无线定位方法（共9篇）
无线定位方法 篇1
0 引言
卫星导航在室外定位应用场景中,可提供精确的定位服务,但卫星导航难以在室内环境中得到应用。室内定位服务有广阔的应用前景,超市、展览厅等环境下都需要该服务[1]。室内指纹定位法将不同参考基站发出的RSSI(Received signal Strength Indication)信号视为“指纹”,建立电子地图,估计终端位置[2]。但受到无线多径和动态移动物体的影响,在室内环境中RSSI不稳定,导致了较大的定位误差,很难通过RSSI计算参考基站到终端的距离,也难以使用三边法准确进行室内定位。现有的指纹算法,其典型定位误差为1～3米[3]。
在室内环境中,常使用高斯变量代表RSSI信号,包含固定值部分及可变量部分。固定值部分遵循大尺度衰落,而由多径和移动物体所造成的可变量部分则可视为零均值的高斯噪声[4]。通过长期的实验数据观测,本课题组发现在典型的室内环境中,接收信号RSSI的方差随其均值的变化而变化,并非是固定方差。该现象也由K.Kaemarungsi et al.观测后形成了相关文献[5]。据此,本文提出在传统指纹定位算法的基础上,考虑到RSSI方差的性质,参考不同测量方法造成的不同方差,赋予每种测量方法不同的权值,并可通过赋予每种测量方法不同的置信度,来获得更加准确的定位。
1 相关研究现状
通常意义上,室内环境测量到的RSSI可视为平均值和方差的和:
PL(d)=PL(d0)-10αlog(d/d0)+V (1)
其中,PL(d)是收到信号在距离d的能量,PL(d0)是在距离为d0处的信号能量,α是信道衰减参数,V是统计噪声。在室内环境中,V的方差可达到4dBm[4]。
考虑室内定位的典型无线应用场景,则多径信道下的信号发送模型为:
其中,x(t)为发送信号,y(t)为接收信号,τk为第k条路径的传输延迟,αk(t)为第k条路径的增益,v(t)为信道中的高斯白噪声,L为多径数目。
在室内环境中,由于接收天线运动过程,导致延迟τk和增益αk随时间变化,从而引发接收信号y(t)的大范围波动。当参考基站远离终端发送参考信号时,或参考基站和终端之间不存在LOS路径时,此现象变得普遍,因此等式(2)右侧第一分量趋向极小值,可以忽略。此时,若等式(2)右侧第二分量趋向极大值或者零值,则可直接导致接收信号的方差偏大。而反之,若基站和终端距离较近,y(t)由等式(2)右侧第一分量确定,则RSSI方差偏小。可以从时域RSSI序列中提取指纹信息。E.C.L. Chan et al.将RSSI信号的傅里叶分析作为指纹,他们的方法和传统的KNN定位算法有相似的结果[6]。S.H.Fang et al.将RSSI信号变换到频域进行分析,将频谱上分析得到的平均值作为指纹,表明该指纹比原始RSSI序列得到的指纹更加稳定。并且在相同AP数目下,该方法比传统的极大似然算法效果更佳[7]。
本实验室使用频点为433MHz ISM 频带的无线模块进行RSSI信号采集。模块包含两个功能:采集及统计RSSI信号,并在采集统计完成后,将基本数据交换至服务器进行二次分析。采集区域如图1所示,该采集区域是一个非规则的典型室内区域。根据收集到的RSSI数据,统计了不同测试点的RSSI分布情况,并研究了基站和终端的不同距离、移动物体运动造成的影响:图2(a)和2(b)是无移动物体影响时不同距离下的RSSI统计结果,图2(c)和2(d)则是有移动物体影响时不同距离下的RSSI统计结果。
从图2可以看出RSSI的值围绕一个中心值而变化。当距离较近且无运动物体干扰时,RSSI值更加集中。接下来分析RSSI平均值和方差之间的关系,分析结果如图3所示。
RSSI的方差随RSSI均值的减小而增加。并且方差和均值的关系约为线性。同时图中还标出了线性回归线,由此验证均值-方差的关系符合历史数据分析。显然,若根据不同RSSI测量方差和经验方差,将不同测试方法置以不同的置信度,则RSSI的较大方差造成的影响可以被规避。
2 基于距离权重的指纹算法
根据上一部分的分析,可调整不同RSSI的权重以减小方差,并由此提出了基于距离权重的指纹算法(WDF)。
2.1 基于距离权重的指纹算法
传统KNN算法中,指纹距离定义为:
其中,N为本地系统中参考基站的总数,rk为联机状态下第k个参考基站得到的RSSI信息。sjk是脱机状态下第k个参考基站到第j个参考位置得到的RSSI信息。D(j)是第j个位置处联机和脱机下RSSI的差。
在以上的算法中,所有的RSSI统计方法都有相同的置信度。显然,如果由于多径影响,造成统计结果和预期结果相差很大,即使其他测量在脱机状态下接近预期结果,指纹距离考虑到终端的真实位置也会偏离较大。在KNN算法中,这个误差会使算法选择错误的参考点,进而错误地估计终端的位置,导致较大的定位误差。为此通过降低测量误差,可修改指纹距离如下:
其中,wk是对于不同RSSI测量方法rk赋予的权重。显然,此算法的关键在于如何分辨测试的误差范围,以及在此基础上如何选择权重。
2.2 确定测量误差范围
由于不同测量方式没有明确给出误差评价结果,因此需要从RSSI信号中得到误差信息。在指纹定位系统中,当测量单独进行时可测得多个RSSI值。由于平均值和方差是线性关系,由脱机得到的数据中可以得到该线性关系为:
Var=a*Mean+b (5)
当处于联机状态,即测量统计数据可实时发回服务器端进行处理时,则可以使用联机得到的RSSI和等式(5)计算方差,并在后续计算中赋以不同权值。
2.3 权值的计算
权值计算的基本思想是对于较小误差的测量赋以较大权值,反之赋以较小权值。可通过选择权值达到区分远距离参考点和近距离参考点的目的,从而更加简便且精确地找到临近点。在RSSI向量中,可通过提取RSSI测量的不同方差,进而计算权值。
权值可定义如下所示:
其中,Vark是第k个基站的RSSI方差。不妨定义权值总和为1。
从上式可以看到,对于多个基站(N个)的平均权值为1/N。为了更加有效地区分各权值,需要对权值做如等式(8)所述的变换。
w′k=N2w
显然,若wk大于平均权值1/N,则变换后权值w′k趋于更大,反之亦然。若wk等于1/N,则w′k将一直恒定收敛于1/N。
2.4 基于距离权重的指纹算法(WDF算法)
根据上文提出的方差计算和权重计算方法,本文提出WDF算法,可分为两个状态,即,脱机状态和在线状态。算法的详细过程如下所述:
脱机状态:
①终端在每个参考位置扫描到各个参考基站发送来的RSSI信号。然后在电子数据库中存储平均值和方差。
②服务器根据测量到的RSSI信号得到均值和方差的线性回归曲线。
在线状态:
①终端在每个参考位置扫描到各个参考基站发送来的RSSI信号,计算出均值和方差。
②方差的计算:使用在线时测量的平均值和等式(5)来计算每次RSSI测量的方差。
③权重的计算:使用等式(6)和(8)来计算每次RSSI测量的权重。
④指纹距离的计算:使用等式(4)来计算指纹距离。
⑤位置估计:使用WKNN算法来计算终端位置。
3 算法结果分析
对提出的WDF算法进行分析,主要比较WDF算法和传统WKNN算法的不同定位结果。
使用不同数目的参考基站,平均定位误差结果如图4所示。发现随着参考基站数目的增加,定位误差降低。应用了WDF算法后,改变参考基站的数目,平均误差改善了0.8米至2.0米。
图5表示了在6基站测试环境中,两种不同算法的CDF曲线比较。发现相比于传统WKNN算法,WDF算法提供了更多的位置估计值,并且误差较小。更详细的CDF数据比价可在表1中查看详细比较结果。
4 结束语
通过总结室内定位环境中,RSSI均值改变导致RSSI方差改变的实测数据分析结果,本文指出可使用线性模型来描述均值和方差的关系,进而提出了一种新型的室内基于距离权重的指纹距离算法。仿真结果表明,通过根据不同RSSI测量的不同均值赋予不同的判据权重,可明显提高定位精度。
摘要：无线信号RSSI是室内定位中被广泛应用的一种参考信息。但由于室内环境中无线多径的影响,接收机RSSI值会大范围波动,并造成室内定位信息的较大误差。实验数据分析表明,RSSI值的方差可随着RSSI均值进行改变。基于此观测结果,文中提出了基于距离权重的指纹算法,基于不同的RSSI方差赋予RSSI测量值不同的权重,可全面提高定位精度。仿真与实测表明,文中所提出的算法可明显改善定位精度,平均定位误差改善幅度在典型的室内环境中可达0.8米至2米。
关键词：指纹定位,RSSI,指纹距离,基于距离权重的指纹算法
参考文献
[1]Patmanathan V.Area Localization using WLAN[D].Master of Sci-ence Thesis,Stockholm,Sweden,2006.
[2]Battiti R,Brunato M,Villani A.Statistical learning theory for loca-tion fingerprinting in wireless LANs[R].Technical Report,Oct.2002.URL http://rtm.science.unitn.it/battiti/archive/86.pdf.
[3]Liu H,Darabi H,Banerjee P,et al.Survey of Wireless Indoor Posi-tioning Techniques and Systems[J]//IEEE Transactions on Sys-tems,Man,and Cybernetics,Part C:Applications and Reviews,Nov.2007,37(6):1067-1080.
