低信标节点密度传感器网络的启发式定位算法

针对传统无线传感器网络定位算法在信标节点密度较低时定位误差较大的问题,提出了一种基于加权最小二乘的迭代定位算法。首先,该算法将最小二乘估计器进行线性化处理,并根据节点之间的距离量测的方差进行加权,获得加权最小二乘估计器。然后,通过分析定位过程中影响未知节点定位精度的因素,基于空间点分布的椭圆拟合,对信标节点的线性化程度、离散程度和偏置程度进行量化。以该量化特征作为未知节点定位估计的置信评分,结合信标节点集扩展和信标节点剪裁控制迭代过程中的误差传递。仿真和实验结果表明,与传统定位算法相比,该算法可以在极小信标节点占比情况下获得较高的定位精度,且在各向异性网络中表现出较好稳定性。     

基于LS-SVR的无线传感器网络节点定位算法

文章针对无线传感器网络（WSN）节点定位算法DV-HOD的节点间距离估计误差对定位准确度影响较大的问题,提出一种基于LS-SVR（最小二乘支持向量回归机）的定位算法L-LSSVR。该算法根据已知锚节点坐标信息,通过对探测区域网格化采样,得到包含未知节点到各锚节点的距离和未知节点坐标的训练样本集,利用LS-SVR训练得到定位模型,定位时以未知节点到各锚节点经多跳测距得到的距离向量作为模型的输入,将模型输出作为未知节点的估计坐标。在节点均匀分布和随机分布的网络中进行节点定位实验,结果表明,定位算法L-LSSVR能有效地降低距离估计误差对定位准确度的影响,减小平均定位误差,其中,在节点均匀分布的情况下L-LSSVR算法的平均定位误差比DV-Hop算法减小8.1～17.8%,在随机分布的网络中减小8.7～27.0%。     

基于人工神经网络的RSSI测距的牛顿定位算法

为了降低基于接收信号强度指示(RSSI)测距误差,提高基于RSSI测距定位精度,提出了基于人工神经网络的RSSI测距的牛顿定位算法(NL-ANN-RSSI)。NL-ANN-RSSI算法分别在RSSI测距和定位计算方面提高定位精度。首先,利用人工神经网络对RSSI值预处理,降低测距误差;然后,利用最小二乘法估计节点位置,并将此估计值作为牛顿定位算法的初始值;最后,利用牛顿定位算法修正节点位置。实验数据表明,基于人工神经网络的RSSI优化的测距误差比传统的RSSI测距算法有大幅下降,归一化平均定位误差下降了约36%。     

基于双层修正无迹卡尔曼的水下节点定位算法

针对水下无线传感网络中运动节点定位精度低的问题,提出了一种新的基于双层修正无迹卡尔曼的水下节点定位算法(DLMUKF)。该算法利用下层无迹卡尔曼滤波算法对节点状态进行预测,根据各信标节点的测距传播时延对预测的节点状态进行修正。运用上层无迹卡尔曼滤波算法对修正后的状态进行新的预测与修正。仿真实验中,DLMUKF算法的平均定位误差约为传统多边定位算法的15%,约为基于无迹卡尔曼滤波(UKF)定位算法的16%,受节点运动时间与速度的影响最小。通过实验证明DLMUKF算法能更充分利用实际距离值,可以有效减小运动节点的定位误差。     

基于最小二乘支持向量回归机的无线传感器网络目标定位法

针对RSSI测距误差直接影响无线传感器网络(WSN)目标定位准确度的问题,从目标位置与目标到传感器节点测距矢量的双射关系入手,建立最小二乘支持向量回归机(LSSVR)目标定位的数学模型,提出了一种基于LSSVR的WSN目标定位方法TL-LSSVR.根据虚拟目标坐标和虚拟目标到传感器节点距离矢量构造出训练样本,通过确定学习区域及网格化采样获得训练样本集,采用LSSVR训练得到定位模型,将测量得到的距离矢量输入定位模型实现目标定位.对不同传感器节点数量以及不同节点分布情况下的WSN目标进行了定位实验.结果显示,对于节点随机分布的情况,TL-LSSVR方法的定位误差比最小二乘法减小21.0%～43.1%;对于节点均匀分布的情况,TL-LSSVR方法的定位误差则减小26.5%～48.7%,表明TL-LSSVR方法能有效减小测距误差对定位结果的影响,提高目标定位准确度.     

