RSSI算法（精选7篇）
RSSI算法 篇1
在无线传感器网络 (WSN, WirelessSensorNetwork) 技术中, 位置信息对整个网络活动是非常重要的。对于大多数应用, 不知道传感器位置而感知的数据是没有意义的[1], 节点所采集到的数据必须与测量坐标系内的位置结合[2]。无线传感器网络节点定位问题, 就是根据少数已知位置的节点, 利用某种定位机制确定其他节点的位置。
目前的定位算法从定位手段上分两大类, 基于测距算法 (range—based) 和无需测距算法 (range—free) [3]。基于测距算法通过测量节点间的距离或角度信息, 使用三边测量、三角测量或极大似然估计定位法计算节点位置。常用的测距技术有RSSI, TOA, TDOA和AOA;无需测距定位算法则不需要距离和角度信息, 根据网络连通性等信息来实现节点定位。
本文将基于RSSI的定位展开讨论。在充分研究了基于测距算法的基础上, 通过对无线电传播路径损耗模型的分析, 提出了针对环境参数在线辨识的定位算法。
1 算法模型描述
基于接收信号强度 (ReceivedSignalStrengthIndicator, RSSI) 的测距是一种廉价的测距技术, 其原理是根据已知发射信号强度和接收节点收到的信号强度, 计算信号在传播过程中的损耗, 使用理论或经验的信号传播模型将传播损耗转化为节点间的距离[4]。其模型如式 (1) :
式 (1) 中, d是需要计算的未知节点到信标节点的距离, n为路径损耗指数, 依赖于周围的环境和建筑类型, PL d表示未知节点接收到的信号强度, PL d0表示参考距离d0处的信号强度, d0表示参考节点到信标节点的距离, ε表示误差项。
1.1 系统辨识环境参数
由上述理论公式可知, 如果要从PL d和PL d0这两个测量值得到节点间的距离d, 就首先要知道环境参数n和ε。n是由网络所在环境决定的, ε在一般的文献中被认为是零均值的高斯分布[5]。但是在多次的实验测量数据中发现, ε并不一定是满足零均值的高斯分布。因此在实际的应用环境中, 由于温度、传播方式、障碍物等因素影响, 必须对RSSI信号传播理论模型的参数在线辨识。如果不对信号传播理论模型参数辨识而根据经验随机设置, 这个模型可能无法适合该网络所在的环境, 进而导致接收的RSSI值无法和节点间的距离正确对应起来, 造成很大的误差, 该算法也不具有普遍使用性。
我们引入系统辨识的理论对模型参数进行辨识。在环境中利用信标节点, 或者预先设置若干节点, 这些节点的坐标已知 (即距离已知) 。测量相互间的信号衰减强度, 利用这些预先得到的数据做更进一步的辨识。把式 (1) 变形如下:
一般来说, 测距误差与距离的长度成不等比例增长, 即距离越大测距误差越大[6], 所以我们采用加权最小二乘法 (WLS, WeightedLeastSquares) 对环境参数辨识[7], 加权系数λi=f1/d i-1, 0<f<1, d i表示距离。得到系统参数
1.2 定位算法
基于上述方法辨识出环境参数n和ε后, 根据理论模型式 (1) , 得到距离
当未知节点在获得信标节点的距离和信标节点的位置节点后, 通常采用如下两种方法来计算自己的位置, 即:三边测量法和极大似然估计法。
1.2.1 三边测量法[8] (trilateration)
设信标节点A、B、C的坐标分别为x1, y1, x2, y2, x3, y3, 未知节点U的坐标为x, y, 通过以上RSSI测距公式 (4) 我们得到未知节点U与节点A、B、C的距离分别为d1, d2, d3, 则根据三边测量法, 我们得到:
在无线传感网络中, 理论上通过未知节点与3个参考节点的距离就可用三边测量法算出它的位置, 在实际应用环境中, 因为RSSI衰减无规律性, 无法精确计算未知节点位置, 所以可以考虑用质心法[9]来改善定位精度。定位方法如图1所示。
首先取BC边来考虑, 当一个未知节点U收到信标节点B, C发出的定位信号时, 根据RSSI值和参考节点B, C的位置, 可以得到d1=LUB, d2=LUC;由此得到节点U的2个可能位置U 1和U 2。而当节点U收到第3个信标节点A发出的定位信号时, 可以得到d3=LUA。通过比较LUA-LU 1A/LU 1A与LUA-LU 2A/LU 2A的大小就可以确定节点U的近似位置, 即两者中值小的为节点U的近似位置X1, Y1。同理, 根据AB边和AC边可得到节点U的近似位置X2, Y2和X3, Y3, 取这三个点的质心就得到未知节点U的近似位置。当网络中有m (m>3) 个参考节点, 就可以得到未知节点U的N=C m3个近似位置, 再次利用质心法得到U的最终位置。
11.2.2极大似然估计法[10] (MLE:maximumlikehoodestimation)
已知m个节点的坐标分别为, 到未知节点的距离分别为d1, d2, …, dm, 则有下列公式:
然后通过标准的最小均方差估计可以得到未知节点U的坐标, 通过对极大似然估计法的推导过程可知, 极大似然估计法的本质是将未知节点U与其他各个邻居节点间的距离误差的平方和降到最低, 这种方法具有大样本统计意义。
2 算法的仿真分析
在18m×18m的方形空旷区域内, 该区域障碍物干扰较少, 随机设置若干个参考节点。本文算法在理论上分为两步, 第一步是信号衰减模型的辨识过程, 第二步是未知节点的位置估计过程, 所以仿真分析也分为相应的两步。
第一步信号衰减模型在线辨识, 在这个区域 (0～15) m内每隔1米设置1个节点, 根据距离依次设置ID为0～15, 测量节点1～15到节点0的RS-SI, 该算法根据参考节点间的相互发射的衰减信号, 在线辨识出RSSI信号衰减模型的参数n和ε, 然后根据该信号衰减模型和测量信号RSSI得到节点间的测量距离。而一般的方法是根据网络所在的环境利用经验估计参数n和ε, 测量距离误差如图2。
通过图2可知, 随着距离的增大, 测距误差呈增大的趋势。图2所示一般方法对应的参数n和ε为, n取值为2.5, ε根据零值高斯分布取为0。
(经比较可以明显的看出, 经过现场辨识修正的信号衰减模型能够很好的减少测距误差, 提高了测距精度。)
第二步位置估计, 在该方形区域内, 设置未知节点坐标为 (8m, 7m) , 逐次增加参考节点, 本算法最多引入14个参考节点, 用三边定位法和极大似然估计定位法对未知节点的位置进行估计, 其未知节点估计坐标如表1。
通过表3可以看出, 三边定位法和极大似然估计定位法的定位精度是不一样的, 表2显示了两种定位方法的精度差异。
