1 引言

无线传感器网络由低成本、密集型、随机分布的节点组成。自组织性和容错能力使其应用在多个领域中，为环境保护、农业生产、交通运输安全和人们日常家居生活带来了很多便利[1]。无线传感器网络(Wireless Sensor Networks, WSN)定位技术[2]自提出以来备受关注，各大软硬件开发公司和国家项目也给予了很多支持，如美国的“智慧尘埃”项目和日本的“I-Japan”项目。Mardini Wail等人[3]提出一种新的自适应定位方案，采用具有移动平均的两状态马尔可夫模型来检测可能对估计产生不良影响的不可预测RSSI读数，提高了高噪声水平时定位的误差估计精度。武汉大学薛卫星等人[4]研究Wi-Fi接收信号强度指示(Received Signal Strength Indication, RSSI)在室内动态环境中的定位效果，由于遭受多径干扰，导致RSSI观测中的显著误差，为了解决这个问题，文献中提出通过使用选定的最大RSSI观测值的平均值来改善RSSI观测值。采用平滑指数评价RSSI的质量，从而选择适当数量的RSSI观测值。

本文主要研究基于RSSI的节点定位系统的设计与实现，借鉴无线传感器网络中经典的定位算法，首先在MATLAB仿真环境中，仿真模拟出RSSI定位的通信状态和改进方案误差对比分析，然后通过CC2530硬件设备测量RSSI值，并通过协调器节点传输RSSI值到计算机的上位机终端，最后通过上位机中C++程序的编写，实现对RSSI值到距离数据的转换和实时对位置节点的定位功能。

消渴方治疗气阴两虚型2型糖尿病疗效的Meta分析…………………………………………………… 张 蔚等（20）：2851

2 RSSI节点定位理论基础

RSSI是基于接收信号强度指示的定位算法，通过无线信号接收端与发送端之间建立起由信号强度搭建的函数模型，然后由上位机或者单片机自带的芯片数据处理功能将接收信号强度值转换为两个无线节点之间的距离[5]。最后利用得到的距离进行相应的定位算法计算得到位置节点的位置信息。RSSI的实现是在反向通道基带接收滤波器之后进行的。为了获取反向信号的特征，在基带中每104us获取一个RSSI瞬时值，每秒可获取8192个RSSI瞬时值，取平均值作为RSSI的最终显示值。

在理论情况下，排除室内或者室外的各种环境因素影响，信号接收强度与距离之间存在如下关系。

(1)

在随机分布锚节点的情况下，用已知的通信模型对节点之间的信号强度进行测量，测量每隔1s进行一次，多次测量，并分每一个节点进行数据存储，求出平均值与最大、最小值，算出测量的数据方差模型，最后选取概率出现最大的三个RSSI值，作为测量的最终数据。再经过算法计算出距离，然后定位出盲节点坐标。MATLAB仿真采用一个对比的形式来展示出两种方案对最后定位误差的影响[7]。

10lg[Pr(d)]=10lg[Pr(d0)]-10*nlg(d)

(2)

10lg[Pr(d)]就是RSSI值，10lg[Pr(d0)]是一个常数值，将它定义为A，A代表在单位距离处的信号强度值，n代表路径损耗指数。最后得出的RSS公式为

RSSI(d)=A-10*nlg(d)

(3)

硬件电路设计包括两个部分：无线通信模块和辅助功能模块。无线通信模块为节点的无线数据收发接口，它是节点核心部分。辅助功能模块完成定位状态指示、供电、串口通信等辅助功能。它通过RS232串口转换电路实现PC机与协调器节点之间的数据传输。硬件设计图如图4.1所示。

在理想定位测距的环境中，最后定位交点为准确的盲节点坐标。但由于环境、硬件因素的影响，三圆交点不一定会只有一个交点，会有多种情况，在后面的误差分析会有提到。但是如果在定位区域中存在多个锚节点的情况下，定位的盲节点经过平均的算法会有一个较小的误差。

(4)