[4] Rappaport T S.Wireless communications: principles and practice[M]. Publishing House of Electronics Industry, Beijing, 2004.
[5]Kaemarungsi K,Krishnamurthy P.Properties of indoor received sig-nal strength for WLAN location fingerprinting[C]//Proc.1st Annual International Conference on Mobile and Ubiquitous Systems:Networking and Services(MobiQuitous 04),Boston,Mass,USA,Aug.2004:14-23.
[6]Chan E C L,Baciu G,Mak S C.Wi-Fi Positioning Based on FourierDescriptors[C]//Proc.2010 International Conference on Commu-nications and Mobile Computing(CMC),12-14 Apr.2010,3:545-551.
[7]Fang S H,Lin T N,Lee K C.A Novel Algorithm for Multipath Fin-gerprinting in Indoor WLAN Environments[J]//IEEE Transactionson Wireless Communications,Sep.2008,7(9):3579-3588.
[8] Honkavirta V, Perala T, Ali-Loytty S, et al.A comparative survey of WLAN location fingerprinting methods[C]// Proc. 6th Workshop on Positioning, Navigation and Communication, 2009. WPNC 2009,Mar. 2009:243-251.
无线定位方法 篇2
关键词 无线传感网络 节点定位 定位算法 物联网
中图分类号：TN929.5 文献标识码：A
0引言
无线传感器网络（Wireless Sensor Networks，简称WSN）是伴随无线通信、电子与传感技术发展起来的新兴技术，它是对传统的传感器技术、信息处理技术和网络通信技术的融合，已成为国内外各行业的研究重点，也是跨学科的研究热点。
在 WSN 的实际应用过程中，确定节点的位置十分重要，定位技术是 WSN的主要技术指标之一。在研究节点的定位时，需要考虑的因素较多：比如基础设施、网络的连通性、节点密度、锚节点密度、测距误差、通信开销和计算开销等。因此，从节点定位的方法到算法的研究再到节点定位的实现并不是一件容易的事情，需要不断的尝试和探索。
1影响节点定位的因素
影响节点定位的因素很多，如网络的连通性、节点密度、锚节点密度、测距误差、基础设施、通信开销和计算开销等。
网络的连通性与网络的连通度对于定位算法是一个很重要的影响因素。网络的连通性定义为如果节点之间可以直接互相通信，就称这对节点是连通的。联通度是形成网的连通概率的多少，定位系统达到的覆盖率能有多大。锚节点也称为信标节点、灯塔节点等，可通过某种手段自主获取自身位置的节点，它是无线传感网络节点定位的核心要素，锚节点的密度越大说明已经节点位置的节点就多，为了降低开始部署时的锚节点密度，可以考虑将已定位的未知节点升级为锚节点。预先不知道自身位置的是未知节点或待定位节点，需使用锚节点的位置信息并运用一定的算法得到估计位置的节点。基础设施是协助节点定位且已知自身位置的固定设备，如卫星基站、GPS等。测距技术是任何定位技术的核心。跳数是定位系统出现不稳定的一个很重要的原因。
2节点定位的方法
目前WSN的定位方法较多，根据传感器接收信息的方式和节点处理数据方式采取不同的定位方法。传感器接收和采集信息受距离、角度、时间和周围锚节点信息的影响，这些数据也是定位算法的计算基础。无论采用什么样的数据处理方式，其目的都是将数据转换为坐标，完成定位功能。
目前节点定位的方法主要分为三类：一是根据是否测量距离分为距离相关方法和距离无关方法。两种方法各有优缺点，在实际应用过程中经常混合使用。二是根据网络的拓扑结构和连通性分为单跳方法和多跳方法，单跳方法实现简单，但只使用于测量距离小的场合。多跳方法应用广泛，使用于传感网络结构复杂的情况。三是根据数据的处理方式可分为：集中式方法和分布式方法。集中式处理方法可以使数据在数据中心汇总，集中处理，但通信量较大。但传感器采集的信息是基于周围的节点时，分布式方法在自身的后台执行定位算法，降低了网络通信量，但是分布式算法实现复杂，在很多平台上很难开展。基于众多学者的研究，普遍认为基于距离相关和距离无关的方法更加实用。
3节点定位算法
3.1 基于距离的算法
基于距离相关的算法需要测定锚节点与未知节点之间的距离或是角度信息，再根据三边测量法、三角测量法或最大似然估计法来确定未知节点的位置。根据测量技术可以分为：基于RSSI的算法，该算法对硬件要求相对较低，功耗低，但误差大，不适用；基于 TOA/TDOA和基于AOA的算法对硬件要求较高，功耗大，误差小，适用性强。
基于距离无关的算法不需要确定节点之间的距离长度，对硬件的要求相对就较低，从而更适合用于无线传感器网。常见的有质心、DV-Hop、APIT、Amorphous、凸规划等5种定位算法。但是基于距离无关的算法多处于理论研究阶段，适应范围有一定的局限性，在實际应用过程中主要考虑基于距离相关的算法。
3.2节点定位新算法
（1）基于移动锚节点的定位算法：利用移动锚节点自身的可定位性和可移动性定位无线传感网络中的局部节点，但在设计时需要科学规划移动锚节点的路径和合理的定位机制。
（2）立体三维定位算法：从传统的二位平面结构提升到三维空间，但获取更准确的锚节点需要寻求更精确的广播周期和消息生存周期，缩减定位时间需要改进锚节点的选择和过滤机制等。
（3）智能定位算法：随着低功耗技术、微处理器技术、FPGA技术的发展，智能定位算法将在未来的定位系统中得到广泛的应用。
4小结
无线传感器节点的自身定位具有重要的意义，决定着无线传感器网络的发展。目前，节点定位技术面临着诸多问题，无论是定位方法和定位算法上都有许多需要改进的地方。随着技术的发展协作定位技术、跨层设计、移动跟踪等方法将成为研究热点。
基金项目：广东科技学院课题《无线传感技术在智能物流中的应用研究》，立项编号：GKY-2012KYYB-4
参考文献
[1] 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[J].软件学报， 2005.16（5）： 857-868.
[2] 杜存功，丁恩杰，苗曙光.无线传感器网络改进型节点定位算法的研究[J].传感器与微系统.2010.29（1）.
[3] 李哲涛，李仁发，魏叶华.无线传感器网络中时间同步与测距协同算法[J].计算机研究与发展，2010.47（4）.
厘米级室内无线定位方法研究 篇3
定位装置包括发射装置和接收装置两部分。发射装置同时发射电磁波和超声波信号, 接收装置从接收到电磁波信号开始计时, 到第一次收到声波信号为止, 由此得到Δt, 接收装置据此计算出其与发射装置的距离。至此, 分别得到3个不同发射装置的坐标和接收装置到发射装置的距离, 即可算出接收装置在空间中的坐标。
2 定位原理
定位装置的定位原理如图1所示。
室内环境是三维立体空间, 传感器节点有2种, 分别为发射器和接收器节点, 如图2所示, 则假设发射器2节点之间的距离为L, 坐标为 (x, y, z) , 其中, x>0, y≥0, z≥0.由于该节点发射的超声波信号方向性比较强, 所以, 需要合理布置发射器的节点位置。经过计算, 发射器距离接收器节点平面至少要保持大约180 cm的距离。
如图3所示, 超声波信号到达接收器的路径有2条, 分别是直接到达的路径P1和通过反射到达的路径P2。假设2条路径分别为L1和L2, 信号沿这2条路径到达接收器的时间间隔为T, 例如L1-L2=2 m, T= (L2-L1) /V, 则T≈6 ms。
设超声波发射器与接收器之间的距离为R, 则传播时间为R/V。超声波发射的脉冲持续宽度是Tus, 则超声信号可以在时间Dus=R/V+Tus内消失。因此, 发射器的超声信号在时间间隔Dus内将消失, 发射器发射的RF信号由于时间短也会消失, 即如果2个发射器信号传播的间隔时间大于Dus, 那么, 接收器在接收信号时不会产生干扰。在规定的距离内, 本文采取将发射器的发射时间间隔调为最小Dus的方法将发射器之间的干扰最小化。
在静态过程中, 接收器可以同时接收3个及以上的发射器信号, 并通过式 (1) 得到距离值。式 (1) 为:
3 硬件结构
3.1 微控模块
该方案选用P89V51芯片, 芯片核心处理单元为80C51。
3.1.1 考虑到测量精度
由于测距的误差要求小于1 mm, 超声波速度C=344 m/s (在20℃室温下) , 则测距误差△t< (0.001/344) ≈0.000 002907 s=2.907μs。只要保证时间差达到微秒级, 那么, 测距误差就可以小于1 mm。因此, 系统采用89C51定时器能保证时间误差在1 mm的测量范围内。
3.1.2 电源模块
直接使用市面上销售的手机充电器, 从220 V民用电中得到5 V直流电。
3.1.3 串行通信模块
