无线传感器网络交点质心定位算法的优化

节点自身定位是无线传感器网络的重要应用之一。为提高定位精度,以求解精度优于传统最小二乘法的交点质心算法为基础,定义距未知节点最近的锚节点为参考节点,通过测量参考节点与锚节点之间的距离获得RSSI的测距误差,并对未知节点与锚节点间的测量距离进行误差修正,抑制了RSSI测距误差对定位精度的影响;再引入四边测距定位和优选锚节点的思想,对算法进行改进。MATLAB仿真结果表明：本算法在相同实验环境下相较于交点质心法又进一步提高了定位精度。     

基于改进的RSSI无线传感器网络节点定位算法研究

研究无线传感器网络节点定位问题。接收信号强度值(RSSI)直接影响无线传感器网络节点定位准确度,而现有定位算法没有考虑锚节点的RSSI消息,造成节点定位精度低。为了提高无线传感器网络节点的定位精度,提出了一种基于RSSI的质心定位算法。首先通过无线信号强度计算出节点间RSSI值,然后把RSSI值转换成质心算法权值,最后采用质心定位算法对待测节点位置进行估计,获得节点的准确位置。仿真实验结果表明,与现有质心定位算法相比,基于RSSI的质心定位算法在不增加成本、通信功耗的情况下,提高了节点定位精度,降低了定位误差,适合各种规模的无线传感器网络的节点定位。     

一种改进的质心定位算法

在无线传感器网络中,确定传感器节点的位置至关重要.通过对传统的质心定位算法进行分析,考虑到接收信号强度直接影响到未知节点的定位精度,提出了一种基于RSSI的改进的质心定位算法.该算法将每个未知节点的通信区域划分为6个部分,通过比较RSSI,找到对未知节点更为精确的估计区域,从而对未知节点作出更为精确的位置估计.仿真结果表明,相比于原始的质心定位算法,改进后的质心定位算法大大提高了无线传感器网络节点的定位精度.     

无线传感器网络质心定位算法研究

节点定位是无线传感器网络中的关键技术之一.质心定位算法完全依赖于锚节点的密度大小及分布情况,锚节点的密度较小且随机分布,所以质心定位算法的定位精度比较低.为了提高节点定位的精度,提出了一种改进的无线传感器网络质心定位算法.在质心定位算法中引人接收信号强度(RSSI)信息,利用RSSI计算节点间点到点的信号强度,并把信息强度值转换成距离值,取倒数作为质心算法权重值,通过质心定位算法对未知节点坐标进行计算,得到节点的具体位置.通过仿真对算法进行测试与分析,仿真结果表明,算法定位的误差减小,提高了节点定位精度,是一种有效的定位算法,为网络设计提供了依据.     

基于高斯修正测距模型的节点改进加权质心定位算法设计

针对无线传感器网络中传统的质心定位算法具有定位精度不高的缺点,提出了一种基于RSSI测距的改进加权质心定位算法。首先,分析了无线电传播路径损耗模型,采用高斯模型对RSSI信号强度值进行了修正,从而可以根据修正后的RSSI均值更准确地进行测距;然后,使用改进的Eucliean定位法对节点位置进行初定位,在获得若干组定位锚节点集的基础上,采用改进的加权质心定位算法进行节点位置终定位;最后对基于RSSI测距修正的加权质心定位算法进行了定义和描述。仿真实验表明,文中方法在仅增加计算开销的情况下能实现节点的准确定位,且与其它方法相比,具有较小的测距误差和定位误差。     

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.     

带有加权函数的基于RSSI的节点自身定位算法

为降低定位算法测距误差对无线传感器节点自身定位精度的影响,提出一种带有加权函数的基于RSSI的节点自身定位算法。该算法提出新的约束条件和目标函数,通过控制可行域范围使其最大程度偏向可行解。仿真实验表明,本文提出的节点自身定位算法相比于其他改进的基于RSSI节点定位算法在不增加能耗的前提下,定位精度有显著的提升。     

基于RSSI的三角形区域最小化的质心定位算法

为解决无线传感器网络中的节点自身定位问题,针对RSSI测距误差大、质心定位算法精度低的问题,提出一种改进质心算法。该算法将RSSI值作为模糊判据,对各个锚节点与移动节点之间的距离进行远近判断,并对锚节点所组成的图形进行更细致的区域划分。利用RSSI值对质心定位算法进行改进。仿真和实际测试都表明,该算法相对于质心算法和三边定位算法提高了定位精度,需要的通信开销小,计算简单,硬件要求低,可广泛应用于实际工程之中。     

基于CC2510的DV-Hop定位算法的改进

DV-Hop算法是无线传感器网络中常用的定位算法,利用CC2510芯片结合接收信号强度指示(RSSI)算法和DV-Hop算法提出了一种改进的算法。此算法在DV-Hop的执行中利用测得的RSSI来改进算法。仿真结果表明:该定位算法能够更加精确地测量未知节点和信标节点之间的距离,提高了未知节点定位精度。     

