精細(xì)農(nóng)業(yè)無(wú)線傳感器網(wǎng)絡(luò)終端節(jié)點(diǎn)定位研究

王立舒，張麗影，張智文，楊 鵬，王樹(shù)文

(東北農(nóng)業(yè)大學(xué) 電氣與信息學(xué)院，哈爾濱 150030)

?

精細(xì)農(nóng)業(yè)無(wú)線傳感器網(wǎng)絡(luò)終端節(jié)點(diǎn)定位研究

王立舒，張麗影，張智文，楊 鵬，王樹(shù)文

(東北農(nóng)業(yè)大學(xué) 電氣與信息學(xué)院，哈爾濱 150030)

針對(duì)現(xiàn)有精細(xì)農(nóng)業(yè)傳感器網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)中的終端節(jié)點(diǎn)模塊定位算法易陷入局部最優(yōu)、定位精度低等缺陷，提出了一種改進(jìn)無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位算法針對(duì)大豆農(nóng)田ZigBee無(wú)線網(wǎng)絡(luò)終端節(jié)點(diǎn)進(jìn)行定位，采用高斯數(shù)據(jù)篩選模型修正接收信號(hào)強(qiáng)度測(cè)量距離。同時(shí)，在標(biāo)準(zhǔn)粒子群算法基礎(chǔ)上引入混合變異策略，運(yùn)用混合策略中各個(gè)變異函數(shù)的優(yōu)勢(shì)在算法搜索過(guò)程中作用于種群，使粒子跳出局部最優(yōu)，保證全局搜索遍歷能力。大豆實(shí)驗(yàn)田試驗(yàn)表明：標(biāo)準(zhǔn)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(jìn)方法的定位精度更高。

傳感器網(wǎng)絡(luò)；RSSI測(cè)距；混合變異粒子群算法；定位；精細(xì)農(nóng)業(yè)

0 引言

隨著精細(xì)農(nóng)業(yè)的迅速發(fā)展，無(wú)線傳感器網(wǎng)絡(luò)的應(yīng)用成為采集農(nóng)田信息、提高農(nóng)田管理水平及增加作物產(chǎn)量的重要手段[1]。在應(yīng)用農(nóng)業(yè)無(wú)線傳感器網(wǎng)絡(luò)進(jìn)行測(cè)量過(guò)程中，傳感器終端節(jié)點(diǎn)定位是重要環(huán)節(jié)，大量節(jié)點(diǎn)必須確定位置信息才能進(jìn)行有效的環(huán)境信息監(jiān)測(cè)[2]。

近年來(lái)，智能算法在農(nóng)業(yè)無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位上的應(yīng)用越來(lái)越多。文獻(xiàn)[3]引入標(biāo)準(zhǔn)粒子群算法進(jìn)行定位，相比于模擬退火法表現(xiàn)出了更好的定位效果并且降低了成本，但并未針對(duì)無(wú)線傳感器網(wǎng)絡(luò)進(jìn)行修改。文獻(xiàn)[4-5]在引入標(biāo)準(zhǔn)粒子群算法的基礎(chǔ)上進(jìn)行改進(jìn)：文獻(xiàn)[4]首先應(yīng)用Dv-distance方法估計(jì)節(jié)點(diǎn)位置，再應(yīng)用PSO算法進(jìn)行定位；文獻(xiàn)[5]將PSO與Dv-hop算法結(jié)合對(duì)節(jié)點(diǎn)進(jìn)行定位，但定位精度有待提高。

本文主要針對(duì)標(biāo)準(zhǔn)粒子群算法具有定位精度差及容易陷入局部最優(yōu)等問(wèn)題提出一種改進(jìn)粒子群節(jié)點(diǎn)定位算法，并應(yīng)用RSSI測(cè)距方式進(jìn)行節(jié)點(diǎn)距離計(jì)算，在粒子群算法搜索過(guò)程中引入混合變異策略，提高進(jìn)化性能和定位精度，以采集精確的環(huán)境信息。

