中心議題：

• 探討無線傳感器網絡中基于RSSI的節(jié)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(huán)境監(jiān)測、目標跟蹤、安全監(jiān)控等領域。位置信息對傳感器網絡的監(jiān)測活動至關重要，事件發(fā)生的位置或獲取信息的節(jié)點位置是傳感器網絡節(jié)點監(jiān)測消息中包含的重要信息，了解傳感器節(jié)點位置信息不僅可以獲取路由信息，而且可以進行節(jié)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(jié)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(jié)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?；赗SSI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(fā)節(jié)點間的距離，計算接收無線信號強度是商用無線收發(fā)芯片具備的功能?；赗SSI的測距提供了最廉價的定位方法，而且節(jié)點沒有添加任何部件?；诔暤臏y距雖然定位精度較高，但是需要添加硬件、增加節(jié)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(lián)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?；赥iny()S系統(tǒng)，以克爾斯博的Iris節(jié)點為實驗平臺，0號節(jié)點為固定節(jié)點，用于接收數據。發(fā)送和接收節(jié)點均使用短桿狀天線，節(jié)點放置高度為2 m左右。固定0號節(jié)點，移動發(fā)射節(jié)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(jié)點，從固定節(jié)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(xù)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的范圍內勻速前進，得到的RSSI值與距離的關系如圖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與距離的關系曲線基本一致，說明RSSI值與距離的關系符合一定的衰減規(guī)律。

在相同的實驗平臺下，在0～10 m的范圍內，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，然后得出RSSI值與距離的關系曲線如圖3所示。

對比圖2和圖3得出，停頓走比連續(xù)走時的RSSI值與距離的關系曲線更平滑，衰減更慢。因為連續(xù)走的時候，信號會受到人身體走動或者旁邊干擾物的影響，出現不同程度的突變。為了確保距離預測值的精度，因此以停頓測量的數據作為測試樣本。

2．2 RSSI值濾波處理

   實驗獲取的RSSI值與距離的關系曲線還不夠平滑，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，因此以限幅濾波后的數據作為訓練樣本。

3 BP網絡模型的建立

以限幅濾波后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，這里也是單隱層。

(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。這里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次后達到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

為了驗證測試結果的可靠性，根據網絡訓練的結果，把測試結果與真實值進行對比。為了突出該方法的優(yōu)越性，與經驗公式計算出來的距離值進行比較。表1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、自組織及自適應能力，具有高度非線性函數映射功能，通過對樣本的預處理，可以提高訓練結果的精度。因此，樣本的好壞直接影響訓練結果。節(jié)點RSSI值的隨機性較大，會隨著環(huán)境及其他干擾的影響發(fā)生突變。因此先對RSSI值進行濾波處理，濾掉突變的數據再進行網絡的訓練，預測結果就能達到較理想的水平。這適用于不同的場合，提高了測距精度，從而進行精確定位。