由表1和表2可知, 随着参与定位的节点个数的增加, 两种定位方法的估计位置精度都在提高通过比较可知, 极大似然估计定位法的定位误差减小更快, 定位更精确, 这也印证了极大似然估计法的大样本统计意义。
3 结论
该算法用系统辨识的理论在线修正了信号衰减模型, 使该算法模型适应了不同的网络环境, 具有了普遍的适用性, 明显降低了测距误差, 提高了测距精度, 并且随着节点个数的增加节点定位精度明显提高。
但从结果可以看出, 在这个相对较小的区域内, 定位精度在1m左右, 在更大区域内的定位精度还需进一步验证。不足的地方是, 如果在网络环境中存在若干个干扰较大的参考节点, 将会随着节点的增加, 反而造成定位精度降低, 这些干扰节点对三边定位法的影响较大, 如表2中N=6, N=8时三边定位结果。该算法随着节点的增加, 定位时间也会增加。下一步的工作是改进算法减少干扰节点对定位精度的影响, 提高精度和减少定位时间。
参考文献
[1] Rabaey J M, Josie-Ammer M, da Silva Jr J L, et al, Picorodio supportsad Hoc ultra-Iowpower wireless networking computer.2000;33, (7) :42—47
[2]张晓彤, 班晓娟, 段世红, 等.无线传感器网络与人工生命.北京:国防工业出版社, 2008:47
[3]王福豹, 史龙, 任丰原.无线传感器网络中的自身定位系统和算法.软件学报, 2005;16 (5) :857—868
[4] Mao Guoqiang, Fidan B, Anderson B D O.Wireless sensor nerworklocalization techniques.Computer Networks, 2007; (51) :2529—2553
[5] Zang Chuanzhi, Liang Wei, Yu Haibin.The probabilistic analysis ofdistance estimators in wireless sensor network.Third InternationalConference on Natural Computation ICNC 2007
[6] Chen Wanming, Mei Tao, Sun Lei, et al.Error analyzing for RSSI-based localization in wireless sensor networks.Proceedings of the 7thWorld Congress on Intelligent Control and Automation JuneChongqing, China, 2008:25—27
[7]侯媛彬, 汪梅, 王立琦.系统辨识及其MATLAB仿真北京:科学出版社, 2004:56—60
[8] Niculescu D, Nath B.Ad hoc positioning system (APS) .Globecom2001, San Antonio, November, 2001;2926—2931
[9]金卫民, 神显豪.基于RSSI的室外无线传感网络自定位算法计算机工程, 2008;4 (13) :89—91
[10] Liu Bo-chieh, Lin Ken-Huang, Wu Jiehchian.Analysis of hyperbol-ic and circular positioning algorithms using stationary signal-strength-difference measurements in wireless.Communications IEEE Trans-actions on Vehicular Technology, 2006;55 (2) :499—509
RSSI算法 篇2
随着无线传感器网络 (Wireless Sensor Networks WSN) 的发展, 无线定位技术也被应用到了越来越广的领域。目标跟踪、矿下定位、医院特殊人群检测[1,2]等都用到了无线定位技术。
目前应用最为广泛的无线定位技术为GPS[3], 但由于其功耗大、成本高、对室内区域定位精度不高等原因, 就要求有低功耗、低成本, 适用用室内无线定位的技术出现。基于芯片cc2430/cc2431的zigbee定位技术就是一种满足这些要求的技术[4]。zigbee室内定位技术应用的是基于RSSI测距的定位算法。此算法要求定位节点接收多个参考节点的坐标值与RSSI值, 根据这些信息计算出自身坐标。
2 信号模型
此处采用自由空间无线电传播路径损耗模型[3] (free space pregaration model) 和对数-常态分布模型[5] (logdistance distribution) 。
自由空间无线电传播路径损耗模型:
式中:
d为距信源的距离, 单位为km;
f为频率, 单位为MHz;
k为路径衰减因子。
实际中由于环境的复杂性与节点性能的分散性, 无线电传播路径损耗与理论值并不十分吻合。对数-常态分布模型相较于上式将更加合理:
式中:
PL (d) 为经过距离d后的路径损耗单位为d B m;X0为均值为0的高斯分布随机数, 其标准差范围为4~10;k为路径衰减因子, 范围为2~4。
取d=1代入 (1) 得Loss即为, 这样可得节点接收的信号强度值为:
式中:
d为接受度到发射端的距离, 单位km;A为信号传播1m时的接收信号强度指示, 一般取45~49;pt为影响因子, 服从均值为0、标准差范围为4~10的高斯分布。
3 基于RSSI测距的三维定位算法
3.1 第一种算法[6]
设定位节点的坐标为 (x, y, z) , 接收到四个参考节点的坐标、RSSI值分别对应为:
(a1, b1, c1) , RSSI1;
(a2, b2, c2) , RSSI2;
(a3, b3, c3) , RSSI3;
(a4, b4, c4) , RSSI4;
根据公式
(把得出的RSSI值植入硬件用于计算时, 必须用绝对值) 分别计算出对应的距信源距离为d1, d2, d3, d4。列如下方程组:
令:
将 (4) 式转换为:
令:
则 (5) 式转化为:
Qθ=b
得最小二乘解:
3.2 第二种算法[4]
