WSN'de Geliştirilmiş RSSI Konum Algoritması Araştırması
Fu Bin
(Shaoxing Mesleki ve Teknik Koleji, Shaoxing, Zhejiang 312000)
: Düğüm konumlandırma hatasını azaltmak, kablosuz sensör ağlarının sürekli iyileştirilmesinin yönüdür. RSSI konumlandırma algoritmasına dayalı olarak, konumlandırma hatasını azaltmak için ağırlıklandırma kavramı tanıtılmıştır. Her şeyden önce, konumlandırma algoritmasındaki yanlış RSSI ortalama problemini çözmek için, normal dağılım, ortalamanın çok büyük olduğu durumdan kaçınmak için olasılık fonksiyonu aracılığıyla RSSI eşiğini elde etmek için kullanılır; ikincisi, çapa düğümü ile bilinmeyen düğüm arasındaki tahmini tahsis etmek için ağırlık faktörü kullanılır. Mesafenin ağırlığı. MATLAB simülasyon deney platformunda, iletişim yarıçapı ve çapa düğüm yoğunluğu koşulları altında diğer algoritmalarla karşılaştırıldığında, bu yazıda yer alan algoritmanın daha iyi sonuçlara sahip olduğu bulunmuştur.
: Düğüm konumu; RSSI; WSN
: TP393 Belge tanımlama kodu: ADII: 10.19358 / j.issn.1674-7720.2017.05.021
Alıntı biçimi Fu Bin. WSN J 'de geliştirilmiş RSSI konumlandırma algoritması araştırması. Mikrobilgisayar ve Uygulama, 2017,36 (5): 69-71,75.
0 Önsöz
Düğümlerin nasıl daha iyi konumlandırılacağı her zaman kablosuz sensör ağlarının ana araştırma yönü olmuştur.Bir yandan, düğüm konumlandırmanın etkisi coğrafi konum ve çevreden etkilenirken, diğer yandan da esas olarak çapa düğümleri ve bilinmeyen düğümler arasındaki ilişkiden kaynaklanmaktadır. Hesaplama yöntemi ve diğer etkiler [1]. Bu makale, RSSI konum algoritması perspektifinden bilinmeyen düğümlerin konumunu inceler. Literatür [2], bilinmeyen düğüm ile çapa düğümü arasındaki mesafeyi ölçmek için RSSI aralıklandırma yöntemini kullanır, kabaca bulmak için en küçük kareler yöntemini kullanır ve belirli bir etki elde eder; literatür [3] düğümün başlangıç konumunu tahmin etmeyi ve ardından kademeli olarak Ayrıntılı çözüm; Literatür [4], düğüm konumlandırmasını programlamak için RSSI aralığı ve kuantum parçacık sürüsü algoritmasını birleştiren bir yöntem önermiştir; Literatür [5], düğüm koordinat düzeltme değerini hesaplamak için çok işaretli bir düğüm ağırlık merkezi konum düzeltme algoritması önermiştir; Literatür [6] Sabit adım uzunluğuna sahip düğüm eğilim hareketi için bir doğrulama yöntemi önerilmiştir. Simülasyon deneyleri, konumlandırma doğruluğunun geliştirilebileceğini göstermektedir. Literatür [7], RSSI mesafe oranına dayalı bir MDS konumlandırma algoritması önermiştir; Literatür [8], RSSI oranına dayalı bir düzeltme önermiştir Konumlandırma doğruluğunu artırabilen DV-Hop konumlandırma algoritması; Literatür [9], RSSI'ye dayalı bir MCL konumlandırma algoritması önermiştir, bu da örnekleme doğruluğunu geliştirir, böylece konumlandırma doğruluğunu artırır ve güç tüketimini azaltır.
Yukarıdaki araştırmanın sonuçlarına göre, bu makale RSSI konumlandırma algoritmasına dayalı olarak RSSI eşiğini işlemek için olasılık fonksiyonunu kullanır ve RSSI eşiğini işlemek için olasılık fonksiyonunu kullanır Ağırlık faktörü, çapa düğümü ile bilinmeyen düğüm arasındaki tahmini mesafenin ağırlığını atamak için kullanılır. Etki.
1 RSSI Değişimine Giriş
RSSI'da, sinyal gücü arasındaki enerji kaybı, verici düğüm ile alıcı düğüm arasındaki mesafeyi aşağıdaki gibi tahmin etmek için kullanılır:
PR (d) = PtGtGr2 / 162d2L (1)
Formülde, PR (d), verici düğümden d mesafede alınan gücü temsil eder, Pt, verici düğümün gücüdür, Gt ve Gr sırasıyla, verici düğümün ve alıcı düğümün kazançlarıdır, L kayıp nicelikseldir, d mesafedir ve dalga boyudur. . Her bir düğüm arasındaki gerçek mesafe formül (1) ile elde edilir.