1 RSSI測(cè)距

1.1 RSSI信號(hào)測(cè)距模型

考慮到由于多路徑反射、障礙物阻擋等復(fù)雜因素，采用Shadowing模型進(jìn)行農(nóng)業(yè)中傳感器節(jié)點(diǎn)測(cè)距[6]。Shadowing模型的表達(dá)式如式(1)所示，以dBm作為計(jì)量單位。則有

(1)

1.2 測(cè)距誤差校正

由于實(shí)際農(nóng)業(yè)環(huán)境變化復(fù)雜，測(cè)量精度不高，誤差較大，本文采用高斯數(shù)據(jù)篩選模型剔除測(cè)量中的誤差值[7-8]。其具體的操作公式為

(2)

(3)

通過(guò)式(2)和式(3)可求得某一未知節(jié)點(diǎn)RSSI的測(cè)量均值m和平方差σ2，將得到的數(shù)值應(yīng)用于式(4)即可得到每個(gè)RSSI值對(duì)應(yīng)的分布密度函數(shù)；再根據(jù)式(4)確定RSSI的選值范圍，本文選擇臨界點(diǎn)為0.2即保留區(qū)間[0.2 1]之間的數(shù)值。則有

(4)

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

(5)

其中，n為節(jié)點(diǎn)接收的RSSI值的個(gè)數(shù)；m為測(cè)量均值；xi為RSSI測(cè)量值；k為篩選出的RSSI測(cè)量值的個(gè)數(shù)；ti為篩選出的RSSI測(cè)量值。

2 改進(jìn)粒子群定位算法

2.1 混合變異策略

在標(biāo)準(zhǔn)粒子群算法中包含m個(gè)粒子，搜索空間中的每個(gè)粒子都作為待優(yōu)化的可行解，且通過(guò)粒子間的協(xié)作與競(jìng)爭(zhēng)尋求問(wèn)題的最優(yōu)解。每個(gè)粒子根據(jù)式(6)和式(7)在搜索過(guò)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(shù)；c1、c2為學(xué)習(xí)因子；r1、r2為服從U(0,1)分布的隨機(jī)數(shù)；t為迭代次數(shù)。

標(biāo)準(zhǔn)粒子群算法易實(shí)現(xiàn)，但容易陷入局部最優(yōu)，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(shù)和柯西函數(shù)結(jié)合在一個(gè)算法中，個(gè)體根據(jù)適應(yīng)度的大小在不同階段使用不同策略，充分發(fā)揮各函數(shù)的優(yōu)勢(shì)[12-15]。在算法迭代初期應(yīng)用柯西變異函數(shù)對(duì)算法進(jìn)行擾動(dòng)，擴(kuò)大粒子的搜索范圍，增加粒子的多樣性；而采用Gaussian函數(shù)能夠?qū)崿F(xiàn)較強(qiáng)的局部搜索能力，算法迭代后期易陷入局部最優(yōu)，當(dāng)適應(yīng)度值多次未發(fā)生變化則判斷為粒子陷入了局部最優(yōu)；此時(shí)采用高斯變異函數(shù)對(duì)粒子進(jìn)行小范圍的擾動(dòng)，使粒子跳出局部最優(yōu)，提高算法的精確度。兩者結(jié)合可提高粒子搜索能力及群體的多樣性，通過(guò)不斷地迭代尋優(yōu)，使粒子得到更好的逼近精度。

2.2 自適應(yīng)慣性權(quán)重

慣性權(quán)重是粒子群算法中最重要的改進(jìn)參數(shù)，本文采用非線性遞減的方法實(shí)現(xiàn)慣性權(quán)重的自適應(yīng)調(diào)整，提高全局和局部搜索能力。其具體的實(shí)現(xiàn)公式為

(8)

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

2.3 適應(yīng)度函數(shù)

根據(jù)選擇的測(cè)距方法RSSI進(jìn)行測(cè)距，由于測(cè)量距離一定會(huì)存在誤差，則定位問(wèn)題轉(zhuǎn)化為誤差模型優(yōu)化問(wèn)題，即求解適應(yīng)度最小值，且適應(yīng)度值越小，得到的定位結(jié)果也越優(yōu)。由此，該問(wèn)題的適應(yīng)度函數(shù)為

