基于WSNs 的定位策略在滑坡監(jiān)測中的應用*

胡春安，張起輝

(江西理工大學 信息工程學院，江西 贛州341000)

0 引 言

由于基于靜態(tài)的監(jiān)測很難及時捕捉山體滑坡的動態(tài)信息［1］，而使及時準確地預測滑坡發(fā)生仍有相當?shù)碾y度?；掳l(fā)生的條件是坡體不停的運動，當坡體位移累積到一定程度，坡體的重力大于對抗阻力滑坡就會發(fā)生，因此，滑坡位移的有效監(jiān)測可以實現(xiàn)滑坡的預測［2］。而作為無線傳感器網(wǎng)絡(WSNs)關鍵技術之一的節(jié)點定位技術，因其能夠獲取其它監(jiān)測信息的位置信息而被廣泛應用［3，4］。將該技術應用于滑坡監(jiān)測，通過傳感器節(jié)點位置的變化獲取坡體的運動狀態(tài)，并通過WSNs 實時地將坡體位移信息傳輸給站臺分析，以取代傳統(tǒng)意義的儀表監(jiān)測。

目前，估計傳感器節(jié)點的精確位置仍有很大難度，有必要對當前的定位算法進行改進。文獻［5］提出在原有質(zhì)心算法的基礎上，通過數(shù)學法選取合理的角度對RSSI 值進行篩選，從而使求得的加權因子能合理反映真實環(huán)境。文獻［6］Anil Kumar 提出一個三維節(jié)點定位問題，采用生物地理優(yōu)化(BBO)算法降低誤差。綜上所述，目前對這類定位算法的改進是在原始數(shù)據(jù)采集與濾波上，以及對節(jié)點全局位置的估計算法進行改進，而沒有充分利用錨節(jié)點數(shù)據(jù)資源。

本文考慮到滑坡監(jiān)測的特殊環(huán)境，充分利用錨節(jié)點的數(shù)據(jù)資源，通過計算錨節(jié)點之間的測距誤差獲取產(chǎn)生誤差的環(huán)境因子，同時引入錨節(jié)點的誤差系數(shù)對RSSI 測距進行修正，并將環(huán)境因子與修正距離作為權值選取需要考慮的因素，從而使權值的選取更加合理，以提高坡體傳感器節(jié)點定位精度。

1 基于WSNs 的滑坡監(jiān)測

圖1 是基于WSNs 的滑坡監(jiān)測的結構框圖，圖中的傳感器節(jié)點分為錨節(jié)點和未知節(jié)點兩類，錨節(jié)點事先知道自身的位置，并且對未知節(jié)點定位起輔助作用。錨節(jié)點和未知節(jié)點分布在坡體上，但錨節(jié)點分布在坡體周圍比較穩(wěn)定的地方以便錨節(jié)點在滑坡發(fā)生時不被破壞。匯聚節(jié)點既有錨節(jié)點的功能也負責與監(jiān)控中心通信。未知節(jié)點的坐標就是通過圖中的網(wǎng)絡傳輸?shù)奖O(jiān)控中心。

圖1 基于WSNs 的滑坡監(jiān)測框圖Fig 1 Landslide monitoring block diagram based on WSNs

在實際監(jiān)測過程中，一旦存在或者近似確定坡體的運動位置，網(wǎng)絡中的節(jié)點就轉發(fā)傳感器節(jié)點的位置信息到監(jiān)控中心，監(jiān)控中心將這些監(jiān)測數(shù)據(jù)作為有限元素模型(FEM)的輸入變量，根據(jù)該模型的輸出結果預測滑坡災害是否會發(fā)生［1］。

2 傳統(tǒng)定位算法分析

2.1 基于RSSI 的測距算法

基于RSSI 的測距技術是利用信號能量損耗測量距離的一種技術［7］，但信號衰減易受外部環(huán)境等因素的影響，導致測距不精確。文獻［8］中介紹的對數(shù)正態(tài)陰影模型(LNSM)，能更真實地描述RSSI 值和距離之間的關系，是一個應用比較廣泛的信號傳播模型，可表示為

式(1)是理想情況的下的傳輸模型，考慮到滑坡所處的環(huán)境情況，LNSM 可進一步描述為

式中 PL(d)表示距離d0時的無線電波信號損耗值，d0通常取1，N 為信號衰減因子，與特定的環(huán)境有關。d 為兩個通信節(jié)點之間的距離，δ 滿足均值為零，標準差取值在［4，10］范圍的高斯分布，為了方便計算可以不考慮其影響。

