一种针对未知发射功率的室内定位优化算法

在基于接收信号强度的室内定位中,未知的发射功率会降低网络的定位性能。为了解决这一问题,根据室内环境中接收信号强度的特性,提出了一种新的的室内定位优化算法。该算法将发射功率表示成一个未知变量,通过将公式中的非线性项进行线性逼近,将非线性的定位问题转化为一个线性优化问题,并采用最小二乘法求出目标节点的坐标。仿真和实验结果表明,在发射功率未知的情况下,提出算法要明显优于传统的定位算法,具有很好的定位性能。     

基于不同发射功率的室内定位算法优化

在无线传感网络室内定位中,节点的发射功率不同会降低基于对数-正态模型的定位算法的定位精度。针对这一问题,基于真实室内环境下RSSI值的变化,提出了一种基于不同发射功率的室内定位优化算法。该算法通过确定最小动态区域,对RSSI测距方法进行优化,降低不同发射功率带来影响。仿真和实验结果证明,提出的新算法在参与定位的信标节点发射功率不一致的情况下,达到了信标节点发射功率一致情况下的定位精度。     

基于RSSI的自适应权重定位算法

在室内环境中,由于存在多径、反射的影响,采用传统的静态权重质心定位(SWCL)方法无法得到准确的定位精度.针对这一问题,提出了一种新的基于接收信号强度指示(RSSI)的动态自适应静态权重质心定位(RSSI—DA—SWCL)算法.对RSSI测距算法优化,消除不同发射功率和其它突发干扰对测距的影响;利用锚节点和未知节点距离等信息,让锚节点自适应地获得最优的权重系数,从而提高定位精度;将RSSI—DA—SWCL算法在ZigBee平台中实现,并通过Maltab仿真和实测实验对算法进行验证.结果表明:和传统的定位算法相比,提出算法具有更优的定位精度.     

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加权质心和GASA优化的WSN定位算法

针对无线传感器网络节点在自身定位中广泛存在较大的定位误差的问题,提出一种基于RSSI加权质心和GASA优化的无线传感器网络定位算法。该算法假设无线传感器网络中存在一定比例的位置已知的锚节点,利用RSSI加权质心算法计算未知节点与锚节点间的距离,建立以未知节点位置为参数的数学模型,用GASA优化算法计算最优解从而获得未知节点的位置,实现未知节点自身的定位。仿真实验的结果表明,当锚节点个数为30,算法的平均定位误差在10%以内,比RSSI加权质心算法降低了10%~15.5%左右,并且随着节点个数的增加平均定位误差降低。     

基于RSSI的无线传感器网络节点自身定位算法

节点自身定位是无线传感器网络的基础性问题之一.提出了一种基于接收信号强度指示(RSSI)的节点自身定位算法.该算法利用RSSI值估算网络中所有可通信节点间距离的相对大小,得到网络中各节点位置之间的几何约束关系,并以此为约束条件,以锚节点质心和未知节点质心之间的距离最小为目标,将定位问题转化为非线性最优化问题.实验结果显示,当锚节点分布在网络边缘时,该算法可以达到较好的定位效果.     

基于聚类分析优化的距离修正室内定位算法

基于接收信号强度RSSI的定位系统易受环境影响,提出一种基于聚类算法分析的高斯混合滤波的RSSI信号处理优化策略,通过优化接收信号强度及距离修正的四边质心定位算法对未知节点进行精确室内定位,使用蓝牙4.0信标节点进行实地实验。实验结果表明,该算法可以有效提高测距精度,改善系统的定位精度,比传统加权质心算法的定位精度提高了34.6%,且定位平均误差不超过0.5m,可满足室内定位精度要求。     

基于组合测距的无线传感器网络自定位算法

针对如何在锚节点密度较低的情况下提高无线传感器网络中节点自定位精度的问题,本文提出了一种基于RSSI和TDOA组合测距的加权质心定位算法.该算法分别对传统RSSI和TDOA测距模型增加了校验参数及温度补偿,将未知节点与锚节点间距离估计值的倒数作为权值参数,再利用加权质心算法计算出未知节点的位置坐标.硬件试验表明室内环境中基于改进RSSI测距模型的定位算法相比于传统RSSI质心定位算法的误差改进比率为56.2%,仿真结果显示基于组合测距的定位算法在锚节点密度较低时也能达到较高的定位精度.     

