基于RSS特征選取的RTI定位方法

朱春華 陳岳

摘 要： 接收信號強度（RSS）特征選取是影響無線層析成像（RTI）定位性能的關(guān)鍵因素之一。將現(xiàn)有RTI技術(shù)采用的RSS特征分為RSS衰減特征、RSS移動方差特征和RSS直方圖分布核距離特征三類。分析結(jié)果表明，三類RSS特征在多徑干擾抑制、目標運動狀態(tài)、系統(tǒng)要求以及定位精度上有明顯不同。所得結(jié)論是進一步研究RSS特征優(yōu)化的基礎(chǔ)。

關(guān)鍵詞： 無線層析成像； 定位算法； RSS； 特征選取； 衰減特征； 核距離

中圖分類號： TN911?34； TP212 文獻標識碼： A 文章編號： 1004?373X（2018）15?0031?03

RTI location method based on RSS feature selection

ZHU Chunhua， CHEN Yue

（School of Information Science and Engineering， Henan University of Technology， Zhengzhou 450001， China）

Abstract： The feature selection of received signal strength （RSS） is one of the key factors affecting the positioning performance of radio tomographic imaging （RTI）. The RSS features adopted in available RTI technology are divided into three types： RSS attenuation feature， RSS moving variance feature and RSS histogram distribution kernel distance feature. The analysis results show that the above three RSS features are significantly different in the aspects of multipath interference suppression， target motion state， system requirements and positioning accuracy. The conclusion is the basis of further study on RSS feature optimization.

Keywords： radio tomographic imaging； location algorithm； RSS； feature selection； attenuation feature； kernel distance

0 引 言

無線層析成像技術(shù)（Radio Tomographic Imaging， RTI）在2007年由Youssef M等提出，是一種基于無線傳感器網(wǎng)絡(luò)接收信號強度（Received Signal Strength，RSS）變化進行目標定位的方法。RTI定位技術(shù)將無線傳感器節(jié)點（Wireless Sensor Node，WSN）放置在監(jiān)測區(qū)域周圍，由于監(jiān)測目標的存在，WSN通信鏈路會出現(xiàn)衰減、折射及反射現(xiàn)象，從而引起接收信號強度的變化。RSS的特征選取是無線層析成像技術(shù)的關(guān)鍵點。文獻[1?2]驗證指紋定位算法的可用性，選取RSS的方差變化特征使得指紋定位算法的定位精度達到1.82 m；文獻[3?4]提出的網(wǎng)格定位算法選取RSS變化強弱特征來確定通信鏈路相應(yīng)的權(quán)重，再利用通信鏈路中間點的坐標及對應(yīng)的權(quán)重值進行目標定位；基于蒙特卡洛粒子濾波算法[5?6]建立粒子濾波觀測模型來構(gòu)建目標與節(jié)點距離及與其對應(yīng)的RSS衰減特征的數(shù)學(xué)模型，選取各通信鏈路RSS的衰減特征計算粒子的權(quán)重大小，再通過求解粒子坐標的權(quán)重加權(quán)平均，進而進行目標定位。三種定位算法的RSS特征選取不同情況下，它們的定位精度、計算復(fù)雜度和適用場景也有很大的差異，這充分說明RTI定位算法中RSS特征選取的重要性。

1 基于RSS特征選取的RTI定位算法

該領(lǐng)域經(jīng)典定位算法中，指紋定位算法需要離線校準時間，耗時耗力；網(wǎng)格定位算法要求傳感器節(jié)點等間距部署到監(jiān)測區(qū)域上方，不適合一般災(zāi)難場景下的應(yīng)用；粒子濾波定位算法在要求定位精度的情況下，其計算的復(fù)雜程度隨著所取粒子數(shù)的增多呈幾何式增長，在定位實時性方面效果不理想。與之相比，基于RSS的RTI定位技術(shù)[7]部署簡單，適合多種場景的應(yīng)用。基于RSS的RTI定位技術(shù)又可以分為基于RSS衰減、基于RSS移動方差、基于RSS直方圖分布核距離的RTI定位算法，它們之間的區(qū)別在于處理RSS變化所選取特征不同。

三種定位算法雖然選取RSS變化特征不同，但其最后目標位置估計都采用最小二乘法求解反問題得出。

1.1 基于RSS衰減特征的RTI定位算法

基于RSS衰減特征的RTI定位算法將監(jiān)測區(qū)域劃分成大小均勻的網(wǎng)格，經(jīng)過測量WSN節(jié)點間的RSS衰減特征，計算網(wǎng)格像素對通信鏈路衰減的權(quán)重大小，通過求解反問題實現(xiàn)目標定位。該算法原理如圖1所示。