在A为固定常数的情况下，路径损耗会影响RSSI和距离测算，因此在RSSI定位时，不能忽略环境因素对于测量数据的影响。在获得节点之间距离之后需要通过定位算法计算盲节点位置信息，下面简单介绍一种常用于RSSI上的定位算法。

左侧为定位的坐标位置，右侧为实际的坐标位置坐标。

在对新生进行入学教育时，专业导师应认真组织本专业同学进行专题讲解学习，让新生系统地了解专业培养目标、就业前景、就业情况以及将来的职业发展方向等，对新生进行职业启蒙教育，从而帮助学生树立正确的职业意识、建立正确的职业导向。

图2.1 三边定位算法原理

从图中不难看出，定位算法中需要三个锚节点，才能定位到盲节点。已知三个锚节点坐标为(X1，Y1)；(X2，Y2)；(X3，Y3)。通过RSSI定位算法已知到盲节点到三个锚节点的距离d1，d2，d3。三边定位的原理是在锚节点1处按照距离d1为半径做圆，其他两个锚节点同理做圆，三圆交点的坐标位置就是盲节点的位置信息锚节点与盲节点的函数关系如(5)所示。

(5)

求得盲节点的坐标(x，y)如下。

(6)

（3）控释氮肥能够有效减氮稳产。各施肥处理的水稻产量之间没有显著性差异，控释氮肥处理水稻产量略高于尿素处理。

3 系统误差分析及仿真实现

本方案选择的TI公司CC2530芯片自带有获取和发送RSSI值的基础功能，因此RSSI定位算所需的硬件成本较低。由于应用广泛，研究RSSI定位算法以及对它的误差改进，在低成本、低功耗的WSN定位领域有较大的发展前景。

目前WSN定位系统减小误差较为简易的方法是多放置锚节点，通过不断的测量RSSI数据，计算出位置坐标后通过多次的判断与比较，得出最终的位置坐标[6]。然而，在区域较大的时候，通过放置多个锚节点来减小误差的方式，与WSN定位的低成本初衷不相符合。通过定位算法可以看出，已知两个节点之间的距离，通过两个锚节点与盲节点可以得出盲节点的具体坐标。由于数学中的交点特性，在二维平面内，定位的坐标位置不会有任何差错，因此误差的主要来源是在RSSI值的测量与选择上。本文提出一种多次测量RSSI值，计算方差以选取最接近的RSSI值的方案来降低定位误差。

Pr(d)表示在距离d的节点处接收的功率大小，Pt是发射功率，Gt，Gr是接收和发射天线的天线增益。公式(1)可改写为令得到Pr(d)=Pr(d0)*d-n，两边取对数后乘10，经过公式变换整理后得到(2)。

采用传统的RSSI测量算法的定位，在坐标中定位五个盲节点，坐标轴中的位置如图3.1所示。

采用改进的测量方式进行测量和定位，效果和方差图如图3.2所示。

图3.1 传统RSSI算法的定位效果

三边定位算法是在得到节点间距离基础上进行的定位计算，原理图如图2.1所示。

语法的学习必不可少，在教学的过程中，教师要采取有趣、有效的方式来进行语法教学的渗透，帮助学生建构起对于英语学习的整体认知，提高他们思维的严密性。教师要在语法教学中善于创新，降低学生学习语法的枯燥感。通过在教学实践中不断地摸索、学习，现总结了以下几种方法与大家共享。

由于导师自身也是在校生，也有较为繁重的学业压力，因此无法全职开展工作，故设置合理的工作机制，是导师开展工作的重要保障，例如合理设定导师的工作时长和工作频次，创设专用活动室，创造导师共同参与团队活动机会等。

