本發(fā)明屬于無線傳感器網(wǎng)絡(luò)領(lǐng)域，尤其涉及一種基于代價參考粒子濾波的RSSI測距方法。
背景技術(shù)：
：近年來，隨著無線網(wǎng)絡(luò)、移動計算、普適計算等技術(shù)的不斷發(fā)展，使基于位置服務(wù)的應(yīng)用日益普及，特別是室內(nèi)定位技術(shù)得到了廣泛的關(guān)注。然而，由于墻壁阻擋、室內(nèi)環(huán)境復(fù)雜導(dǎo)致存在非視距傳播，因而容易造成無線信號的多徑效應(yīng)，使得GPS信號在室內(nèi)嚴重衰減甚至失效，無法實現(xiàn)定位。隨著無線技術(shù)的快速發(fā)展，紅外線定位技術(shù)、超聲波定位技術(shù)、藍牙技術(shù)、射頻識別技術(shù)、超寬帶技術(shù)、WiFi技術(shù)及ZigBee技術(shù)已成為了主流的室內(nèi)定位技術(shù)。目前室內(nèi)定位技術(shù)主要分為基于測距和非測距兩大類。其中，基于非測距的定位方法是通過無線信號的傳播過程分析其在不同位置表現(xiàn)出來的特性進行定位，定位精度較低?；跍y距的定位方法主要有：利用到達時間(TOA)、到達時間差(TDOA)、到達角度(AOA)及無線信號接收強度指示(RSSI)等測量值推導(dǎo)距離，再由距離求解目標位置，定位精度較高。接收信號強度指示(RSSI)是指接收機接收到發(fā)送機的信號強弱指示后，利用無線信號路徑傳播統(tǒng)計模型直接獲得接收機與發(fā)送機之間的距離，無需配備額外的測距設(shè)備，成本較低，所以基于RSSI的測距方法常用于室內(nèi)定位。上述無線信號路徑傳播統(tǒng)計模型一般選取對數(shù)距離路徑損耗模型：RSSI＝A-10ηlg(d)+Xσ，其中，Xσ是高斯隨機變量，為方便計算常常將其忽略，因而會引入誤差；A、η參數(shù)的估計采用非線性函數(shù)擬合算法。例如，在申請?zhí)枮?01410421599.6、發(fā)明名稱為“一種室內(nèi)定位方法及裝置”的發(fā)明專利申請中，即利用了簡化的對數(shù)距離路徑損耗模型RSSI＝A-10ηlg(d)，其通過測量100個測量點，每個測量點測得100組數(shù)據(jù)，然后進行擬合得到A、η，進而實現(xiàn)室內(nèi)定位。但是，該方法需要測量大量的先驗數(shù)據(jù)進行擬合，工作量大，而且一旦環(huán)境變化則需重新采集先驗數(shù)據(jù)進行擬合；在專利號為ZL201110382344.X、發(fā)明名稱為“基于BP神經(jīng)網(wǎng)絡(luò)和改進質(zhì)心算法的室內(nèi)定位方法”的發(fā)明專利中，在先驗階段測量大量(RSSI，d)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并保存網(wǎng)絡(luò)，在測距階段以RSSI為輸入，d為輸出實現(xiàn)測距，使用神經(jīng)網(wǎng)絡(luò)進行擬合非線性曲線方法簡單，先驗數(shù)據(jù)量也減少，但是該方法只能將數(shù)據(jù)批量處理，無法利用最新測量值，環(huán)境變化時也需采集數(shù)據(jù)調(diào)整?？梢?，現(xiàn)有的基于RSSI測距方法一般選取簡化的對數(shù)距離路徑損耗模型，并通過非線性函數(shù)參數(shù)擬合得到模型中的參數(shù)或通過神經(jīng)網(wǎng)絡(luò)進行擬合，兩種擬合方法均需要采集大量的先驗數(shù)據(jù)，先驗階段工作量大。且無法利用最新測量值，一旦環(huán)境改變，先驗階段擬合的參數(shù)需進行校正，故擬合的參數(shù)無法對環(huán)境進行自適應(yīng)調(diào)整。