一信标节点的信号功率值、滤波输出值和真实值曲线图。

从图2看出,滤波开始阶段,滤波输出值与真实值最大误差超过1 d Bm,随着采样次数的增加,滤波输出值逐渐向真实值靠近,采样次数达到50时,滤波输出值已经非常接近。总体上,式(5)具有较好滤波效果。

在仿真环境下,利用滤波输出值,分别采用PSO算法、多种群PSO算法和改进PSO算法对RSSI定位参数进行100次优化仿真,每次仿真迭代次数为100。其中,PSO算法的种群大小为90,惯性权重固定;多种群PSO算法包括3个种群,每个种群的大小为30,惯性权重固定;改进PSO算法包括3个种群,每个种群的大小为30,惯性权重线性递减区间分别为0.9~0.6、0.6~0.4、0.4~0.1。表1为3种方法的仿真结果。

从表1看出,采用改进PSO算法对RSSI定位参数优化平均在15次迭代后就开始收敛,相较采用PSO算法的38次和采用多种群PSO算法的24次,速度有明显提高,且在最差的情况下,开始收敛时刻也好于其他两种方法。在定位误差上,采用改进PSO算法的方法在最差、平均和最好情况下都好于其他两种方法,最好时为0.32%。在早熟率上,采用改进PSO算法的方法的早熟率为6%,分别比采用PSO算法的方法和采用多种群PSO算法的方法降低了31%和12%。采用改进PSO算法的方法在运行时间上要比其他两种方法花费时间长些,原因在于改进PSO算法比其他两种算法多了维度交叉运算和惯性权重线性递减运算。图3为某一次仿真中,3种方法的定位误差曲线,从图3可更加直观地看出采用改进PSO算法的方法较其他2种方法收敛速度快、定位误差小。

在仿真环境下,分别用最小二乘曲线拟合的RSSI定位算法和基于改进PSO的RSSI定位参数优化算法进行定位,两种算法得到的信道衰减参数η如图4所示,距离1 m处的信号接收功率pd0如图5所示,坐标误差如图6所示。

由图4、图5和图6可知,对基于最小二乘曲线拟合的RSSI定位算法来说,信道衰减参数η及距离1 m处的信号接收功率是通过接收功率与距离的变化曲线进行最小二乘拟合得到的,所以信道参数η、是时不变的,而基于改进PSO的RSSI参数优化算法是将信道参数η、看作是时变量,当信道环境发生变化时,信道参数η、的优化结果也会随着变化,正是信道参数η、的变化修正了基于改进PSO的RSSI定位坐标的优化结果,所以基于改进PSO的RSSI定位坐标的估计误差明显低于基于最小二乘曲线拟合的RSSI定位误差。

4 结束语

采用多种群最优值维度交叉法和种群惯性权重动态变化法相结合,实现粒子群算法的改进。基于改进PSO的RSSI定位参数优化算法相比基于PSO的定位算法和基于多种群的RSSI定位算法收敛速度快,定位精度高,发生早熟的概率小。

RSSI定位 第7篇

1 RSSI理论基础

经过多年的研究, 诸多的节点自定位算法已经被提出, 由于每一种算法都有适用的环境, 因此目前并没有一种通用的定位算法, 其中RSSI定位算法优势比较明显, 因为其大多数的节点都有RF发射能力, 成本低廉、能耗低, 因此很多的应用都是基于RSSI来进行距离测算的, 同时要注意的是为了使测距误差大大降低, 提高RSSI测距的精确度, 通常会设计一些滤波器来辅助测量。目前在无线传感器网络中使用的定位算法主要有以下几种分类方式: (1) 基于测距的定位和无需测距的定位。 (2) 集中式计算的定位与分布式计算的定位。 (3) 静态网络节点的定位和移动网络节点的定位。

2系统总体设计

系统总体本着可靠、安全、灵活的原则进行设计, 遵循发送- 接收-数据处理-计算坐标值的过程, 注意实现每一个模块环节的最佳优化配置。

2.1定位算法

可以采用是三角质心算法 (图1、图2) , 这种算法的优点是可以减少RSSI定位的误差。

D点为被测点, A、B、C为3个锚节点, 呈线形分布, 可通过RSSI模型测出A、B、C三个锚节点到被测点D的距离, 分别为ra、 rb、rc, 再以A为圆心ra为半径画出圆A, 同理画出圆B, 圆C、D点正好为三个圆的交点, 满足对特征点计算的条件, 通过特征点求出D点坐标, 这样算的优点在于通过三个特征点求出的被测点D点的坐标误差会减小很多。

