精細農業無線傳感器網絡終端節點定位研究

王立舒，張麗影，張智文，楊 鵬，王樹文

(東北農業大學 電氣與信息學院，哈爾濱 150030)

?

精細農業無線傳感器網絡終端節點定位研究

王立舒，張麗影，張智文，楊 鵬，王樹文

(東北農業大學 電氣與信息學院，哈爾濱 150030)

針對現有精細農業傳感器網絡監測系統中的終端節點模塊定位算法易陷入局部最優、定位精度低等缺陷，提出了一種改進無線傳感器網絡節點定位算法針對大豆農田ZigBee無線網絡終端節點進行定位，采用高斯數據篩選模型修正接收信號強度測量距離。同時，在標準粒子群算法基礎上引入混合變異策略，運用混合策略中各個變異函數的優勢在算法搜索過程中作用于種群，使粒子跳出局部最優，保證全局搜索遍歷能力。大豆實驗田試驗表明：標準粒子群定位算法和本文提出的混合變異粒子群定位算法的總體定位平均誤差分別為1.746 1m和1.170 8m，表明改進方法的定位精度更高。

傳感器網絡；RSSI測距；混合變異粒子群算法；定位；精細農業

0 引言

隨著精細農業的迅速發展，無線傳感器網絡的應用成為采集農田信息、提高農田管理水平及增加作物產量的重要手段[1]。在應用農業無線傳感器網絡進行測量過程中，傳感器終端節點定位是重要環節，大量節點必須確定位置信息才能進行有效的環境信息監測[2]。

近年來，智能算法在農業無線傳感器網絡節點定位上的應用越來越多。文獻[3]引入標準粒子群算法進行定位，相比于模擬退火法表現出了更好的定位效果并且降低了成本，但并未針對無線傳感器網絡進行修改。文獻[4-5]在引入標準粒子群算法的基礎上進行改進：文獻[4]首先應用Dv-distance方法估計節點位置，再應用PSO算法進行定位；文獻[5]將PSO與Dv-hop算法結合對節點進行定位，但定位精度有待提高。

本文主要針對標準粒子群算法具有定位精度差及容易陷入局部最優等問題提出一種改進粒子群節點定位算法，并應用RSSI測距方式進行節點距離計算，在粒子群算法搜索過程中引入混合變異策略，提高進化性能和定位精度，以采集精確的環境信息。

1 RSSI測距

1.1 RSSI信號測距模型

考慮到由于多路徑反射、障礙物阻擋等復雜因素，采用Shadowing模型進行農業中傳感器節點測距[6]。Shadowing模型的表達式如式(1)所示，以dBm作為計量單位。則有

(1)

1.2 測距誤差校正

由于實際農業環境變化復雜，測量精度不高，誤差較大，本文采用高斯數據篩選模型剔除測量中的誤差值[7-8]。其具體的操作公式為

(2)

(3)

通過式(2)和式(3)可求得某一未知節點RSSI的測量均值m和平方差σ2，將得到的數值應用于式(4)即可得到每個RSSI值對應的分布密度函數；再根據式(4)確定RSSI的選值范圍，本文選擇臨界點為0.2即保留區間[0.2 1]之間的數值。則有

(4)

將篩選出的RSSI值按式(5)進行均值求解，最后根據2.1中公式計算得到較精確的測量距離為

(5)

其中，n為節點接收的RSSI值的個數；m為測量均值；xi為RSSI測量值；k為篩選出的RSSI測量值的個數；ti為篩選出的RSSI測量值。

2 改進粒子群定位算法

2.1 混合變異策略

在標準粒子群算法中包含m個粒子，搜索空間中的每個粒子都作為待優化的可行解，且通過粒子間的協作與競爭尋求問題的最優解。每個粒子根據式(6)和式(7)在搜索過程中更新自己的位置和速度，則有

vid(t+1)=ωvid(t)+c1r1[pbid(t)-xid(t)]+

c2r2[gbd(t)-xid(t)]

(6)

xid(t+1)=xid(t)+vid(t+1)

(7)