(1) 参考节点在原有二维坐标 (X, Y) 的前提下, 加入第三个坐标Z表示第三维, 于是参考节点的坐标变为 (X, Y, Z) ; (2) 找到离定位节点距离最近的参考节点A (X, Y, Z2) (假设此节点的RSSI值最大) ; (3) 因为A节点的RSSI值最大, 因此定位节点可以认为自己与A位于同一层, 即Z2层; (4) 定位节点选取其余2个RSSI值最大且位于Z2层的参考节点; (5) 定位节点利用选取的3个参考节点的 (X, Y, RSSI) 计算出自己的坐标; (6) 经过计算得出的定位节点坐标X, Y加上之前的Z, 就得到了定位节点的三维坐标。
根据得到的坐标值与用 (3) 式计算出的d值列方程如下:
令:ri2=di2-ai2-bi2, i=1, 2, 3
则 (6) 式可化为:
同第一种方法, 上式化为:
Qθ=b
得最小二乘解:
3.3 最小二乘算法[7]
与3.1一样, 根据定位节点自身坐标与接收到的参考坐标信息列如下方程组:
令:
ri2=di2-ai2-bi2-ci2, i=1, 2, 3, 4
前三个方程分别去减第四个方程, 则 (7) 式可化为:
令:
则 (8) 式可化为:
Qθ=b
得最小二乘解:
3.4 RSSI值的均值估计[8]
由于信号在传播过程中受到各种因素影响, 从而导致定位节点接收到的RSSI值存在很大的随机误差, 从而影响定位精度。要进一步提高定位精度, 便要对接收到RSSI值进行滤波, 从而到达降低随机误差的目的。此处, 对接收到的RSSI进行均值估计。设定位节点接收到同一个参考节点的m个RSSI, 对这些值进行均值估计:
代入 (3) 式得:
根据 (9) 式得出的距信源距离:
4 实验数据
用matlab对上述算法进行仿真比较, 得实验数据如下。
4.1 图4.1是第一种算法对RSSI值进行均值估计滤波前后的实验数据对比
由图1可以看出, 对RSSI值进行均值估计滤波后, 定位精度有非常明显的提高。
4.2 图2是第一种算法与第二种算法的实验数据对比
由图4.2可以看出, 第二种算法的误差波动范围较第一种方法小, 也就是说第二种算法定位的精度比第一种算法高。但是, 如果第二种算法在第 (2) 步时出错, 则将导致第三维的定位完全错误, 但第一种算法则无此风险。
4.3 图3是一种算法与最小二乘法的实验数据对比
由图3可以看出, 第一种算法定位精度要比最小二乘法定位精度稍高。
综合4.2与4.3可以看出, 第一种算法在此三种算法中可信度是最高的。4.2与4.3实验数据对比均是在对接收到的RSSI值进行完均值估计的基础上进行的。
5 结束语
本文给出了三种基于RSSI测距的室内三维定位算法, 得出实验数据对比。并且基于此, 给出了一种对接收的RSSI值进行估计滤波的方法——均值估计。通过数据对比, 可以看出, 均值估计滤波后, 定位精度明显提高。作者相信, 在定位要求越来越普遍的今天, 基于RSSI测距的定位算法一定可以得到更广泛的应用, 定位精度也会随着技术的改进越来越高。
摘要：RSSI算法是一种被广泛使用的无线定位算法。定位节点根据接收到的参考坐标值与对应的RSSI值进行计算得出自身坐标。区别于平面定位, 提出了三种基于RSSI测距的三维定位算法。第一种与第二种算法运用矩阵求解二元二次方程组得出定位节点坐标, 第三种方法为最小二乘法。并且, 给出了一种关于RSSI值的均值估计滤波法。最后给出三种算法仿真定位精度比较。
关键词：RSSI,三维,室内定位,均值估计
参考文献
[1]SOHRABI K., GAO 1., AILAWADHI V..Protocols for self-organization of a wireless sensor network[J].IEEEPersonal Communications, 2000, 7 (5) :16-27.
[2]WOO-CHOOL PARK, MYUNG YOON.The Implementation of Indoor Location System to Control Zig Bee Home Network.SICE-ICASE International Joint Conference 2006[C], Korea:Yatap Dong, 2006:2158-2161.
[3]ELLIOTTOTT D.KAPLAN, CHRISTOPHER J.HEGARTY.GPS原理与应用.第二版[M].寇艳红译.北京:电子工业出版社, 2007.
[4]TI.CC2431 Location Engine[OL].http://www.ti.com
[5]张洁颖, 王侠.基于RSSI与LQI的动态距离估计算法[J].电子测量技术, 2007, 30 (2) :142-145.
[6]朱浩, 顾宗海等.一种基于交点质心求解的RSSI定位算法及其优化[J].郑州大学学报工科版.2010, 31 (6) :43-46.
[7]熊小华, 何能通.无线传感器网络节点定位算法的研究综述[J].机电工程, 2009, 26 (2) :14-17.
RSSI算法 篇3
文献[3]提出了平面二维加权质心定位算法, 通过求圆面交叉区域形成三角形的质心, 求得未知节点的位置坐标, 但忽略了未知节点位置的三维特性。文献[4]提出了RSSI三维加权质心定位算法, 但其仍以参考节点和未知节点间的距离为加权因子, 依然存在由距离引进的定位误差。本文提出的改进算法充分考虑未知节点的三维特性, 并以筛选处理过的最优RSSI值作为基础加权因子, 是基于测距和非基于测距的RSSI加权质心定位算法的结合。
1 自适应缩小定位区域
在实际定位环境中, 对于未知节点的当前区域, 参考节点数目和位置均具有随机性, 因此需要先从大量参考节点中筛选出最佳参考节点。参考节点周期性地向未知节点发送包括其自身位置及ID信息的数据包, 未知节点从中提取出参考节点相对应的RSSI值[5]。从所有参考节点中选择RSSI值最大的一个节点作为参考节点记为N1, 再以N1到未知节点间的距离为半径形成的圆周区域所属参考节点中, 选择RSSI值最大的一个记为N2, 到此已经筛选出两个参考节点。选择圆周区域的目的在于根据已选择出的最优节点, 自适应地缩小定位区域, 选择其余最优参考节点, 以此方法继续再找出两个参考节点。本文实验研究中, 需要以4个参考节点到未知节点的距离构造4个球体, 因此首先在大范围区域内筛选出最佳参考节点是下一步研究的前提。
2 改进加权质心算法
2.1 改进算法描述
