無(wú)線(xiàn)傳感網(wǎng)絡(luò)節(jié)點(diǎn)隸屬度模糊定位算法研究

李 鋒

(廣東交通職業(yè)技術(shù)學(xué)院，廣州 510650)

?

無(wú)線(xiàn)傳感網(wǎng)絡(luò)節(jié)點(diǎn)隸屬度模糊定位算法研究

李 鋒

(廣東交通職業(yè)技術(shù)學(xué)院，廣州 510650)

無(wú)線(xiàn)傳感網(wǎng)絡(luò)RSSI算法理論上定位精度很高，但在實(shí)際工程應(yīng)用中易受環(huán)境干擾和信號(hào)波動(dòng)影響，無(wú)法精確，定位穩(wěn)定性不好，誤差較大，若窮追所有細(xì)節(jié)將極大增加算法復(fù)雜度；針對(duì)其中不足，提出基于節(jié)點(diǎn)隸屬度模糊算法，并應(yīng)用于RSSI定位模型之中；新算法首先利用嶺形分布對(duì)RSSI初始信號(hào)模糊化取得隸屬函數(shù)，再根據(jù)隸屬度近似程度反饋求精，通過(guò)隸屬程度以逐漸逼近方式定位節(jié)點(diǎn)坐標(biāo)區(qū)域；新算法模糊化系數(shù)m值越大，抗干擾能力越強(qiáng)，但節(jié)點(diǎn)具有更多的相同或相似格貼近度，無(wú)法反映節(jié)點(diǎn)真實(shí)狀態(tài)，因此m值應(yīng)根據(jù)路徑衰減指數(shù)和環(huán)境干擾物理值共同決定；通過(guò)仿真實(shí)驗(yàn)結(jié)果證明，與RSSI和DV-Hop算法相比，新算法可以減少環(huán)境干擾和信號(hào)波動(dòng)帶來(lái)的影響，具有更高的定位精度和穩(wěn)定性。

無(wú)線(xiàn)傳感器網(wǎng)絡(luò)；隸屬度；模糊算法；RSSI

0 引言

無(wú)線(xiàn)傳感網(wǎng)絡(luò)RSSI定位算法在實(shí)際工程應(yīng)用中易受環(huán)境干擾和信號(hào)波動(dòng)影響，無(wú)法精確，定位穩(wěn)定性不好，誤差較大，若窮追所有細(xì)節(jié)將極大增加算法復(fù)雜度[1]。如何減少環(huán)境干擾和信號(hào)波動(dòng)帶來(lái)的影響，提高定位精度和穩(wěn)定性是近年研究的重點(diǎn)和難點(diǎn)。

1 WSN定位算法綜述

無(wú)線(xiàn)傳感節(jié)點(diǎn)定位算法分為無(wú)需測(cè)距算法和基于測(cè)距算法兩類(lèi)[2]。無(wú)需測(cè)距算法通過(guò)交換鄰居節(jié)點(diǎn)連通狀態(tài)信息，利用幾何拓?fù)浞椒ㄍ瓿啥ㄎ贿^(guò)程，代表算法有基于跳數(shù)的DV-Hop定位算法、基于三角測(cè)距的APIT算法和基于多維標(biāo)度的MDS-MAP等算法[3]。無(wú)需測(cè)距算法信息收集過(guò)程簡(jiǎn)單，穩(wěn)定性好，但定位精度較差，適用于小范圍內(nèi)節(jié)點(diǎn)密度較大，精度要求不高的場(chǎng)合?；跍y(cè)距算法是通過(guò)測(cè)量節(jié)點(diǎn)間距離、時(shí)延、角度、強(qiáng)度等信息，從而計(jì)算節(jié)點(diǎn)坐標(biāo)，代表算法有基于抵達(dá)時(shí)間的TAO算法、基于抵達(dá)角度的AOA算法和基于接受信號(hào)強(qiáng)度的RSSI等算法。測(cè)距算法理論上定位精度很高，但算法復(fù)雜，易受環(huán)境干擾和信號(hào)波動(dòng)影響，定位穩(wěn)定性不好[4-5]。