基于RSS衰減特征的RTI定位算法實現(xiàn)過程如下：

1） 由通信鏈路損耗模型求得第[i]條鏈路在時刻[t]的RSS值[ri（t）]，其中[7]：

[ri（t）=Pi-Li（t）-Si（t）-ni（t）] （1）

式中：[Pi]為WSN節(jié)點發(fā)射功率；[Li（t）]為大尺度衰落；[Si（t）]為目標形成的陰影衰落；[ni（t）]為噪聲和多徑干擾衰落。

2） 由RSS衰落模型求得所有通信鏈路RSS變化的向量[Δr]，用橢圓權(quán)重模型計算網(wǎng)格像素對通信鏈路的權(quán)重大小，其中[7]：

[Δri=j=1NWijΔxi+n] （2）

[Δr=WΔx+n] （3）

式中：[Δri]為通信鏈路RSS的衰落；[Δxi]為網(wǎng)格像素衰減量；[n]為測量噪聲變化量；[Wij]為網(wǎng)格權(quán)重；[Δr]為所有通信鏈路RSS變化的向量；[W]為權(quán)重矩陣；[Δx]為所有網(wǎng)格衰減量。

3） 根據(jù)式（3），使用最小二乘法[8]估計進行目標定位。

1.2 基于RSS移動方差特征的RTI定位算法

基于RSS移動方差特征的RTI定位算法通過計算通信鏈路的移動方差來描述圖像中的像素值，再根據(jù)像素點的分布確定目標的位置[9?10]，其原理如圖2所示。

基于RSS移動方差特征的RTI定位算法實現(xiàn)過程如下：

1） 測量模型將接收無線信號的基帶電壓信號轉(zhuǎn)化為[V]，其中：

[V=v+i=1mViexp（jΦi）] （4）

式中：[v]為加性噪聲；[Vi]為第[i]條鏈路的電壓幅值；[Φi]為相位。

2） 根據(jù)通信鏈路RSS的方差與接收功率變化關(guān)系，通信鏈路的RSS表示為：

[RdB=10lgV2=10lg（V2+σ2v+TAP（X））] （5）

式中：[V]為[V]中多徑靜態(tài)分量幅度值；[σ2v]為[V]中多徑分量動態(tài)總功率和加性噪聲功率的和；[TAP（X）]表示所有多徑動態(tài)分量的總功率之和；[V]為符合萊斯分布的隨機變量（Riceam Random Variable）[11?13]。

3） 以[Ts]為采樣間隔對通信鏈路RSS進行采樣，求出前[NB]個時刻RSS采樣值[sn]，并得到所有通信鏈路RSS的方差矩陣[s]，其中：

[sn=1NB-1p=0NB-1Rn[k-p]-Rn[k]2] （6）

[s=[s1，s2，…，sM]T] （7）

式中[Rn[k]]表示通信鏈路[n]的[NB]個采樣點的平均值。

4） 利用最小二乘法[8]求解，進行目標定位。

1.3 基于RSS直方圖分布核距離特征的RTI定位算法

基于RSS直方圖分布核距離的RTI定位算法通過計算長、短觀測窗口下的RSS直方圖的核距離值實現(xiàn)目標定位，該算法原理如圖3所示。

1） 獲得長、短觀測窗口下的通信鏈路RSS直方圖在[n]時刻的向量表示[hn]，其中：

[hn=iwn，iIyi] （8）

式中：[I]是長度為[N]的向量；[Iyi]為第[yi]個元素的值是“1”，其余元素為“0”的向量；[wn，i]為指數(shù)加權(quán)移動平均的權(quán)重矩陣，其表達式如下：

[wn，i=β（1-β）n-i，i≤n0，其他] （9）

式中[0<β<1]為遺忘因子，通過設(shè)置不同的[β]值可以獲得不同觀測窗口下的直方圖分布。

2） 使用KL散度計算兩觀測窗口下的RSS直方圖分布核距離[14?15]，則有：

[DK（un，vn）=un-vn2] （10）

式中：[u=K12p，v=K12q]，[K]為高斯核矩陣。

3） 利用最小二乘法求解[8]，進行目標定位。

1.4 三種RTI定位算法的比較

基于RSS變化的三種定位算法不僅處理RSS變化的方式不同，在系統(tǒng)初始狀態(tài)和適用條件上也有很大差異。三種定位算法的特點如表1所示。

由表1可知，RSS特征影響了RTI定位算法的定位速度和應(yīng)用場景。基于RSS衰減特征的定位算法需要系統(tǒng)校準無目標時的RSS基準值，不適合緊急情況下的應(yīng)用，在實際應(yīng)用中且不能克服多徑干擾；基于RSS移動方差特征的定位算法相比基于RSS衰減的定位算法減弱了多徑干擾的影響，提高了定位的精度，但不能定位靜止狀態(tài)的目標；基于RSS直方圖分布核距離特征的定位算法用數(shù)學(xué)統(tǒng)計的方式來表示通信鏈路RSS的變化情況，同樣減弱了多徑干擾對定位精度的影響，且能定位靜止目標，適用條件較以上兩種定位算法廣泛。