传统二维定位算法以4个参考节点为基准, 每3个节点和未知节点之间均可构成一个圆形, 3个圆形的交叉点组成的三角形质心即可近似确定为未知节点的位置。但在实际三维定位环境中, 大多球体交叉为一个区域, 球体之间的位置关系有外切、相交、内切、相离、内含几种情况。4个球体相交出现的区域, 即是未知节点出现的近似区域。通过本文第1节内容, 选择出最优的4个参考节点, 作为4个球体的球心, 则4个球体每两个球心连线与球面出现12个交点, 根据球体球心即参考节点位置坐标已知, 可求出12个交点的位置坐标[3]。计算公式为
根据式 (1) 球面方程和式 (2) 两点间的线性方程, 即可求得上述12个交点坐标。本文将这12个交点坐标重新当作筛选过的最优参考节点, 从这些参考节点中任选不在同一个平面上的4个构成4面体。以此为基础进一步研究未知节点的位置坐标信息, 以上操作在一定程度上缩小了定位误差。
如图1所示, 将4面体可看作4个二维平面, 每个平面分别求出质点坐标, 作为未知节点的近似位置[6]。研究选用RSSI的绝对值作为加权因子, 从而避免了传统加权质心算法选用距离作为加权因子带来的误差[7]。无线传感器网络中, 未知节点在同一地点接收多次参考节点发射来的RSSI值, 必然会存在因干扰造成RSSI值发生变化的情况, 但因这属于一个小概率事件, 所以参考节点发射的RSSI值的概率依然服从高斯分布函数, 在本文研究中利用高斯函数结合单传感器分批估计融合理论[8,9], 对RSSI进行滤波处理, 选取最优RSSI值, 作为基础加权因子。以图2为例, 用代表节点的RSSI信号强度值, 4个平面的三维加权因子分别表示为
未知节点坐标用E (X0, Y0, Z0) 表示, 则
根据式 (4) 即可确定未知节点的坐标信息。
2.2 本文改进算法流程
(1) 首先根据RSSI值自适应缩小定位区域, 筛选出4个较优参考节点。通过这个4个参考节点和未知节点间的距离构造4个球体。
(2) 求出4个球心连线和球体的12个交点坐标, 并将交点重新作为最佳参考节点, 进一步缩小定位范围。
(3) 从12个参考节点中任意选取不在同一平面的4个构成4面体, 将每个平面的质心坐标当作未知节点近似位置。
(4) 根据未知节点收到的质心坐标发射的RSSI值, 经高斯函数和分批估计融合理论处理, 将其作为基础加权因子, 并进一步求出每个平面的加权因子。
(5) 求出未知节点坐标, 并重复步骤3-5, 每次选择4个不同的参考节点构成不同的4面体, 多次求出未知节点的坐标。最后对多次坐标值求平均值, 作为未知节点的最终定位坐标。
(6) 定位误差公式为
其中 (X, Y, Z) 是未知节点的真实坐标, (X0, Y0, Z0) 是未知节点的定位坐标。若实验过程中进行n次定位估算, 则最终未知节点的平均定位误差为e0, 则
3 算法仿真分析
采用Matlab 2010b软件对本文改进算法进行仿真, 选择100 m×2 m×4 m的学校实验室外走廊通道为实际仿真实验环境。选择载频为2.4 GHz的无线信号, 通信范围设置约为100 m。节点安排布置如图3所示, 在走廊两端分别放置两个参考节点, 中间位置设置一个参考节点N5。实验过程中, 定位节点E接收各个参考节点发送的RSSI值, 若N1和N2的RSSI值是最大的, 则可确定定位节点在N1、N2、N5组成的区域中;若N3、N4的RSSI值为最大, 则可确定定位节点在N3、N4、N5组成的区域中[10], 自适应缩小定位区域, 能大幅简化定位流程, 排除其余参考节点的干扰。
图4的实验仿真结果表明, 传统的加权质心算法和本文改进后的算法, 在定位节点到走廊两端信标节点的距离发生变化时, 因受环境因素及路径衰减系数变化的影响, 整体变化趋势一致, 均是从定位误差低到高再到低的变化。但本文改进算法整体定位误差比传统加权质心算法低, 并且变化幅度较小, 定位性能趋于稳定, 定位误差范围在2~5 m之间。图5的实验仿真结果表明, 定位误差随着定位测试时间的变化而不断变化。在刚开始5 s内, 两种算法定位误差均为最大, 随后在20 s时刻, 误差均达到最低值。仿真结果表明, 改进算法在一定程度上提高了定位精度, 对环境具有较好的适应性。
4 结束语
文中采用了信号强度值RSSI自适应缩小定位区域, 并用其作为加权因子的三维空间定位方法。实验仿真结果表明, 改进的算法对于传统加权质心算法在定位精度和稳定性上均有所提高, 具有一定的实用意义。但本文改进算法考虑的参考节点均为静态, 如何将移动的参考节点应用到定位过程中是下一步的工作重点。
摘要：针对无线传感网络RSSI加权质心定位算法精度较低的问题, 提出了一种采用RSSI值作为加权因子的三维加权质心定位算法。依据RSSI值自适应缩小定位区域, 并根据筛选出的最优参考节点构建三维球体定位模型。仿真结果表明, 改进的定位算法在相同测试条件下, 在精度与稳定性上相较传统加权质心算法有了大幅提高。
关键词：自适应,最优参考节点,交点坐标,RSSI加权因子
参考文献
[1]Chen C C, Chang C Y, Li Y N.Range-free localization scheme in wireless sensor networks based on bilateration[J/OL].International Journal of Distributed Sensor Networks, (2013-05-16) [2015-02-15]http://dx.doi.org/10.1155.2013/620248.
[2]于海存, 石为人, 冉启可, 等.基于虚拟静态锚节点的加权质心定位算法[J].传感技术学报, 2013, 26 (9) :1276-1282.
[3]丁恩杰, 乔欣, 常飞.基于RSSI的WSNs J加权质心定位算法[J].传感器与微系统, 2013, 32 (7) :53-56.
[4]陈豫章.基于RSSI的室内三维定位技术研究与实现[D].云南:云南大学信息学院, 2013.
[5]王琦.基于RSSI测距的室内定位技术[J].电子科技, 2012, 26 (6) :64-67.
[6]陈群, 高星伟, 郭杭.一种基于RSSI的三维加权质心定位算法[J].测绘科学, 2013, 38 (4) :91-93.
[7]陈钧, 李稳操.基于RSSI的三维加权质心定位研究[J].软件, 2014, 35 (3) :77-78.
[8]李勇, 鲁黎, 张强.一种消除盲区的无线传感器网络四边加权质心定位算法[J].科技视界, 2014 (3) :56-58.
[9]马春英, 张启英.基于高斯函数及分批估计融合理论的无线网络定位算法[J].长春工业大学学报:自然科学版, 2012, 33 (1) :59-63.
