[发明专利]基于RSSI向量相近度和广义逆的无线传感器网络定位方法

说明书

技术领域

本发明涉及无线传感器网络定位技术，具体是一种基于RSSI向量相近度和广义逆的无线传感器网络定位方法。

背景技术

在无线传感器网络(WSN,Wireless Sensor Network)的各项应用中，只有将传感器节点所捕获和采集的信息与节点自身位置相结合，才能准确的说明“事件发生的地点”，才能如实地反映目标监测区域。显然，节点的位置信息是传感器节点感知和采集数据的前提，只有节点的感知数据，而没有感知数据来源的位置信息，这是缺乏实际意义的。因此，无线传感器网络中节点定位显得尤为重要，定位技术也就必然成为无线传感器网络的一项必备的功能和一项关键的支撑技术。节点的位置信息对于网络数据采集和事件监测而言，是十分重要的。无线传感器网络定位研究对于遥感领域的跟踪、监控有着十分重要的意义，有助于比较路由、优化通信任务、合成路由表。一旦得知事件发生的位置，即可迅速计算最佳路由用以向管理节点发送信息，为了平衡网络能量负载和通信负荷，每个节点的最佳路由通常并不相同。

目前，已经存在多种关于无线传感器网络定位算法的研究。文献(Rashedur R M,Barker K,Alhajj R.Replica Placement in Data Grid:Considering Utility and Risk[C].Proceedings of IEEE International Conference on Coding and Computing,2005:354-359)是通过三边定位法估算未知节点的坐标位置的，定位效果良好。文献(石琴琴,霍宏.使用最速下降算法提高极大似然估计算法的节点定位精度[J].计算机应用研究,2008,25(7):2038-2040)使用最速下降算法优化极大似然估计算法所得的节点定位值，是对最大似然估计定位法的改进，能够用较小的计算代价获得定位精度的提高，效果明显。文献(Wang XB,Fu MY,Zhang HS.Target tracking in wireless sensor networks based on the combination of KF and MLE using distance measurements[J].IEEE Trans.on Mobile Computing,2012,11(4):567-576)融合了极大似然估计和卡尔曼滤波，取得了节点预定位置和节点跟踪的双重效果，且具有较高的定位精度。

质心算法因其便于操作和误差较小的特点在无线传感器网络的诸多定位方法中颇受欢迎，K Yedavalli等人提出的序列定位(SBL，Sequence-Based Localization)算法，刘志华等人提出了序列定位算法和三点垂心法相结合的序列定位新算法都是质心定位法的具体实例，也取得了较好的定位精度，但是在边界节点定位或非理想环境定位中，还需改进。

刘少飞等人提出了一种基于平均跳距估计和位置修正的DV-Hop改进算法，用以解决由单个锚节点估计所得的网络平均每跳距离无法反映真实的网络平均每跳距离的不足，取得较好的定位精度。但是该算法的定位精度的范围是建立在位置的循环修正算法上，若位置修正迭代错误，则定位结果仍受影响。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种避免了RSSI的波动对定位精度的影响、准确简便的无线传感器网络定位方法，本发明的技术方案如下：一种基于RSSI向量相近度和广义逆的无线传感器网络定位方法，其包括以下步骤：

101、获取待定位节点之间的接收信号强度指示(Received Signal Strength Indicator)RSSI值，并将在不同距离处RSSI值出现的概率进行高斯曲线拟合得到概率密度RSSI-d(强度与距离关系)曲线；

102、将步骤101中拟合得到的概率密度曲线RSSI-d(强度与距离关系)曲线中每一距离处的RSSI概率密度寻找峰值f(RSSI_i)_max，将此峰值f(RSSI_i)_max所对应的距离d作为收发节点之间的估计距离，d＝f(RSSI_i)_max*k+b，参数k和b是概率密度随距离的变化趋势，求得概率密度曲线RSSI-d的模型为：