基于高斯校正模型的MDS-MAP定位算法

在无线传感器网络中,节点位置信息是很多应用的基础.对于基于RSSI测距的定位算法,其算法性能很大程度上依赖于RSSI的精度.文章提出一种基于高斯校正模型的改进MDS-MAP定位算法.改进算法在测距阶段利用高斯校正模型过滤掉受干扰的RSSI信号值,提高了RSSI测量值的精度.仿真实验结果表明,该算法定位精度比原始MDS-MAP算法有明显的提高.     

一种基于MDS的无线传感器网络快速定位算法

定位是无线传感器网络的重要问题.为了减少资源有限的传感器节点的响应时间和能量消耗,提出了Fast MDS-MAP算法.基于多维尺度分析(Multi-dimensional Scaling, MDS)的MDS-MAP定位算法虽有较好的精度,但计算量过高成为其运算速度瓶颈.针对此问题通过结合LMDS(Landmark MDS)算法,并加入对测距信息的利用策略后,该算法经Matlab仿真分析证明在达到所需定位精度的同时,充分利用了测距信息提高定位精度,显著提高了MDS-MAP的运算速度.     

基于WiFi的四边测距修正加权质心定位算法

针对现阶段无线信号传播过程易受周围环境干扰、运动载体定位算法精度低的问题,提出一种基于WiFi技术的四边测距修正加权质心定位算法.该算法首先运用近高斯拟合算法和卡尔曼滤波剔除RSSI数据中的突变数据和差异较大的数据,选出最优的RSSI值;然后根据无线信号传播路径损耗模型,运用RSSI值对移动终端和AP的距离进行模型计算;最后采用改进加权因子的加权质心定位算法并结合四边测距法对待定位点坐标进行计算.仿真实验表明:基于WiFi技术的四边测距修正加权质心定位算法相对提高了定位的精度.     

无线传感器网络DV-Distance定位算法

针对DV-Distance定位算法得到的距离值误差较大的问题,提出一种定位精度相对较高的改进型DV-Distance算法。DV-Distance定位算法通过求未知节点到参考节点之间跳段距离之和来确定未知节点坐标,改进算法在原算法的基础上,将参考节点间的真实距离与这些参考节点间的跳段距离之和的比值作为修正权值,用这个修正权值来提高定位所需距离值的精确度,并利用RSSI测距技术限定可较为精确测距的有效未知节点,从而更进一步提高定位的精度。通过计算机的仿真和实验验证,结果表明此改进算法相对于原算法,较为明显的降低了定位误差,提高了定位的精度。     

一种环境自适应的无线传感器网络定位算法

在目前无线传感器网络中,接收信号强度指示(RSSI)测距模型严重依赖于信号衰减因子。为解决该问题,提出一种环境自适应的无线传感器网络定位算法。该算法利用改进的RSSI测距方法,通过网络中边与边之间的量化关系,消去信号衰减因子对定位算法的影响,从而使算法能实现对环境的认知。仿真实验结果表明,与传统的MDS-MAP定位算法相比,该算法具有较强的环境自适应能力和较好的定位精度。     

融合质心算法的快速改进型MDS-MAP算法

针对MDS-MAP算法中多维定标矩阵过于庞大而造成计算繁琐的问题,提出一种快速改进型MDS-MAP算法。将MDS-MAP算法与质心算法进行结合,得到改进的迭代定位算法。构造无线传感器节点间距的矩阵,根据锚节点间的跳数与具体距离对无线传感器网络节点间平均每跳的距离进行估算,按每个节点相互间的跳数矩阵对每个节点相互间距进行求解,从而获得其相对和绝对坐标。仿真实验结果表明,该算法在设定的误差下具有较高的精度,并且在一定程度上降低了运行时间。     