RSSI算法 篇4
1 模型分析
通过多次实验测试,室内的电磁波传播损耗除了与传播距离d有关以外,还与路径中的阻挡物有关,常用的距离一损耗模型为[4]:
其中d0为参考距离;RSSI0是距离为d0时接收到的信号强度指示(Received Signal Strength Indicator,RSSI);d是真实距离;RSSI是距离为时接收到d的信号强度;ζ是环境因子,与传播距离无关,主要与环境中的遮挡物、人员走动情况、空气温度和湿度等有关,这意味着相同的传播距离和相同发射信号强度,可能测到的接收信号强度有较大差异,甚至相差几倍;η是路径损耗指数,它是介于2.0~3.3之间的常数,与建筑物的性质有关。式1的模型中,d与RSSI的函数关系与参考点的选择(d0,RSSI0)、路径损耗指数(η)及环境因子(ζ)有着很大关系,这些参数的选择优劣决定了该模型的准确性。为解决这个问题,本文提出了如下参数估计方法。
2 参数估计
当建筑物类型和信号发射频率确定后,路径损耗指数η也就确定了,而环境因子ζ会因室内环境的变化而不同,另外同一建筑物内,不同的区域环境情况也是不一样的,因此本算法在参数估计时是基于区域划分的,即不同的区域会有不同的ζ,并且假设区域的环境短时间内是不变的。
设定位空间中共有n个基站,即B={BS1,BS2,...,BSn-1,BSn},其中n≥3;有m个参考点,即R={RP1,RP2,...,RPm-1,RPm,},其中m≥1;有k个基站的集合BK={BS1,BS2,...,BSk-1,BSK,},其中3≤k≤n,BK奂B;这k个基站组成一个区域A,然后寻找一个参考点RP0,这个参考点到这k个基站的距离和最短,具体求解方法如下:
设BSi此刻收到RP0的信号强度值为RSSIi0,BSi到RP0的距离为di0此时共有k对(di0,RSSIi0)组合,取第j组作为式(1)中的(d0RSSI0),其余k-1组作为(d,RSSI)代入到式(1)中,得到方程:
采用加权平均的方式得到区域A此刻的环境因子
3 定位算法
为了方便描述,该算法暂不考虑z坐标。
移动点MS(x,y)进入定位区域后,假设t时刻时有a个基站BK(BS1,BS2,...,BSa)收到该MS的信号,设信号强度值为RSSIi,其中i=1,2,...,a;
1)当a<3时,由于条件不足,放弃本次定位,该移动点MS的坐标保持不变;
2)当a≥3时,按照以下步骤进行定位:
第一步:将RSSIi从大到小排序,取前三个,不妨设为RSSI1,RSSI2,RSSI3,且RSSI1≥RSSI2≥RSSI3,对应的基站为BS1(x1,y1),BS2(x2,y2)和BS3(x3,y3),该三个基站组成的区域为A。
第二步:利用上述的参数估计方式,得到t时刻环境A的最优参考点RP*(x0,y0)和环境因子ζ*;
第三步:BS1与RP*的距离,t时刻BS1收到RP*的信号值是RSSI10,同理可得d20,d30和RSSI20,RSSI30;第四步:将定位区域的路径损耗指数η,环境因子ζ*,参考距离d10,参考信号值RSSI10,实际信号值RSSI1代入到式(1)中,可求解得到待测移动点MS到基站BS1的距离d1,同理可得d2,d3;
第五步:由上述步骤可以得知,MS应该在分别以BS1、BS2、BS3为圆心,d1、d2、d3为半径的三个圆周上,具体可分为以下几种情况:
1)三圆有共同的交点,如图1,三圆相交于P点,则P点坐标就是移动点MS的坐标;2)由于电磁波自身的波动特性和传播中的多径干扰、NLOS以及噪声等干扰造成的误差会使圆无法交汇,或者交汇处不是一点而是一个区域,如图2,取由三圆组成的区域,交点分别为p1(x1,y1),p2(x2,y2),p3(x3,y3)。取△p1p2p3的质心作为MS(x,y)的估计位置。即:3)三圆没有两两相交,但有两个圆有交点,如图3,取得点p1(x1,y1),p2(x2,y2),移动点MS(x,y)的位置估计为:4)三个圆没有任何交点,本算法不能得到移动点MS(x,y)的新的位置估计,取MS的位置为前一时刻的位置。
4 实验
为了更好的配合本文的定位算法,同时兼顾定位成本和效用两因素,本文提出了如下布点方案。
本文讨论的布点方案需要达到以下要求:1)基站的作用范围应覆盖整个室内空间;2)基站个数不少于3个;3)任意k个非同一直线上的基站,都至少存在一个到这k个基站距离之和最短的参考点,其中k不小于3;4)在满足性能要求的情况下,尽可能的减少硬件的安装成本。
功率是设备发射能量的大小,决定通信距离的远近的,一般来讲,功率越大,信号就越清晰,发射距离就越远。频率越低,波长越长,传输距离越远,同时绕射能力也越强。另外,发射器和接收器之间的距离也是影响信号接收效果的重要因素之一,距离越近,效果越好。
根据以上描述,本文建立了成本—效用模型:
C是总成本,cB是单位基站的成本,cR是单位参考点的成本,c0是固定成本,n是基站的个数,m是参考点的个数,ψ是总效用,φ是效用系数,P是发射功率,f是频率,dij是第i个基站到第j个参考点的直线距离,xiB、yiB、ziB分别是第i个基站的x坐标、y坐标和z坐标,xjR、yjR、zjR分别是第j个参考点的x坐标、y坐标和z坐标,X、Y、Z分别是当前空间的最大x坐标、y坐标和z坐标,k是指每k个基站确定一个参考点,直接求解会得到Cnk个参考点,然后去掉重复的点。这是多目标决策问题,可以用化多为少或分层序列等方法求解。
在实际使用中,受环境的限制,基站一般都会装在靠近天花板附近,因此这里本文可以只考虑二维的情况,即不考虑Z坐标。本文的实验环境是40×40的房间,存在四个基站,BS1(5,5),BS2(5,35),BS3(35,35),BS4(35,5),k取3。利用上述模型可以求解得到四个参考点:RP1(11.3,11,),RP2(11.3,28.7),RP3(28.7,28.7),RP4(28.7,11.3)。
距离—损耗模型中的路径损耗指数η取3.9,移动点在房间内正常移动,移动点初始坐标为(2,2),实际运动轨迹和定位算法所得运动轨迹如图4所示。
从实验结果可得,实验轨迹与真实轨迹比较接近,平均误差为2.6M,这种误差水平对于普通定位场合是可以接受的。
5 总结
本文的基于RSSI的动态修正的室内定位方案,在引用经典的距离—损耗模型的基础上,利用参考点和加权平均的思想对模型中的环境因子进行动态修正,并利用质心原理求解移动点的坐标,在实验过程中提出了一种基于成本———效用模型的布点方案。本文的定位算法在一定程度上解决了因室内环境复杂多变导致距离—损耗模型失真而给定位带来误差的问题。
参考文献
[1]R.Want,A.Hopper,V.Falcao and J.Gibbons.The active badge location system[J].ACM Transactions on Information Systems,1992:91-102.
