基于RSSI的无线传感器网络距离修正定位算法

节点自身定位是无线传感器网络目标定位的基础。无线传感器网络节点定位算法包括基于距离和距离无关两类。其中基于RSSI的定位算法由于实现简单而被广泛使用,但RSSI方法的测距误差较大,从而影响了节点定位精度。提出了一种基于RSSI的无线传感器网络距离修正定位算法。该算法通过RSSI测距,计算近似质心的位置,以此为参考点进行距离修正,然后确定节点的位置。仿真结果表明该算法可以提高节点定位精度。     

基于RSSI测距和距离几何约束的节点定位算法

节点定位是无线传感器网络的基础问题之一,基于RSSI测距技术被广泛应用到节点定位中。由于RSSI测距受到环境影响而产生测距误差,进而影响节点定位的精度。本文利用距离几何约束来减小RSSI测距误差,并结合三角形质心定位算法。仿真结果表明该算法比基于RSSI三角质心定位算法的定位精度有较大提高。     

基于RSSI无线传感器网络空间定位算法

RSSI测距技术在实际应用环境中,由于多径、绕射、障碍物等因素,无线电传播路径损耗使得定位过程中产生距离误差.通过对三维空间定位过程中产生距离误差区域进行分析,提出了基于RSSI新的空间定位算法ERSS,该定位算法计算简单,定位过程中节点间不增加通信开销,无需硬件扩展.仿真实验表明该算法较普通的基于RSSI的测距方法定位精度和响应时间有了明显的改进,适合在通信开销小、硬件要求低的传感器网络节点上应用.     

基于改进RSSI测距的LSSVR三维WSN定位算法

针对基于RSSI测距的定位算法定位误差较大的问题,通过加入多组已知节点之间的距离和接收功率作为参考,提出了一种改进的RSSI测距算法,并将改进的RSSI测距作为最小二乘支持向量回归机LSSVR的输入向量,获得基于改进RSSI测距的LSSVR三维定位算法模型。MATLAB仿真结果表明,在节点随机分布的三维环境中,基于改进RSSI测距的LSSVR定位算法的定位误差比传统LSSVR定位算法减小了13.6%~21.2%,另外,可以通过增加已知节点数量等方法,进一步提高目标定位的准确性。     

WSN中基于RSSI的加权质心定位算法的改进

自身节点定位是无线传感器网络的关键技术之一。本文对距离无关定位算法中的质心定位算法进行了分析,在基于RSSI的质心定位算法的基础上提出了一种新的校正RSSI测距值的加权定位算法。测距阶段将信标节点之间的距离和信号强度信息同时考虑在内进行RSSI值校正,权值选择阶段采用了修正传统权重的计算方法,权值取距离倒数之和。通过仿真证明,本文提出的算法相对于传统的加权质心定位算法有明显改进,获得较好的定位精度。     

基于RSSI测距的室内定位技术

搭建了基于ZigBee技术的室内定位实验平台,以实验室楼道为室内场景进行了接收信号强度(RSSI)测距和定位实验研究。首先对测距实验采集到的数据使用线性回归分析拟合出当前环境的具体测距模型,并对信标和未知节点进行软件开发,实现了基于RSSI的定位算法。经过定位实验精度评估,文中算法的平均定位误差为2.3 m,满足大多室内场景要求。     

3D-RABLC：一种基于LQI置信度的三维空间定位求精算法

提出一种基于LQI置信度的三维空间定位求精算法(3D-RABLC)。通过大量节点实验,获得节点间一跳RSSI值与距离的关系、LQI与分组错误率的关系,依此划分LQI置信度,对测得的RSSI值进行过滤,建立三维多跳求精模型或弥补求精方法对置信度低的RSSI值进行修正。节点实验表明,该算法大大降低了RSSI测距误差,比已有三维定位算法具有更好的定位精度。     