技術(shù)實現(xiàn)要素：針對上述現(xiàn)技術(shù)中的不足，本發(fā)明提供一種基于代價參考粒子濾波的RSSI測距方法，該方法能在不增加測距設(shè)備的前提上實時測距且不受高斯隨機噪聲影響，同時又能適應(yīng)環(huán)境變化，魯棒性能較強，無需大量先驗實驗和重復(fù)采集測量值，提高室內(nèi)定位精度。為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于代價參考粒子濾波的RSSI測距方法，包括以下步驟：步驟S1，在室內(nèi)環(huán)境中布置錨節(jié)點，并規(guī)劃移動節(jié)點的移動路徑；步驟S2，使移動節(jié)點按規(guī)劃好的路徑移動，并在每個預(yù)定位置采集不同錨節(jié)點發(fā)送的數(shù)據(jù)包，所述數(shù)據(jù)包包含錨節(jié)點標號及RSSI值，；步驟S3，對每個位置采到的數(shù)據(jù)包按錨節(jié)點標號分組進行高斯濾波預(yù)處理，并對預(yù)處理后的RSSI值求算數(shù)平均值，作為RSSI觀測值；步驟S4，對各RSSI觀測值進行代價參考粒子濾波處理，以估計得到錨節(jié)點與移動節(jié)點之間的距離。進一步地，所述步驟S4包括以下步驟：步驟S41，構(gòu)建代價參考粒子濾波的狀態(tài)方程和觀測方程：Xt=FXt-1+wtYt=h(Xt)+mt---(2),]]>其中，t為離散時間，Xt為t時刻的狀態(tài)向量，且ηt為路徑損耗因子，為路徑損耗因子的變化，dt為錨節(jié)點與移動節(jié)點之間的距離，vt為移動節(jié)點的速度，F(xiàn)為狀態(tài)轉(zhuǎn)移矩陣，tΔ為時間區(qū)間，wt為t時刻的狀態(tài)噪聲，Yt為t時刻的RSSI觀測值，mt是觀測噪聲；步驟S42，在t0時刻，從狀態(tài)空間中均勻采樣M個初始粒子-代價集其中，為t0時刻第i個粒子的狀態(tài)向量，為t0時刻第i個粒子的代價值，且步驟S43，計算自適應(yīng)的漸消因子其中，為當前所有粒子的整體平均代價；步驟S44，計算所有粒子在t+1時刻的風(fēng)險值Rt+1(i)=Δt*λt*Ct(i)+(1-Δt)*R(xt(i)|yt+1)=Δt*λt*Ct(i)+(1-Δt)*|yt+1-h(f(xt(i)))|q---(3),]]>其中，h(·)為觀測方程，f(·)為狀態(tài)方程，為t時刻第i個粒子的狀態(tài)向量，yt+1為t+1時刻的RSSI觀測值，q＝1或q＝2，Δt為反饋系數(shù)，λt為漸消因子，為t時刻第i個粒子對應(yīng)的代價值；步驟S45，根據(jù)步驟S44中得到的風(fēng)險值計算粒子重采樣權(quán)值r：r=(R-Rmine+α)-kisum(R-Rmine+α)-ki---(4),]]>其中，Rmine為所有粒子對應(yīng)的風(fēng)險值中最小的風(fēng)險值，α、ki為調(diào)整系數(shù)；然后，根據(jù)重采樣權(quán)值r進行粒子重采樣，并得到重采樣的粒子-代價集合其中，表示重采樣粒子，表示重采樣粒子的代價值；步驟S46，使重采樣的粒子按高斯分布函數(shù)隨機傳播，并約束演化方向，得到新的粒子，而后對新粒子進行修正，得到t+1時刻的粒子并更新方差σt2,(i)=(1-Δt-1)*σt-12,(i)+|xt(i)-F*xt-1(i)|2t*L---(5),]]>其中，分別表示當前時刻及更新后的方差，L為狀態(tài)向量Xt的維度；而后，計算t+1時刻所有粒子的代價其中，q取1或2；步驟S47，以最小平均誤差準則估算狀態(tài)向量及計算反饋系數(shù)Δt+1：x‾t+1mean=Σi=1M(ωt+1(i)*xt+1(i))---(7),]]>Δt+1=1-|RSSIt+1-h(x‾t+1mean)RSSIt+1|---(8),]]>并將反饋系數(shù)Δt+1反饋回步驟S44和S46，直至移動節(jié)點的所有位置估算完為止。