串行通讯电路存在于控制系统的发射端和接收端, 用于接收PC机发出的指令, 并调试程序。
3.2 RF模块
RF模块主要用于实现信号的发射和接收。该模块的作用是通过信号发射和接收芯片CC1100来实现的。在该系统中, 设置该芯片的频率为433 MHz, 这样可以实现高效率、高可靠性的数据传送。
控制过程可以分为参数初始化配置、接收数据和发射数据3部分。
3.3 超声波发射模块
多谐振荡电路输出信号是由时基电路及其外围元件构成的。由于超声波传感器的中心频率为40 k Hz, 所以, 要求驱动发射头的信号频率也必须为40 k Hz。在理想情况下, 驱动信号应为正弦波形或占空比为1的方波。在发射探头允许的电压范围内, 驱动信号的幅值要尽量大, 这样才可以获得较大的发射功率, 进而扩大系统的测量范围。
3.4 超声波接收模块
该系统的超声检测电路采用集成芯片CX20106A。这是一款用于接收红外线检波的专用芯片, 它是由前置放大器、陷波放大器电路、带通滤波电路、陷波放大器电路、波形整形电路和峰值滤波器等组成。常用的载波频率为38 k Hz, 与测距所有的超声波频率40 k Hz比较接近, 因此, 可以把它作为超声检波电路。当超声波接收端接收到40 k Hz的方波信号时, 超声信号会转换成电信号。这个信号经过CX20106A放大、滤波、整形后输出负脉冲电压, 驱动放大器将信号送入单片机的外部中断口。单片机在得到外部中断请求后, 会转入外部中断的中断服务程序作处理。
3.5 温度补偿模块
因为声速对温度变化的表现比较敏感, 并且室内昼夜有一定温差, 所以, 为了减小测距误差, 温度补偿是不可忽略的。
声速修正采用式 (2) 修正:
本文利用温度传感器DS18B20测量温度。
4 结论
在复杂的室内环境中, 比如地下停车场、大型超市和图书馆等, 经常需要获取移动终端或其持有者和室内物品的位置信息。因此, 厘米级室内定位的研究与应用是非常重要的, 这也是当下的热点问题, 而且其市场需求空间非常广。
摘要：随着经济的快速发展和业务的不断扩充, 人们对定位和导航的需求也越来越大, 但是, 市场上的定位工具很难满足人们对精确度的要求。简要介绍了将声波与射频技术相结合完成定位工作一种方案, 利用时间差测距, 预计定位精度为2050 mm, 以期为日后的相关工作提供参考。
无线定位方法 篇4
关键词：ZigBee技术定位跟踪移动目标
在煤矿系统中，矿井危险事故时有发生。只有获得受困工人准确的位置信息，抢救工作才能保证及时而又避免误伤。因此，设计安装一套煤矿井下人员的定位跟踪系统，成为一项十分紧迫的任务。
1方案的比较与选取
表1所示为四种无线通信方式的性能参数比较。
由表1可以看出ZigBee技术的优势是成本低、功耗小，而针对于煤炭行业资金不足、煤矿井下巷道曲折多变、风门众多、电源供电控制严格的特点非常适合应用Zig-Bee技术。虽然ZigBee技术的数据传输率不高，但足以满足定位系统的传输速度要求。
本方案选用2.4GHz频段的全球通用的ZigBee技术，采用基于ZigBee的无线传感器网络设计方案实现井下人员定位。在定位算法方面，采用国际上最先进的RSSI（接收讯号强度指标）算法，实现矿工的精确定位。
2定位跟踪系统的组成
定位跟踪系统主要由井上和井下2部分组成。井上部分包括大屏幕、计算机网络、485或光纤传输介质等。井下部分采用以太网技术，按照网络拓扑结构进行模块设置，每个网络模块由一个无线定位网络和若干个移动目标节点组成，定位网络节点简称FFD，移动目标节点简称RFD。系统组成如图1所示。
2.1ZigBee无线定位网络组成ZigBee无线定位网络的有网关、参考和定位节点三个部分，网关节点完成有线与无线信号的切换，参考节点为移动目标节点提供参考坐标与信号强度信息，网关和参考节点均以cc2430芯片为核心。移动目标节点以cc2431芯片为核心。
针对现场环境要求，沿巷道每隔45～180m，或者工作面高度降低45m时，在巷道合适位置（如巷道两侧顶部）设置参考节点，合理布局定位节点，安置完成的网络模块会自动形成一个ZigBee无线定位通信网络。每个节点模块的标识地址都是唯一的。为保证ZigBee网络的可靠通信，网络模块布局要保证每个模块可以保持与两个以上的模块实时通信。
2.2移动目标节点将基于ZigBee并具有身份识别功能的无线模块制作成一个便携式装置，并置于井下作业人员的头盔式安全帽内，完成无线收发功能。为了节省电力，利用IEEE802.15.4无线传输技术对模块的休眠、唤醒过程合理地控制，模块自身也只是每隔10～30s向邻近的定位网络节点发射身份地址码信号。每个下井的作业人员，都随身佩戴这样一个标志唯一身份地址的装置，其位置参数的获得来自于利用无线信号的强弱与定位节点的距离对照换算，理论上定位精度很高，可以达到2.5m。
3定位过程
cc2431模块自带了一个用于定位的引擎硬件，该引擎是在节点层面根据网络中的已知定位节点所接收到的无线信号强度值（RSSI）采用分布式算法对移动目标节点的位置完成估算。其计算原理是：由于通过预先实际环境的测量获得了信号强度与距离的函数关系，因此依据信号的强度，定位引擎可以通过已知的定位节点来确定与正在进行通信的移动目标节点之间的距离。只要利用两个定位节点来计算所获得的此目标节点的信号强度值，该移动目标的具体位置就可以确定。
4结语
通过比较B1ueTeeth、Wi-Fi、ZigBee、UWB这四种无线通信技术的具体特点，选取了基于ZigBee技术设计的头盔式煤矿井下人员无线定位跟踪系统的设计方案，并对系统的设计进行了重点阐述，详细说明了无线定位跟踪的实现流程，该设计方案中无线定位跟踪系统非常适合于煤矿的井下人员使用。
参考文献：
[1]王志中.煤矿井下人员定位系统研究[J].中国优秀硕士学位论文全文数据库，2011，S1.
[2]郭秀才，滕以金，窦美玲.井下人员定位跟踪检测系统的研究[J].矿业安全与环保，2009，36（5）.
[3]谢晓佳，程丽君，王勇.基于zigbee网络平台的井下人员跟踪定位系统[J].煤炭学报，2007，32（8）.
作者简介：
无线定位方法 篇5
据统计, 人们日常生活中超过80%的时间在室内活动, 而处于陌生的室内环境, 如大型医院门诊楼、地下停车场等场所时, 获取个人位置信息、目标位置信息的需求就显得尤为重要。在室外环境下, 全球定位系统 (Global Positioning System, GPS) 、北斗卫星导航系统 (Bei Dou Navigation Satellite System, BDS) 以及移动运营商布设的通信站点都可以向用户提供高精度的位置信息[1,2]。但是由于室内环境的信号屏蔽、多径干扰等问题, 上述系统并不能提供满足用户需求的室内位置信息, 因此需要开展有针对性的室内定位系统研究。随着智能手机的高速发展和普及, 面向智能终端的室内定位技术也蓬勃发展起来, 诸如利用手机蓝牙 (Bluetooth) 、红外线 (Infrared Ray) 、无线局域网 (Wireless Local Area Network , WLAN ) 等[3]。 此外, 采用紫蜂协议 (Zig Bee) 、无线射频识别技术 (Radio Frequency Identification, RFID) 、超宽带技术 (Ultra Wind Band, UWB ) 以及无线传感器网络 ( Wireless Sensor Networks, WSN) 等的室内定位和导航系统, 也在商品物流、医疗保健、治安消防等领域大放异彩[4]。
随着多媒体服务的多样化, WLAN在大型商场、医院门诊楼、机场大厅、火车站等场所逐渐普及, 基于WLAN的室内定位技术凭借着其良好的适应性、抗干扰性, 在室内定位领域占有广泛应用市场。针对WLAN室内定位, 研究学者提出了包括最强基站法、传播模型法和位置指纹法在内的诸多定位机制, 以及三边测距法、概率法和K邻近法等位置解算算法[5,6]。相比较而言位置指纹法能够提供较高精度的位置信息, 但是对于数据库的建立仍有很高要求, 包括同一采样点由于人员变化导致的信号强度信息 (Received Signal Strength, RSS) 的变化。因此, 有研究学者将改进方法着眼于基于WLAN的多方法融合, 以及通过与其他定位技术结合, 采用混合定位参数的方法进行定位[7]。
本文在研究了近年来国内外的室内定位技术现状的基础上, 首先对多种不同的定位方法进行论述, 对比分析了相应的特点和适应的定位环境;同时讨论了相关学者提出的混合定位方法, 阐述了基于信息融合技术的高精度室内定位;最后对基于多技术融合应用提高定位精度的室内定位系统进行介绍, 即采用混合参数定位法, 通过与不同的定位技术融合, 以适应不同室内定位环境需求, 达到室内定位的精度要求。
1 混合参数定位方法
随着信息技术的发展, 各式各样的定位系统应运而生。与室外环境下的卫星定位和通信运营商节点定位不同, 室内环境下信号通道更加复杂, 干扰更多。室内环境信号大致可以分为视距传播 (Lineof-Sight, LOS) 和非视距传播 (Non-Line-of-Sight, NLOS) 。视距传播属于比较理想的室内环境, 类似于空旷的场馆或者地下停车场等, 但大多数室内环境属于非视距传播环境, 甚至是人员密集区域, 干扰十分严重。因此开展针对室内NLOS环境下的定位技术研究, 需要根据实际场景, 采用不同的定位方法。通过对多种定位方法的混合使用进行定位, 可以进一步提高系统定位精度, 降低系统计算复杂度, 这也为室内定位提供了新的思路和发展方向。
1.1 经典定位方法
所谓定位方法, 即定位系统对移动台进行定位的运行机理。针对不同的定位环境和所设计的定位系统, 研究学者们提出了许多不同的定位方法, 可以将其归为经典定位方法, 主要包括接收信号强度定位、到达时间定位、到达角定位、到达时间差定位等, 下面分别予以介绍[8]。