SENMA网络加权质心定位算法

移动代理传感器网络(SENMA)由移动代理节点负责数据处理、接入、转发、传输和路由等工作,更加节能。通过分析指出SENMA网络进行节点定位最适于采用基于距离定位算法,依据网络特点基于接收信号强度指示(RSSI)测距技术较为可行。依据信道RSSI特点,提出了一种加权质心定位算法,并利用Matlab编程进行了仿真验证,证明了其性能优于极大似然估计定位算法,更为适用于SENMA网络。     

基于RSSI的无线传感器网络环境参数分析与修正方案

定位技术是无线传感器网络数据采集的基础服务,而定位精度的高低在很大程度上取决于距离测量的精度。基于RSSI（接收信号强度）测距技术无须添加任何硬件设施、用较少的通信开销和较低的实现复杂度,十分适应于能量受限的无线传感器网络。通过对RSSI测距模型进行分析,并提出一种针对室内环境的参数修正方案。通过自行研发的传感器节点Ubicell上进行验证分析,实验表明,采用环境参数修正方案后,明显提高了测距的精度。     

基于无线传感网络的灾区伤员定位算法

自然灾害发生后,需要对灾区伤员快速定位抢救,这就对定位技术的精确度提出了很高的要求。无线传感器网络中节点定位技术是重要技术之一,在多种定位技术中RSSI测距的定位技术便捷、精确度高,因此广泛使用。传统的三边定位算法受外界因素干扰大,导致测量结果不准确。因此文章将RSSI测距技术和质心定位算法相结合设计了一个灾后伤员定位系统。该系统利用无线传感器网络进行定位请求,RSSI测距技术对未知节点进行测距,最后基于质心定位技术编写算法。该算法经过仿真实验精度完全符合要求。     

基于BP神经网络模型的RSSI测距方法研究

针对传统信号传播路径损耗模型接收的信号强度指示(received signal strength indication, RSSI)测距误差较大, 提出了基于反向传播(back propagation, BP)神经网络模型的RSSI测距方法.首先, 研究分析传统信号传播路径损耗模型及测距误差; 其次, 利用BP神经网络构建新的路径损耗模型, 并将该模型应用到RSSI测距中, 对基于BP神经网络模型的RSSI测距方法进行研究; 最后, 通过实验和MATLAB仿真对测距方法进行验证.仿真结果表明:BP神经网络模型的RSSI测距误差比传统信号传播路径损耗模型的RSSI测距误差要小.     

A chaos particle swarm optimization ranging correction location in complex environment

In complex environment, issues such as reflection, multipath propagation, non-line of sight and antenna gain, etc. would result in significant propagation losses as for the same distance. In order to effectively reduce ranging error and location error caused by received signal strength indication (RSSI) measurement distance, a location algorithm based on chaos particle swarm optimization ranging (CPSOR) is proposed for indoor location and navigation applications. By setting reference beacon nodes within location region, the relationship between distance and RSSI which is measured from target node to each beacon node is automatically corrected, and RSSI ranging error is effectively reduced, thus the objective of improving location accuracy is achieved. Numerical results show that the processing time of CPSOR location algorithm is reduced by 62% and the location accuracy of CPSOR is improved by 72% in contrast that of back propagation (BP) neural network location algorithm. Besides, practicality experiment results show that when the distance between beacon nodes is 50 m, the average location error of CPSOR location algorithm is 1.21 m and the location error of BP location algorithm is 3.36 m, thus the location accuracy is improved by 63%.     