[2]L.Ni,Y.Liu,Y.LANDMARC:Indoor location sensing using active RFID[C].Proceedings of 1st IEEE International Conference on Perva-sive Computing and Communications,2003:407-415.
[3]孙瑜,范平志.射频识别技术及其在室内定位中的应用[J].计算机应用,2005,25(5):1205-1208.
RSSI算法 篇5
1 无线传感器网络定位问题分析
1.1 网络定位问题的相关概念
1)节点:传感器节点一般分为锚节点和未知节点。锚节点可以通过某种手段获取自身的精确未知,未知节点则以锚节点位置作为参考,通过计算而确定它们的位置。
2)跳数:即两个节点之间间隔的跳段总数。
3)跳段距离:即两个节点之间间隔的各跳距离之和。
4)到达时间:即信号从一个节点传播到另一个节点所需要的时间。
5)接收信号强度指示:即节点接收到的无线信号强度大小。
6)基础设施:即协助传感器节点定位的某些固定设施,比如基站、卫星等。
1.2 网络定位算法的分类
网络定位算法的分类有多种,下面介绍几种常见的分类方法:
1)绝对定位和相对定位
绝对定位就是定位一个具体的坐标位置,比如纬度或经度。而相对定位则是以某节点作为参照物来建立整个网络的坐标系统。绝对定位的优势是几乎不受节点移动性影响,但相对定位也能实现某些基于地理位置的路由。目前绝对定位的应用领域更加广泛。
2)测距定位和无需测距定位
测距定位算法需要测量节点之间的绝对距离来计算节点位置。此类方法需要额外的硬件支持才能获取较高的定位精度,且存在一定的测量误差,需要多次反复操作来达到精确的效果,因此成本相对较高。无需测距定位算法则不需要测量节点间距离,而是利用某些信息来计算节点的未知,如网络的连通性。这类算法不需要额外的硬件支持,因此通信开销也较小。
3)集中定位和分布定位
集中定位算法是首先把所需信息传送到某个中心节点,然后进行节点定位计算,它的优点在于计算量和存储量不受限制,它从全局角度来进行规划,能够获得非常精确的位置计算。分布定位算法是通过节点自身的信息交换和协调来计算其定位方式。分布定位的优点在于计算方便扩展,因此运用更加灵活,比较适应于大型的传感器网络。
1.3 网络定位算法的性能评价
我们可以从几个方面来对无线网络定位算法的性能评做出评价。首先我们要考虑网络定位算法的定位精度,要使得某定位算法具有使用价值,必须达到一定的精度。其次要结合具体的无线传感网络,来选择不同的定位系统或算法。此外还应考虑锚节点的精度、节点精度、容错率和自适用性、功耗以及定位系统的代价等。
2 基于RSSI的无线传感定位算法
2.1 基于RSSI的集中式定位算法
基于RSSI的集中式定位算法的过程是:首先收集网络中的所有节点间的RSSI值,然后利用其无线信息的传播模型来推导出所有节点间距离的相对关系,再通过无需路径的距离估算方法来估算节点间的距离,最后通过估算的距离为约束条件求出节点的位置信息。我们可以通过非线性规划和线性规划来进行求解。
2.2 基于RSSI的分布式定位算法
基于RSSI的分布式定位算法分为两个阶段:第一阶段是对网络进行分簇,我们可以通过一种基于拓扑感知的分簇算法来将网络中的节点分成不同的簇;第二阶段是进行局部定位,局部定位利用基于规划的方法。然后得到了节点的绝对坐标,得到节点的绝对坐标后,整个网络的定位也就完成。该分簇算法有助于解决大规模的无线传感器网络的定位问题,也可以用于无线传感器网络的其他领域。
2.3 基于RSSI效验的节点点位算法
由于无线传感器网络中RSSI受环境的影响程度非常大,就算同一环境下,距离相同的不同区域的节点对,RSSI值也不一定相同。也就是说,同一个RSSI值在同一网络拓扑分布中的不同节点对间代表的距离和权值是不同的。如果移动节点的位置计算没有加入其他修正方法,则会使得算法出现较大的误差。要提高算法的精度,我们必须加入一些校正方法。下面来研究此算法的具体实现。
3 基于RSSI效验的节点定位算法实现
3.1 加权质心的计算
我们利用固定节点和移动节点之间的RSSI值来计算每个固定节点的权值。通过权值来体现固定节点对质心位置的影响程度,了解它们之间的内在联系。假设网络中有N个固定节点Ci,已知它们的坐标为(Xi,Yi),移动节点B的估测坐标为(Xe,Ye)。那么可以得出权质心的计算公式如下:
3.2 算法实现过程
在此算法中,首先设定以RSSI表示移动节点B接收到固定节点Ci信号的RSSI平均值,Si表示移动节点B接收到固定节点C的信号平均强度值。我们可以得出两者的转换关系如下:
接下来用RSSIij来表示固定节点Ci接收到固定节点Cj信号的RSSI平均值,Sij表示固定节点Ci接收到固定节点Cj的信号平均强度值。可以得出转换关系如下:
同样设CDij表示固定节点Ci和Cj之间的距离,Dji来表示固定节点对Ci和Cj为参考时的距离,我们可以代入公式(1)得到:
由此公式通过转换可以得到CDij的值,移动节点B到固定节点Ci的距离Di可以表示为所有Dij的值。根据推导可以得出固定节点Ci的权值Wi可以表示为:
根据计算得到的权值,我们利用公式(1)可以得到移动节点的位置。设一定节点B的真实坐标为(Xt,Yt),则定位误差ER可以表示为:
3.3 模拟实验
我们使用5个mica Z mote节点摆放在地面上,并摆放4个固定节点。固定节点的坐标分别为C1(0,0),C2(3,0),C3(3,4),C4(0,4),节点C1通过串口于计算机相连接。我们随机选取16个节点作为移动节点来进行定位计算。根据实验环境,我们所取的信号衰减模型参数应该在1.5-1.7之间。在此区域内改变参数值,步长为0.05,实验结果如表1。
本算法利用已知的距离信息和固定节点的信息对权值进行校正,在参数值为1.55时平均误差是最小的,相对加权质心算法而言,平均误差和标准误差分别都减小。通过以上实验结果可以表明,在此环境中,定位算法效果要比加权质心算法更好。
4 总结
随着无线网络的不断发展,廉价的无线定位服务也随之越来越大众化,基于信号强度的无线传感器网络定位技术具有成本低、设备简单、传输距离远、获取便利等特点,从而更适合于功耗低、成本低的无线定位系统。在将来的研究中,我们将着重考虑线性传感网络环境下二维移动节点的定位,以及相关的定位跟踪问题。
参考文献
[1]Priyantha N B.The cricket indoor location system[D].phD Thesis,Massachusetts Institute of Technology,2005.