進一步地，所述步驟S2還包括檢查移動節(jié)點采集的數(shù)據(jù)包是否丟包，若丟包，則重新采集。優(yōu)選地，在所述步驟S2中，所述移動節(jié)點在每個位置采集八個以上的數(shù)據(jù)包。進一步地，所述步驟S3包括：步驟S31，構(gòu)建高斯濾波函數(shù)：g(x)=1σm2πexp(-(x-μm)22σm2)---(1),]]>其中，m為錨節(jié)點標號，n為采集該錨節(jié)點的RSSI數(shù)目；步驟S32，對g(x)大于臨界值對應(yīng)的RSSI值求算數(shù)平均值，并將求得的算數(shù)平均值作為RSSI觀測值。優(yōu)選地，所述臨界值取0.5。進一步地，所述步驟S46采用如下方法對新粒子進行修正：當新粒子對應(yīng)的路徑損耗因子η≤0，則以與其對稱的值來取代粒子的路徑損耗因子。由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點和積極效果：(1)本發(fā)明采用代價參考粒子濾波測距，無需離線采集大量數(shù)據(jù)建立模型，實現(xiàn)了在線實時距離估計；(2)代價參考粒子濾波測距不需要噪聲概率分布建模，無需對無線信號衰減統(tǒng)計模型的噪聲進行預(yù)先觀測；(3)本發(fā)明是一種序貫算法，將最新觀測值用于狀態(tài)量估計，可根據(jù)實際測量值進行自適應(yīng)調(diào)整，引進了自適應(yīng)的漸消因子λt，通過代價值實時更新漸消因子，并利用漸消因子調(diào)節(jié)歷史觀測值在當前估計中的權(quán)重，實現(xiàn)了潛在的自適應(yīng)性；(4)本發(fā)明測距算法采用閉環(huán)的方式，根據(jù)估計的信號強度與實時采集的信號強度計算出反饋系數(shù)，再利用反饋系數(shù)調(diào)整系統(tǒng)參數(shù)，系統(tǒng)魯棒性更強。附圖說明圖1為本發(fā)明基于代價參考粒子濾波的RSSI測距方法的流程圖；圖2為本發(fā)明代價參考粒子濾波處理的流程圖；圖3為本發(fā)明中主要公式的關(guān)系圖；圖4為采用本發(fā)明的測距結(jié)果與真實距離的對比圖。具體實施方式下面結(jié)合具體實施例，進一步闡述本發(fā)明。應(yīng)理解，這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。本發(fā)明在現(xiàn)有無線信號路徑傳播模型和傳統(tǒng)RSSI測距及定位方法的基礎(chǔ)上，提出了一種改進型的基于代價參考粒子濾波的RSSI測距方法，本發(fā)明的具體實施方式如圖1所示，包括以下步驟：步驟S1，在室內(nèi)環(huán)境中，以基于ZigBee無線通信協(xié)議，但不局限于ZigBee的任何無線信號接收功率強度可測量的無線通信協(xié)議的硬件平臺作為無線通信平臺，用CC2430模塊但不限于CC2430模塊的任何以2.4GHz射頻系統(tǒng)單芯片為核心的無線通信模塊作為錨節(jié)點及移動節(jié)點，需保證移動節(jié)點運動區(qū)域無盲區(qū)，無線信號能全部覆蓋，為較為準確地計算移動節(jié)點坐標，可將其設(shè)置在能接收到三個錨節(jié)點的信號強度的位置。同時，需調(diào)整各節(jié)點高度保持大體一致，減少節(jié)點間高度差造成的影響，布置錨節(jié)點，規(guī)劃好移動節(jié)點路徑。