基于双层修正无迹卡尔曼的水下节点定位算法* .txt

摘要：针对水下无线传感网络中运动节点定位精度低的问题，提出了一种新的基于双层修正无迹卡尔曼的水下节点定位算法(DLMUKF)。该算法利用下层无迹卡尔曼滤波算法对节点状态进行预测，根据各信标节点的测距传播时延对预测的节点状态进行修正。运用上层无迹卡尔曼滤波算法对修正后的状态进行新的预测与修正。仿真实验中，DLMUKF算法的平均定位误差约为传统多边定位算法的15%，约为基于无迹卡尔曼滤波（UKF）定位算法的16%，受节点运动时间与速度的影响最小。通过实验证明DLMUKF算法能更充分利用实际距离值，可以有效减小运动节点的定位误差。 .txt     

无线传感器网络动态加权DV-Distance算法

无线传感器网络DV-Distance定位算法,采用未知节点与锚节点间的累计跳段距离代替欧式距离计算节点位置,存在较大的定位误差.针对这一问题,提出一种动态加权DV-Distance改进定位算法,基于未知节点的修正模式,保证定位网络中每个未知节点具有不同的修正系数;通过动态加权修正模型,用锚节点间距离、跳数等信息计算修正系数,采用动态加权的方法将不同方向上的修正系数进行整合,修正未知节点与锚节点间累计跳段距离,提高算法的定位精度.通过仿真验证了算法具有更高的定位精度;并进一步通过实验验证了算法的有效性和可行性.     

基于多维校正的无线传感器网络多维标度定位算法

节点定位是无线传感器网络(WSN)配置和运行的基本和关键问题之一.针对目前已有的多维标度(MDS)定位算法的局限性,提出了一种基于多维校正的分布式无线传感器网络多维标度定位算法(MDS-MC).它通过自适应搜索算法建立局部节点定位区域(Nb),保证了相邻Nb区域的坐标转换,减少了网络中的冗余公共节点;同时根据锚节点间的距离信息修正了节点间的距离估计,并将经典MDS算法与粒子群算法相结合,优化了节点的位置估计,解决了节点间距离不完整时的定位问题.在此基础上,研究了不同场景下节点的定位误差和能耗.实验结果表明,该算法定位精度高、能耗小,特别是对非理想环境有很好的鲁棒性,满足大规模无线传感器网络应用的需要.     

无线传感器网络中一种改进的DV-HOP定位算法

在无线传感器网络中,节点定位技术占有非常重要的地位。为了提高节点定位精度,在研究和分析传统DV-HOP定位算法的基础上提出了一种改进算法。该改进算法中,每个信标节点通过分析实际距离和估计距离之间的误差,可进一步修正平均每跳距离;然后在未知节点坐标计算过程中引入二维双曲线定位算法代替传统的三边测量法,可减少节点计算误差。仿真结果表明,在无需增加额外的硬件设备的条件下,改进的DV-HOP算法与传统的DV-HOP算法相比,能够更加有效地提高节点的定位精度。     

基于粒子滤波的RSSI测距优化的牛顿定位算法

针对以基于RSSI测距为基础的无线传感网络定位算法存在定位精度低的问题,提出了基于粒子滤波的RSSI测距优化的牛顿定位算法PF-RSSI-NL。在RSSI测距方面,采用粒子滤波对RSSI值进行预处理,降低测距误差;在定位计算方面,运用牛顿法估计未知节点的位置。先用最小二乘法估计牛顿迭代算法的初始值,再用牛顿法对未知节点估计值进行迭代修正。仿真结果表明,与传统的基于统计均值RSSI测距相比,基于粒子滤波的RSSI优化的测距误差降低0.6 m。与同类的定位算法相比,归一化平均定位误差下降36%。     

基于无线传感器网络自校正定位算法

节点定位是无线传感器网络的重要应用之一,为了抑制实际应用中各种环境因素对无线传感器节点精度的影响,提出了一种基于误差校正的定位算法。通过基于粒子群优化算法的粒子群优化-接收信号强度指示算法(par-ticle swarm optimization-received signal strength indication,简称PSO-RSSI算法)将未知节点收到信标节点一定数量的存在偏差的链路质量指示值进行优化,实现对误差的补偿。将链路质量指示值转化为接收信号强度指示值,从而得到距离。实验结果表明,该算法可提高定位精度,具有普遍应用价值。     

改进RSSI算法在煤矿动目标定位中的设计与实现

无线传感器网络(WirelessSensorNetwork,WSN)被誉为改变世界的10大技术之一,应用于广泛的领域内,实现大规模的目标监测与追踪、基于位置信息的路由等。提出一种基于RSSI理论模型,通过改变信标节点的放置方法,提高定位精度,信标节点避免位于一条直线上,增大新表节点的折线距离,提高ABCR的精度;引入加权因子对DV-Distance进行改进,反映出信标节点对目标节点影响力的大小,提高定位精度和稳定性。并引入一种智能定位思想,定时对定位参数进行校正,进一步提高定位精度,然后进行巷道建模,实现硬件系统的设计。     