在WSNs 中傳感器節(jié)點接收到的RSSI 滿足以下關系

式中 RSSI 可通過實驗測量獲得，Pt為發(fā)射功率，Gr為天線增益，dB。利用以上各公式，即可計算出通信距離d［8］。

2.2 加權質(zhì)心定位算法分析

利用式(1)、式(3)求出距離，以這個距離構成的函數(shù)作為權值［9］，對能夠與未知節(jié)點進行信息交互的錨節(jié)點進行加權，然后通過式(4)進行定位［10］

權值的選取方法不唯一，一般是一個關于距離的函數(shù)［11］，選取方法如下式所示

式中 r 為節(jié)點之間的通信半徑，di為節(jié)點之間的測量距離。事實證明，引入權值后算法的定位性能得到明顯改善。

3 改進算法描述

在實際應用中，滑坡所處的外部環(huán)境條件不斷變化，采用上文固定的算法權值因不能充分體現(xiàn)節(jié)點所處環(huán)境的真實情況［12］而降低節(jié)點的定位精度。改進的算法充分利用錨節(jié)點的數(shù)據(jù)信息，依次將其中之一的錨節(jié)點當作未知節(jié)點，利用剩余錨節(jié)點的信息依次求得對應錨節(jié)點的平均測量誤差，然后對平均測量誤差進行某種計算分別得出該節(jié)點對應的環(huán)境因子(反映該節(jié)點所處的外部環(huán)境條件)和誤差系數(shù)，在定位過程中利用誤差系數(shù)修正未知節(jié)點到錨節(jié)點的距離，最后將環(huán)境因子與修正距離的商作為權值，結合加權質(zhì)心算法(WCLA)完成節(jié)點定位。

具體過程如下:對于已初始化的WSNs，已知錨節(jié)點坐標為(xi，yi)，i=1，2，…n，則錨節(jié)點i 和j 之間的真實距離drij為

坡體錨節(jié)點間的測量距離可由式(1)、式(3)求得為dcij。

假設網(wǎng)絡中錨節(jié)點的數(shù)量為M，算法中為了進一步減小距離的測量誤差，取各錨節(jié)點測量誤差的均值，則錨節(jié)點i 的平均測量誤差εi為

由上式計算可知，εi的大小不相同，較小的εi表明該錨節(jié)點對未知節(jié)點測距的影響處于主導地位，外界影響力居于次要地位，所以，要想更好地反映錨節(jié)點對未知節(jié)點的影響情況，就需要將較大的環(huán)境因子賦給εi較小的錨節(jié)點。

假設WSNs 中滑坡節(jié)點能夠與除自身外n 個節(jié)點進行數(shù)據(jù)交換，則將第i 個錨節(jié)點的環(huán)境因子θi定義為其自身的平均測量誤差的倒數(shù)與所有錨節(jié)點平均測量誤差倒數(shù)之和取商，即

通過式(8)的計算，錨節(jié)點被賦予反映自身情況的環(huán)境因子。

前文已經(jīng)提到錨節(jié)點i 的平均測量誤差為εi，則錨節(jié)點i 的誤差系數(shù)為

假設錨節(jié)點i 的數(shù)據(jù)交換范圍內(nèi)有一未知節(jié)點m，節(jié)點m 與i 的測量距離為dcim，則其修正距離為

上述過程結束后，引入新的權值計算方法，即環(huán)境因子與修正距離的商為

在實際滑坡應用中，每次定位之前先通過式(8)、式(10)求得反映外部環(huán)境的θi，dxim，并將其作為權值選取的依據(jù)，根據(jù)式(4)求取未知節(jié)點坐標(x'i，y'i)。

4 仿真分析

實驗電腦的硬件環(huán)境為Intel Core i5 3.1 GH，內(nèi)存4 G，顯存1 GMB。操作系統(tǒng)是32 位WINDOWS 7，仿真軟件為Matlab 2012b。在仿真分析時，將120 個節(jié)點隨機分布在100 m×100 m 仿真區(qū)域內(nèi)，其中，20 個為未知節(jié)點，節(jié)點通信半徑相同。選取定位節(jié)點的估計位置與真實位置的差值作為算法性能的評估參數(shù)，并作歸一化處理

其中，n 為未知節(jié)點個數(shù)，R 為節(jié)點通信半徑，(xi，yi)是未知節(jié)點的實際坐標是計算得到的坐標。仿真結果如圖2 ～圖4.