(1) 接收信号强度定位
接收信号强度 (Received Signal Strength Indication, RSSI) 定位方法是根据一定的无线电磁波传播损耗模型, 将移动台接收的来自已知节点的信号强度值转化为距离值, 进而估计出节点与移动台之间的距离。然后以移动台为圆心, 估计距离值为半径作圆, 二维平面上利用三个圆的交点即可判断出移动台的位置, 即三边定位算法。RSSI定位方法的优点在于目前市面上大多数无线通信设备都提供了读取信号强度的功能, 既可以主动进行定位, 也可以被动地被探测到, 应用前景比较广阔。其缺点是由于室内环境复杂多变, 即便预先得到了较为精确的传播损耗模型, 但在实际的工程实现中仍会出现较大偏差, 精度较差。
(2) 到达时间定位
到达时间 (Time of Arrival, TOA) 定位方法是一种非常经典的定位方法, 预先布设的接入点 (Access Point, AP) 测量移动台发往接入点的上行信号, 获得移动台到节点的传播时延, 从而估计出两者之间的距离, 同样利用三边定位原理确定移动台的位置。TOA定位方法对设备的时间精度要求非常高, 往往需要移动台与多个节点之间进行严格的时间同步。
(3) 到达角定位
到达角 (Angle of Arrival, AOA) 定位方法是节点通过测量移动台的上行信号的到达角度, 利用多个节点测得的角度构建直角坐标系, 对移动台位置进行解算。AOA定位方法对于节点布设及测量精度的要求较高, 因为需要通过多个节点的精确测量才能得到移动台的精确位置, 而微小的偏差往往会导致很大的估计误差。
(4) 到达时间差定位
到达时间差 (Time Difference of Arrival, TDOA) 定位方法是一种利用信号达到检测端的时间差来进行定位的方法。多个节点利用移动台发往节点的上行信号传播时延差构建双曲线方程, 并求解得出移动台的位置坐标。TDOA定位方法不需要检测端与移动台进行时间同步, 同时可以保证定位精度。
在定位过程中, 对上述的某一种方法进行位置解算, 采用如三边定位法、质心法、最大似然估计算法、MUSIC算法等就可以确定目标位置[9,10]。然而在实际使用过程中, 会出现定位精度与系统成本之间存在矛盾等问题, 为了改善这一情况, 研究学者们又提出了混合参数定位方法。
1.2 混合参数定位方法
混合参数定位方法是采用信息融合理念, 在节点或检测端采用各种类型的定位参数, 通过联合算法来实现对移动台位置坐标的定位。由于室内环境复杂多样, 存在多径和非视距传播等问题, RSSI、TOA、AOA、TDOA的定位精度各不相同。因此, 采用融合定位的方法进行定位往往可以取得更好的效果, 诸如TOA/AOA、TOA/TDOA等混合参数定位方法, 可以有效利用定位参数信息, 提高定位性能。同时, 对采用同一定位参数的多种不同系统进行联合定位, 通过最优化选择, 也可以达到提高定位性能的目的[11]。
基于RSSI、AOA、TOA、TDOA的室内定位估计, 目前已经提出了多种算法[12,13,14,15], 可以将这类定位方法归为单一参数定位方法。采用两种或多种技术结合定位的方法则可以称为混合参数定位。混合参数定位所选用的方法会随着室内定位环境和所选模型的变化而变化。在基于时间测量的定位中, 比如TOA和TDOA, 计算基站 (Base Station, BS) 和移动台 (Mobile Station, MS) 之间的距离需要使用传播时间或传播时间的差值。但是, TOA方法需要BS和MS时钟高度同步, 这是TOA的一个缺点, 而这一缺点在NLOS条件下会更加明显。同样, 不同路径产生的多信道信号会产生一个额外时延, 也会造成距离误差。在TDOA中, 通过对时差的处理, 可以将计时的误差大大降低或可以忽略, 但相较于TOA, 它的算法复杂度又会提高。基于RSS的定位技术目前的研究较为完善, 但是它的缺点是易于受到干扰, 包括同一地点在不同时间、温度下所测量的RSS值也会不同, 这对定位带来了很大的难度和工作量。因此, 通过TDOA/RSS、TDOA/AOA进行混合参数定位, 对系统复杂度的降低、定位精度的提高都有良好的改进效果。
另一种混合参数定位的思想是基于同一定位方法或参数的不同技术融合, 如WLAN与蓝牙[16], RFID与惯性导航[17]、RFID与超声波[18]等进行混合参数定位的方法。这类方法的主要思路是通过设置阈值进行最优化选择, 避免了单一定位方法在距离过远或干扰较多情况下定位精度低的问题, 取得了良好的定位效果。针对WLAN系统进行混合参数定位的方法实现度高, 具有良好商业前景, 下文将逐一介绍与WLAN相关的混合参数室内无线定位技术。
因此, 在目前已有的各种定位方法下, 采用混合参数定位进行融合定位, 或将为室内定位的下一步发展指出一条崭新的道路。
2 混合参数方法下的室内无线定位技术
低复杂度和高精度室内定位是目前无线领域面临的主要挑战之一。研究学者提出的用于进行室内定位的技术以WLAN解决方案为主, 其他一些可供选择的方案, 例如红外线光、超宽带系统、蓝牙、RFID等也都有不同的应用。它们的特点是利用接收信号强度 (RSS) 来达到低复杂度的目的。但是目前存在的主要问题是如何利用已有的可用信号, 如WLAN、RFID等来达到尽可能高的精度, 这也是研究学者最为关注的问题。因此混合定位系统的尝试, 已成为目前室内定位技术发展的新方向。
2.1 基于WLAN-RFID的混合定位技术
无线射频识别 (RFID) 技术在室内环境下的追踪和定位的应用正逐渐成为研究的热点。凭借着低成本和高效率的特点, RFID系统可以轻松地应用到物体或人身上。因此, 有研究学者提出了将RFID应用于WLAN环境下来获取更精确的定位效果。
2010 年, 有研究学者首次提出将WLAN和RFID定位混合使用进行定位[19]。在实验室环境下, 可以将一部包含WLAN信号接收器和RFID信号读取器的手机放置在布设好多个被动式RFID标签的房间内。来自标签的散射功率只会被放置在实验房间内的手机所接收, 并且作为一个空间信息记录下来, 位置估计则是依靠WLAN的位置指纹信息, 而且位置指纹信息的采集点与被动式RFID标签位置一致, 通过两者同时定位比对, 来达到对高精度定位的需求。
但是这种方法并没有考虑到对WLAN信号和RFID信号的定位结果做一个最优选择的问题。芬兰坦佩雷大学的学者们在这种思路的基础上进行了进一步的改进[20], 设计利用可穿戴式被动超高频RFID标签 (Wearable Passive UHF RFID Tag) 和无线终端进行定位。可穿戴式标签由于是电镀纺织物, 因此可以完美地佩戴在衣服上, 这使得它成为监视人体运动和追踪的极佳方案。此外, 它还可以在穿戴者和天线间进行可靠高效的无线通信, 方便采集信号强度 (RSS) , 进行融合定位计算。利用无线终端接收参考点的信号强度值, 构建实验室无线地图, 无线终端同时可将RSS数据转换为笛卡尔坐标系以便后续位置解算使用。来自多个接入点的实际位置和信号强度值都被存储在数据库中, RFID标签同样使用这些位置。将采集到的WLAN接入点信号强度值和RFID读取器接收到的值根据高斯分布和最优化方法进行解算, 得到一个最优化阈值。当RFID信号强度比WLAN信号强度高出阈值范围时, 便使用RFID解算的位置坐标作为移动台的坐标, 反之则使用WLAN定位的坐标。通过这样一个最优选择的方式, 达到高精度定位的目的。同时, 随着使用联邦滤波等方法和相关改进算法的提出, 基于WLAN-RFID的信息融合定位技术也会越来越成熟。
2.2 基于视觉跟踪的信息融合室内定位技术
在复杂的大型室内场所内, 监视系统的覆盖越来越全面, 研究学者提出了使用视觉跟踪 (Visual Tracking, VT) 技术来实现对室内人员的定位和追踪, 以及室内人员通过携带的无线终端配合WLAN和视觉跟踪进行定位和导航[21]。
这一概念的提出来自上海交通大学与美国俄亥俄州立大学联合研究的室内定位项目[22], 在WLAN位置指纹法的基础上, 采用视觉跟踪定位技术进行融合定位。视觉跟踪是通过图像识别技术对获取图像中的运动目标进行检测、提取、识别和跟踪的技术, 获取目标的各项参数, 如位置、速度、加速度等, 来完成对目标运动轨迹的推算, 进行检测、定位、跟踪。应用在室内定位系统中的视觉跟踪技术可以分为三步, 分别是图像特征识别、坐标转换以及目标跟踪。图像特征识别在定位系统里主要是人体识别, 目前人体识别技术的算法主要有差分法、光流法、梯度直方图法以及相关改进算法。其中效果较好的是使用支持向量机 (Support Vector Machine, SVM) 和梯度直方图法的人体检测算法, 通过对图像进行边缘特征提取, 描述出人体轮廓, 再依靠SVM进行分类, 达到区分人体和非人体的目的。坐标转换是在摄像机捕捉到的目标后, 将视频坐标系的坐标转换到室内定位所用的坐标系中。摄像机显示的图像通常需要经过多个参照坐标系和坐标转换, 才能转换成室内定位坐标。为了辅助识别, 目前的做法是在待定位的室内空间中布设一些参照物, 根据已知参照物的坐标来进行参数修正, 获取尽可能准确的室内定位坐标。在人的目标跟踪方面, 粒子滤波技术是目前较为优秀的目标跟踪算法, 通过重采样、预测和更新, 实现目标跟踪。
