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(yu)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dianRSSI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)。