(9)

式中m—定位區(qū)域內(nèi)的有效信標(biāo)節(jié)點(diǎn)的個(gè)數(shù)；

di—測(cè)量距離；

(x，y) —未知節(jié)點(diǎn)的估計(jì)坐標(biāo)；

(xi，yi)—信標(biāo)節(jié)點(diǎn)的坐標(biāo)。

3 試驗(yàn)與分析

2015年6月30日，在大豆試驗(yàn)田進(jìn)行了未知傳感器節(jié)點(diǎn)定位試驗(yàn)，選擇100m×100m的試驗(yàn)場(chǎng)地，栽種的大豆植株平均高度33cm，植株栽種整齊。將終端監(jiān)測(cè)節(jié)點(diǎn)在測(cè)量半徑范圍內(nèi)均勻隨機(jī)散布于場(chǎng)地中， 20個(gè)終端節(jié)點(diǎn)為信標(biāo)節(jié)點(diǎn)，20節(jié)點(diǎn)為未知節(jié)點(diǎn)；測(cè)距半徑為40m，參考距離d0為1m，經(jīng)試驗(yàn)驗(yàn)證徑損耗指數(shù)β取值為3.0；算法迭代次數(shù)設(shè)置為50次，粒子群規(guī)模為100，學(xué)習(xí)因子c1=c2=1.496 2，收斂精度設(shè)置為10-6。定位結(jié)果均為相同條件下進(jìn)行50次試驗(yàn)得到結(jié)果的平均值。

本文試驗(yàn)器材為ZigBee傳感器模塊，主要采用CC2530核心芯片，應(yīng)用CC2530芯片上的RSSI測(cè)距功能進(jìn)行節(jié)點(diǎn)間距離測(cè)量。

大豆秧苗的生長(zhǎng)情況部分試驗(yàn)器件如圖1所示。

圖1 大豆植株與試驗(yàn)器件

使用C++編寫(xiě)數(shù)據(jù)處理軟件的顯示界面如圖2所示。

進(jìn)行RSSI測(cè)距并將修正的數(shù)據(jù)進(jìn)行上位機(jī)存儲(chǔ)應(yīng)用在改進(jìn)粒子群算法的定位中，限定測(cè)距誤差為10%。應(yīng)用標(biāo)準(zhǔn)和改進(jìn)的粒子群算法對(duì)未知的20個(gè)節(jié)點(diǎn)進(jìn)行定位，以未知坐標(biāo)點(diǎn)[43 54]為基準(zhǔn)對(duì)象進(jìn)行影響因素為信標(biāo)節(jié)點(diǎn)個(gè)數(shù)的試驗(yàn)，其他節(jié)點(diǎn)方法相同。試驗(yàn)得到坐標(biāo)數(shù)值如表1所示。在保證其他試驗(yàn)參數(shù)不變且信標(biāo)節(jié)點(diǎn)個(gè)數(shù)為10的條件下進(jìn)行傳感器節(jié)點(diǎn)測(cè)距誤差的試驗(yàn)得到坐標(biāo)數(shù)值如表2所示。

圖2 數(shù)據(jù)顯示界面

信標(biāo)節(jié)點(diǎn)個(gè)數(shù)改進(jìn)算法得到坐標(biāo)粒子群算法得到坐標(biāo)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(cè)距誤差得到未知節(jié)點(diǎn)坐標(biāo)

本文針對(duì)信標(biāo)節(jié)點(diǎn)個(gè)數(shù)進(jìn)行節(jié)點(diǎn)定位試驗(yàn)，定位得到的坐標(biāo)進(jìn)行誤差數(shù)據(jù)分析如圖3所示。

測(cè)距誤差是影響定位精度和算法穩(wěn)定度的重要因素。在其他條件不變的情況下，根據(jù)不同測(cè)距誤差得到的試驗(yàn)結(jié)果，如圖4所示。