视觉跟踪定位由于依靠图像识别定位, 因此精度非常高, 但是缺点也很明显, 无法直接判断对象身份, 因此有研究学者提出与RSSI定位进行结合, 通过彼此互补, 以实现高精度定位[23]。那么这种定位方式主要面临着两种问题:当定位目标只有一个时, 且摄像机捕捉到的目标也只有一个, 需要一种判决方式将两者联系起来;当定位目标为多个目标时, 需要一种判决方式将RSSI定位目标与图像目标匹配起来, 同样也需要一种判决方式。针对RSSI, 可以基于WLAN使用位置指纹法, 建立无线地图坐标系, 利用松耦合的方法, 在处理的过程中互相不干扰, 而是把结果进行比对, 转化为二分图问题, 利用匈牙利算法对位置信息进行求解。
2.3 基于惯性导航和WLAN的室内定位技术
目前智能手机普及度已超过七成, 且智能手机内装有很多先进的硬件配置, 如陀螺仪、方向传感器、电子罗盘等, 在给用户提供方便的同时, 也让研究学者想到利用手机的惯性导航与WLAN等室内定位现有技术结合进行更高精度定位[24]。
惯性导航系统 (Inertial Navigation System, INS) 属于推算导航方式, 建立牛顿力学模型, 根据一个已知位置的初始点, 通过不间断测得的速度、加速度来推算出下一个位置点, 进而得到完整的航迹。惯性导航系统中的陀螺仪用来形成一个导航坐标系, 使加速度计的测量轴稳定在该坐标系中, 通过不断修正航向和姿态角, 得到准确的速度、偏航角和位置等信息。随着微机电系统 (Micro-ElectroMechanical-System, MEMS) 等技术的进步, 各类传感器逐渐向微小型和低功耗发展, 所以现在的智能手机中基本都有一套完整的惯性导航系统, 这也使得将WLAN和惯性导航进行融合定位成为可能。
目前针对WLAN和惯性导航系统的定位研究主要可以分为两类, 一类是基于惯性传感器测量数据与WLAN的RSS值融合的定位, 另一类是基于WLAN指纹定位和惯性测量进行定位[25]。第一类方法主要是依靠智能手机内的惯性传感器推算出用户的实时位置, 同时利用多个WLAN接入点的RSSI信息对用户位置进行修正, 采用扩展卡尔曼滤波的算法, 将两者测量结果进行融合, 达到提高系统定位准确度的目的。 第二类方法主要侧重于通过WLAN位置指纹信息对惯性测量进行修正, 通过扩展卡尔曼滤波等方式对位置信息进行融合, 对定位精度和实用性都有改善。
3 结束语
无线定位方法 篇6
目前的定位算法从定位手段上分两大类, 无需测距算法 (Range-free) [1,2,2] 和基于测距算法 (Range-based) 。无需测距定位算法不需要距离和角度信息, 算法根据网络连通性等信息来实现节点定位[3,4]。基于测距算法则通过测量节点间的距离信息, 使用三边测量、三角测量或最大似然估计定位法计算节点位置。常用的测距技术有RSSI[5], TOA[6], TDOA和AOA。TOA, TDOA和AOA都需要额外的硬件设备, 而RSSI测距技术是根据信号衰减强度与传输距离的关系推断节点之间的测距, 需要的无线电收发器是传感器节点已有的资源, 因此具有更多的应用场合和应用前景。
但RSSI值容易受到发射天线的角度和环境变化的影响, 从而使定位出现较大误差。文中利用一定布局的锚节点对未知节点位置进行估计, 获得天线的角度, 实现对RSSI值的角度补偿, 降低了天线角度的影响。在定位计算中, 采用了一种多锚节点关联的定位方法, 通过多对锚节点来修正节点的位置, 进一步降低了定位误差, 使得定位精度达到10%以上。
1 基于RSSI测距的基本原理
RSSI为信号强度指示, 可以通过接收信号强度的大小来估计两点之间的距离。无线信号的发射功率、接收功率和传输的距离的关系可以用公式PR=PT/rn表示。其中, PR为接收信号功率;PT为发送信号功率;r为收发点之间的距离;n为传播衰减因子, 一般取2～5。设Pr为信号衰减强度, 两边取对数变换后可得
101 lg PT-10 lg PR=10 n lg r⇒Pr (dB) =10n lg r (1)
由式 (1) 可以从接收功率大小计算出发射节点与接收节点之间的距离。
2 RSSI值环境特性分析
2.1 RSSI值的特性
在实际测量中, 由于节点自身天线的客观因素, 节点向每个方向发射的信号强度值不同, 当发送节点与接收节点之间的距离为定值时, 不同发射方向发射的信号, 接收节点接收到的信号强度是不同的。图1是Crossbow公司的MICAz节点在50 cm距离下和1 m距离下不同节点方向测得的信号衰减信号强度图。
其中设信号衰减强度最小的方向为0°, 发射方向与0°方向的角度逐渐增大时, 信号衰减强度逐渐变大, 直到相差90°时达到最大值。在90°～180°之间信号衰减强度逐渐变小, 在180°时基本回到最小值。
2.2 角度补偿
2.2.1 角度的估测
从图1可以发现, 虽然信号强度受到节点角度影响较大, 但是有一个固定的规律。令两个锚节点分别编号为1和2, 彼此把自己发射信号强度最小的方向朝向另一个锚节点, 把一个普通节点 (编号为3) 放在两个锚节点之间, 如图2所示。把节点3从接近锚节点1的地方向接近锚节点2的地方移动。由图2所示, 因为Φ1>Φ2, 所以锚节点1向移动后的节点3发射的信号强度比向移动前节点3发射的信号强度小。
在节点3向锚节点2靠近的移动过程中, 锚节点1向节点3发射信号的方向变化导致发射强度变小, 同时距离变大, 信号强度衰减也增大, 因而接收到锚节点1的信号强度变小;同理锚节点2向节点3发射信号的强度变大, 距离变小, 信号强度衰减越小, 因而接收到锚节点2的信号强度增大。
假设图2中两锚节点之间的距离为一个单位, 连线为x轴, 定义普通节点获得的两锚节点信号强度的差值, ΔRSSI为普通节点接收到锚节点1的信号, 衰减强度减去接收到锚节点2的信号衰减强度于锚节点2接收到锚节点1信号衰减强度的比值。
经过实际测得数据, 设普通节点在x轴上与锚节点1的距离为d, 图3所示为d与ΔRSSI曲线图。其中, 令锚节点1的坐标为0, 锚节点2的坐标为1。从图中可以看出ΔRSSI与d的关系大致为直线。文中以0.1 m为增量, 分别对锚节点相距在0.2～1 m的距离进行数据测量, 其d与ΔRSSI的对应关系除了非常靠近锚节点的地方外, 基本与图3所示相同。
为了估算出角度, 文中用直线拟合法获得d与ΔRSSI关系函数
d=-0.8ΔRSSI+0.5 (2)
通过ΔRSSI可以估算出该节点在x轴方向的位置。为了确定节点在平面中的位置, 使用两对满足要求的锚节点, 可分别获得x轴和y轴的估计坐标。如图4所示。则根据式 (2) 得到d1, d2。在坐标系中, 利用锚节点的实际坐标, 可以计算出普通节点5的估计位置为
x5=x1+d1 (x2-x1) (3)
y5=y3+d2 (y4-y3) (4)
而后可以计算出锚节点向普通节点发射信号的方向:设ψi为锚节点i向普通节点信号发射的角度, 则ψi=arctg
2.2.2 角度补偿策略
图1是在等距离情况下发射角度与信号强度的关系图, 文中分析了0.2 m, 0.3 m, 0.4 m, 0.5 m, 0.6 m, 0.7 m, 0.8 m, 0.9 m和1 m的情况下的数据, 得到如下规律 (设节点接收到的发射角度为ψ的信号强度为RSSIψ, 接收到的发射角度为0的信号强度为)
RSSIψ=RSSI180-ψ (5)
RSSI0=RSSIψ+ (ψ+ (ψ-50) *k) /10 (6)
式 (6) 中, ψ≤50时, k=0, 50<ψ≤90时, k=1。根据式 (1) , 式 (5) 和式 (6) 把所测得的RSSI值换算到0度下的RSSI值, 从而实现对角度的补偿, 计算出更为准确的距离
(7)
由式 (7) 计算出锚节点1, 2, 3, 4到普通节点5的距离d51, d52, d53, d54后, 可根据任意两个距离和相应锚节点之间的距离求出普通节点5的坐标。
2.2.3 基于多锚节点信息的位置修正
以上通过角度补偿, 使得计算出的距离更为准确, 因此提高了节点定位的准确性。但仅利用两个锚节点计算普通节点位置, 容易出现误差。文中将利用多个锚节点的信息关联起来实现对位置的修正, 进一步提高精度。
如图5所示, 设ψ1′, ψ2′, ψ3′, ψ4′为估计角度, ψ1, ψ2, ψ3, ψ4位为实际角度;锚节点1到普通节点5之间d5′1为计算距离, d51为实际距离;锚节点2到普通节点5之间d5′2为计算距离, d52为实际距离;锚节点3到普通节点5之间d5′3为计算距离, d53为实际距离;锚节点4到普通节点5之间d5′4为计算距离, d54为实际距离。
图5是在普通节点的估测位置5′在实际位置5的上方的分析示意图。
图5 (a) 为根据锚节点3和锚节点4对普通节点的定位效果, 由式 (7) 可以得出:因为ψ4′<ψ4, 所以d5′4>d54;因为ψ3′<ψ3, 所以d5′3>d53。根据d5′4和d5′3以及锚节点3与锚节点4的距离对普通节点5进行定位, 计算出来的位置5″会在实际位置的下方。
图5 (b) 为根据锚节点1和锚节点2对普通节点的定位效果, 由式 (7) 可以得出:因为ψ1′<ψ1, ψ2′<ψ2, 所以d5′1>d51, d5′2>d52。跟据d5′1和d5′2以及锚节点1与锚节点2的距离对普通节点5进行定位, 计算出来的位置5″会在实际位置的上方。
当估计位置在实际位置上方时, 根据锚节点1, 2对普通节点5的定位和锚节点3, 4对普通节点的定位误差分析, 可以取这两个位置的中点作为最后普通节点的坐标, 这样进一步减小了误差。
同理, 当普通节点估测位置在实际位置下方、左侧和右侧时, 分别利用锚节点1, 2及锚节点3, 4求出普通节点的计算位置, 然后求出这两个计算位置的中点作为普通节点的位置, 也可以进一步减小误差。
3 实验及结果分析
3.1 测试环境