基于RSSI的无线传感网络协同定位算法及其应用

为了解决传统无线传感网络(WSN)中定位方法精度不高的问题,将协同定位的技术应用到无线传感网络的定位中。首先,通过对盲节点与参考节点的距离关系的分析,初步确定了盲节点区域;然后利用接收信号强度指示(RSSI)测距技术建立了盲节点之间的相对位置关系,并应用盲节点的相对位置关系多次迭代缩小盲节点区域,精确盲节点位置;在此基础上,提出了基于RSSI的无线传感网络协同定位算法。在Zigbee平台上对该算法进行了技术评价,与传统定位方法进行了对比实验,实验结果表明,基于RSSI的无线传感网络协同定位算法具有一定的精度优势,特别是当参考节点数目较少时,这种优势比较明显,具有良好的应用前景。     

基于测距修正及改进鲸鱼优化的DV-HOP定位算法

针对无线传感器网络中传统DV-HOP(distance vector?hop)定位算法定位误差大的问题,提出基于测距修正及改进鲸鱼优化的DV-HOP(whale optimization algorithm distance vector?hop,WOADV-HOP)定位算法,该算法首先通过添加修正因子和引入权重来修正...     

基于因子图的 INS / UWB 室内行人紧组合定位技术

针对室内复杂应用场景下待定位行人接收到的超宽带(UWB)测距信息数量不确定问题,提出一种基于因子图的INS/UWB室内行人紧组合定位算法,实现对动态随遇接入与退出的UWB量测信息有效融合。首先,基于室内行人运动模型以及UWB量测模型构建INS/UWB紧组合因子图模型,由于对行人位置与速度同时进行建模估计,导致该因子图模型含有环结构。在此基础上,针对有环因子图模型基于和积算法(SPA)通过两次迭代推导因子图中各节点间消息传递算法,计算行人位置与速度的后验概率密度。进一步,针对特殊量测矢量条件下因子图算法定位误差跳变问题,提出一种基于坐标变换的因子图改进方法,从而有效提高行人位置与速度估计精度。仿真结果表明,本文提出的INS/UWB紧组合定位算法可以有效融合动态随遇接入与退出的UWB测距信息。在满足计算量与内存消耗需求的前提下,与变结构多模型扩展卡尔曼滤波(EKF)相比,本文提出算法的定位精度与速度估计精度可以分别提高14.94%与56.42%。     

基于PDR和RSSI的室内定位算法研究

构建了基于无线传感网络的行人航迹推算(PDR)系统,通过RSSI定位为其提供绝对定位信息。在RSSI定位中,提出基于PDR方位信息的自适应Flip-Flop RSSI信息预处理机制和RSSI指纹信息融合动态路径衰减指数的定位算法,以改善RSSI定位算法的抗噪声干扰能力。在多信息融合粒子滤波环节中,针对传统算法中滤波精度与滤波实时性很难同时得到改善的问题,提出基于PDR信息与RSSI定位信息的动态区间粒子滤波算法,通过PDR方位信息自适应控制区间衍生粒子数量以提高滤波实时性,并将建筑地图信息、RSSI定位信息及其可信度因子融入粒子权值计算中以提高定位精度。经实验验证,提出的算法在RSSI定位抗噪声能力方面,以及融合定位精度和滤波实时性方面都取得了良好的效果,与传统算法相比最大定位误差由3.16 m降低到1.81 m,滤波时间也由7.21 s降至7.01 s。     

磁流变抛光回转对称非球面工件精确自定位

为解决磁流变抛光中回转对称非球面工件的高效率精确自定位问题,提出了基于迭代最近点的改进两级定位方法。根据磁流变抛光特性和恒浸深控制要求,确定了磁流变抛光工件非调平自定位原理。针对经典迭代最近点算法应用于回转对称非球面工件定位存在解不唯一及计算效率低的问题,构建初始迭代矩阵实现了位姿唯一的指定性匹配,并提出了空间垂直映射方法,减小匹配点云的规模,提高了计算效率。以此为基础,提出了改进后的两级迭代最近点精确定位方法。最后,以Φ100 mm凹形抛物面熔石英工件为对象进行了抛光实验。实验结果表明:改进两级精确定位方法满足磁流变抛光的定位要求,定位精度在多次实验中均优于9μm,平均定位时间为7.3 min,在保证定位精度的同时提高了工件的定位效率。     

面向变化场景的 LiDAR 鲁棒定位与地图维护方法

无人车在工业场景自主运行时,通常基于先验地图匹配对自身进行定位,然而场景变化会影响其定位精度。针对于此,本文提出了一种面向变化场景的激光雷达鲁棒定位与地图维护架构,其包括地图匹配、定位优化、地图维护模块。在该架构中,提出了一种基于变化检测的匹配算法,降低了变化场景引起的匹配误差;设计了基于激光雷达里程计与先验地图匹配的因子图融合模式,提高了定位解算鲁棒性;提出了一种基于最近点搜索的误检测点滤波方法,提高了变化点检测准确性。最后,通过仿真与试验搭建了变化场景验证环境,对基于Loam的匹配算法与本文算法进行了对比验证。结果表明,本文算法可以有效抑制场景变化引起的匹配误差,在实际场景中定位均方根误差优于3 cm,定位精度相较于传统算法提高67.4%。