Efficient localization of target in large scale farmland using generalized regression neural network

Although simple to implement, the traditional trilateration technique is generally associated with significant location estimation errors because of highly nonlinear relationship between Received Signal Strength Indicator (RSSI) and distance. In case of agricultural farmland, there is always noise uncertainty in the RSSI measurements because of signal propagation issues such as NLOS, multipath propagation, and reflection. In the context of such environmental dynamicity, the localization algorithm must be efficient in terms of Localization Accuracy and Execution Speed to provide real‐time performance. The Generalized Regression Neural Network (GRNN) is a noniterative highly parallel neural architecture with the capability to get trained quickly using very few training samples. This paper introduces a range free GRNN localization algorithm as an alternative to the traditional range‐based trilateration technique for a large scale wheat farmland. This paper also presents the modified Optimal Fitted Parametric Exponential Decay Model (OFPEDM)‐based signal path loss model to deal with the issue of environmental dynamicity. The evaluation of localization performance of the trilateration and the proposed GRNN‐based approaches is carried out with the help of Wireless Sensor Network (WSN) using three path loss models, namely, Log Normal Shadow Fading (LNSM), Original OFPEDM, and proposed Modified OFPEDM. For all these implementations, the proposed GRNN algorithm demonstrates superior localization performance (localization accuracy of the order of few centimeters) over traditional trilateration irrespective of nonlinear system dynamics, path loss model, and environmental dynamicity. The execution speed of the proposed algorithm is of the order of few milliseconds.     

基于三点定位与加权坐标的三角定位算法

针对传统的基于接收信号强度指示（Received Signal Strength Indication,RSSI）的三角定位算法产生的定位误差大和定位结果波动性大的问题,提出一种基于三点定位与加权坐标的三角定位算法。该算法对RSSI数据进行卡尔曼滤波操作,降低RSSI数据的波动性;将滤波后数据经过基于RSSI选取的三点定位算法,获取粗定位坐标;将获取的三个粗定位坐标基于加权坐标的三角定位算法得到待定位点坐标。实验结果表明,在RSSI-距离衰减模型拟合度为96%的条件下,提出的算法的最大误差为1.602 m,平均误差为0.880 m。     

基于核岭回归方法的定位算法研究

针对无线传感器网络环境下的定位问题,提出了一种基于核岭回归(Kernel ridge regression,KRR)的定位算法。核岭回归算法是在岭回归算法的基础上加入了核函数,该算法在离线阶段采用核岭回归方法提取所有位置指纹数据间的非线性关系,训练出非线性回归定位模型;在线阶段采集目标点的接收信号强度指示（Received signal strength indicator,RSSI）值,利用非线性定位模型估计目标点的物理位置。仿真分析了影响算法性能的各个因素,并在室内典型办公环境下进行了定位实验。实验结果表明,该算法在不同因素的影响下,相比传统加权K近邻算法(Weight K-nearest neighbor,WKNN)算法能达到更好的定位精度,在位置网格间距1.8 m时,WKNN算法平均定位误差为2.53 m,而该算法误差为1.58 m。     

无线视觉传感器网络的节点设计

无线视觉传感器网络将监测的环境信息拓展到视觉层面,实现更精细化的监测,引发国内外研究人员的诸多关注.针对无线视觉传感器网络的特殊性,以高性能嵌入式处理器为核心设计了无线视觉传感器节点硬件,包括微处理器模块、无线收发模块、视觉信息采集模块、电源管理模块等;软件程序支持采集环境视频并进行压缩处理,获取节点间距离和节点剩余电量参数,支持自组建Ad-hoc网络进行节点间无线通信、视频传输和节点参数交换等.实验验证表明,所设计的无线视觉传感器节点运行正常,节点间距离测算以及剩余电量获取满足传感器网络应用需求.     

基于RSSI测距的WiFi室内定位算法研究

考虑AP(接入点)部署高度对定位精度的影响,提出了一种消除高度影响的加权质心定位算法.首先对采集的RSSI(接收信号强度指示)进行高斯拟合和Kalman滤波,根据室内信号传播模型得出终端与AP的距离;然后用几何方法对垂直距离做了消除,得出AP和终端的平面距离;最后用消除高度影响的加权质心定位算法计算位置.对于多层建筑物,还提出了一种楼层识别方法,结合二维平面定位构成近三维室内定位算法.在实验楼内用以上方法进行楼层识别,识别率可这100％.在大型教室进行定位实验,结果表明:改进后的算法相比传统定位算法在精度和稳定性上都有一定的提高.     

基于PSO-GSA优化的井下加权质心人员定位算法

针对煤矿复杂环境中,接收信号强度指示的人员定位精度较低,难以动态跟踪参数变化的问题,提出一种利用改进的引力搜索算法应用于加权质心定位中进行井下人员定位的方法。先采用对数距离路径损耗模型得到信标节点到未知节点的距离,然后通过加权质心定位算法对未知节点定位;最后利用粒子群万有引力混合算法对相关参数和估计的位置信息进行优化。实验结果表明,该方法能够增强对环境变化的自适应能力,更有效地提高定位精度。     

基于测距技术的无线传感器网络定位算法研究

街道、走廊等带状通道具有其环境特殊性,对该环境下无线传感器网络定位算法的研究是研究其他特殊环境下定位工作的基础,其研究成果在工业界具有很高的推广价值;为此,选择基于测距技术的RSSI算法设计了一种带状通道环境下的无线传感器网络定位算法。给出了算法设计思路及硬件条件,并在构建的实验平台下对其进行了实验验证;实验结果证明:算法对带状通道环境下的目标定位可获得较好结果。     

基于平方位置误差下限的优化功率分配方案

在无线传感网络中,节点定位是基于位置的应用基本要求。然而,现多数文献仅关注定位精度,而忽略了能量消耗对定位精度的影响。为此,针对基于接收信号强度RSSI(Received Signal Strength Indicator)定位方案,提出基于平方位置误差下限SPEB(Squared Position Error Bound)的优化功率分配SPEB-OPA(SPEB-Based Optimal Power Allocation)方案,目的在于最小化能量消耗。在SPEB-OPA算法中,将SPEB作为评定定位精度的参数,并推导出SPEB表达式,然后建立优化功率分配的目标函数,并考虑到锚节点位置存在误差。仿真结果表明,提出的SPEB-OPA方案极大地减少了功率消耗。当误差门限T=8时,SPEB-OPA方案的功率消耗比统一功率分配UPA(Uniform Power allocation)方案减少至50%。     

ZigBee网中减少障碍物影响的定位算法

从ZigBee定位优势出发,阐述了用于定位的ZigBee系统的拓扑结构,重点分析了基于RSSI的ZigBee的定位算法及实现,并建立了测量的物理模型.经过实验验证,该算法具有一定的实际应用价值,可以得到实验场景的最优测距模型.     

无线传感器网络中APIT-HR定位算法

针对无线传感器网络(WSNs)中近似四面体内点(APIT)质心定位算法计算复杂度高、定位精度差的问题,提出一种基于RSSI值折半的APIT (APIT-HR)质心定位算法.该算法以未知节点与三角形中的两个锚节点同时感知第三个锚节点的RSSI值进行比较并确定未知节点的存在区域,再以该区域质心作为定位结果.以面积规则和圆交域质心法改善APIT算法中存在的一些缺陷.仿真实验表明:相对于原始的APIT质心定位算法,APIT-HR算法降低了计算复杂度,提高了定位覆盖率和定位精度,定位误差缩小了22.8％.