测试以Crossbow出产的无线传感器节点MICAz节点为硬件平台, 其通讯模块CC2420具有强大的通讯功能;MICAz节点的核心是ATmega128, 它是一款低功耗、高速率的处理器。
测试的软件平台是Crossbow提供的Moteworks开发平台, 其是建立在TinyOS1.1操作系统上的nesC语言编程。文中使用平台提供的信号传输控件进行信号发射与接收。
3.2 结果分析
在实际测量中, Crossbow的MICAz节点在发射功率最大的情况下, 节点之间的距离>6 m时接收节点接收不到发射节点发射的信号, 在6 m内, 测得的RSSI值在0.4 m之内是与距离保持单调关系, 在1.5 m之内保持着比较稳定的值, 而在>1.5 m的距离上测得的RSSI值很不稳定, 所以实验分别在0.4 m×0.4 m 和1 m×1 m的范围内进行, 使用4个锚节点, 对一个普通节点进行定位, 表1是在0.4 m×0.4 m范围内, 每对锚节点相距0.4 m, 普通节点放置在35个不同位置所测得位置的平均误差;表2是在1 m×1 m范围内, 每对锚节点相距1 m, 普通节点放置在56个不同位置所测得位置的平均误差。其中, 普通节点在1 m×1 m范围内不同位置时, 信号衰减强度值的值域跨度比在0.4 m×0.4 m范围内时大, 所以在1 m×1 m范围内求出距离的误差百分比, 较在0.4 m×0.4 m范围内求出距离的误差百分比小, 这也导致了定位误差前者比后者小。
4 结束语
通过对普通节点位置预估测, 对RSSI进行角度补偿, 并使用多锚节点关联的方法对普通节点进行定位。实验结果表明, 文中定位方法能有效减小天线角度对定位的影响, 充分发挥了网络中分布的锚节点作用, 显著的提高了定位精度。
摘要：针对RSSI值受发射天线角度影响的问题, 通过特定位置分布的锚节点, 对普通节点的位置进行估测, 获得天线的角度, 对RSSI值进行角度补偿, 并在定位计算中, 采用了一种多锚节点关联的定位方法, 有效提高节点的定位精度。实验结果表明, 此定位方法可以把平均定位精度从40%提高到10%。
关键词：无线传感器网络,节点定位,天线角度补偿,RSSI,锚节点
参考文献
[1]史龙, 王福豹, 段渭军, 等.无线传感器网络Range-Free自身定位机制与算法[J].计算机工程与应用, 2004, 40 (23) :127-130.
[2]Savvides A, Park H, Srivaslava M B.The Bits and Flopsof the N-hop Multilateration Primitive for Node LocalizationProblems[R].Nesl:University of California, TechnicalReport:TM-UCLA-NESL-2002, 2002.
[2]Niculescu D, Nath B.Ad Hoc Positioning System (APS) u-sing AoA[C].San Francisco, CA, USA:Proceedings ofIEEE INFOCOM′03, 2003:3-6.
[3]He Tian, Huang Chengdu, Brian MBlum, et al.Range-Free Localization Schemes in Large Scale Sensor Networks[C].San Diego, California, USA:Proceeding of the 9thAnnual International Conference on Mobile Computing andNetworking (MobiCom) , ACM Press, 2003:81-95.
[4]方震, 赵湛, 郭鹏, 等.基于RSSI测距分析[J].传感技术学报, 2007, 20 (11) :2526-2530.
无线定位方法 篇7
本文主要致力于在CDMA环境下改善多目标定位技术及其精度问题。文中主要涉及两个方面:(1)在CDMA环境中,解决多目标联合检测问题;(2)多源数据的融合技术,主要考虑如何利用Marginalized粒子滤波(MPF)对多源数据进行有效的融合处理,建立合适的数据融合模型,在线性和非线性问题中找到平衡点,使之既能保证高定位精度,又能尽可能地减少计算量[2,3]。
1 基于CDMA的多目标检测技术
从理论上讲,多基站多目标的数据处理存在着很多问题,主要分为以下三个方面:
(1)如何在多目标环境中,使所有定位基站能辨识同一目标;
(2)多目标起始定位;
(3)多目标跟踪保持。
在3G通信系统中,利用一个基站,结合TOA和DOA信息,可以获得位置信息。而不同基站探测到的同一批目标的结果,在理论上应该是重合的,这时可将多目标环境中所有基站辨识同一批目标的问题,看作是单基站目标跟踪的特殊情况,即问题(1)是问题(2)、(3)的特殊情况。至于多目标问题,如果是在CDMA通信系统中,则可以利用码分多址特性来判断是否属于同一批目标。所以问题(2)才是关键,而解决了问题(2),稍加改动就可用于问题(3)。由于绝大部分通信系统都采用异步CDMA,如WCDMA等,因此本文重点分析异步CDMA多目标检测的处理[4,5]。
首先,CDMA终端信号可以通过式(1)表示:
其中,sk(t)表示第k个用户的扩频序列波形,Ak为接收信号功率;bk表示第k个用户发送的比特信息,T表示一个数据符号周期,n(t)为零均值的白噪声。
理论上,CDMA环境下的多目标检测可以通过相关来完成,即将接收信号送入多个匹配滤波器,如果知道终端的信号特征,其计算复杂度是有限的。相关后的结果如式(2):
其中,R(1)和R(0)为相关矩阵,定义如下:
ρjk为相关系数,故异步CDMA检测的目标也是最大化似然概率,如式(3)所示:
虽然,理论上该方法是最优的多目标检测方法,然而,其计算复杂度随用户数k增加成指数增加,这是工程实现无法承受的。因此,通常考虑用次优的多用户检测方法,如MMSE(Minimum Mean Square Error)检测,式(3)可简化为:
基于MMSE的线性多目标检测原理框图如图1所示。
2 多目标MPF数据融合滤波器的设计
利用最小均方误差准则解决了多目标检测问题后,可以利用数据融合模型将多基站的数据进行融合处理。但如何构造合适的数据融合模型,则是需要考虑的问题。为了简化研究的复杂度,这里假设目标运动满足Singer模型,借此得到相关数据,用来验证数据融合模型的可实现性。Singer模型是一种全局统计模型,它将目标的运动状态描述为[6,7]:
目标运动=匀速运动+随机加速度
为了便于仿真跟踪结果演示,在垂直y方向使用Singer模型,而在水平x方向上使用匀速运动且无误差的运动模型,在两个方向运动独立的情况下,可得:
2.1 基于MPF的多目标数据融合模型
从系统结构来说,目前数据融合模型主要分为两种:分布式和集中式。分布式架构针对多源且各源特性不同数据,可以设计针对性较强的子滤波,适应性较强,但其结构复杂,不易实现。集中式结构简单,容易实现,尤其是对于各源特性相同的数据,能获取较高的精度,且计算负担较小[8]。
本文所涉及到的多目标定位的数据来源于移动终端所发射的数据,数据模式都服从扩频特性,非常适合于集中式融合架构,融合模型框图如图2所示。
图2中的数据融合中心,拟采用MPF结构,因为该结构能够考虑到数据本身的特性,可以把模型中的线性状态与非线性状态进行分离,对非线性状态运用PF(Particle Filter)进行估计,再利用非线性状态的估计值对线性状态进行KF(Kalman Filter)估计。Marginalized粒子滤波顺序框图如图3所示。
2.2 针对Singer模型三角形式MPF算法的实现
对于混合线性/非线性系统而言,其状态空间模型如式(6)所示。在式(7)的模型当中,状态变量xk包含了线性变量xkn和非线性变量xkl[9-11]。
对xk进行变量分离后可得到式(8)所示的分离状态变量形式:
其中,uk、vk为测量噪声模型。
式(11)是对Singer模型状态分离后的状态空间模型的完整形式,线性状态分离后可得fkl(xkn)这一项为零。分离变量后的模型形式为三角形式,如式(11)虚三角所示。
其中,,线性初始状态。
算法实现的具体步骤描述如下:
第一步,初始化。For i=1…N,初始化粒子,并且令。
第二步,粒子滤波的测量更新
(1)根据重要性采样原理得到重要性权的递归公式:
(2)归一化权值:
(3)重采样。
第三步,卡尔曼滤波测量更新
式中:为卡尔曼增益;为一步预测均方误差。
第四步,粒子滤波的时间更新
将粒子代入式(6)的状态方程递推得到下一时刻粒子的预测值。
第五步,卡尔曼滤波的时间更新
第六步,令k=k+1,重复第二步。
需要注意的是,在第五步当中,KF的时间更新式(14)和式(15)的数学描述与测量更新式(12)和式(13)相近,因此也被称为KF的二次测量更新。严格来说,它并不是一次真的测量更新,因为当中并不存在新的测量值。然而它可以看作是对真正测量更新当中使用非线性状态变量信息的一种修正。
3 仿真与结论
所有仿真结果皆为计算机仿真,仿真设置在平面X-Y上,假设有4个基站、3个运动目标,目标运动模型采用Singer模型。仿真不考虑坐标转换和时间对准问题。由于论文所采用的信号模式是基于CDMA网络的,所以可以利用码分多址辨别用户,因此不存在目标模糊问题。假设4个基站坐标位置分别为[0,2 000]、[0,-2 000]、[4000,2 000]、[4 000,-2 000];目标1的初始状态为[2 000,2,0,3,0],目标2的初始状态为[2 500,2,0,3,0],目标3的初始状态为[2 000,2,1 000,-3,0]。仿真所选参数:采样周期Ts=1 s,系统采用了3个噪声模型,仿真中目标运动的幅度不大,相应的系统噪声也不是很大,噪声水平假设如下:Q1=(10)2I2×2(m2),Q2=15I2×2(m2),Q3=18I2×2(m2)。