2.2硬件选择

信号传输模块主芯片选用的是CC2530芯片的模块。CC2530是用于2.4-GHz IEEE 802.15.4、Zig Bee和RF4CE应用的一个真正的片上系统 (So C) 解决方案。它能够以非常低的总的材料成本建立强大的网络节点。CC2530结合了领先的RF收发器的优良性能, 业界标准的增强型8051 CPU, 系统内可编程闪存, 8- KB RAM和许多其它强大的功能。CC2530具有不同的运行模式, 使得它尤其适应超低功耗要求的系统。运行模式之间的转换时间短进一步确保了低能源消耗。数据处理模块可选用单片机STC89C52进行模块设计。液晶显示模块该次选用的是选择1602液晶显示器。串口通信模块选用rs232标准u转串模块。

2.3软件设计

软件程序设计使用C语言, 使系统的各个模块功能清晰易懂, 有利于以后的修改, 功能非常强大。单片机的程序设计采用C语言配套Keil软件。CC2530芯片则使用IAR Embedded Workbench软件来进行程序编写、调试、写入。

如图4所示, 首先在电脑平台与单片机连接好后, 向单片机传输从信号接收端接收到的RSSI值, 单片机接收到RSSI值后进行数据处理, 可以利用公式RSSI10nlgdA) , 其中n为信号传播系数;d为与发送者的距离;A为距发送者1 m时的信号强度, 即传输单位长度的信号强度。RSSI测距精度的高低是由n与A实际取值大小来决定的。了使A值精确, 可多次测量然后求平均值。对于n值来说, 可以先放置好所有的参考节点, 然后尝试用不同的n_index值找到最适合这个具体环境的n值。单片机将计算得出的距离数值通过电路传给液晶显示器 (该系统选用1602液晶屏) , 显示数值后, 液晶显示器进入等待状态, 手动记录距离数值后, 如果还有RSSI值在处理中, 则继续等待显示下一个RSSI值的完成, 待所有RSSI值处理完毕后, 则可以关闭单片机, 结束该模块单元的处理过程。

发送接收模块程序设计如下。

如图5所示, 系统开始运行后, 发送端CC2530通过芯片内部的32 MHz的晶振产生信号, 然后将产生的信号发送出去, 信号成方波形式, 在高电平是有效, 从而能通过延时不断的向接收端发送信号。如图6所示, 系统开始运行后, 接收端开始接收发送端发送的信号, 将接收的信号进行处理, 根据接收到信号的强弱产生RSSI值, 再将产生的RSSI值取平均得出该点的最终RSSI值, 把得出的最终RSSI值存入CC2530芯片的寄存器中以供PC机读取。然后, PC机通过串口将接收端寄存器中的RSSI值逐一读取出来, 在PC机上显示读出的RSSI值, 大约20到30 s后, RSSI值趋于稳定。整个系统完成后, 对以上软硬件进行调试运行, 可依次得到所需测量的数值。

3结语

该文对经典RSSI测距模型进行了简单的介绍, 通过理论分析和设计实现, 将RSSI测距定位很好的运用到实际的系统中, 为锚节点定位如何结合实际系统来实现进行了简单的设计启发, 当然, 在设计过程中还有不足之处, 需要进一步完善。随着无线传感器网络技术的普及和深入, 更深更宽更广的领域将会进一步的被开发。

摘要：随着人们对无线传感器网络的深入研究, 其应用逐渐深入到人们生活的各个领域, 扮演重要的角色, 该次系统是基于RSSI的锚节点定位法, 对无线传感网络进行研究和设计, 使用CC2530作为主芯片模块, 实现信号的发送与接收, 然后在电脑终端显示出接收到的数据的信号强度, 用单片机处理终端记录到的信号强度, 然后在显示器上显示发送端与接收端的距离, 最后通过给定的公式计算出发送端的坐标, 应用前景广泛。

关键词：RSSI,定位,CC2530

参考文献

[1]朱敏, 高弘博, 肖震, 等.WSN中一种基于虚拟锚节点的VARSSI定位算法[J].四川大学学报:工程科学版, 2013 (11) :110-114.

[2]石为人, 熊志广, 许磊.一种用于室内人员定位的RSSI定位算法[J].计算机工程与应用, 2010 (17) :232-235.

[3]周立君, 刘宇.基于RSSI的无线传感器网络节点定位技术研究[J].电子测量技术, 2010 (8) :115-118.

[4]郑学理, 付敬奇.基于PDR和RSSI的室内定位算法研究[J].仪器仪表学报, 2015 (5) :1178-1185.