RSSI, mesafe ile ilgili bir konumlandırma algoritmasıdır.Konumlandırma etkisi, doğa gibi dış faktörlerden kolayca etkilendiğinden, bu menzil yöntemi ile gerçek mesafe arasında belirli bir boşluk vardır. Ağırlıklandırma algoritması, mesafe ile hiçbir ilgisi olmayan bir algoritmadır.İki algoritma birleştirilmiştir, ilki ikincisi için mesafe ağırlık bilgisi sağlamak için kullanılır ve ikincisi, RSSI algoritmasının konumlandırma doğruluğunu iyileştirmek için ağırlık algoritmasını kullanır, bu da maliyetleri azaltabilir ve doğruluğu artırabilir. , Enerji tüketimini azaltın. A, B ve C'nin 3 çapa düğümü ve koordinatların (xa, ya), (xb, yb) ve (xc, yc) olduğu belirli bir alanda N çapa düğümü olduğunu varsayalım; bilinmeyen düğüm D ise, koordinatlar (x, y) ve 3 çapa düğümü tarafından bulunan bilinmeyen düğümün tahmini koordinatları (xi, yi), bu nedenle D düğümü ile 3 çapa düğümü arasındaki mesafe RSSI modeli kullanılarak hesaplanır: da, Üç taraflı ölçüm yöntemini kullanan db ve dc aşağıdaki gibidir:
Bilinmeyen düğümün nihai tahmini konumu şu şekilde ağırlıklandırılarak elde edilir:
Formül (4) 'de bilinmeyen düğümlerin koordinatları, her 3 ankraj düğümü ve bilinmeyen düğüm için trilaterasyon yöntemi ile elde edilir, böylece toplam C3N bilinmeyen düğüm elde edilir ve ağırlıklandırılır.Ağırlık, bilinmeyen düğümden 3 ankraj düğümüne olan mesafedir. Toplamın tersi.
2 Gelişmiş RSSI tabanlı ağırlıklı konumlandırma algoritması
2.1 RSSI işleme yöntemini iyileştirin
Orijinal RSSI model algoritması ortalama modeli kullanır ve RSSI sonuçları aşağıdaki gibidir:
Formül (5) 'de, m, önceden belirlenmiş RSSI eşiğidir Ortalama değer yöntemini kullanmak, RSSI rastgele problemini çözebilir, ancak sayısal sonuçlar büyük parazit nedeniyle salınacaktır, bu nedenle etki çok iyi değildir. Logaritmik modele göre gönderme ve alma mesafeleri aynı olduğunda, RSSI değeri normal dağılıma uyar ve olasılık fonksiyonu aşağıdaki gibidir:
Bilinmeyen parametreler ve 2'nin maksimum olasılık tahminlerini elde etmek için denklemi çözün:
Toplanan RSSI örnek verileri aracılığıyla, normal dağılımın ardından popülasyonun ortalaması ve varyansı tahmin edilebilir. Bunu RSSI aralık modeline koyun ve son olarak çapa düğümü ile bilinmeyen düğüm arasındaki mesafeyi alın.
2.2 Ağırlık faktörü
RSSI'de üç taraflı konumlandırma yöntemiyle elde edilen bilinmeyen düğümlerin tahmini koordinatları ağırlıklandırılır ve ağırlık faktörü yalnızca üç taraflı konumlandırma sırasında mesafe bilgilerini dikkate alır.
Mesafe arttığında RSSI değeri azalır Mesafe belli bir oranda arttığında RSSI değerindeki değişim mesafedeki artışı yansıtamaz. Bu nedenle, RSSI değeri ne kadar büyükse, mesafe bilgisine dönüştürülen verilerin konumlandırılmasının neden olduğu hata o kadar küçüktür, bu nedenle tahmini koordinatların ağırlıklı hesaplaması daha önemlidir. Konumlandırma doğruluğunu daha da iyileştirmek için ağırlık faktörü aşağıdaki formülle değiştirilir:
wi = 1da (i) + 1db (i) + 1dc (i) (11)
İyileştirilmiş ağırlık faktörü, yalnızca kümeleme bilgisini ağırlık faktörü olarak almakla kalmaz, aynı zamanda açı, yan uzunluk ve alan gibi faktörleri de dikkate alır. Üç taraflı konumlandırmada, üç çapa düğümünden oluşan üçgen bir eşkenar üçgen ise, konumlandırma etkisi en iyisidir ve üç çapa düğümü düz bir çizgi üzerindeyse, konumlandırma etkisi en kötüsüdür. Bu nedenle, bu makale ağırlık faktörü olarak aşağıdaki yöntemi kullanır.