圖2 三種算法對應的定位節(jié)點誤差曲線Fig 2 Error curve of localization node of three algorithms

圖3 三種算法對應平均誤差與半徑的關系Fig 3 Relationship between average error and radius of three algorithms

圖4 三種算法對應平均誤差與錨節(jié)點的關系Fig 4 Relationship between average error and anchor nodes of three algorithms

從圖2 可以看出各未知節(jié)點的定位誤差不相同，這與它們所處周邊具體環(huán)境有關，但從圖中得知，WCLA 明顯優(yōu)于傳統(tǒng)的質(zhì)心算法，改進后的WCLA(IWCLA)又優(yōu)于WCLA。

圖3 顯示:IWCLA 的平均定位誤差更小，但是算法平均定位誤差并不是隨著半徑的增大而減小，因此，應選擇合適的半徑，圖中誤差在r=30 m 時最小，在實際滑坡應用中可以考慮將節(jié)點的通信半徑設在30 m 左右，以提高算法準確度。

從圖4 可以看出:IWCLA 算法的關系曲線始終在前兩種算法的下方，并且平均定位精度分別提高了56.3%，26.2%，改進后算法優(yōu)越性得到證明。

5 結 論

本文提出將WSNs 應用于滑坡預測，以位移監(jiān)測作為切入點，將坡體位移監(jiān)測的研究轉化為節(jié)點定位問題的研究，在充分考慮滑坡外部環(huán)境的條件下，提出一種改進的基于RSSI 的加權質(zhì)心算法，該算法首先以錨節(jié)點為研究目標，引入錨節(jié)點的誤差系數(shù)對RSSI 測距進行修正，同時通過計算錨節(jié)點的平均測量誤差求得對應錨節(jié)點的環(huán)境因子，將環(huán)境因子與修正距離同時作為權值選取的依據(jù)，以提高算法的定位準確度。實驗表明:改進后的算法更多地考慮到外部環(huán)境的影響，減小了坡體節(jié)點定位誤差，能較好適應于滑坡監(jiān)測預測。

［1］ Andreas Terzis，Annalingam Anandarajah，Kevin Moore，et al.Slip surface localization in wireless sensor networks for landslide prediction［C］∥Proceedings of the 5th International Conference on Information Processing in Sensor Networks，2006:109－116.

［2］ 孫利民，李建中，陳 渝，等.無線傳感器網(wǎng)絡［M］.北京:清華大學出版社，2005.

［3］ Feng Wenjiang，Bi Xiaowei，Jiang Rong.A novel adaptive cooperative location algorithm for wireless sensor networks［J］.International Journal of Automation and Computing，2012，9(5):539－544.

［4］ 夏心江，胡 鋼，王燁華.基于錨球交域重心的WSNs 三維定位算法研究［J］.計算機工程與應用，2013，49(10):76－79.

［5］ 馮冬青，趙志遠.基于RSSI 的無線傳感器網(wǎng)絡改進定位算法［J］.廣西大學學報:自然科學版，2012，37(6):1158－1163.

［6］ Anil Kumar，Arun Khosla，Jasbir Singh Saini，et al.Stochastic algorithms for 3D node localization in anisotropic wireless sensor networks［C］∥Proceedings of Seventh International Conference on Bio－Inspired Computing，2012:56－70.

［7］ 趙雁航，錢志鴻，尚小航，等.基于跳距修正粒子群優(yōu)化的WSNs 定位算法［J］.通信學報，2013，34(9):105－114.

［8］ 李文田.RSSI 定位算法在滑坡監(jiān)測系統(tǒng)的應用研究［D］.重慶:重慶大學，2012.

［9］ Gao Leina，Peng Jianshe.Research on ranging optimization and twice－weighted centroid calculation in wireless sensor networks localization algorithm［J］.The Open Automation and Control Systems Journal，2013，5:154－160.

［10］Massimo Vecchio，Roberto Lopez－Valcarce，F(xiàn)rancesco Marcelloni.Solving the node localization problem in WSNs by a two－objective evolutionary algorithm and local descent［J］.IEEE Signal Processing Mag，2010，22(4):54－69.

［11］Chuku N，Pal A，Nasipuri A.An RSSI－based localization scheme for wireless sensor networks to mitigate shadowing effects［C］∥Proceedings of the IEEE，2013:1－6.

［12］Quan Dedong，Xu Xu.A novel weighted centroid localization algorithm based on RSSI for an outdoor environment［J］.Journal of Communications，2014，9(3):279－285.