針對(duì)測(cè)距算法不足，提出基于節(jié)點(diǎn)隸屬度模糊算法，并應(yīng)用于RSSI定位模型之中。新算法首先利用嶺形分布對(duì)RSSI信號(hào)模糊化取得隸屬函數(shù)，再根據(jù)其近似程度反饋求精，通過(guò)隸屬程度以逐漸逼近方式計(jì)算節(jié)點(diǎn)坐標(biāo)區(qū)域。新算法可以減少環(huán)境干擾和信號(hào)波動(dòng)帶來(lái)的影響，具有更高的定位精度和穩(wěn)定性。

2 RSSI測(cè)距算法

RSSI測(cè)距算法首先根據(jù)公式(1)建立信號(hào)傳播損耗模型。

(1)

其中：RSSI (d)為距離源節(jié)點(diǎn)d處接收到的信號(hào)強(qiáng)度，RSSI (d0)為距離d0處測(cè)到的信號(hào)強(qiáng)度值，β為路徑衰減指數(shù)，其值與具體環(huán)境和障礙物相關(guān)，Xδ為標(biāo)準(zhǔn)偏差為δ的正態(tài)隨機(jī)變量。

對(duì)多個(gè)信號(hào)源建立傳播損耗模型后，網(wǎng)絡(luò)中每節(jié)點(diǎn)對(duì)應(yīng)的信道多徑衰減特征都是惟一的，形象的稱(chēng)為信號(hào)指紋。RSSI通過(guò)迭代求精，依據(jù)損耗模型將信號(hào)指紋信息轉(zhuǎn)化為距離參數(shù)，利用三邊定位法以求解方程組形式計(jì)算節(jié)點(diǎn)坐標(biāo)，見(jiàn)圖1。

(2)

圖1 三邊定位法

然而在實(shí)際部署中β衰減指數(shù)易受環(huán)境變化和信號(hào)波動(dòng)影響，其值動(dòng)態(tài)變化且難以預(yù)測(cè)，導(dǎo)致定位算法對(duì)環(huán)境依賴(lài)程度很大，適應(yīng)性不強(qiáng)，定位結(jié)果不穩(wěn)定。

3 模糊屬性

在經(jīng)典集合論中給定集合A，某一元素X要么屬于A(yíng)，要么不屬于A(yíng)。而模糊算法研究的對(duì)象沒(méi)有明確界限，界限越模糊，集合的模糊程度也越高，集合中的元素并不是嚴(yán)格的“非此即彼”，也可能是“亦此亦彼”，只是對(duì)于不同集合隸屬程度不同而己，稱(chēng)為隸屬度[6]。

對(duì)于集合A，X為某一定義域上的全集，該全集上的模糊子集定義為：

(3)

其中，μA(x)稱(chēng)為x對(duì)于模糊子集的隸屬度，μA為模糊子集A的隸屬函數(shù)。

在隸屬函數(shù)中，精確數(shù)可以轉(zhuǎn)變?yōu)槟：龜?shù)，模糊數(shù)也可以轉(zhuǎn)變?yōu)榫_數(shù)，通常采取最大隸屬度、加權(quán)判定和嶺形分布等方法[7]。

4 基于節(jié)點(diǎn)隸屬度模糊算法

RSSI算法接受信號(hào)強(qiáng)度容易受環(huán)境干擾和信號(hào)波動(dòng)影響，這些外界變量飄忽不定，無(wú)法精確，若窮追所有細(xì)節(jié)將極大增加算法復(fù)雜度。新算法將定量分析通過(guò)模糊算法轉(zhuǎn)化為定性分析，將RSSI信號(hào)模糊化后通過(guò)隸屬程度以逐漸逼近方式計(jì)算節(jié)點(diǎn)坐標(biāo)區(qū)域，具體過(guò)程如下。

4.1 模糊度處理過(guò)程

考慮環(huán)境影響和信號(hào)波動(dòng)導(dǎo)致的定位偏差，新算法利用隸屬函數(shù)對(duì)RSSI初始信號(hào)模糊化，具體過(guò)程如下：

①設(shè)U為論域，則論域U中一個(gè)模糊集合A的隸屬度μA(u) 為：

(4)

其中μA是隸屬函數(shù)，其大小反映論域U中元素u相對(duì)于模糊集合A的隸屬程度，值越接近1，隸屬于集合A的程度越高。

②設(shè)模糊集合A∈f(U)，?λ∈[0,1]，則集合A中λ的截集定義為：

(5)