其中，ω為慣性系數；c1、c2為學習因子；r1、r2為服從U(0,1)分布的隨機數；t為迭代次數。

標準粒子群算法易實現，但容易陷入局部最優，收斂速度慢且精度變低[9-11]。本文提出的混合變異策略將Gaussian函數和柯西函數結合在一個算法中，個體根據適應度的大小在不同階段使用不同策略，充分發揮各函數的優勢[12-15]。在算法迭代初期應用柯西變異函數對算法進行擾動，擴大粒子的搜索范圍，增加粒子的多樣性；而采用Gaussian函數能夠實現較強的局部搜索能力，算法迭代后期易陷入局部最優，當適應度值多次未發生變化則判斷為粒子陷入了局部最優；此時采用高斯變異函數對粒子進行小范圍的擾動，使粒子跳出局部最優，提高算法的精確度。兩者結合可提高粒子搜索能力及群體的多樣性，通過不斷地迭代尋優，使粒子得到更好的逼近精度。

2.2 自適應慣性權重

慣性權重是粒子群算法中最重要的改進參數，本文采用非線性遞減的方法實現慣性權重的自適應調整，提高全局和局部搜索能力。其具體的實現公式為

(8)

其中，ωmax、ωmin分別為慣性權重的最大值和最小值；t為當前的迭代次數；T為最大迭代次數。

2.3 適應度函數

根據選擇的測距方法RSSI進行測距，由于測量距離一定會存在誤差，則定位問題轉化為誤差模型優化問題，即求解適應度最小值，且適應度值越小，得到的定位結果也越優。由此，該問題的適應度函數為

(9)

式中m—定位區域內的有效信標節點的個數；

di—測量距離；

(x，y) —未知節點的估計坐標；

(xi，yi)—信標節點的坐標。

3 試驗與分析

2015年6月30日，在大豆試驗田進行了未知傳感器節點定位試驗，選擇100m×100m的試驗場地，栽種的大豆植株平均高度33cm，植株栽種整齊。將終端監測節點在測量半徑范圍內均勻隨機散布于場地中， 20個終端節點為信標節點，20節點為未知節點；測距半徑為40m，參考距離d0為1m，經試驗驗證徑損耗指數β取值為3.0；算法迭代次數設置為50次，粒子群規模為100，學習因子c1=c2=1.496 2，收斂精度設置為10-6。定位結果均為相同條件下進行50次試驗得到結果的平均值。

本文試驗器材為ZigBee傳感器模塊，主要采用CC2530核心芯片，應用CC2530芯片上的RSSI測距功能進行節點間距離測量。

大豆秧苗的生長情況部分試驗器件如圖1所示。

圖1 大豆植株與試驗器件

使用C++編寫數據處理軟件的顯示界面如圖2所示。

進行RSSI測距并將修正的數據進行上位機存儲應用在改進粒子群算法的定位中，限定測距誤差為10%。應用標準和改進的粒子群算法對未知的20個節點進行定位，以未知坐標點[43 54]為基準對象進行影響因素為信標節點個數的試驗，其他節點方法相同。試驗得到坐標數值如表1所示。在保證其他試驗參數不變且信標節點個數為10的條件下進行傳感器節點測距誤差的試驗得到坐標數值如表2所示。

圖2 數據顯示界面

信標節點個數改進算法得到坐標粒子群算法得到坐標2[36．263844．1301][29．747645．9803]4[41．241755．3824][44．632850．5082]6[46．369655．6329][42．731251．6673]8[44．029159．3727][43．666251．7128]10[45．308854．7850][45．386454．0971]12[43．061955．9533][45．109057．8636]14[42．580956．3052][44．943453．4003]16[45．862753．7668][43．086955．9607]18[44．078651．5133][43．212253．4022]20[43．396754．7019][43．439853．2418]

表2 不同測距誤差得到未知節點坐標

本文針對信標節點個數進行節點定位試驗，定位得到的坐標進行誤差數據分析如圖3所示。

測距誤差是影響定位精度和算法穩定度的重要因素。在其他條件不變的情況下，根據不同測距誤差得到的試驗結果，如圖4所示。

圖3 信標節點的數量對平均定位誤差的影響

圖4 不同測距誤差對平均定位誤差的影響

通過節點個數和測距誤差兩種因素的結果比較，驗證了本文提出的改進算法的精確性較高，同時在較少的信標節點的情況下能得到更優的定位結果。

針對文中設定的20個未知節點進行定位誤差的試驗，在測距誤差為5%，信標節點為14的情況下，試驗結果顯示如圖5所示。兩種算法的平均定位誤差分別為1.746 1m和 1.170 8m。

圖5 節點定位誤差比較

4 結論

1)在應用RSSI基本測距方法的基礎上采用高斯數據篩選模型修正其測量距離，提高測距精度，為本文應用改進算法定位坐標減小誤差影響。

2)定位算法在粒子搜索迭代過程中運用柯西變異函數和Gaussian變異函數混合策略對最優解進行變異搜索，克服了標準算法容易陷入局部最優和定位誤差大的缺點，保證了全局遍歷性。

3)針對影響定位效果的兩個主要因素進行試驗，結果表明：在相同定位誤差的情況下，本文算法需要更少的信標節點。同時，在測距誤差和信標節點取值相同的情況下，本文研究方法比標準粒子群算法的定位精度更高，體現了該方法的有效性。

[1] Burrrel J,Brooke T,Beckwith R.Vineyard computing :Sensor networks in agriculture production[J].Persvasive Computing,2004,3(1): 38-45.

