- 探討無線傳感器網絡中基于RSSI的節點距離
- 利用BP神經網絡
- 通過對樣本的預處理
引言
隨著無線傳感器網絡研究的不斷深入，應用已經逐漸成為人們關注的焦點。各種在特定應用背景下的研究層出不窮，如環境監測、目標跟蹤、安全監控等領域。位置信息對傳感器網絡的監測活動至關重要，事件發生的位置或獲取信息的節點位置是傳感器網絡節點監測消息中包含的重要信息，了解傳感器節點位置信息不僅可以獲取路由信息，而且可以進行節點定位等。測距的誤差在很大程度上決定了目標定位及跟蹤的誤差。常用的定位方法必須測量節點間的距離，一般測距方式有紅外線、GPS、超聲波和接收信號強度指示器(RSSI)等。
紅外線、GPS和超聲測距都需要額外的硬件，增加了節點的硬件成本和尺寸。GPS和紅外線測距誤差較大，而利用超聲方法測距很精確，測距誤差只有10 cm，但是受氣溫、濕度等的影響較大，不適合在室外使用。基于RSSI的定位無需額外硬件，利用對接收無線信號的強度判斷，推導收發節點間的距離，計算接收無線信號強度是商用無線收發芯片具備的功能。基于RSSI的測距提供了最廉價的定位方法，而且節點沒有添加任何部件。基于超聲的測距雖然定位精度較高，但是需要添加硬件、增加節點成本和尺寸。所以，基于RSSI的測距是無線傳感器網絡定位較常采用的方法。首先對RSSI進行預處理，再通過預測模型預測距離的值，不但提高了基于RSSI的測距精度，而且實現了低成本的測距。
1 BP網絡的模型結構與算法
BP網絡是神經網絡中采用誤差反傳算法作為其學習算法的前饋網絡，通常由輸入層、輸出層和隱含層(一層或多層)構成。層與層之間的神經元采用全互連的連接方式，通過相應的網絡權系數w相互聯系，每層內的神經元之間沒有連接。圖1所示為具有一個隱含層的BP網絡模型。其中：LA為BP神經網絡的輸入層，LB為隱層，LC為輸出層，Wir為隱層與輸入層的權值，Vrj為輸出層與隱層的權值。
2．1 RSSI值獲取
實驗在空曠的無障礙物的廣場進行。基于Tiny()S系統，以克爾斯博的Iris節點為實驗平臺，0號節點為固定節點，用于接收數據。發送和接收節點均使用短桿狀天線，節點放置高度為2 m左右。固定0號節點，移動發射節點。經過大量的實驗分析得出，RSSI在10 m的范圍內隨著距離的增加變化比較明顯，而10 m以后，RSSI值隨距離變化不明顯。如果測量距離超過10 m，則測距的精度得不到保證，所以此實驗的測試范圍限定在0～10 m。實驗人員拿著移動節點，從固定節點處沿著直線均勻走動，當走到10 m處停止接收數據，記錄整個連續移動過程的實驗數據。
3個工作人員分別拿著移動終端在0～10 m的范圍內勻速前進，得到的RSSI值與距離的關系如圖2所示。
由圖2可以看出，不同的人員拿著移動終端前進，RSSI與距離的關系曲線基本一致，說明RSSI值與距離的關系符合一定的衰減規律。
在相同的實驗平臺下，在0～10 m的范圍內，每間隔0．2 m或者0．3 m記錄RSSI值，每個距離均接收100個左右的數據包，對RSSI先進行均值處理，然后得出RSSI值與距離的關系曲線如圖3所示。
對比圖2和圖3得出，停頓走比連續走時的RSSI值與距離的關系曲線更平滑，衰減更慢。因為連續走的時候，信號會受到人身體走動或者旁邊干擾物的影響，出現不同程度的突變。為了確保距離預測值的精度，因此以停頓測量的數據作為測試樣本。
2．2 RSSI值濾波處理
實驗獲取的RSSI值與距離的關系曲線還不夠平滑，為了使樣本的質量更高、訓練效果更好，先對RSSI值進行濾波處理，分別進行限幅濾波處理、遞推平均濾波處理和限幅平均濾波處理。圖4為3種濾波方式的比較。
3 BP網絡模型的建立
以限幅濾波后的數據作為訓練樣本。以RSSI作為輸入，以距離作為輸出，一般的預測問題通過單隱層的BP網絡實現，這里也是單隱層。
(1)數據歸一化處理
為了在Matlab中計算方便，需要對數據進行歸一化處理。這里根據現有的數據情況，分別對輸入和輸出量進行歸一化處理。歸一化的代碼如下：
[pn，minp，maxp，tn，mint，maxt]=premnmx(p，t)
其中p為輸入變量，t為輸出變量。
(2)BP網絡訓練
網絡中間層的神經元傳遞函數采用S型的正切函數logsig，輸出層神經元傳遞函數采用線性函數purelin，采用traingdx函數進行訓練，當訓練141次后達到0．01的誤差要求。
[page]
4 模型預測結果及與經驗公式值的比較
為了驗證測試結果的可靠性，根據網絡訓練的結果，把測試結果與真實值進行對比。為了突出該方法的優越性，與經驗公式計算出來的距離值進行比較。表1為模型預測值、經驗公式值與真實值的比較。
5 結論
BP神經網絡具有很強的自學習、自組織及自適應能力，具有高度非線性函數映射功能，通過對樣本的預處理，可以提高訓練結果的精度。因此，樣本的好壞直接影響訓練結果。節點RSSI值的隨機性較大，會隨著環境及其他干擾的影響發生突變。因此先對RSSI值進行濾波處理，濾掉突變的數據再進行網絡的訓練，預測結果就能達到較理想的水平。這適用于不同的場合，提高了測距精度，從而進行精確定位。