[2]Andy H,Andy H.Adistributed 1oeation system for the aetive offiee[J].IEEE Network,1994,8(l):62-70.
[3]Elnahrawy E,LiX,Mart R P.The li m its of localizat i on using signal st rength:a comparat ive study[C].IEEE SECON,2004,Santa Clara,CA,USA.
[4]Niculescu D,Nath B.A d hoc po sit i oning system(A PS)using AoA[C].IEEE INFOCOM,2003,San F rancisco Califo rnia,USA.
[5]He T,Huang C,Blum B M et al.Range2 free localization schemes for large scale sensor networks[M].MobiCom 2003,San D iego,CA,USA.
[6]Sheng ShihWang,Kuei Ping Shih,Chih Yung Chang.Distributed direction based localization in wireless sensor networks[J].ComputerCommunications,2007,30(6):1424-1439.
RSSI算法 篇6
1 算法分析
1.1 技术介绍
1.1.1 RSSI技术概述
RSSI (Received Signal Strength Indication, 接收的信号强度指示) 是指网络中的移动节点通过测量来自静态的参考节点信号的信号强度来确定自身位置的一种算法。由移动节点发送定位请求, RF通信范围内接收到定位请求的参考节点自动回应移动节点。移动节点在能够接收到回应信号中选择三个信号强度最大的信号, 提取信号强度并且根据强度判断出自己与系统中三个参考节点之间的距离。移动节点的轨迹就是以参考节点为圆心, 以两种节点之间的距离为半径的圆周上。三个参考节点就可以确定三条动态轨迹, 三条动态轨迹的交点就是移动节点。
1.1.2 三边定位技术
三边定位技术是基于RSSI原理, 选择三个或三个以上的参考节点, 相互连接成若干个三角形, 构成各种网 (锁) 状图形。通过观测三角形的边长, 再根据参考节点的坐标, 起始边的边长和坐标方位角, 经解算三角形和坐标方位角推算可得到三角形各边的边长和坐标方位角, 进而有直角坐标正算公式计算移动节点的平面坐标。
1.2 基于距离的RSSI三边定位算法
1.2.1 儿童与路由节点的距离计算
基于RSSI的定位技术, 一般利用信号的经验模型和理论模型来进行分析, 信号的经验模型是建立各个点上的位置与信号强度的数据库进行匹配, 理论模型常采用无线电传播损耗模型来进行分析。但是这些损耗会影响RSSI值的定位精度, 因此, 选取合适的损耗模型显得十分重要, 一般选择对数—常态分布模型来进行运算, 其路径损耗的计算公式为:
式中d为距离信源的距离, 单位为km;f为频率, 单位为MHZ;k为路径衰减因子;Xσ是平均值为0的高斯分布随机变数, 其标准差范围为4~10。k的范围在2~5之间。PL (d) 表示距离为d处的信号损耗值。PL (d0) 为距离d0处的信号损耗值。可以利用自由空间无线电传播路径损耗模型取d=1时计算出的损耗 (loss) 值为PL (d0) 。自由空间传播损耗模型如下
此时路由节点接收儿童发出信号时的强度 (RSSI) 为
式中:P为发射功率;F为天线增益;PL (d) 表示距离为d处的信号损耗值。利用 (1) (2) (3) 三式可以算出路由节点与儿童间的距离d。
1.2.2 利用RSSI值进行三边定位
在无线传感网中, 定义一个二维坐标的位置, 只要知道未知节点和三个路由节点的位置即可求得未知节点的位置。具体情况如图1所示。假设三个锚节点分别为 (X1, Y1) (X2, Y2) (X3, Y3) , 未知节点坐标 (Xu, Yu) , 未知节点距离三个路由节点的距离根据强度 (RSSI) 公式求得, 分别为R1、R2、R3, 根据二维坐标系的距离公式可以得到如下方程:
将数据代入求解方程即可以得到未知节点的坐标。
综上, 只要知道未知节点到三个路由节点的距离, 便可以求得未知节点的坐标。为了提高精确性可以用多次测量取平均值的方法。
2 算法步骤
(1) 移动节点 (即走失儿童) (X, Y) 利用自带的手机等通讯设备通过4G网络向周围路由节点发送广播定位请求, 其中三个不同的路由节点 (Xa, Ya) , (Xb, Yb) , (Xc, Yc) 接收到了请求;
(2) 路由节点记录接收到的移动终端定位请求信息的信号强度RSSI值;
(3) 利用公式计算三个路由节点与移动节点的距离Da、Db、Dc;
(4) 利用公式
计算得到 (X, Y) 的值, 结果即为所要定位的移动节点的值。
3 仿真结果分析
本文用MATLAB2012作为仿真工具, 对算法进行了仿真。仿真环境设定在100m×100m的正方形区域内, 随机产生200个路由节点和10个未知节点。初始节点分布如图2所示。图3给出了采用基于RSSI的三边定位的算法进行未知节点的定位图。由仿真结果可知, 本文基于RSSI的三边定位算法的精确度很高, 完全满足要求。
4 结论
本文基于RSSI的思想, 利用三边定位方法对未知节点进行定位, 从而达到即时快速找到走失儿童的效果, 提高了儿童的安全性, 减少家长的担心。经过实验仿真, 该方法完全能够精确对走失儿童进行定位, 具有现实意义。
摘要：定位技术是无线传感器网络的重要技术之一, 其中基于RSSI测距的定位技术以便捷、精确度高成为首选技术。文章为了实现对商场走失儿童的快速定位设计了一个基于RSSI和三边定位技术的实时定位系统。该系统利用4G网络进行定位请求, RSSI测距技术对未知节点进行测距, 最后基于三边定位技术编写算法。该算法经过仿真实验精度完全符合要求。
关键词：无线传感器网络,RSSI测距,三边定位
参考文献
[1]吕振, 赵鹏飞.一种改进的无线传感器网络加权质心定位算法[J].计算机测量与控制, 2013, 21 (4) :1102-1104.