基于RSSI的室内定位算法优化技术

定位技术在无线传感器网络中有重要的作用,针对基于RSSI的室内定位误差较大这一问题,通过对RSSI测距模型进行分析,提出一种基于RSSI的室内定位算法的优化方案。该方案将整体环境进行分割,对分割后的子区域进行环境参数拟合,同时对参考节点的可靠性通过权值进行衡量,取可靠性最高的三个参考节点完成定位,从而减小定位误差,通过Zigbee模块进行验证分析。实验表明,该改进方案明显提高了室内定位的精度。     

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

基于改进支持向量机的Wi-Fi室内定位算法

针对室内复杂环境下无线信号不稳定、传统支持向量机定位算法计算复杂度高等难题,为了提高室内的定位精度,提出一种改进支持向量机的Wi-Fi室内定位算法。采用核主成分分析对特征进行降维处理,提取有用信息、降低计算量,采用支持向量机构建定位特征与物理位置的非线性映射模型,并采用粒子群算法对模型参数进行优化,进行了仿真实验。结果表明,该算法提高了室内定位精度和效率。     

Node localization algorithm for wireless sensor networks using compressive sensing theory

In recent years, localization has been recognized as an important supporting technology for wireless sensor networks (WSNs). Along with the increase in WSN indoor applications, indoor localization has become a hot research topic and many localization algorithms have been studied. Among these algorithms, the localization method based on compressive sensing theory emerges as a popular approach to indoor localization. In this approach, the nodes are sparse when compared to the number of grids utilized to represent the locations of the nodes, so the locations are considered as sparse signal and can be reconstructed using the compressive sensing techniques. The localization problem is formulated as the sparse reconstruction of sparsifying matrix which is comprised of measurement of received signal at grids. In order to improve the localization accuracy and meet the real-time requirement of localization applications in large indoor area, an indoor localization algorithm based on dynamic measurement compressive sensing for wireless sensor networks is proposed. Using the bounding-box method, we firstly identify a potential area that possesses the independent features. Instead of using the entire node deployment region as the measurement area, our method can decrease the number of meshing and also the dimension of measurement matrix. Meanwhile, we assume that only the anchor nodes which have communication relationship with the unknown nodes can be used as the measuring nodes; the measurement matrix of unknown nodes which need to be localized can be dynamically constructed according to the potential area and the received anchor node information, and the maximum number of measurement is decided by the number of grids of potential area. The proposed algorithm can mitigate the measurement redundancy and improve the real-time feature. Simulation results indicate that the proposed algorithm can reduce the time complexity and also maintain good localization accuracy and localization efficiency.     

基于离散粒子群优化的工业无线网多信道分配算法

在充分考虑工业无线节点低能耗要求的基础上,提出一种工业无线网发射功率调节算法.在保证网络连通度的前提下,使无线节点发射功率尽可能小.同时,利用离散粒子群优化算法,提出一种解决工业无线网多信道分配问题的离散粒子群优化多信道分配算法（DPSO-CAA）.对标准离散粒子群优化算法加以改进.提高了所提出算法的全局搜索能力.通过将DPSO-CAA算法与已有算法进行的仿真对比实验,表明了所提出的DPSO-CAA算法能有效地降低数据碰撞和同信道干扰,而且能降低无线节点能耗.     

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RSSI的自适应分段曲线拟合室内定位算法

针对室内环境因素对定位结果影响较大的情况,提出了一种基于接收信号强度指示（ RSSI）的自适应分段曲线拟合定位算法来提高室内定位的精度。在对原始RSSI数据预先进行高斯滤波处理的基础上,针对环境参数利用自适应分段曲线拟合的方法建立信号传播模型,最后采用最小二乘法计算出未知节点的坐标。实验结果表明：提出的算法定位精度更高,定位结果更稳定可靠,能够适应不同的室内环境。     

具有未知参数的非线性系统动态优化

针对具有未知参数和不等式路径约束的非线性系统动态优化问题,提出一种新颖有效的数值求解方法.首先,将未知参数视为一个动态优化问题的决策变量;其次,利用多重打靶法将无限维的含未知参数动态优化问题转化为有限维的非线性规划问题,进而在不等式路径约束违反的时间段内,用有限多个内点约束替代原不等式路径约束;然后,用内点法求解转化后的非线性规划问题,在路径约束违反的一定容许度下,经过有限多次步数迭代后得到未知参数值的同时得到控制策略,并在理论上对所提出算法的收敛性进行相应证明;最后,对两个经典的含未知参数非线性系统的动态优化问题进行数值仿真以验证所提出算法的有效性.     

基于测距和灰狼优化的无线传感器网络定位算法

节点定位是无线传感器网络实际应用中的关键问题,为了提高定位精度,提出了一种基于测距和改进灰狼优化的无线传感器网络定位算法。本文提出了一种用三个信标节点坐标估计未知节点坐标的定位数学模型,通过该模型完成未知节点初步定位估计,将其作为基于对数递减策略的灰狼优化算法的初始值,通过改进灰狼优化算法寻优获取未知节点的优化坐标。仿真结果显示：通过与已有相关定位算法相比较,本文所提出的算法定位精度更高,并且具有对测距误差鲁棒性强的优点。