Bunlar arasında, l üç kenarın uzunluğunu temsil eder ve S alandır.
Bu makalede kullanılan ağırlıklandırma algoritması aşağıdaki gibidir:
y = ki = 1wiyiki = 1wi (13)
Formül (12), (x1, y1), (x2, y2) ve (x3, y3) formülünü birleştirmek, formül (12) ile hesaplanan bilinmeyen düğümün koordinatlarıdır ve ardından bu üç koordinatın ağırlıklandırılması, ağırlık katsayısı Sırasıyla , ve 'dir ve üçü + + = 1'i sağlar, bu nedenle bilinmeyen düğümün koordinatları:
2.3 Algoritma akışı
Bu yazının algoritma akışı Şekil 1'de gösterilmektedir.
3 simülasyon deneyi
Bu makale, 50 m × 50 m'lik iki boyutlu bir kare alana rastgele dağıtılmış düğümleri seçer, toplam düğüm sayısı 50'dir, seçilen çapa düğümlerinin sayısı 20, 25, 30, 35 ve bilinmeyen düğümlerin rastgele dağılım sayısı 20'dir. Bu makalenin algoritması Ağırlık katsayıları , ve olup değerleri sırasıyla 0.6, 0.2 ve 0.2'dir RSSI değeri düğümler arasındaki mesafeden türetilir ve simülasyon 100 defa gerçekleştirilir. Donanım seçimi CPU'su Core i3'tür, bellek 4 GB ve sabit disk kapasitesi 500 GB'dir. Yazılım ortamı Windows XP ve simülasyon yazılımı MATLAB 2010'dur.
3.1 Temel RSSI model algoritmasıyla karşılaştırma
Çapa düğümü 20 olduğunda, temel RSSI model algoritmasının konumlandırma etkileri ve bu makaledeki algoritma sırasıyla Şekil 2 ve Şekil 3'te gösterilmektedir.
Şekil 2 ve 3'ten, bu yazıda algoritmanın konumlandırma hatasının, RSSI'ye dayalı diferansiyel düzeltme merkez konumlandırma algoritmasınınkinden önemli ölçüde daha küçük olduğu görülebilir. Seçilen çapa düğümlerinin sayısı 20 olduğunda, iki algoritma altındaki 20 bilinmeyen düğümün konumlandırma hataları sırasıyla 3.64 m ve 8.14 m'dir. Bu nedenle, çapa düğümü verileri toplam düğüm sayısının% 50'sini kapladığında, düğüm konumlandırma hatası iyileştirilmiştir.
Şekil 4, 100 simülasyon için iki algoritmanın ortalama konumlandırma hatasının bir çizgi grafiğidir. Şekil 4 İki algoritmanın 100 simülasyon altında konumlandırma etkisi
Bu yazıda algoritmanın konumlandırma hatasının her zaman temel RSSI model algoritmasından daha küçük olduğu görülebilir, bu da bu makaledeki algoritmanın, algoritmanın konumlandırma hatasını etkin bir şekilde azaltmak için çoklu ağırlık faktörleri kullandığını gösterir. İşaret düğümlerinin sayısı arttıkça, iki algoritmanın konumlandırma hataları giderek azalmaktadır. Bu makaledeki algoritma ilk olarak 25 ila 30 çapa düğümünde nispeten iyi bir konumlandırma hatası elde eder ve temel RSSI model algoritması çapa düğümlerinin sayısına ulaşır. 30'dan sonra konumlandırma hatası sabitlendi. Bu, bu makaledeki algoritmanın çok fazla çapa düğümü olmadan yaklaşık 2 m'lik bir konumlandırma hatası elde edebileceğini, maliyetleri düşürdüğünü, konumlandırma enerji tüketimini azalttığını ve ağın yaşam döngüsünü etkili bir şekilde iyileştirdiğini göstermektedir.
3.2 Diğer RSSI model algoritmalarıyla karşılaştırma
Bu makaledeki algoritma, farklı iletişim yarıçapı ve çapa düğüm yoğunluğunun iki yönünden literatürdeki [8] ve literatürdeki [9] algoritma ile karşılaştırılmıştır.