不同粒子数下的滤波时间比较结果如图4所示。可以看出,Marginalized粒子滤波器计算的平均时间比PF计算的平均时间节约了近60%,这是由于MPF将线性状态从系统模型中分离出来,并采用KF对之进行估计,并由此降低所需的粒子数目和粒子维数,减少了计算量。图5所示为不同滤波模式下的跟踪误差比较,图6表示的是3个目标运动位置的标准误差。从图中可以看出,标准差的平均值控制在80 m左右,在高噪声的情况下是可以接受的。
总体来说,把Marginalized粒子滤波应用在混合线性/非线性变量的机动目标模型当中,不仅使估计精度有所改善,而且大大减少了计算时间。在一些实时性要求较高的应用当中,它将能够满足实时滤波的要求。算法中对非线性变量估计采用的是一般的粒子滤波器。针对粒子滤波器的不足,还可以把算法中粒子滤波器估计的部分加入高斯或者正则化进行改进,以获得更高的估计精度和更优的滤波时间。同时,由于可以利用码分多址区别不同的用户,所以在终端辨识上不存在模糊问题,同时利用MPF对量测数据进行状态融合处理,在密集环境下,其定位精度在100 m以内,对多目标定位跟踪而言,这种结果是可以接受的。另外,论文中并没有考虑观测量误差的修正,相信进一步改善精度仍然是有可能的。
参考文献
[1]TSENG P H,Feng Kaiten.Hybird network/satellite-basedlocation estimation and tracking systems for wireless net-works[J].Vehicular Technology,IEEE Transaction,2009,9(58):5174-5189.
[2]郭磊,唐斌.多站无源跟踪系统容错算法[J].电子科技大学学报,2008,37(5):681-684.
[3]梁军,乔立岩,彭喜元.基于SIR粒子滤波状态估计和残差平滑的故障检测算法[J].电子学报,2007,35(B12):32-36.
[4]ANNALINGAM D,AL F H,STIPIDIS E.Successive blind Multi-target adaptive antenna array and interference cance-llation for DS-CDMA[J].Electronics Letters,2009,42(20):1165-1166.
[5]LIU J S,CHEN R.Sequential monte carlo methods for dyamical systems[J].Journal of the American Statistical As-sociation,1998,93(433):1032-1044.
[6]NORDLAND P J,GUSTAFSSON F.Marginalized particle filter for accurate and reliable terrain-aided navigation[J].Aerospace and Electronic Systems,IEEE Transaction2009,45(4):1385-1399.
[7]BA A,MECHBAL N,VERGE M.On-line drilling process monitoring by Marginalized Particle Filter[C].Aerospace con-ference,2009:1-6.
[8]HOLSOPPLE J,YANG S J.Designing a data fusion sys-tem using a top-down approach[C].Miltitary Communica-tions Conference,2009:1-7.
[9]Lu Ting,BUGALLO,MONICA F.Simplified marginalized particle filtering for tracking multimodal posteriors[C].Stat-istical Signal Processing,IEEE/SP14th Workshop on,2007:269-273.
[10]KIM S,HOLMSTROM L,MCNAMES J.Multiharmonic tracking using marginalized particle filters[C].30th Annual International IEEE EMBS Conference,2008:29-33.
无线定位方法 篇8
在城市密集城区和室内封闭空间之内,传统的GNSS无线定位技术很容易受到多路径或遮挡等因素的影响,而失去其拥有的可用性和定位的准确定。对于室内定位技术,目前已经有了UWB技术、WLAN技术、超声技术、红外技术,例如Ubisense、Ekahau、Randar等技术。但是这些技术的覆盖范围较小,对大面积的室内外空间难以做到完全覆盖。
1 无缝定位的概述
1.1 无缝定位的概念
无缝定位技术指的是在人们活动的各个空间范围内,对各类不同的定位技术进行综合利用,以达到定位的无缝覆盖。同时,保证在各个空间范围之内,覆盖范围、定位精度、定位算法、定位技术等的无缝连接和平稳过渡。
1.2 无缝定位面临的挑战
在及应用当中,无缝定位技术也面临着很多的难题与挑战。如果只依靠单一的无线技术,无法进行精确的无缝定位。例如,GNSS技术的定位高精度优势在封闭的空间当中无法有效的发挥,各类定位信号在多个区域当中无法实现完全覆盖,室内和室外连接区域的无缝连接问题还有待解决。另外,在室外NLOS环境当中,无线信号的传播信道十分复杂,无线定位系统需要统一的时间和坐标系统,以及相关的基础设施和转硬件,这些项目都需要进行标准化处理。
2 无缝定位的关键技术
2.1 无缝定位框架和软硬件
无缝定位的基础设施指包括GNSS地面增强和连续跟踪站共同构成的全球一体化网络基础设施、室内环境下的各类定位传感器网络设施、以及城市无线通信和广播电视基站等。根据当前无缝定位的基础设施层次,可以划分为楼层平面框架、单体建筑框架、街区学校框架、城市框架、区域框架、全球框架等。GNSS所提供的时间基准可以利用统一坐标系的层级无缝定位基础设施来传递分层时间。此外,从软件层面来看,是对软件框架结构集成去定位,而从硬件层面来看,是对不同接口的集成和协同。
2.2 无缝定位算法
无缝定位算法所针对的主要是UWB、Zig Bee、WLAN、GPS等无线定位技术当中,Cell、ID、TDOA、TOA、RSSI等多元定位观测量,以及高度计、加速度等的定位传感器等定位管测量。其中包含了多种技术共用模式当中的平稳过渡、集成、选择、自动切换等相关技术。在室内和城市中的复杂非视线传播环境中,对于定位无线信号过程中产生的误差进行消除和鉴别的相关技术。还有在定位解算过程中,对于数据处理技术的应用等。
2.3 无缝定位服务与应用模式
无线定位是为广大的空间信息社会化用户所提供的一项服务,因此需要有组头的用户群体做支持,才能够有效的构建和运行无缝定位系统。在系统服务的方面,无缝定位需要对终端用户的各类要求进行分析和思考,例如电子地图显示模式、定位的准确度等。同时还要考虑到空间数据和定位服务的收费形式等。面对多样化的用户群体,终端服务模式、电子地图显示模式等方面都要贴合用户的实际需求,通过便利、快捷、简单、等定位技术,为用户提供相应的服务。
3 泛在无线信号
3.1 信号频谱与特征
泛在无线信号的测距方式微波频段是泛在无线信号主要集中的频段。电视信号和广播信号的优势在于拥有多个频段,同时能够对建筑物进行穿透。在SHF频段当中,Wi MAX和UWB属于高频信号,因此,它们具备较高的时间分辨率,不会受到十分严重的多路径影响。而ISM频段主要是Zig Bee和WLAN等无线网络信号的集中频段,也就是医用、科学、工业等频段,这些频段属于免费频段,不需要许可证。
3.2 无线传播新到的特性
在信宿和信源之间,信息通过信道来进行传递,通过传输介质或传输媒体来实现的。在其与传播距离之间的函数关系中,能够体现出其独有的特性。而在不同的传输环境、工作频率、传输媒体中,信道则会体现出不同的特性。在通常情况下,信道在进行信号传输的过程中,会受到噪声、延迟失真、衰减等损耗。
3.3 泛在无线信号的测距方式
泛在无线信号在定位测距中的应用,需要以不对原有信号功能进行占用为基础,再定位测距工作当中,不能对广播、通讯等网络自身的工作产生影响。对于大部分泛在无线信号来说,就需要在软件测提取一些简单的基本测距信号即可,而不需要对缘由的协议内容进行修改或增加。对于硬件来说,应当对原有的接口协议进行利用,处理信号时尽量避免对原有系统性能的影响和干扰。
4 结论
在复杂的城市环境和相对较为封闭的室内环境当中,利用泛在无线信号对室内外无缝定位进行辅助。通过实践研究证明,该项技术能够很好的对大部分空间信息的应用需求进行满足,为无缝定位技术的发展和进步提供了良好的渠道和崭新的途径。不过,该项技术在某些方面仍然存在着一定的弊端和缺陷。对此,应当加大研究力度,不断的对相关技术进行优化和更新,以推动无缝定位技术的进一步发展。
摘要：在室内外无缝定位的领域当中,泛在无线信号是一种极为重要的辅助方法和关键技术。近年来,随着相关科技的不断发展和进步,该项技术也逐渐趋于成熟。基于室内外无缝定位的实际需求和其中需要解决的相关关键技术问题,在当前的城市环境中,可以充分的利用多种泛在无线信号。本文结合泛在无线信号辅助的室内外无缝定位方法,对无缝定位和泛在无线信号进行了分析。