[2] 曾迪，余瑤.無線傳感器網絡節點定位算法研究[J].數字通信，2014，41 (3)：22-27.

[3] GOPAKUMAR A, JACOB L. Localization in wireless sensor networks using particle swarm optimization[C]//Proc IET International Conference on Wireless, Mobile and Multimedia Networks. Mumbai, India: IET Press, 2008:227-230.

[4] NAMIN P H, TINATI M A. Node localization using particle swarm optimization[C]//Proc 7th International Conference on Intelligent Sensors, Sensor Networks and Information Processing. Adelaide, SA, South Australia:IEEE, 2011: 288-293.

[5] CHUANG P J, WU C P. Employing PSO to enhance RSS range-based node localization for wireless sensor networks[J].Journal of Information Science and Engineering, 2011, 27(5): 1597-1611.

[6] 王俊，李樹強，劉剛.基于相似度的溫室無線傳感器網絡定位算法[J].農業工程學報，2013，29(22)：154-161.

[7] 章堅武，張璐，應瑛，等.基于ZigBee的RSSI測距研究[J].傳感技術學報，2009，22(2)：285-288.

[8] 周海洋，余劍.無線傳感器網絡中基于RSSI的測距研究[J].電子測量技術，2014，37(1)：89-91.

[9] 張亞明，史浩山，陳克松，等.一種改進的無線傳感器網絡優化定位算法[J].電子科技大學學報，2015，44(3)：357-362.

[10] 周利軍，彭衛，曾小強，等.基于雜交變異的動態粒子群優化算法[J].計算機科學，2013，40(11A)：143-146.

[11] 王俊，李樹強，劉剛.無線傳感器網絡三維定位交叉粒子群算法[J].農業機械學報，2014，45(5)：233-238.

[12] 侯微，董紅斌，印桂生.一種改進的基于分解的多目標進化算法[J].計算機科學，2014，41(2)：114-118.

[13] 王立舒，侯濤，姜淼.基于改進多目標進化算法的溫室環境優化控制[J].農業工程學報，2014，30(5)：131-137.

[14] 馮秀芳，呂淑芳.基于RSSI和分步粒子群算法的無線傳感器網絡定位算法[J].控制與決策，2014，29(11)：1966-1972.

[15] 馬超，鄧超，熊堯，等.一種基于混合遺傳和粒子群的智能優化算法[J].計算機研究與發展，2013，50(11)：2278-2286.

Precision Agriculture Wireless Ssensor Network Terminal Node Localization

Wang Lishu, Zhang Liying, Zhang Zhiwen, Yang Peng, Wang Shuwen

(College of Electrical and Information, Northeast Agricultural University,Harbin 150030,China)

For existing precision agriculture sensor network node localization algorithm is easy to fall into local optimum positioning accuracy and low,this paper presents an improved wireless sensor network node localization algorithm to target ZigBee wireless network nodes soybean fields, gaussian filter model updating data received signal strength measurements, Introduced in the standard particle swarm algorithm based on the mixed mutation strategy, using the advantages of a mixed strategy of each variogram role in population in the algorithm search process, the particles trapped in local minima, to ensure global search ability to traverse.By experimental field trials soybean farm, the average positioning error standard particle swarm algorithm and proposed positioning mutation particle swarm hybrid positioning algorithms were positioning accuracy 1.7461m and 1.1708m, it indicates that more accurate methods of improvement.

sensor network; RSSI ranging; hybrid mutation PSO algorithm; position; precision agriculture

2015-12-08

黑龍江省自然科學基金面上項目(C2015006)；教育部“春暉計劃”基金項目(Z2012074)；黑龍江省教育廳科技項目(12521038)

王立舒(1973-)，男，哈爾濱人，教授，博士，博士生導師，(E-mail)wanglishu@neau.edu.cn。

S24

A

1003-188X(2017)01-0043-04