基于RSSI和辅助节点协作的Wi-Fi室内定位方法

随着Wi-Fi的广泛应用,基于RSSI的位置指纹信息的室内定位也越来越受到研究者的关注。针对传统的基于RSSI的指纹匹配定位中只利用单个节点信息的缺陷,提出了一种基于RSSI和辅助节点协作的Wi-Fi室内定位方法,该算法首先基于RSSI序列相似性选择合适的辅助节点,并测量节点间的距离作为辅助信息以提高定位精度,同时还采用了自适应有色噪声卡尔曼滤波减小室内复杂NLOS环境造成的TOF测距误差,最后通过建模搜索以得到节点的精确位置。实验表明,在复杂环境下该算法定位精度优于其他主流方法,适用于基于Wi-Fi的室内定位系统。     

基于RSSI测距技术的三角形面积和定位算法

为了提高无线传感器网络的定位精度,从提高测量精度、改善信标节点分布的角度提出了一种基于RSSI测距的三角形面积和定位算法。该算法利用高斯模型对非敏感区的RSSI数据进行处理,筛选出RSSI较优值,解决了RSSI易受干扰的问题。研究表明,通过高斯模型筛选出的RSSI值可以较好的预测环境参数;三角形面积和算法可以动态调整环境参数,使未知节点和信标节点达到合理距离,该算法计算简单,无需硬件扩展。     

基于RSSI的极大似然与加权质心混合定位算法

随着无线传感器网络的发展,日益需要更加精确的位置信息来支撑其相关的应用.通过分析待定位节点定位过程中产生的误差,对二阶段定位算法、接收信号强度指示（received signal strength indicator,RSSI）定位技术和质心算法进行深入的研究,提出了极大似然与加权质心混合定位算法：首先通过极大似然估计法对待定位节点进行粗略估计,然后利用加权质心算法对待定位节点坐标估计求精,进一步提高定位精度.仿真实验结果表明,该算法能够在定位精度方面有较大的提高.     

基于RSSI的改进质心定位算法

为提高无线传感器网络三角形质心定位算法的精度,提出一种基于RSSI的改进质心定位算法.首先,分析传统基于RSSI的三角形质心定位模型,发现单个锚节点测距误差较大会导致盲节点的定位精度受到影响,因此采用4点进行定位来降低单个锚节点权重;其次,改进的质心定位算法选择根轴相交组成的区域作为定位参考区域,将该区域的质心位置作为待测盲节点位置;最后,采用仿真实验对比算法的精确度和稳定性,实验结果表明,相比于传统算法,改进算法定位精度更高,而且定位误差波动更小.     

伪随机码相关检测的MDS MAP定位算法

针对当前无线传感器网络超声波设备定位精度不高的问题,改进了伪随机码相关的MDS-MAP定位算法。首先利用伪随机码相关检测技术,对节点发射出的超声信号进行编码,有效地增加了节点的测距距离和测量精度。然后对于未能测量到距离的节点使用Euclidean和最短路径融合算法进行处理,然后使用MDS-MAP算法生成节点的相对坐标,最后利用平面转换模型获取节点的最终坐标位置。仿真实验结果表明改进算法在不同网络规模和测距误差条件下均能够获得更高的定位精度和较小的定位误差。     

基于改进APIT算法WSNs节点定位在配电网研究

针对无线传感器网络节点在定位配电网故障时定位精度低、能耗大等问题,对近似三角形内点测试(APIT)算法进行节点定位改进。首先对RSSI测距权重值进行改进,在保持较高的精确度条件下来确定测量次数,达到最优测距能力;然后,对传统APIT定位容易受节点密度影响,采用三角形外接球的方法确定未知节点坐标;最后,使用细菌觅食算法(BFO)改进APIT锚节点在分布较少的边界区域进行确定,将每一个计算出坐标的传感器标记为已知锚节点。由仿真结果可知,改进的APIT算法定位误差降低,减少数据迭代次数,提高了节点定位精度。改进APIT算法在定位准确度、定位面积和能耗损耗优化于其他算法。     

基于修正 RSSI 值的四边形加权质心定位算法

在利用接收信号强度指示(RSSI)对无线传感器网络中的未知节点进行定位时,RSSI 值易受环境的影响导致定位误差, 为此提出基于 RSSI 测距修正的四边形加权质心定位算法(QWCRC)。 先对来自同一锚节点的多个 RSSI 值进行卡尔曼滤波,得 到修正的 RSSI 值,致使测距尽可能的接近真实距离;再采用四边形加权定位对未知节点进行定位,同时利用最小二乘法进行辅 助定位,此算法对于相邻锚节点圆不相交的情况给出新的解决方案。 实验结果对比表明,改进的算法相比较于四边形加权质心 算法(QWC)和 RSSI 测距修正的三角形加权算法(TWCRC),在锚节点数目 5×5 和噪声强度为 0 dbm 时,定位精度可分别提升 87. 14%和 35. 51%。     