无线传感器网络精度优选RSSI协作定位算法

针对目前无线传感器网络（WSN）定位算法中未知节点间接收信号强度指示（RSSI）冗余信息利用不足以及信息无筛选利用问题,提出一种新的精度优选RSSI协作定位算法。首先,利用RSSI阈值,从大量粗定位的未知节点中筛选出定位精度相对较高的节点;接着,利用subset子集判断方法从经过RSSI阈值筛选的节点中提取出受环境影响较小的节点,作为次选协作骨干节点;然后,使用锚节点置换准则,根据置换锚节点的定位误差,从次选协作节点中进一步提取出高精度的节点作为优选协作骨干节点;最后,以协作骨干节点为协作对象,根据精度优先级参与协作求精,对未知节点进行未知修正。仿真实验表明,该算法在100 m×100 m网格区域内的平均定位精度小于1.127 m。在定位精度方面,相同条件下,相较于改进的采用RSSI模型的无线传感器网络定位算法,该算法平均定位精度提高了15%;在时间效率方面,相同条件下,对比传统RSSI协作定位算法,该算法在时间效率上提高了20%。可见,所提算法可以有效提高节点定位精度,减小计算复杂度,提高时间效率。     

基于分层定位模型的RFID定位算法研究

识别和定位为智能停车场等服务领域提供关键信息,基于RFID的LANDMARC算法为常见的室内定位方法。文中对低成本、高精度的经典室内定位算法LANDMARC进行分析,针对其在定位过程中单纯根据信号强度的欧几里得距离选择节点进行定位计算的不足,提出基于双层定位模型的算法D-LANDMRAC。该算法主要由初步定位和精确定位两部分组成,初步定位过滤掉问题参考标签,再基于“距离-损耗冶公式利用标签之间信号强度差进行精确定位。仿真结果表明,相比LANDMARC算法,D-LANDMRAC算法定位精度有了明显的提高,并且定位误差的分布更加均衡。     

基于RSSI的移动权值定位算法

为了减少传统基于RSSI（received signal strength indication）定位算法对室内传播模型的依赖,以及简化这类算法的复杂程度,提出一种基于RSSI的移动权值定位算法。算法通过场境建模,设定三类基准点并平均分布在建模场景中;获取设定场境内不同定位标签的RSSI向量,根据判定规则确定基准点,再运用室内传播模型计算移动权值,估算待测终端的位置信息。通过真实场景实验对比分析,该算法较对比算法具有更好的定位精度以及稳定性。     

RFID并行化定位方法研究与实现

针对典型RFID室内定位算法普遍存在计算量大、实时性差等问题,通过对基于虚拟信号强度的RFID室内定位算法中路径损耗指数N、虚拟标签RSSI估计以及定位过程等并行化特点分析,从任务分解、任务映射和任务合并等方面给出了并行化计算的解决方案。同时,在虚拟参考标签RSSI值计算和定位匹配过程中,提出了基于区域划分的并行定位处理方法。实验结果表明该方法具有较高的实时性和加速比,而且与串行化算法相比具有较高的稳定性。     

基于LoRa指纹的室内定位算法

在基于LoRa的室内定位研究中,提出一种基于LoRa指纹和支持向量回归(SVR)的室内定位算法。针对传统基于无线信号RSSI指纹和SVR室内定位算法定位精度不高问题,从两个方面进行改进:在指纹特征方面,增加LoRa测距指纹,提高指纹稳定性;在指纹数据库建立和在线定位过程中,分别采用高斯滤波和中位数滤波来对指纹进行预处理,消除指纹的粗大误差。实验结果显示:1 m以内的定位误差的累积概率为78.5%,3 m以内的定位误差的累积概率为90%。增加LoRa测距指纹之后定位精度相比之前提高了40%;增加了高斯滤波与中位数滤波预处理后定位精度较传统的支持向量回归算法提高了38%。两个方面改进之后定位精度总体提高63%,证明了该算法的两个改进是有效的。     

环境监测无线传感器网络节点定位算法研究

无线传感器网络节点的定位技术是其关键技术之一,具有十分重要的地位。传感器节点采集到的数据必须结合其位置信息才有意义。结合环境监测无线传感器网络,通过对节点定位的基本原理和近几年国内外典型定位算法的分析研究,采用信号强度测距（RSSI）方法对其进行节点定位。为了提高定位精度,进一步对该方法进行了算法改进及节点坐标修正,最终实现了对目标的有效定位。通过仿真结果分析比较表明该方法平均定位误差小,是一种可行的定位算法。     

一种新的基于ZigBee技术定位算法

经典定位算法计算过程复杂需占用大量系统资源,当需要定位大量节点时,系统将会丢失部分人员定位信息,大大影响了定位的实效性;针对上述问题,提出了一种基于ZigBee的权值算法,该算法通过基站获得的接收信号强度指示值(RSSI),与人员节点发射功率的函数关系得出一个接收信号强度值(RSS),根据RSS值与距离的关系实现人员的定位;新算法阐述了如何利用几个已知节点的位置来计算未知节点的位置;经过130个节点的测试,其定位误差为2～6m,测试结果表明该算法与经典定位算法相比,具有系统资源占用少,可靠性、实时性和精度高等优点。     

改进的RSSI测距和定位算法

分析了RSSI(received signal strength indicator)测距的原理及环境对RSSI的影响。论述了高斯模型校正算法,该算法中因含有与环境相关的路径散逸指数而产生较大测距误差。针对这一问题,提出了基于锚节点的高斯校正算法,该算法以锚节点对之间的已知距离和测量的RSSI值为参考,对由被测RSSI值得到的距离进行校正,消除了路径散逸指数,并用网络连通信息和RSSI联合定位。仿真结果证明:采用锚节点的高斯校正算法进行定位不受环境影响,不同环境下最大定位波动为0.11%,定位误差显著减小,可应用到实际的无线传感器网络的定位系统中。