传感器网络中基于多维标度定位算法的改进

针对基于经典多维标度的MDS-MAP算法在定位精度方面的不足,为提高传感器定位精度,提出一种基于Euclidean算法的改进型多维标度定位算法(Euclidean-based MDS-MAP(P,C))。算法与经典多维标度算法的区别在于,Euclidean算法能够算出每个节点与其两跳邻居节点间的欧氏距离,然后用这个欧氏距离来进行多维标度,显然能提高精度。仿真实验表明基于Euclidean算法的改进型多维标度算法与经典多维标度算法相比具有很低的定位误差以及很高的定位精度。     

基于RSSI测距误差修正的改进型DV-distance差分定位算法

DV-distance是一种基于多跳机制的定位算法,其相邻节点间的距离通过RSSI测距技术实际测量得到。为了减少RSSI测距误差对定位精度的影响,首先对RSSI测距误差进行修正,再对已有的信标节点间计算距离误差修正值的方法作进一步改进,提出一种基于RSSI测距误差修正的改进型DV-distance差分定位算法。仿真结果表明,相比已有的定位算法,该改进算法不仅能提高节点的定位精度,还能减少网络通信开销及计算复杂度。     

改进的分布式无线传感器网络多维标度定位算法

为提高无线传感器网络集中式多维标度MDS-MAP算法的定位精度,提出了一种改进的基于MDS的分布式定位算法。该算法在构建距离矩阵时引入Euclidean算法距离估算思想,同时采用一种优化的基于最小二乘逼近的坐标转换方法实现节点由相对坐标到绝对坐标的转换。实验结果显示,与经典MDS-MAP算法相比,改进算法在多种网络拓扑结构下均能有效提高节点的定位精度。     

基于Unscented卡尔曼滤波的室内定位

基于RSSI值的测距技术中,通过对天线全向性问题的分析,提出基于Unscented卡尔曼滤波（UKF）的定位算法。利用基于RSSI值的测距模型进行距离测量,并使用Unscented卡尔曼滤波算法估计节点坐标。由于RSSI值的测量和测距模型参数受到环境的影响,采用高斯滤波对RSSI值进行优化,对环境参数使用线性回归算法进行优化并采用自适应机制更新。通过与最大似然估计法（ML）的比较实验表明,该算法能有效地减小定位误差,提高定位精度。     

DV-Hop测距修正的定位算法研究

针对DV-Hop测距定位精度不准问题，提出基于DV-Hop测距修正的对数搜索（improved DV-Hop Ranging-based Logarithmic Search，DH-RLS）定位算法。DH-RLS算法利用锚节点间的真实距离信息估计跳距误差，修正跳距值，提高测距精度。利用质心定位算法估计未知节点的位置，并将此位置作为搜索起点，再利用搜索目标函数进行搜索，直至搜索到具有最小距离误差和的点。仿真数据表明，DH-RLS定位算法的归一化平均误差低于同类算法。通过对测距修正，降低了测距误差，同时利用搜索目标算法提高了定位精度。     

改进的距离重构三维定位算法

针对三维定位算法中节点坐标转换精度低的问题,在距离重构多维定位算法DR-MDS的基础上,提出了改进的距离重构三维定位算法。该算法在距离重构和MDS-MPA算法的思想下,采用优化的最小均方根偏差几何中心修正算法RMSDGCC(Root Mean Square Deviation-Geometric Center Correction),先计算出坐标转换矩阵,然后利用锚节点的几何中心对所有节点进行修正,实现节点从相对坐标向绝对坐标较高精度的转换。算法可以实现有效的坐标转换,获得较好的定位效果。实验结果显示,与原多维定位算法相比,在不引入测距误差的情况下,改进算法在测距半径为15 m时定位精度提高14%,定位误差缩小至0.63 m,测距半径为35 m时,定位精度提高87%,定位误差几乎为0。该改进算法在三维空间中有更高的节点定位精度。     