步驟S2，打開各無線模塊電源，確定通信無誤后開始采集數(shù)據(jù)，作為錨節(jié)點的無線模塊用于廣播信號，移動節(jié)點用于將接收到的數(shù)據(jù)包通過轉(zhuǎn)移節(jié)點上傳至上位機，該數(shù)據(jù)包由錨節(jié)點標號及RSSI值組成。為保證數(shù)據(jù)準確，使移動節(jié)點在規(guī)劃好的路徑上移動，并在每個預(yù)定位置采集不同錨節(jié)點發(fā)送的數(shù)據(jù)包，每個位置采集八個以上數(shù)據(jù)包作為一組數(shù)據(jù)，并將包含RSSI值及相應(yīng)錨節(jié)點標號的數(shù)據(jù)包上傳至計算機，檢查是否丟包，如若有，則重新采集。步驟S3，對每個位置，將步驟S2中采集到的數(shù)據(jù)包按錨節(jié)點標號分組進行高斯濾波預(yù)處理，構(gòu)建高斯濾波函數(shù)g(x)如下：g(x)=1σm2πexp(-(x-μm)22σm2)---(1),]]>在上式中，參數(shù)m為錨節(jié)點標號，n為采集該錨節(jié)點的RSSI數(shù)目；本實施方式中g(shù)(x)臨界值選取0.5，即0.5≤g(x)≤1，當高斯分布函數(shù)值大于0.5對應(yīng)的RSSI值為高概率發(fā)生值，當高斯分布函數(shù)值小于0.5對應(yīng)的RSSI值為小概率隨機事件，故每組數(shù)據(jù)經(jīng)過濾波后可以剔去小概率隨機事件，并將濾波后的RSSI值求算數(shù)平均值，作為RSSI觀測值輸入步驟S4。步驟S4，將步驟S3中經(jīng)過高斯濾波及均值處理的RSSI觀測值進行代價參考粒子濾波處理，以估計錨節(jié)點與移動節(jié)點間的距離，具體濾波處理過程如圖2所示，包括以下步驟：(1)步驟S41，構(gòu)建代價參考粒子濾波方程為：Xt=FXt-1+wtYt=h(Xt)+mt---(2),]]>其中，t為離散時間，Xt代表不可觀測的狀態(tài)向量，在本發(fā)明中為路徑損耗因子ηt由于室內(nèi)環(huán)境復(fù)雜故非固定值，用描述它的變化情況，dt表示移動節(jié)點到錨節(jié)點的距離，vt為移動節(jié)點的速度；F為狀態(tài)轉(zhuǎn)移矩陣，其中tΔ為時間間，wt是狀態(tài)噪聲，mt是觀測噪聲，Yt為t時刻的RSSI觀測值。步驟S42，將第0個觀測時刻t0作為初始時刻，在初始時刻t0，初始化粒子-代價集集Ω，獲得初始粒子集表示初始時刻t0的第i個粒子的狀態(tài)向量，為t0時刻第i個粒子的代價值，其中，從狀態(tài)空間U(I0)(指狀態(tài)向量可取值的范圍)中均勻采樣M個粒子并設(shè)初始代價值步驟S43，計算自適應(yīng)漸消因子λt，λt與代價參考值(即當前所有粒子的整體平均代價值)成反比，表示為其中φ為的單調(diào)遞減函數(shù)，如反比例函數(shù)、底數(shù)小于1大于0的對數(shù)函數(shù)等，由于λt小于1，所以本實施方式中取并滿足0≤λt≤1。步驟S44，計算當前時刻所有粒子的一步風(fēng)險值(一步指下一時刻的，由于時間是離散的，所以稱為一步)，該風(fēng)險值與粒子對應(yīng)的代價有關(guān)，風(fēng)險值更新為：Rt+1(i)=Δt*λt*Ct(i)+(1-Δt)*R(xt(i)|yt+1)=Δt*λt*Ct(i)+(1-Δt)*|yt+1-h(f(xt(i)))|q---(3),]]>其中，h(·)為觀測方程，f(·)為狀態(tài)方程，為t時刻第i個粒子的狀態(tài)向量，yt+1為t+1時刻的RSSI觀測值，q＝1或q＝2，Δt為反饋系數(shù)(其初始值為1)，λt為漸消因子，為t時刻第i個粒子對應(yīng)的代價值。