RSSI和粒子群混合VLC室内精确定位方法

传统的基于可见光通信(VLC)的室内定位算法,精度相对较低,误差较大。提出一种RSSI和粒子群混合VLC室内精确定位方法,该方法通过RSSI算法进行未知节点的初定位,并利用高斯分布函数剔除误差较大的定位数据,减少了其对最终定位结果的影响。同时,通过自适应权重粒子群算法搜索未知节点的最优解,使得该算法前期较长时间具有最优全局搜索能力,后期较长时间具有最优局部搜索能力,能尽快找到未知节点的精确位置。仿真结果表明,该定位方法比传统的RSSI算法和粒子群算法的定位误差小,可以大大提高VLC室内定位的精度。     

一种基于RSSI的权重值选择及加权定位算法

提出了一种基于Wi-Fi网络的接收信号强度指示(RSSI)的权重值选择及加权定位算法。该算法在离线阶段为每个接入点(AP)在每个参考位置点的RSSI设定了变化区间;在定位阶段,将扫描到的每个AP的RSSI落在该区间的所有位置点的权重值加1,然后采用加权算法计算定位目标的估计位置。实验证明,该算法减少了RSSI随机变化引起的定位误差,能获得较好的定位精确度。     

基于RSSI和惯性导航的融合室内定位算法

针对目前对高精度室内定位算法的需求,提出一种基于接收信号强度识别（RSSI）和惯性导航的融合室内定位算法。基于无线传感网中ZigBee节点的RSSI值,采用位置指纹识别算法,对网络中的未知节点进行定位。结合惯性传感单元（IMU）提供的惯性数据,对RSSI定位结果进行融合修正。利用Kalman滤波器,采用状态方程描述待定位节点位置坐标的动态变化规律,从而实现一种以无线传感网络定位为主、IMU为辅的融合定位方法。仿真结果表明,提出的融合定位算法既能改善单独使用RSSI定位受环境干扰较大的问题,又能避免单独使用惯性导航带来的累积误差,极大地提高了定位精度。     

无线传感器网络混合定位技术研究

在大规模复杂无线传感器网络中往往采用多种节点定位技术,在此结合现有无线传感器定位技术的现状,提出了一种混合定位技术以实现不同定位方法之间的互补。一方面利用RSSI定位弥补TDOA定位覆盖范围小的缺点;另一方面将测距信息引入到非测距定位DV—Hop算法中,用RSSI测距模型来提高DV-Hop算法中定位节点与信标节点间有效距离的精度。实验结果表明,该混合定位技术实现了TDOA,RSSI以及DV-HOP等定位技术的融合,有效地提高了复杂大规模无线传感器网络的节点定位精度。     

Neural-based approach for localization of sensors in indoor environment

Location of wireless sensor nodes is an important piece of information for many applications. There are many algorithms present in literature based on Received Signal Strength (RSSI) to estimate the location. However the radio signal propagation is easily influenced by diffraction, reflection and scattering. Therefore algorithms purely based on RSSI may not accurately predict the position of the node. In the present work, an algorithm for estimating the position of mobile nodes is proposed which is based on a combination of Received Signal Strength (RSSI) and Link Quality Indicator (LQI). Artificial Neural Networks are used to establish the relationship between the location of the mobile node and the experimentally obtained values of RSSI and LQI. Two different algorithms namely, Bayesian Regularization and Gradient Descent are used to develop the neural network model. Proposed algorithms improve the localization accuracy and perform better than other state-of-the-art algorithms.     

Access Point Height Based Location Accuracy Characterization in LOS and OLOS Scenarios

Location estimation in a wireless local area network (WLAN) using received signal strength indication (RSSI) has gained considerable attention in recent years. In a conventional RSSI based indoor WLAN localization, mobile node position is estimated through access point (AP) placed at ceiling height. Researchers have proposed solutions for location estimation in line of sight (LOS) scenarios, by installing the AP at a fixed position. This paper demonstrates the improved location accuracy in LOS and obstructed line of sight (OLOS) scenarios by placing the AP at lower heights. The RSSI variations caused by shadow fading for changing AP heights are used to estimate the location accuracy. The localization performance is computed in terms of Cramer-Rao lower bound (CRLB) of range estimate under dynamic environments which is relatively less complex computation technique and is calibration free. Simulation results reveal that the proposed method has better performance than the multilateration with linearization for access point localization algorithm. The minimum mean localization errors are obtained by deploying the access point at 2 m height. The results also demonstrate that the indoor localization accuracy improves for higher order path loss exponent.