圖3 信標(biāo)節(jié)點(diǎn)的數(shù)量對(duì)平均定位誤差的影響

圖4 不同測(cè)距誤差對(duì)平均定位誤差的影響

通過(guò)節(jié)點(diǎn)個(gè)數(shù)和測(cè)距誤差兩種因素的結(jié)果比較，驗(yàn)證了本文提出的改進(jìn)算法的精確性較高，同時(shí)在較少的信標(biāo)節(jié)點(diǎn)的情況下能得到更優(yōu)的定位結(jié)果。

針對(duì)文中設(shè)定的20個(gè)未知節(jié)點(diǎn)進(jìn)行定位誤差的試驗(yàn)，在測(cè)距誤差為5%，信標(biāo)節(jié)點(diǎn)為14的情況下，試驗(yàn)結(jié)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(jié)點(diǎn)定位誤差比較

4 結(jié)論

1)在應(yīng)用RSSI基本測(cè)距方法的基礎(chǔ)上采用高斯數(shù)據(jù)篩選模型修正其測(cè)量距離，提高測(cè)距精度，為本文應(yīng)用改進(jìn)算法定位坐標(biāo)減小誤差影響。

2)定位算法在粒子搜索迭代過(guò)程中運(yùn)用柯西變異函數(shù)和Gaussian變異函數(shù)混合策略對(duì)最優(yōu)解進(jìn)行變異搜索，克服了標(biāo)準(zhǔn)算法容易陷入局部最優(yōu)和定位誤差大的缺點(diǎn)，保證了全局遍歷性。

3)針對(duì)影響定位效果的兩個(gè)主要因素進(jìn)行試驗(yàn)，結(jié)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(biāo)節(jié)點(diǎn)。同時(shí)，在測(cè)距誤差和信標(biāo)節(jié)點(diǎn)取值相同的情況下，本文研究方法比標(biāo)準(zhǔn)粒子群算法的定位精度更高，體現(xiàn)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(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位算法研究[J].數(shù)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(shù)強(qiáng)，劉剛.基于相似度的溫室無(wú)線傳感器網(wǎng)絡(luò)定位算法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(22)：154-161.

[7] 章堅(jiān)武，張璐，應(yīng)瑛，等.基于ZigBee的RSSI測(cè)距研究[J].傳感技術(shù)學(xué)報(bào)，2009，22(2)：285-288.

[8] 周海洋，余劍.無(wú)線傳感器網(wǎng)絡(luò)中基于RSSI的測(cè)距研究[J].電子測(cè)量技術(shù)，2014，37(1)：89-91.

[9] 張亞明，史浩山，陳克松，等.一種改進(jìn)的無(wú)線傳感器網(wǎng)絡(luò)優(yōu)化定位算法[J].電子科技大學(xué)學(xué)報(bào)，2015，44(3)：357-362.

[10] 周利軍，彭衛(wèi)，曾小強(qiáng)，等.基于雜交變異的動(dòng)態(tài)粒子群優(yōu)化算法[J].計(jì)算機(jī)科學(xué)，2013，40(11A)：143-146.

[11] 王俊，李樹(shù)強(qiáng)，劉剛.無(wú)線傳感器網(wǎng)絡(luò)三維定位交叉粒子群算法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(5)：233-238.

[12] 侯微，董紅斌，印桂生.一種改進(jìn)的基于分解的多目標(biāo)進(jìn)化算法[J].計(jì)算機(jī)科學(xué)，2014，41(2)：114-118.

[13] 王立舒，侯濤，姜淼.基于改進(jìn)多目標(biāo)進(jìn)化算法的溫室環(huán)境優(yōu)化控制[J].農(nóng)業(yè)工程學(xué)報(bào)，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(wú)線傳感器網(wǎng)絡(luò)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(yōu)化算法[J].計(jì)算機(jī)研究與發(fā)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(xué)基金面上項(xiàng)目(C2015006)；教育部“春暉計(jì)劃”基金項(xiàng)目(Z2012074)；黑龍江省教育廳科技項(xiàng)目(12521038)

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

S24

A

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