[2]丁恩杰, 乔欣, 常飞, 等.基于RSSI的WSNs加权质心定位算法的改进[J].传感器与微系统, 2013, 32 (7) :53-56.
[3]徐新民, 张坤.一种可快速部署的应急医疗分队卫生装备定位方法研究[J].医疗卫生装备, 2011, 32 (10) :13-15.
[4]谭志, 张卉.无线传感器网络RSSI定位算法的研究与改进[J].北京邮电大学学报, 2013, 36 (3) :88-91.
[5]王靓, 范德辉.基于RSSI的无线传感器网络节点定位算法改进[J].煤炭技术, 2010, 29 (9) :184-185.
RSSI测距技术探索 篇7
关键词：无线传感技术,RSSI,回归分析
1 研究背景
物联网, Internet of Things (IOT) [1], 根据国际电信联盟 (ITU) 发布的ITU互联网报告所做的定义, 是通过二维码识读设备、射频识别 (RFID) 装置、红外感应器、全球定位系统和激光扫描器等信息传感设备, 按约定的协议, 把任何物品与互联网相连接, 进行信息交换和通信, 以实现智能化识别、定位、跟踪、监控和管理的一种网络。而在其应用中的三项关键技术里, 排列在首位的是无线传感器技术。
无线传感器网络, 由一些节点组成。节点具有感知物理世界信息 (温度、湿度、光强等) 、处理信息、与其他节点通信的能力。每一个节点具有质量轻、体积小、成本低、能耗低的特点。所有节点协同的处理数据, 最后将数据发送至用户的本地计算机上。这样, 用户即可不必身临节点所处的环境中, 而得到该环境中一些有用信息[1]。
我们所研究的RSSI技术, 即通过传感器节点接收到的信号强弱测定信号点与接收点的距离, 进而根据相应数据进行定位计算的一种定位技术, 在现如今炙手可热的物联网及无线传感器网络上节点定位方面有重要的应用[2,3,4,5]。
2 开发环境
实验硬件平台采用美国Crossbow公司研制的Telos B节点。Telosb节点采用具有16位精简指令系统, 其工作主频为8M并具有一个RAM大小为10KB的MSP430低能耗微处理器, 其通信模块为CC2420无线收发芯片。CC2420是符合2.4GHz IEEE802.15.4标准的射频收发器。该芯片可通过编程设置为8个不同等级的输出功率, 其最大功率通信距离可达100米[6]。
软件平台主要包括节点软件和数据处理部分。节点软件采用nes C语言在开源的Tiny OS2.0操作系统[7]上完成。数据处理软件采用著名的工具MATLAB。
3 实验内容
3.1 数据收集
数据收集的操作是在一片平直的坡道上进行的, 使用两个Telos B节点分别作为接受器和发送器。选择天气晴朗无风的一天, 在坡道上固定一个发送器节点, 把接受器节点分别固定在5米、9米、12米、16米、22米进行测量, 每组数据包含三次测试, 通过程序控制不选取不稳定的前20个数据, 选取之后的20个较稳定的数据, 并且保存到文件中以便进行处理分析。
将五组数据各自后导入Matlab, 为剔除极端值影响, 把误差控制在可接受范围内, 用作图法得出其中间值。如图1所示。
3.2 数据分析
设自变量x=[5 9 12 16 22], 因变量y=[-12.0000-22.5000-26.0000-31.5000-33.000]对以上数据进行回归分析。
3.2.1 线性回归
可知回归模型为y=-9.6745-1.1973x。
残差分析 (如图2所示) :
rcoplot (r, rint)
从残差图可以看出, 数据的残差离零点均较近, 且残差的置信区间均包含零点, 这说明回归模型y=-9.6745-1.1973x能较好的符合原始数据。
预测及作图 (见图3) :
3.2.2 多项式回归
以三次多项式回归为例:
得回归模型:
预测及作图: (见图4)
3.3 实验结果
经比较与分析可得, 多项式回归比线性回归更符合原始数据的分布。因此, 我们探索RSSI技术所使用的telosb传感器的RSSI与距离的关系为:
若实际测量不发生大的改变, 该模型能较好地利用RSSI值对节点间距离进行测量。
4 结论
利用telosb节点构建了物联网硬件平台, 使用运行在节点之上的Tiny OS操作系统借助RSSI方法在实际环境中进行了测距, 在收集到足够的数据后, 使用matlab进行后期数据处理, 结合相关的理论, 建立了在相应环境下的数学模型, 经过与实际数据的参照与对比, 证明该模型在该环境下的测距是可行且具有一定的精确性。
5 未来工作
RSSI和距离的关系在实际测量中还受到很多因素的影响, 比如:风力的强弱、两个节点间的遮挡物的大小和个数、温度等等, 这些因素还有待进一步实验研究, 并针对不同环境建立相应的测距模型。
参考文献
[1]孙利民, 李建中, 陈渝, 等.无线传感器网络[M].北京:清华大学出版社, 2005:135-155.
[2]冯冬青, 赵志远.基于RSSI的无线传感器网络改进定位算法[J].广西大学学报, 2012, 37 (6) :1158-1163.
[3]Zhen Fang, Zhan Zhao, Geng Daoqu.RSSI variability characterization and calibration method in wireless sensor Network[C].Proceedings of the 2010 IEEE International Conference on Information and Automation, June 20-23, Harbin, China, 2010:1532-1537.
[4]赵昭, 陈小慧, 无线传感器网络中基于RSSI的改进定位算法[J].传感技术学报, 2009, 22 (3) :391-394.
[5]Sun Peigang, Zhao Hai, Luo Dingding.Research on RSSI-based Location in smart space[J].Acta Electronica Sinica, 2007, 35 (7) :1240-1245.
[6]TelosB datasheet[EB/OL].http://www.xbow.com/Products/Product_pdf_files/Wirel ess_pdf/TelosB_Datasheet.pdf, 1-2.