3.2.1 Farklı iletişim yarıçapları altında konumlandırma hatalarının karşılaştırılması
Farklı düğüm iletişim yarıçapını ayarlayın, bu yazıda algoritmanın konumlandırma hatasını literatür algoritması [8] ve literatür algoritması [9] ile karşılaştırın, etki Şekil 5'te gösterilmektedir. Düğümün iletişim yarıçapı kademeli olarak arttığında, çapa düğümünün sinyal gücünün sürekli arttığı ve ölçüm mesafesinin daha doğru olduğu şekilden anlaşılabilir. Bu makaledeki algoritma, RSSI işleme yöntemini geliştirir ve ağırlık faktörünü artırır, böylece sensör düğümü konumlandırma hatası kademeli olarak azaltılır ve konumlandırma doğruluğu kademeli olarak iyileştirilir.
3.2.2 Farklı ankraj düğümü yoğunlukları altında konumlandırma hatalarının karşılaştırılması
Çapa düğümlerinin sayısındaki fark, kablosuz sensör ağındaki düğüm konumlandırma maliyetindeki farkla ilgilidir. Şekil 6, ankraj düğüm yoğunluğu farklı olduğunda bu yazıda ve literatürde [8] ve literatürde [9] algoritmanın konumlandırma hatasındaki değişiklikleri göstermektedir. Çapa düğümlerinin yoğunluğu arttığında üç konumlandırma algoritmasının hatalarının giderek azaldığı şekilden bulunmuştur.Tüm konumlandırma süreci perspektifinden bu yazıda yer alan algoritma diğer ikisiyle karşılaştırılmıştır.
Bu algoritma, en düşük konumlandırma hatasına sahiptir, bu da bu makaledeki algoritmanın geliştirilmiş bir etkiye sahip olduğunu ve diğer taraftan tüm kablosuz sensör ağının maliyetini düşürdüğünü göstermektedir.
4. Sonuç
Kablosuz algılamada düğüm konumlandırma her zaman araştırmanın odak noktası olmuştur. RSSI model konumlandırma algoritmasına dayanan bu makale, algoritmanın konumlandırma etkisini önemli ölçüde iyileştiren geliştirilmiş ağırlıklı konumlandırma kullanır. Simülasyon deneyleri, bu makaledeki algoritmanın düğümlerin konumlandırma hatasını azaltmada belirli bir etkiye sahip olduğunu göstermektedir.
Referanslar
1 Lv Shufang. Kablosuz sensör ağ düğümü konum araştırmalarına genel bakış J. Sensors and Microsystems, 2016,35 (5): 1-3.
2 Yan Jiajun, Lei Yong RSSI J 'ye dayalı kablosuz sensör ağının düğüm konumlandırması Bilgisayar Simülasyonu, 2012,29 (7): 151-154.
[3] Zhang Lei, Huang Guangming. RSSI tabanlı kablosuz sensör ağ düğümü konum algoritması J. Bilgisayar Mühendisliği ve Tasarımı, 2010,29 (2): 291-294.
4 Yao Ruxian, Wang Xiaojuan. Değişen ve kendi kendine öğrenen parçacık sürüsü algoritmasına dayalı WSN düğüm konumu J. Chongqing Normal Üniversitesi Dergisi (Natural Science Edition), 2015, 32 (11): 111-115.
5 Liu Yujun, Cai Meng, Gao Liheng. J aralığında RSSI'ye dayalı sensör düğüm merkez konumu için düzeltme algoritması. Bilgisayar Ölçümü ve Kontrolü, 2014, 22 (9): 2860-2862.
[6] Xin Zhaojian, Hu Ping. RSSI değerine dayalı olarak WSNs düğüm aralığı algoritmasının iyileştirilmesi ve konumlandırılması J real. Sensors and Microsystems, 2014, 33 (6): 133-136.
[7] Wu Guiping, Yu Huiqun, Fan Guisheng RSSI mesafe oranına dayalı bir sensör düğümü konum algoritması J. Journal of East China University of Science and Technology (Natural Science Edition), 2013,39 (5): 596-600.
[8] Fang Wangsheng, Lei Gaoxiang, Huang Hui. Düğüm RSSI oranı atlama düzeltmesi için DV-Hop algoritması J. Sensors and Microsystems, 2016, 35 (7): 132-135.
[9] Huang Haihui, Li Longlian. WSN J 'de RSSI temel alınarak mobil düğümler için geliştirilmiş bir konumlandırma algoritması. Application of Electronic Technology, 2015,41 (1): 86-89.
