[发明专利]一种基于RSSI的无线传感器网络自适应迭代定位方法

说明书

技术领域

本发明涉及一种无线传感器领域，尤其是无线传感器网络定位领域。

背景技术

无线传感器网络是全球未来三大高科技产业之一，在军事、环境监测、反恐防暴、医疗保健、工业控制、家居、商业等领域都有广泛应用。无线传感器网络也可应用于目标探测、目标定位以及目标跟踪中，本发明重点研究目标定位，旨在通过数据融合方式提高目标定位精度。

根据传感器探测物理量的不同，传感器网络根据声源信号进行目标定位的方法主要有三种：基于信号时延的测量方法TDOA(time delay of arrival)，基于目标信号角度的测量方法DOA(direction of arrival)及基于目标信号能量的测量方法RSSI(received signal strength indication，接收信号强度指示)。TDOA方法主要是通过信号到达两个传感器节点之间的时间差求出距离差，根据距离差实现对目标的有效定位，对节点之间时间同步精度有非常高的要求；DOA方法主要依靠在传感器节点上安装天线阵列来获得角度信息，再通过三角测量法计算出节点的位置，对节点硬件要求较高，需要大量的计算和通信开销。RSSI通过接收到的信号强弱对两个通信节点间的距离进行估算，进而根据相应的数据进行定位，定位原理简单，且无需额外的硬件开销和网络通信开销，易于实现，比较适合于无线传感器网络。本发明就是基于RSSI方法中的最大似然方法提出的。

目前，基于RSSI的目标定位方法主要有：CPA、最大似然法和能量比例法，其中CPA简单但只能用于单目标定位且定位精度低；能量比例法一般用非线性最小二乘法和最小二乘法求解，定位速度快，但是受噪声的影响大且只能用于单目标定位；最大似然法考虑了噪声对定位的干扰，抗干扰能量强，精度高，是RSSI中精度最高的一种方法，而且对多个目标同时出现也有效，是基于能量的多目标定位的主要方法，但由于该方法要对整个节点布置的区域进行搜索，所以该方法的计算量比较大，所需的时间多，不利于实时地对目标进行跟踪。

发明内容

针对RSSI中最大似然定位法采用的搜索计算面临计算量大、不利于实时地对目标进行跟踪的问题，本发明提出一种基于最速梯度下降的自适应迭代方法。本发明基于最大似然法的数学模型，将非线性最小二乘代价函数作为目标函数进行最速梯度下降搜索定位，由于采用了时变步长，与最大似然定位的搜索算法相比，有运算量小，定位精度高的优点。

为了克服现有技术的不足，本发明提供了一种基于最速梯度下降的自适应迭代方法。为实现上述目的，本发明采取以下技术方案，其特征包括以下步骤：

步骤一，建立直角坐标系，得到无线传感器网络中每个传感器节点的位置信息，测量传感器节点的RSSI值，待测目标为非合作目标，目标能量未知；

假设目标能量为S_k，(k＝1,2,…,K)，传感器节点i的在t时刻的RSSI值为y_i(t)，则：

其中，g_i是第i个传感器节点自身对目标定位的能量增益，d_ik(t)＝|ρ_k(t)-r_i|是第k个目标与第i个传感器节点之间的欧氏距离，ρ_k(t)是t时刻待测目标的位置，r_i是第i个传感器节点的位置，S_k(t)为待测目标的能量，则y_i(t)是测量得到的第i个传感器在t时刻的RSSI值；1≤k≤K，K为目标个数，1≤i≤I，I表示传感器个数；v_i是背景噪声，服从分布，是背景噪声的方差，如果采样点数M足够大，M＞＞30，那么ε_i(t)服从卡方分布，近似于分布；

步骤二，推导基于最大似然定位的代价函数：

对传感器节点的RSSI值的测量式进行变换得到用矩阵形式可表示为Z＝GDS+ξ，S＝[S₁ S₂ … S_K]^T，ξ＝[ξ₁ ξ₂ … ξ_N]^T，其中是均值，是方差，d_ik＝|ρ_k-r_i|，则服从N(0,1)分布，是个独立的高斯随机变量，则Z的联合概率密度的最大似然函数可以表示为：