基于RSSI测距的加权概率定位算法

针对无线传感网络中每条链路衰减因子的不同,提出了一种基于RSSI测距的加权概率定位算法。该算法先将可能存在的未知节点区域划分成栅格,运用高斯噪声模拟路径衰减指数误差以构建信号传播概率模型,根据信号强度确定信标节点的权值。然后由概率模型和相应的权值赋予栅格不同的置信度,将置信度最大栅格的位置作为未知节点的坐标。最后根据网络的连通信息消除翻转歧义。实验表明,在相同的条件下,与MLS算法相比,该算法更接近真实环境,具有更高的定位精度。     

基于RSSI测距的室内目标定位方法

针对既有的基于RSSI测距的室内目标定位系统在实际应用中存在的测距误差大,定位精度低,以及稳定性差的问题进行分析与改进,提供一种融合RSSI测距模型实时修正与定位结果辗转优化的室内目标定位方法,改进之处主要在于:在测距阶段,根据记录的信标间真实距离和RSSI衰减值对RSSI测距模型参数进行反向实时修正;在定位阶段,使用极大似然估计法初步确定移动目标的当前位置,而后将目标点坐标与测距值都作为未知数使用牛顿迭代法求最优解。实验证明,相对于既有的典型RSSI室内目标定位方法,所提出的方法首先提高了测距精度,进而提高了定位算法对测距误差的鲁棒性,从而整体上可有效提高室内目标点的定位精度。     

基于RSSI测距的改进加权质心定位算法

基于RSSI(Received Signal Strength Indication)的三角形加权质心定位算法在测距和定位中存在较大误差,针对这一缺点提出一种改进的加权算法。在该算法中采用节点距离倒数之和代替距离和的倒数作为权值,并且根据节点距离给出加权因子作为修正,以充分利用节点信息。仿真结果验证了该算法的有效性,与原有定位算法比较其定位精度得到提升,最高可达50%。     

采用RSSI模型的无线传感器网络协作定位算法

由于无线传感器网络定位成本较高,精度不能满足要求以及通信和计算开销过大等问题,提出一种针对定位各阶段实施误差抑制措施的接收信号强度指示(RSSI)测距的协作定位算法。测距阶段通过周期性测量获得模型动态参数,采用相对误差系数对RSSI测距进行校正,定位阶段则基于泰勒级数扩展线性最小二乘方法实现位置估计,采取残差加权法优化位置坐标,减小非视距(NLOS)的不利影响。引入协作定位,将符合要求的节点升级为参考节点参与定位计算,进一步提高定位覆盖率和精度。实验结果表明,所提算法精度接近基于真实坐标的泰勒级数扩展LS算法,相同条件下的精度远高于传统估计算法。节点最大定位误差为0.15,最小定位误差为0.08,网络节点平均定位误差为0.109,能够满足大规模无线传感器网络(WSN)的定位需求。     

基于RSSI的无线传感器网络节点定位技术研究

无线传感器网络节点定位技术是无线传感器网络应用研究的基础。采用传统的无线信号传输损耗模型的RSSI定位方法的精度不能够满足许多用途。为了提高定位精度,提出了一种分段线性拟合传输损耗模型,比较表明在复杂的环境下该模型对实际传播损耗曲线的逼近效果更好。文中利用该模型对节点进行RSSI定位,并且对该模型的定位效果进行了仿真,结果显示其较之传统模型可以明显提高在复杂环境下的定位精度。     

基于粒子滤波模型的RSSI测距优化研究

基于RSSI（接收信号强度指示）的测距技术是一种低成本、低复杂度的距离测量技术,被广泛应用于基于测距的无线传感器网络定位技术中。由于室内环境存在非视距和多径传输的影响,导致测距误差较大。针对此问题,本文提出采用粒子滤波模型对RSSI值进行预处理,再利用BP人工神经网络进行距离估计的方法优化RSSI测距。实验表明,通过合理的RSSI值预处理和距离估计算法,RSSI测距的精度和抗干扰能力能得到明显的提高,与传统的RSSI测距算法相比,最大测距误差由2．56 m降到1．06 m。     