③設(shè)模糊集合B∈f(U)，則集合A和集合B內(nèi)積、外積和格貼近度分別為：

A◎B =∨u∈U(A(u)∧B(u))

(6)

A⊙B=∧u∈U(A(u)∨B(u))

(7)

=(A◎B)∧(1-A⊙B)

(8)

其中格貼近度表示模糊集合A和B之間的接近程度。

④定義模糊化區(qū)域fuzzy，包含對(duì)RSSI初始信號(hào)模糊化區(qū)域上限和下限，設(shè)信號(hào)模糊化指紋合集為rank，其中距離為i的rank為ranki，見(jiàn)圖2。

圖2 ranki模糊化區(qū)域

⑤利用嶺形分布對(duì)RSSI信號(hào)模糊化，則ranki隸屬函數(shù)表示如下：

(9)

模糊化隸屬度嶺形分布圖見(jiàn)圖3。

圖3 隸屬度嶺形分布圖

⑥根據(jù)公式(7)得出RSSI模糊隸屬度向量:

v(rank1,rank2…,rankm)|=(μ1,μ2,…μm)

(10)

其中v是RSSI隸屬于ranki的隸屬度，參數(shù)m∈[0,1]反映模糊化程度。m值是模糊化程度，m值越小，生成的模糊集數(shù)量越少，模糊集ranki格貼近度也越小，此時(shí)算法抗干擾能力越弱，越接近標(biāo)準(zhǔn)RSSI測(cè)距算法；反之m值越大，生成的模糊集數(shù)量越多，模糊化后具備相同或相似的模糊隸屬度向量值越多，抗干擾能力越強(qiáng)。

但是模糊程度m值并不是越大越好，當(dāng)m趨于1時(shí)，算法雖不受環(huán)境干擾影響，但網(wǎng)絡(luò)中所有節(jié)點(diǎn)向量經(jīng)模糊化后都具備相同或相似的格貼近度，無(wú)法反映節(jié)點(diǎn)真實(shí)狀態(tài)，如同DV-Hop算法中簡(jiǎn)單的將跳數(shù)作為衡量節(jié)點(diǎn)距離參數(shù)，跳數(shù)雖不受環(huán)境影響，但無(wú)法反映真實(shí)距離，在節(jié)點(diǎn)分布不均勻時(shí)將導(dǎo)致較大測(cè)距誤差。因此m值大小應(yīng)根據(jù)路徑衰減指數(shù)β和環(huán)境干擾物理值共同決定。

4.2 迭代求精定位過(guò)程

對(duì)RSSI初始信號(hào)模糊化后，新算法根據(jù)RSSI信號(hào)指紋模糊近似度作出評(píng)價(jià)和反饋，并以此匹配求精計(jì)算節(jié)點(diǎn)坐標(biāo)。因此模糊近似度必須能夠?qū)?jié)點(diǎn)定位結(jié)果做出評(píng)價(jià)并進(jìn)行迭代求精，具體過(guò)程如下：

①定義ranki的模糊特征向量ui=(ui1, ui2,…, uim)，則ui與uj近似度rij為：

(11)

式(11)說(shuō)明，當(dāng)rij值趨于0時(shí)模糊向量差異最大，反之當(dāng)rij值趨于1時(shí)，模糊向量趨于相同。

②設(shè)定位節(jié)點(diǎn)p (xp,yp)周?chē)衚個(gè)鄰居節(jié)點(diǎn)，則節(jié)點(diǎn)p模糊化后有k個(gè)模糊隸屬度向量。設(shè)鄰居節(jié)點(diǎn)q模糊隸屬度向量為vq，節(jié)點(diǎn)p接收來(lái)自節(jié)點(diǎn)q的坐標(biāo)和評(píng)價(jià)值分別為(xα,yα)和ω(q)，則新算法對(duì)節(jié)點(diǎn)p模糊特征評(píng)價(jià)為：

(12)

其中rpq為模糊隸屬度向量vα和節(jié)點(diǎn)p歐式距離d=‖(xp,yp), (xα,yα)‖之間的模糊匹配關(guān)系。

③將歐式距離d帶入式(9)RSSI模糊化過(guò)程，得出元素?cái)?shù)目為num(rank)的糊隸屬度向量vd和近似度rpq的關(guān)系如下：

