无线传感器网络中基于RSSI的节点的距离预测

       红外线、GPS和超声测距都需要额外的硬件，增加了节点的硬件成本和尺寸。GPS和红外线测距误差较大，而利用超声方法测距很精确，测距误差只有10 cm，但是受气温、湿度等的影响较大，不适合在室外使用。基于RSSI的定位无需额外硬件，利用对接收无线信号的强度判断，推导收发节点间的距离，计算接收无线信号强度是商用无线收发芯片具备的功能。基于RSSI的测距提供了最廉价的定位方法，而且节点没有添加任何部件。基于超声的测距虽然定位精度较高，但是需要添加硬件、增加节点成本和尺寸。所以，基于RSSI的测距是无线传感器网络定位较常采用的方法。首先对RSSI进行预处理，再通过预测模型预测距离的值，不但提高了基于RSSI的测距精度，而且实现了低成本的测距。

1 BP网络的模型结构与算法

       BP网络是神经网络中采用误差反传算法作为其学习算法的前馈网络，通常由输入层、输出层和隐含层(一层或多层)构成。层与层之间的神经元采用全互连的连接方式，通过相应的网络权系数w相互联系，每层内的神经元之间没有连接。图1所示为具有一个隐含层的BP网络模型。其中：LA为BP神经网络的输入层，LB为隐层，LC为输出层，Wir为隐层与输入层的权值，Vrj为输出层与隐层的权值。

2 实验平台及数据的预处理

2．1 RSSI值获取

       实验在空旷的无障碍物的广场进行。基于Tiny()S系统，以克尔斯博的Iris节点为实验平台，0号节点为固定节点，用于接收数据。发送和接收节点均使用短杆状天线，节点放置高度为2 m左右。固定0号节点，移动发射节点。经过大量的实验分析得出，RSSI在10 m的范围内随着距离的增加变化比较明显，而10 m以后，RSSI值随距离变化不明显。如果测量距离超过10 m，则测距的精度得不到保证，所以此实验的测试范围限定在0～10 m。实验人员拿着移动节点，从固定节点处沿着直线均匀走动，当走到10 m处停止接收数据，记录整个连续移动过程的实验数据。

       3个工作人员分别拿着移动终端在0～10 m的范围内匀速前进，得到的RSSI值与距离的关系如图2所示。

       由图2可以看出，不同的人员拿着移动终端前进，RSSI与距离的关系曲线基本一致，说明RSSI值与距离的关系符合一定的衰减规律。在相同的实验平台下，在0～10 m的范围内，每间隔0．2 m或者0．3 m记录RSSI值，每个距离均接收100个左右的数据包，对RSSI先进行均值处理，然后得出RSSI值与距离的关系曲线如图3所示。

       对比图2和图3得出，停顿走比连续走时的RSSI值与距离的关系曲线更平滑，衰减更慢。因为连续走的时候，信号会受到人身体走动或者旁边干扰物的影响，出现不同程度的突变。为了确保距离预测值的精度，因此以停顿测量的数据作为测试样本。