中心議題：

• 探討無線傳感器網絡中基於RSSI的節點距離

解決方案：

• 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(an)全(quan)監(jian)控(kong)等(deng)領(ling)域(yu)。位(wei)置(zhi)信(xin)息(xi)對(dui)傳(chuan)感(gan)器(qi)網(wang)絡(luo)的(de)監(jian)測(ce)活(huo)動(dong)至(zhi)關(guan)重(zhong)要(yao)，事(shi)件(jian)發(fa)生(sheng)的(de)位(wei)置(zhi)或(huo)獲(huo)取(qu)信(xin)息(xi)的(de)節(jie)點(dian)位(wei)置(zhi)是(shi)傳(chuan)感(gan)器(qi)網(wang)絡(luo)節(jie)點(dian)監(jian)測(ce)消(xiao)息(xi)中(zhong)包(bao)含(han)的(de)重(zhong)要(yao)信(xin)息(xi)
，了(le)解(jie)傳(chuan)感(gan)器(qi)節(jie)點(dian)位(wei)置(zhi)信(xin)息(xi)不(bu)僅(jin)可(ke)以(yi)獲(huo)取(qu)路(lu)由(you)信(xin)息(xi)，而(er)且(qie)可(ke)以(yi)進(jin)行(xing)節(jie)點(dian)定(ding)位(wei)等(deng)。測(ce)距(ju)的(de)誤(wu)差(cha)在(zai)很(hen)大(da)程(cheng)度(du)上(shang)決(jue)定(ding)了(le)目(mu)標(biao)定(ding)位(wei)及(ji)跟(gen)蹤(zong)的(de)誤(wu)差(cha)。常(chang)用(yong)的(de)定(ding)位(wei)方(fang)法(fa)必(bi)須(xu)測(ce)量(liang)節(jie)點(dian)間(jian)的(de)距(ju)離(li)，一(yi)般(ban)測(ce)距(ju)方(fang)式(shi)有(you)紅(hong)外(wai)線(xian)、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，測距誤差隻有10 cm
，但是受氣溫、濕度等的影響較大
，不適合在室外使用。基於RSSI的de定ding位wei無wu需xu額e外wai硬ying件jian，利li用yong對dui接jie收shou無wu線xian信xin號hao的de強qiang度du判pan斷duan，推tui導dao收shou發fa節jie點dian間jian的de距ju離li

，計ji算suan接jie收shou無wu線xian信xin號hao強qiang度du是shi商shang用yong無wu線xian收shou發fa芯xin片pian具ju備bei的de功gong能neng。基ji於yuRSSI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。基於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，基於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
，不但提高了基於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，通過相應的網絡權係數w相互聯係
，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 實驗平台及數據的預處理

2．1 RSSI值獲取

實驗在空曠的無障礙物的廣場進行。基於Tiny()S係統，以克爾斯博的Iris節點為實驗平台，0號節點為固定節點
，用於接收數據。發送和接收節點均使用短杆狀天線
，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的範圍內隨著距離的增加變化比較明顯，而10 m以後，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
，所以此實驗的測試範圍限定在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的範圍內勻速前進，得到的RSSI值與距離的關係如圖2所示。
[page]
由圖2可以看出
，不同的人員拿著移動終端前進，RSSI與距離的關係曲線基本一致，說明RSSI值與距離的關係符合一定的衰減規律。

在相同的實驗平台下
，在0～10 m的範圍內
，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
，然後得出RSSI值與距離的關係曲線如圖3所示。

對比圖2和圖3得出，停頓走比連續走時的RSSI值(zhi)與(yu)距(ju)離(li)的(de)關(guan)係(xi)曲(qu)線(xian)更(geng)平(ping)滑(hua)，衰(shuai)減(jian)更(geng)慢(man)。因(yin)為(wei)連(lian)續(xu)走(zou)的(de)時(shi)候(hou)，信(xin)號(hao)會(hui)受(shou)到(dao)人(ren)身(shen)體(ti)走(zou)動(dong)或(huo)者(zhe)旁(pang)邊(bian)幹(gan)擾(rao)物(wu)的(de)影(ying)響(xiang)，出(chu)現(xian)不(bu)同(tong)程(cheng)度(du)的(de)突(tu)變(bian)。為(wei)了(le)確(que)保(bao)距(ju)離(li)預(yu)測(ce)值(zhi)的(de)精(jing)度(du)，因(yin)此(ci)以(yi)停(ting)頓(dun)測(ce)量(liang)的(de)數(shu)據(ju)作(zuo)為(wei)測(ce)試(shi)樣(yang)本(ben)。

2．2 RSSI值濾波處理

   實驗獲取的RSSI值與距離的關係曲線還不夠平滑，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。
由圖4可以得出，限幅平均濾波的效果最好，因此以限幅濾波後的數據作為訓練樣本。

3 BP網絡模型的建立

以限幅濾波後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
，這裏也是單隱層。

(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。這裏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次後達到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

weileyanzhengceshijieguodekekaoxing，genjuwangluoxunliandejieguo，baceshijieguoyuzhenshizhijinxingduibi。weiletuchugaifangfadeyouyuexing
，yujingyangongshijisuanchulaidejulizhijinxingbijiao。biao1為模型預測值、經驗公式值與真實值的比較。
由表1可以得出
，由BP神經網絡模型預測的距離值與經驗公式計算出來的距離值相比，整體誤差較小。經驗公式計算的距離誤差最大為2．7351m，最小誤差為0．5338m，而由模型預測的距離誤差最大為0．7976m，最小誤差為0．0232m，測距的精度明顯提高了很多。

5 結論

BP神經網絡具有很強的自學習、自(zi)組(zu)織(zhi)及(ji)自(zi)適(shi)應(ying)能(neng)力(li)，具(ju)有(you)高(gao)度(du)非(fei)線(xian)性(xing)函(han)數(shu)映(ying)射(she)功(gong)能(neng)，通(tong)過(guo)對(dui)樣(yang)本(ben)的(de)預(yu)處(chu)理(li)
，可(ke)以(yi)提(ti)高(gao)訓(xun)練(lian)結(jie)果(guo)的(de)精(jing)度(du)。因(yin)此(ci)，樣(yang)本(ben)的(de)好(hao)壞(huai)直(zhi)接(jie)影(ying)響(xiang)訓(xun)練(lian)結(jie)果(guo)。節(jie)點(dian)RSSI值的隨機性較大
，會隨著環境及其他幹擾的影響發生突變。因此先對RSSI值(zhi)進(jin)行(xing)濾(lv)波(bo)處(chu)理(li)，濾(lv)掉(diao)突(tu)變(bian)的(de)數(shu)據(ju)再(zai)進(jin)行(xing)網(wang)絡(luo)的(de)訓(xun)練(lian)，預(yu)測(ce)結(jie)果(guo)就(jiu)能(neng)達(da)到(dao)較(jiao)理(li)想(xiang)的(de)水(shui)平(ping)。這(zhe)適(shi)用(yong)於(yu)不(bu)同(tong)的(de)場(chang)合(he)
，提(ti)高(gao)了(le)測(ce)距(ju)精(jing)度(du)，從(cong)而(er)進(jin)行(xing)精(jing)確(que)定(ding)位(wei)。