无线定位方法 篇9
节点自身定位是整个无线传感器网络(WSN文献[1][2][3])应用的一个支撑技术之一,由于节点自身定位过程容易遭受到来自内部和外部的攻击,又由于WSN节点自身资源的限制,所以在受限的WSN中,如何进行安全的定位和获取正确的位置信息,是一个非常具有挑战性的安全问题。
2 多点验证协议
可验证测距协议是一种采用基于测距的距离界定协议,不只可以用于抵抗各种距离攻击,还可以对节点进行安全定位。
2.1 距离界定协议
距离界定最早由Brands和Chaum提出(文献[4]),其基本思想是通过测量和计算验证者(verifier)与被验证者(claimant)之间距离的上界,防止以缩小测量/估算距离为目的的测距欺骗攻击,如虫洞攻击等。
2.2 距离界定协议
多点验证协议是一种改进型的距离边界协议,采用记录收发时间的策略来降低对被验证者实时处理能力的要求。其伪代码(如图1)所示,其中u是待验证节点(普通节点),v为验证者(信标节点),tus/tur和tvs/tvr分别是u和v发射和接收信号的时刻。
3 可验证测距协议的形式化研究
多点验证协议是一个基于距离界限协议的VM机制。VM利用可验证测距协议和三角形校验技术来提高测距安全,前者将基于RF的TOA技术[文献6]和距离界限协议[文献4]结合起来,能有效抵抗各种缩短测距的攻击,而后者在前者的基础上利用3个校验点的共同约束可以防止增大测距的攻击。下面我们将用形式化语言object-z(文献[5])对其展开建模研究分析。
3.1 可验证测距协议的模型组件
3.1.1 定义数据类型
我们假定给定的ITEM为会话层构造的比特流或字节流。所有信息的MSG的集合是所有可能的消息队列的集合,有MSG:seq ITEM。据此,我们定义几个在协议中使用的不同数据项类型ITEM的子集,代理标识符AID,密钥KEY,随机数NON:,加密数据ENC,如下图所示,P ITEM表示ITEM的子集。
3.1.2 定义函数模型
函数enc表示信息MSG经过密钥KEY加密成ENC类型数据项。函数mac表示信息MSG经过密钥KEY通过消息认证生成MAC类型数据项。函数commit表示随机数NON使用信息MSG单向抗碰撞哈
3.2 多点验证协议的角色模型
多点验证协议的角色模型正如前文表示可抽象成两种类型:Claimant待验证节点和Verifier验证者,使用object-z对两个角色进行建模,每个角色是类对象,包含状态变量和操作模式。
3.2.1 待验证节点的模型
待验证角色由状态模式、初始状态、操作模式GenerateC和操作模式ReceiveMsg组成的。状态模式定义该角色用到的变量,其中u、v为设备标识(u表示待验证节点,v表示验证者),Nu、Nv分别表示u、v产生的随机数,以及u和v共享的密钥Kuv,以及消息msg、c和d,时间t。初始状态msg=<>表示没有任何消息在发送。
操作模式GenerateC对应图1的1、2、3,表示验证者对确认者发起距离界定请求。其中,符号“!”表示请求的信息,符号“?”表示要求得到的信息。操作模式ReceiveMsg对应图1的6、7,表示对信息进行加密,对应于图1的5的接收。其中,变量t和t`表示前状态变量和后状态变量,表示时间变化。
3.2.2 验证者模型
验证角色由状态模式、初始状态、操作模式GenerateNv和操作模式Compute组成的。
操作模式GenerateNv对应图1中的4、5,表示对验证者对验证者的请求进行响应。操作模式Compute对于图1中的8、9,表示根据结果,验证本次通信是否被篡改,如果没有就进行距离计算。
3.3 多点验证协议模型
对角色建完模之后首先建立距离界定协议,由状态模式、初始模式和操作Protocol组成。表示通过待验证对验证者发起请求得到与其中一个验证者的距离信息。
在状态模式中,待验证者N ode A,验证者N ode B,N ode A.msg=NodeB.msg表示NodeA和NodeB有相同的初始化信息,并且它们能够互相通信。初始化模式中,表示NodeA必须知道NodeB的ID,NodeA和NodeB之间共享相同的密钥。操作Protocol定义了其中一个距离测定实现的整个过程。符号“∧”是Z语言中复合操作符。
VM表示一个可验证测距协议的执行过程,待验证者分别验证者发起距离界定请求,最终验证者将收到的距离信息发给中心节点,中心节点利用这些距离进行坐标计算,最终得到待验证者的位置信息。
4 无线传感器SPINE安全定位算法的形式化验证
我们已经前文中介绍了多点验证协议的形式化建模,接下来,我们将对其在无线传感器中的应用。由于信标节点大量部署代价昂贵,在大型传感器网络中,只需要部署少量信标节点,通过大量传感器间协作定位实现整个传感器网络的定位,我们可以选择一种合作定位机制称为SPINE(Secure Position for sensor NEtworks)算法。SPINE是基于VM安全定位机制的。SPINE通过验证至少三个锚节点的位置来估计未知节点的位置,估计出其他位置的未知节点会升级为锚节点,作为其它未知节点的参考节点。
在介绍SPINE算法之前首先介绍一种BDV(Basic Distance Verification)表示基本距离验证,它是利用VM机制进行距离界定的,u可以测量出duv,v可以测量出dvu。BDV界定u和v的距离过程如下:1)所有可验证v的三角形集合US,有△(u,v1,v2)、△(u,v1,v4)、△(u,v3,v4)、△(u,v2,v3);2)所有可验证u的三角形集合VS,有△(v,v5,v6)、△(v,v5,v6);3)所有可同时验证u和v的三角形集合UVS,有△(v4,v5,v6)。对于所有△l∈US∪VS∪UVS,可计算出dlvu=VM.Distance(u,v)以及dluv=VM.Distance(v,u),由此,对于所有△l∈US∪VS∪UVS,对于该节点执行δ测试和点再三角形内测试,对于通过测试的位置,就作为未知节点的定位结果,否则,就拒绝该位置,即只要|dluv-duv|<,且|dlvu-dvu|<δ,则{duv,dvu}的测量结果能够被接受。
SPINE算法执行过程如下:1)节点测量与邻居的距离;2)通过VM进行距离界定;3)所有节点间的互相定位采用分布式算法实现。定义集合VD=,表示可信任距离集合,初始为空;定义集合NV,表示所有未验证距离,初始为空;DB={所有距离集合}。那么对于所有dbi∈D B,如果dbi能够被B D V验证那么V D=V D∪{d bi},否则NV=NV∪{dbi}。
u和v的定位结果出来,有VD=VD∪{dbuv},同时u和v就成为验证节点,能够验证其他待验证节点,整个网络协同工作,直至整个定位过程完成。
我们已经可以对整个网络进行定位,但是,又是如何保证对整个定位过程是安全的?我们将展开简单的分析。如下图所示,图a是一个正常定位过程;图b中u对v进行距离扩大攻击,根据VM安全定位机制,能够检测出整个定位过程发生距离扩大攻击,抛弃本次定位结果;图c,同时三个入侵节点伪装同一个节点对定位发起攻击,根据VM算法本次攻击成功,定位被干扰。因此,当#VD>3(在object-z中,#表示集合个数)时,表示最少三个三角形同时对一个待验证节点发起验证,可防止如下图所示的各种扩大距离攻击。
4 结语
本文用形式化方法对无线传感器网络的安全定位进行了简单地分析,最后得出#VD>3时,可保证定位是准确且安全的。多点验证协议不仅可以用于无线传感器安全定位,还可以用于其他网络的安全定位,采用形式化方法对无线传感器网络进行安全定位分析在目前还属于少数,还有待继续深入研究。
参考文献
[1]H.A.Oliveira et al.,Directed position estimation:A recursivelocalization approach for wireless sensor networks,”14th IEEEInt’l.Conf.Comp.Commun.And Networks,San Diego,CA,Oct.2005,557 562.
[2]T.He et al.,Range-free localization schemes for large scalesensor networks,MobiCom’03:Proc.9th Annual Int’l.Conf.Mo-bile Comp.and Networking,New York:ACM Press,2003,81 95.
[3]J.Albowicz,A.Chen,and L.Zhang,Recursive position estimationin sensor networks,”9th Int’l.Conf.Network Protocols,Nov.2001,35 41.
[4]S.Brands and D.Chaum,Distance-bounding protocols,in Proc.Workshop on the theory and application of cryptographic tech-niques on ad-vances in cryptology,1994,pp.344 359.
[5]David A.C,David J.D Object-Z:An object-oriented extensionto Z,1989,Second International Conference on Formal Descrip-tion Techniques for Distributed Systems and Communication Pro-tocols 281 296.