無線傳感器網絡中基于RSSI的節點距離預測

摘要：無線傳感器網絡大量應用在環境監測、目標跟蹤、安全監控等領域，因此網絡的自身定位是大多數應用的基礎。常用的定位方法必須測量節點間的距離。為了預測距離值，根據實驗獲取的RSSI值與對應的距離值，先對實驗數據進行濾波處理，建立面向Matlab神經網絡工具箱的神經網絡預測模型，利用神經網絡的特性和Matlab工具箱的強大功能，通過實測數據對網絡進行訓練。預測結果表明，距離精度達到1 m之內。
關鍵詞：無線傳感器網絡；距離預測；濾波處理；神經網絡

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、安全監控等領域。位置信息對傳感器網絡的監測活動至關重要，事件發生的位置或獲取信息的節點位置是傳感器網絡節點監測消息中包含的重要信息，了解傳感器節點位置信息不僅可以獲取路由信息，而且可以進行節點定位等。測距的誤差在很大程度上決定了目標定位及跟蹤的誤差。常用的定位方法必須測量節點間的距離，一般測距方式有紅外線、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，測距誤差只有10 cm，但是受氣溫、濕度等的影響較大，不適合在室外使用。基于RSSI的定位無需額外硬件，利用對接收無線信號的強度判斷，推導收發節點間的距離，計算接收無線信號強度是商用無線收發芯片具備的功能。基于RSSI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。基于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，基于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，不但提高了基于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，通過相應的網絡權系數w相互聯系，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 實驗平臺及數據的預處理
2．1 RSSI值獲取
實驗在空曠的無障礙物的廣場進行。基于Tiny()S系統，以克爾斯博的Iris節點為實驗平臺，0號節點為固定節點，用于接收數據。發送和接收節點均使用短桿狀天線，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的范圍內隨著距離的增加變化比較明顯，而10 m以后，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，所以此實驗的測試范圍限定在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。