图3.2 改进方案效果

可以从上图的比较中看出，除了第四个点的坐标定位偏差较大，其他四个点坐标精度要高于传统的RSSI值测量出来定位的精度，同时也可以看到经过方差计算和筛选的RSSI值可以在一定程度上减小误差对于RSSI定位的影响，但是从第四个定位坐标的位置信息也可以看出这种方案的一个局限性，那就是如果环境因素等方面良好的情况下， RSSI值测量的最准确的那个值是在一个区域内中的某一个值。如果通过方差的计算和筛选，将准确的值排除掉的话，最后计算出的位置坐标的误差将会变化很大。这种提出的方案和改进的RSSI值的测量与筛选的方法，在以后的研究中还可以进行一些演变和改进，比如加入高斯模型对RSSI 值进行重新筛选，多个测量的RSSI值再经过高斯模型的计算，得出RSSI值分布的一个空间区域，然后通过界定高斯值的峰值来确定这一组数据是否可以进行计算和筛选，如果超过峰值，可以重新对RSSI值进行测量和数据传输、存储。

电力电缆设备故障的类型比较多，在当前技术应用中需要做好具体技术分析工作，结合系统本身流程要求和探测要求等，在故障分析的过程中采用循序渐进的方式进行处理。最重要的是强化系统日常维护处理，保证电力电缆设备发挥稳定性，为行业进步奠定基础。

4 系统硬件实现及运行结果

其中A是测量后得出的一个常数，在不同环境下取40到50不等。n随着不同环境的路径损耗强度不一致，取1到5不等。通过公式不难看出距离d 和RSSI值之间存在函数关系，通过简单的公式转换就能得出节点间距离。如公式(4)所示

图4.1 硬件设计图

供电电路采用直流(DC)电源模块供电，直流为5V电源适配器，使用电源转换芯片AMS1117-3.3获得3.3V电压。该芯片能够提供500mA的电源输出，电路简单，实现方便。串口转换电路采用CH340双通道转换芯片，工作电压范围3V-5.5V，该电路主要用于协调器与PC之间的串口电压转换[8]。

本文设置实验的节点数目为5个，一个协调器节点，三个锚节点，一个盲节点。定位系统上位机监控软件中，主要功能有两个部分：定位系统管理和定位信息处理。第一部分就是上位机与协调器节点之间的通信控制。第二部分是对协调器传输数据的信息处理和坐标定位。

上位机在PC机上与协调器通信数据，主要要从协调器上得到RSSI值的数据包，由于串口助手的基础，上位机可以通过模拟串口助手的功能，从串口中直接读取到协调器的数据。本文上位机软件的编写环境是C++语言，编程环境使用VS2012。当上位机接收到数据包之后就需要对数据包进行解析，CC2530芯片作为协调器在传输数据是16进制码，在上位机C++程序识别时候用到的是ASC码，在数据转换的程序可以在协调器源代码或者C++程序中完成，这一步简单的数据格式转换在协调器源代码中实现，这样可以方便在串口助手上检测RSSI值的传输完整性。求出交点坐标之后需要更新协调器传输数据的数组，进行循环操作，再次接收协调器传输的RSSI数据包，也就是继续进行上位机通信的流程。整个过程就是上位机的定位流程。

由于锚节点处理数据，然后传回协调器的周期与协调器发送周期可能不同，在协调器代码中，直接设置协调器将接收到的数据直接传到串口中，而不是等待三个数据都接收完成后，打包按顺序传输到串口。在后续的处理和计算数据中，因为有识别码报头，所以不需要有顺序的传输数据，只需要一个简单的判断便可以。这样读取的数据也具有实时性，也不会担心数据有错误或少传输了某些数据。

Nowadays, the most annoying thing for teachers is that they don’t know what the children are thinking,so what they want is to tell the truth. It would be nice if every child could say a few words to the teachers during the Thanksgiving Day as the best gifts.