(13)

其中υq(i)和υd(i)是模糊隸屬度向量中的第i個(gè)元素。

④新算法選取RSSI信號(hào)隸屬度最大的幾個(gè)rank進(jìn)行比較，通過(guò)匹配rij和rpq的近似度反饋求精，在鄰居節(jié)點(diǎn)中以逐漸逼近方式找出定位節(jié)點(diǎn)坐標(biāo)區(qū)域，見(jiàn)圖4。

圖4 模糊定位結(jié)果

5 仿真測(cè)試

5.1 測(cè)試環(huán)境

仿真環(huán)境設(shè)為500×500二維區(qū)域，節(jié)點(diǎn)通信半徑為20 m，信號(hào)衰減使用RADAR模型，見(jiàn)公式(1)，取β路徑衰減指數(shù)為2.5。

5.2 定位偏差測(cè)試

選取60個(gè)節(jié)點(diǎn)均勻部署在二維區(qū)域中，并添加隨機(jī)信號(hào)擾動(dòng)系數(shù)DOI取值為0.25，初始化模糊參數(shù)m=0.85，共測(cè)試10次并取平均定位偏差，評(píng)價(jià)公式為：

(14)

仿真結(jié)果見(jiàn)圖5。如圖所示，3種算法測(cè)距偏差都隨節(jié)點(diǎn)距離增加而加大，其中基于測(cè)距的RSSI算法起伏最大，受環(huán)境影響最為嚴(yán)重，無(wú)需測(cè)距DV-Hop算法基于跳數(shù)衡量節(jié)點(diǎn)之間距離，狀態(tài)信息受環(huán)境影響較小，算法起伏不大，兼之節(jié)點(diǎn)均勻分布，測(cè)距誤差小于RSSI算法；而新算法起伏最小，說(shuō)明測(cè)距信息模糊化能有效減少環(huán)境干擾和信號(hào)波動(dòng)帶來(lái)的影響，定位偏差在3種算法中最小。

圖5 3種算法定位偏差測(cè)試

5.3 抗干擾測(cè)試

重新選取60個(gè)節(jié)點(diǎn)隨機(jī)部署在二維區(qū)域中，不斷加大DOI系數(shù)以增強(qiáng)信號(hào)擾動(dòng)幅度，初始化模糊參數(shù)m取值范圍[0.55, 0.85]，仿真結(jié)果見(jiàn)圖6。在信號(hào)干擾為0時(shí)，標(biāo)準(zhǔn)RSSI算法和新算法偏差幾乎相同，而DV-Hop算法定位偏差略大；隨著信號(hào)干擾增強(qiáng)，RSSI算法定位偏差增大明顯，起伏較大，定位結(jié)果不穩(wěn)定，在DOI取值接近1時(shí)偏差距離幾乎為新算法兩倍，RSSI算法受環(huán)境影響嚴(yán)重；而DV-Hop算法受環(huán)境干擾影響較小，起伏相對(duì)平穩(wěn)。但受節(jié)點(diǎn)非均勻分布影響，跳數(shù)無(wú)法真實(shí)反映節(jié)點(diǎn)真實(shí)距離，平均定位偏差接近RSSI算法，若進(jìn)一步降低節(jié)點(diǎn)密集度，偏差將會(huì)進(jìn)一步增大；新算法模糊系數(shù)m隨擾動(dòng)系數(shù)DOI取值而線(xiàn)性增大以減少環(huán)境影響，定位偏差起伏不大，充分發(fā)揮了測(cè)距算法定位精準(zhǔn)的優(yōu)勢(shì)。