基于动态贝叶斯 LS-SVM 的水下节点移动预测定位算法

针对水下无线传感器网络环境的复杂性和节点的动态性所导致的节点定位精度低的问题,提出了一种基于动态贝叶斯 LS-SVM 的水下无线传感器网络节点移动预测定位算法;该算法以信标节点到通信半径内所有信标节点的距离和跳数矩阵作 为训练集;利用贝叶斯证据框架构建贝叶斯 LS-SVM 模型,将未知节点与信标节点之间的跳数向量作为测试集;将测试集代入 到训练好的贝叶斯 LS-SVM 模型中来确定节点之间的距离,进而建立节点与信标节点距离矩阵的方程并利用最大似然估计法 对未知节点坐标进行估算;最后,通过循环迭代的方式对所有未知节点进行定位的同时使用自适应增减算法动态调整模型参数 和预测模型,以适应数据的动态变化;实验结果表明,该算法相同的节点密度下相较于 SLMP 算法、RTLC 算法、NDSMP 算法以 及 MPL 算法的平均定位误差分别降低了 24. 77%、22. 25%、3. 1%、6. 5%,有效地实现了水下未知节点的动态定位。     

RSSI信号滤波技术在机器人导航中的应用

针对RSSI方式对移动节点进行导航定位时会引入较大的模型误差的问题,提出了一种高效的硬件分组粒子滤波算法对节点间RSSI信号进行滤波预处理,确保RSSI值和节点间距离呈单调函数关系。直接利用RSSI信息和网络拓扑结构实现机器人定位,避免将RSSI值转换为几何距离时带来的模型误差。将滤波处理和导航计算分散到多个信标节点上执行以提高算法实时性,在导航实施之前无需精确已知各信标节点的几何坐标,免去了人工部署信标节点的步骤,可适合网络拓扑结构或环境参数频繁变化的场合,该方法在现场实验中导航控制精度可达到0.6 m。     

变电站非视距环境移动目标实时精准定位方法

在基于无线传感器网络的变电站移动目标定位系统中,测量信号的传播路径容易受到变电站内各种设备的遮挡,导致测量误差增大,影响最终定位精度。针对现有实时定位算法受测量误差影响较大这一现状,本文提出了一种受测量误差影响较小的新型高精度定位方法,实现在变电站内对移动目标的精准定位。根据定位锚点提供的测量信息,采用两步线性最小二乘法初定位。引入误差概率算法,对初定位结果进行二次处理,求解出的概率最大点即为待定位目标的最优位置估计。进行仿真分析与实验验证,与现有算法进行比较。文中提出的算法在变电站环境下,将每一单一坐标误差控制在30cm以内,相较于现有实时定位方法,定位精度提升了50%以上。结果表明该定位方法能够有效提升在变电站环境下定位结果的准确性。     

基于RBF神经网络的室内定位算法研究

在无线传感器网络室内定位中,由于遮挡、多径效应等因素的影响,传统基于RSSI（Received Signal Strength Indicator）的定位算法存在测距不准、定位精度不高的问题。针对此问题,本文提出一种改进的基于RBF（Radial Basis Function）神经网络的室内定位算法,算法在离线阶段直接建立各参考节点接收到的RSSI值与其位置坐标的映射关系;在线阶段采集待定位节点的 RSSI值,利用学习好的神经网络对待定位节点进行定位。实验结果表明,与传统RSSI定位算法相比,本文提出的定位算法具备更高的定位精度。     

基于RSSI和LQI的动态距离估计算法

本文提出了一种基于RSSI和LQI的动态距离估计算法.其思想就是通过对无线电传播路径损耗模型以及大量实测数据的分析,用分段线性逼近的方法得到RSSI、LQI这2者与传播距离的衰落曲线.在距离估计时,分别对这2条衰落曲线计算出估计距离,并动态地进行优化处理得到最终的距离估计值.算法在基于ZigBee的硬件平台上进行,证明了该算法较普通的基于RSSI的测距方法有了明显的进步,提高了距离估计的精度,并且适合在通信开销小、硬件要求低的节点上应用,有利于提高基于RSSI测距的定位算法的精度.     

基于RSSI-距离区间映射的加权质心定位算法

考虑到室内传播中RSSI的不稳定因素使得基于RSSI与位置(距离)一一对应关系的定位算法误差较大,在对RSSI统计分析后,提出了在离线采样阶段先建立符合实际环境的基于RSSI-距离区间映射的数据库,再在在线测量阶段根据待定位点RSSI在粗略位置区域中采用加权质心算法确定具体位置.从性能测试结果看出各测试点位置估计偏差略有不同,但平均偏差不高,表明在一定程度上改善了信号因多径效应、非视距传播等波动引起的定位偏差较大问题,验证了该方法的可行性和有效性.     

基于减法聚类的TOA/AOA定位方法研究

针对在无线传感网中现有定位技术定位精度不高的问题,提出一种基于减法聚类的定位方法以获取更好的定位性能和更高的定位精度.首先由多个已知传感器节点测量来自未知节点的电波到达时间和电波达到角,通过分组处理,然后对每组数据进行加权最小二乘估计,依据多次测量和估计,最后采用减法聚类处理来抑制误差导致的位置模糊性来实现对未知节点的精确定位.计算机性能仿真结果表明所提出的定位方法能有效地抑制测量误差,具有较小的定位误差,并进一步提高了定位精度.