此外，RTI定位算法的定位性能還受到內(nèi)部干擾和外部干擾的嚴重影響。室內(nèi)環(huán)境中存在多徑干擾問題和WiFi干擾問題，常造成數(shù)據(jù)包的丟失，從而影響RSS值的更新，造成定位精度下降。外部環(huán)境中的噪聲干擾使得目標真實位置難以辨別。可見，影響RTI定位算法性能的因素有很多，本文僅考慮RSS特征的選取對定位性能的影響。

2 結(jié) 語

本文對比分析了三種RSS特征的RTI定位算法的定位速度、定位精度和適用性，實際應(yīng)用中，應(yīng)用場景無線傳輸特性將決定RTI定位算法中RSS特征的選取，深層次地挖掘RSS特征與環(huán)境的關(guān)系是未來研究的重點。

參考文獻

[1] MOUSSA M， YOUSSEF M. Smart cevices for smart environ?ments： device?free passive detection in real environments [C]// 2009 IEEE International Conference on Pervasive Computing and Communications. Galveston， Texas： IEEE， 2009： 1?6.

[2] SEIFELDIN M， SAEED A， KOSBA A E， et al. Nuzzer： a large?scale device?free passive localization system for wireless environments [J]. IEEE transactions on mobile computing， 2013， 12（7）： 1321?1334.

[3] ZHANG D， LIU Y， NI L M. Link?centric probabilistic coverage model for transceiver?free object detection in wireless networks [C]// 2010 IEEE the 30th International Conference on Distributed Computing Systems. Genoa， Italy： IEEE， 2010： 116?125.

[4] ZHANG D， LIU Y， GUO X. Rass： a real?time， accurate and scalable system for tracking transceiver?free objects [C]// 2011 IEEE International Conference on Pervasive Computing and Communications. Seattle， USA： IEEE， 2011： 197?204.

[5] WILSON J， PATWARI N. A fade?level skew?Laplace signal strength model for device?free localization with wireless networks [J]. IEEE transactions on mobile computing， 2012， 11（6）： 947?958.

[6] CHEN X， EDELSTEIN A， LI Y， et al. Sequential Monte Carlo for simultaneous passive device?free tracking and sensor localization using received signal strength measurements [C]// 2011 International Conference on Information Processing in Sensor Networks. Chicago， USA： IEEE， 2011： 342?353.

[7] WILSON J， PATWARI N. Radio tomographic imaging with wire?less networks [J]. IEEE transactions on mobile computing， 2010， 9（5）： 621?632.

[8] ZHAO Y， PATWARI N， PHILLIPS J M， et al. Radio tomogra?phic imaging and tracking of stationary and moving people via kernel distance [C]// 2013 International Conference on Informa?tion Processing in Sensor Networks. Philadelphia， USA： IEEE， 2013： 229?240.

[9] WILSON J， PATWARI N. See?through walls： motion tracking using variance?based radio tomography networks [J]. IEEE transactions on mobile computing， 2011， 9（5）： 612?621.

[10] DURGIN G D， RAPPAPORT T S， DE WOLF D A. New analytical models and probability density functions for fading in wireless communications [J]. IEEE transactions on communi?cations， 2002， 50（6）： 1005?1015.

[11] TSE D， VISWANATH P. Fundamentals of wireless commu?nication [M]. Cambridge： Cambridge University Press， 2005.

[12] HAYKIN S S， MOHER M， KOILPILLAI D. Modern wireless communications [M]. India： Pearson Education India， 2005.

[13] ABDI A， TEPEDELENLIOGLU C， KAVEH M， et al. On the estimation of the K parameter for the rice fading distribution [J]. IEEE communications letters， 2001， 5（3）： 92?94.

[14] COVER T M， THOMAS J A. Elements of information theory [M]. US： John Wiley & Sons， 2012.

[15] PHILLIPS J M， VENKATASUBRAMANIAN S. A gentle introduction to the kernel distance [EB/OL]. [2011?03?10]. http：//www.cs.utah.edu/～jeffp/papers/gentleintroKD.pdf.