步驟S45，根據(jù)步驟4)中的得到的一步風(fēng)險值求粒子權(quán)重，歸一化得重采樣權(quán)重為r：r=(R-Rmine+α)-kisum(R-Rmine+α)-ki---(4),]]>其中，Rmine表示所有粒子對應(yīng)的一步風(fēng)險值中最小的風(fēng)險值，R表示所有粒子的一步風(fēng)險值的集合，r表示所有粒子的重采樣權(quán)值集合，α、ki為調(diào)整系數(shù)，α的選取能使粒子權(quán)重有足夠的分辨率即可；然后，重采樣，即，復(fù)制權(quán)重大的粒子，剔除權(quán)重小的粒子。本實施方案中采用較為基本的方法——“輪盤賭”，具體實現(xiàn)方法為：用粒子權(quán)重構(gòu)成輪盤，然后用產(chǎn)生(0，1)的均勻分布，隨機數(shù)落到輪盤哪個區(qū)域上，則復(fù)制該粒子。權(quán)重大的粒子被選中的概率也大，選中一次該粒子及其代價就會被復(fù)制一次，最終得到中間粒子代價集步驟S46，按高斯分布函數(shù)來隨機傳播重采樣的粒子并約束演化方向，得到新的粒子Pxt+1，無線信號在室內(nèi)傳播過程中路徑損耗因子η始終為正值，故設(shè)置狀態(tài)向量中閾值ηth為零，當新粒子中η≤ηth，則以與其對稱的值(即以均值為對稱軸的鏡像值)來取代粒子的路徑損耗因子進行修正，得到t+1時刻的粒子然后，需將高斯分布函數(shù)的方差進行更新，方差與粒子的分布相關(guān)，利用反饋系數(shù)動態(tài)調(diào)整歷史粒子方差對當前方差更新的影響，調(diào)整更新后的粒子分布情況，從而實現(xiàn)負反饋，更新方差為：σt2,(i)=(1-Δt-1)*σt-12,(i)+|xt(i)-F*xt-1(i)|2t*L---(5),]]>其中，分別表示當前時刻及更新后的方差(方差的初值為[0.5；5；0.1；0.1])，L為狀態(tài)向量維度；而后，計算該時刻所有粒子代價值其中，q取1或2。步驟S47，以最小平均誤差準則估計狀態(tài)向量及計算反饋系數(shù)：x‾t+1mean=Σi=1M(ωt+1(i)*xt+1(i))---(7),]]>Δt+1=1-|RSSIt+1-h(x‾t+1mean)RSSIt+1|---(8),]]>由于狀態(tài)向量中包括移動節(jié)點與錨節(jié)點之間的距離，所以估計狀態(tài)向量即可得到稱動節(jié)點與錨節(jié)點之間的距離，而反饋系數(shù)可反饋回至步驟S44與S46用于更新風(fēng)險、代價及方差，直至移動節(jié)點的所有位置估算完為止。綜上，經(jīng)過步驟S3后可以剔除原始數(shù)據(jù)中的誤差，并作為步驟S4的輸入，經(jīng)過步驟S4濾波后輸出距離，圖4為本發(fā)明方法代價參考粒子濾波測距結(jié)果與實際距離的對比，本發(fā)明中的測距方法估計的距離與真實距離十分接近，可見估計精度較高。本發(fā)明采用基于代價參考粒子濾波的RSSI測距方法，無需離線采集大量數(shù)據(jù)建立模型，實現(xiàn)了在線實時距離估計；其中代價參考粒子濾波不需要對噪聲概率分布已知假設(shè)，無需對無線信號衰減統(tǒng)計模型的噪聲進行預(yù)先觀測；本發(fā)明是一種序貫算法，將最新觀測值用于估計并可根據(jù)實際測量值進行自適應(yīng)調(diào)整；本發(fā)明測距算法采用閉環(huán)的處理策略，參數(shù)具有一定的自適應(yīng)性，系統(tǒng)魯棒性更強，也提高了基于RSSI的測距的精度。當前第1頁1 2 3