基于LTE方向型传播模型的模拟退火加权定位算法

针对LTE网络采集到的MRO数据,提出一种基于LTE方向型传播模型的模拟退火加权定位算法。先结合LTE定向天线和小区特性,引入方向型参量提出基于RSS的方向型传播模型,对传统的信号传播模型COST-231 Hata进行改进;然后提出距离比加权算法消除RSS波动误差,将定位问题转换为一元求解问题,使用模拟退火算法计算最优解;最后通过距离椭圆模型对结果进行方位校正,得到最终终端定位结果。算法对比实验结果表明,基于LTE方向型传播模型的模拟退火加权定位算法具有较高的定位精度,完全符合FCC规定的定位精度要求。     

基于最大似然估计的加权质心定位算法

为解决无线传感器网络中节点自身定位问题,针对接收信号强度指示（received signal strength indication,RSSI）测距误差大和质心定位算法精度低的问题,提出一种基于最大似然估计的加权质心定位算法．首先通过计算将估计距离与实际距离之间的最大似然估计值作为权值,然后在权值模型中,引进一个参数k优化未知节点周围锚节点分布,最后计算出未知节点的位置并加以修正．仿真结果表明,基于最大似然估计的加权质心算法具有定位精度高和成本低的特点,优于基于距离倒数的质心加权和基于RSSI倒数的质心加权算法,适用于大面积的室内定位．     

基于RSSI优化的模型参数实时估计定位算法

基于RSSI的测距是一种低成本的距离测量技术.为了有效地降低RSSI因环境影响而产生的测量误差,以及解决传统算法中因使用固定信号传播模型而造成较大测距误差的问题,提出一种RSSI经过优化处理的模型参数实时估计定位算法.该算法运用高斯模型对节点接收到的所有RSSI测量值进行处理,根据RSSI值确定待定位节点所在的最小区域,再通过该区域内选定信标节点间的相互合作估算出当时的环境参数,根据实际情况动态调整传播模型的参数,使测距更准确,从而减少定位误差.将该算法与其它算法进行仿真比较,结果表明了该算法可以有效地提高定位精度.     

基于无线信号K-M模型的三维室内定位算法研究

针对无线信号在室内环境中易受到干扰、波动较大等问题,提出一种改进粒子群优化RBF神经网络的无线信号K-M传播测距模型。利用RBF的非线性特性模拟室内传播的复杂性,以信号接入节点(AP)发射功率、路径损耗因子、未知节点(RP)接收信号强度值RSS等构建模型,预测输出AP与RP之间的距离d。以d为半径,AP为球心,建立多个球体方程,采用极大似然(MLE)采样方程组与RSS-d加权质心混合定位算法,粗略估算未知节点位置信息,再利用加权质心法来进一步提高RP的定位精度。通过MATLAB实验仿真表明,与常见的优化算法对比,该模型预测距离误差更小,平均距离误差为1.3 m;RP的三轴坐标平均误差分别为x轴1.55 m、y轴1.48 m、z轴0.98 m,表明该模型提高了定位精度。     

基于模糊控制的无线传感器网络室内定位算法

提出了一种通过无线传感器网络组网,利用基于模糊算法的改进接收信号强度指示(RSSI)测距技术来进行室内定位的系统设计方案。通过模糊状态分类建立环境气候和障碍物的模糊分布参数,对“距离-损耗”模型进行改进,算出其隶属函数,从而得到较准确的测距公式,计算出移动节点的位置信息。实验结果表明：提出的定位算法在对移动节点定位的实时性和准确性上能满足实际需要,具有应用价值。     

WSNS中基于箱线图的误差自校正定位算法

针对基于接收信号强度指示(RSSI)的无线传感器网络(WSNs)节点定位技术易受环境影响、算法运算量大等问题,提出一种基于箱线图的误差自校正定位算法.该算法采用箱线图法处理测距过程中的异常RSSI值,利用自校正最小二乘法消除测距误差进而实现节点定位.仿真和实验结果表明,该算法可以有效抑制异常RSSI值,显著提高节点定位的准确性和稳定性,而且无需建立复杂的数据传播模型或构造RSSI位置指纹分布图.