三个锚节点的默认坐标位置为(0，0)；(5，0)；(0，5)，结果显示部分包括三个锚节点的到盲节点的距离数据和盲节点坐标位置。首先将串口端口设置为与之前串口助手中一致的设置，然后点击开始。经过多次试验选取效果较为明显的参数进行分析，实验1中A取45，n取3.25；实验2移动盲节点的位置再次定位。不需要再点击重新计算按钮，仅在改变锚节点位置坐标或者改变功耗参数的时才需点击重新计算。如果不需要改变参数设置，程序会自动继续接收RSSI值，并计算距离和坐标信息；实验3不移动盲节点位置，移动B锚节点的位置，并将参数设置中n的值进行改变，然后点击重新计算。此时模拟的情况为环境因素有改变的时候，也就是衰减系数由于环境的改变而发生改变的时候，再次进行定位的坐标显示；实验4移动盲节点再次定位。实验结果如表4.1所示，可知定位的坐标位置随n取值的变化有很明显的偏差。这也就可以看出环境因素对于节点定位的准确度的影响，环境中很多因素都会对n值的大小产生影响。

表4.1 实验结果

实验序号A(单位距离信号强度)n(衰减系数)节点A、B、C位置坐标盲节点坐标1453.25(0,0)、(5,0)、(0,5)(2.5,2.49994)2453.25(0,0)、(5,0)、(0,5)(7.78521,7.78521)3451.9(0,0)、(5,5)、(0,5)(2.5,618.348)4451.9(0,0)、(5,5)、(0,5)(-210.38,-18.1913)

此次实验演示的环境为学生寝室室内环境，信号传播受到周围环境的影响，而且不同的环境影响因素都各有不同，在所有参数和硬件节点都没有改变的情况下，由于信号的不稳定性，RSSI值的测量数据也会有不同，这是RSSI定位算法中测距部分的共性问题。在一定程度上通过精确测量估算单位距离信号强度和路径损耗系数，可以减小硬件测距时的误差，在室内环境，本次实验的相对最佳的n取值为3.25，如实验结果所示，如果取其他的n值，对于距离的计算误差会被放大，并给最后的坐标定位带来较大误差。因此只有通过对环境的全面分析，才能获得有效、可靠的信号强度数据，从而提高定位精度[9]。

5 结束语

本文基于RSSI的节点定位系统，重点针对软件仿真、算法改进、硬件实现等进行了研究与实验。首先，对于无线传感器网络的各种测距技术与各种定位算法都有了一个大致的了解；其次，通过MATLAB仿真结合其他误差补偿的方法，提出通过处理RSSI值的方式来减小定位误差的方案，并通过MATLAB仿真实验证明改进方案能够减小定位误差；最后，编写了硬件协调器代码，搭建了一个小型的RSSI定位系统的硬件环境，通过C++程序编写上位机程序来与协调器通信，实现距离计算和坐标位置信息的获取。

参考文献

[1] Muthukrishnan K, Jan V D Z B, Havinga P. Inferring Motion and Location Using WLAN RSSI[M]// Mobile Entity Localization and Tracking in GPS-less Environnments. Springer Berlin Heidelberg, 2017:163-182.

[2] 万亚淳. 基于RSSI的无线传感器网络定位系统设计[D]. 沈阳：沈阳工业大学，2016.

[3] Mardini W, Khamayseh Y, Almodawar A A, et al. Adaptive RSSI-based localization scheme for wireless sensor networks[J]. Peer-to-Peer Networking and Applications, 2016, 9(6):991-1004.

[4] Xue W, Qiu W, Hua X, et al. Improved Wi-Fi RSSI Measurement for Indoor Localization[J]. IEEE Sensors Journal, 2017, 17(7):2224-2230.

[5] 张橙，宋学瑞.基于ZigBee的RSSI测距方法精度研究[J].湖南工业大学学报，2011，25(5):37-41.

[6] 任维政，徐连明，邓中亮，等.基于RSSI的测距差分修正定位算法[J].传感器技术学报.2008,21(7):1247-1250.

[7] 李新民，扈平.基于MATLAB的两径模型仿真分析[J].信号与信息处理，2012,42(3)：221-224.

[8] 陈群，郭航，刘峻宁．基于ZigBee室内定位加权质心法研究[J]．导航天地，2011，17(5)：56-59.

[9] 周海洋，余剑.无线传感器网络中基于RSSI的测距研究[J].电子测量技术，2014,37(1)：89-91.