圖6 3種算法抗干擾測(cè)試

5.4 新算法對(duì)移動(dòng)節(jié)點(diǎn)的定位精度

圖7 移動(dòng)節(jié)點(diǎn)定位圖

選取60個(gè)節(jié)點(diǎn)均勻部署在二維區(qū)域，隨機(jī)初始化節(jié)點(diǎn)移動(dòng)速度，測(cè)試結(jié)果見(jiàn)圖7所示，其中圓圈表示節(jié)點(diǎn)物理位置，星號(hào)表示估算位置，橫線(xiàn)越長(zhǎng)，表示節(jié)點(diǎn)速度越大。新算法在保持抽樣概率不變的情況下，節(jié)點(diǎn)移動(dòng)速度越快，信號(hào)模糊化區(qū)域越廣，以逐漸逼近方式找出移動(dòng)節(jié)點(diǎn)坐標(biāo)范圍也隨之增大，從而造成定位偏差。但由于節(jié)點(diǎn)均勻部署，每個(gè)節(jié)點(diǎn)能夠從鄰居節(jié)點(diǎn)隸屬度值對(duì)定位結(jié)果作出評(píng)價(jià)并動(dòng)態(tài)反饋，以此抵消節(jié)點(diǎn)因移動(dòng)速度過(guò)快導(dǎo)致定位精度下降的問(wèn)題。

6 結(jié)束語(yǔ)

RSSI算法定位精度很高，但沒(méi)有考慮到環(huán)境干擾的影響。文章提出了一種基于節(jié)點(diǎn)隸屬度模糊化定位算法，能對(duì)節(jié)點(diǎn)測(cè)距信息模糊化處理以減少環(huán)境干擾和信號(hào)波動(dòng)帶來(lái)的定位偏差，具有較高的定位精度和穩(wěn)定性。下一步工作將引入粒子群優(yōu)化原理，結(jié)合模糊算法定位三維空間節(jié)點(diǎn)位置。

[1]鮑 微,徐 云,黃劉生,等. 無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中的速度自適應(yīng)追蹤算法[J]. 計(jì)算機(jī)工程, 2010(2):81-85.

[2]石為人,熊志廣,許 磊. 一種用于室內(nèi)人員定位的RSSI定位算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2010(17):124-128.

[3]金衛(wèi)民,神顯豪. 基于RSSI的室外無(wú)線(xiàn)傳感網(wǎng)絡(luò)自定位算法[J]. 計(jì)算機(jī)工程,2008(13):139-151.

[4]Li D,Kerry D Wong,Yu Hen Hu. Detection classification, and tracking of targets[J].IEEE Signal Processing Magazine, 2002(8):348-358.

[5]Gustafsson F.Mobile positioning using wireless networks[J]. IEEE Signal Processing Magazine.2005,22(4): 41-53.

[6]Karpinski M. Sensor networks for smart roads[A]. IEEE International Workshop on Sensor Networks and Systems for evasive Computing[C].2006:158-167.

[7]Denis B.Joint distributed synchronization and positioning in UWB Ad hoc networks using TOA[J]. IEEE Trans on Microwave Theory and Techniques.2006,154(4): 1896-1911.

Research of Fuzzy Localization in Wireless Sensor Networks

Li Feng

(Guangdong Communication Polytechnic, Guangzhou 510650, China)

RSSI algorithm localization accuracy is very high in theory, but it is vulnerable to environmental interference and signal fluctuations, and if pursued all the details will greatly increase the complexity of the algorithm. This paper put forward a fuzzy localization algorithm against the weak points of RSSI algorithm in Wireless Sensor Networks，and applied to the RSSI location model. The new algorithm uses ridge-shaped distribution to fuzzification original RSSI signal. Then feedback and refine results according to the degree of approximation. The bigger value of fuzzy coefficient, the stronger anti disturbance ability, but the nodes have more or more similar lattice close degree, can not reflect the true state of the node, so the coefficient m should be based on attenuation index and environmental interference. Finally, simulation experiment shows that, the new algorithm can reduce the impact of environmental interference and signal fluctuations compared with RSSI and DV-Hop algorithm, which has high localization accuracy and stability.

wireless sensor networks; membership degree; fuzzy algorithm; RSSI

2015-09-08；

2015-10-20。

廣東省高等學(xué)校教學(xué)質(zhì)量與教學(xué)改革工程(粵教高函[2013]13號(hào))；廣東省高等職業(yè)教育教學(xué)改革項(xiàng)目(粵教高函[2014]205號(hào))；全國(guó)交通運(yùn)輸職業(yè)教育科研項(xiàng)目(2015B21)。

李 鋒(1981-)，男，碩士研究生，講師，主要從事計(jì)算機(jī)系統(tǒng)結(jié)構(gòu)和網(wǎng)絡(luò)安全方向的研究。

1671-4598(2016)03-0186-04

10.16526/j.cnki.11-4762/tp.2016.03.050

TP393

A