基于WSN的定位系统研究

该文介绍了一种基于无线传感器网络(WSN)的定位系统设计方案。定位节点采用ZigBee协议;提出采用基于RSSI的改进三边测量法实现节点定位;并结合优选信标节点的方法提高定位精度。最后,该文给出了系统的硬件结构及软件设计的方案。     

基于接收功率电平的三角质心近距离定位算法

针对无线传感器网络中近距离定位精度较低的问题,提出了一种基于接收功率电平(RPL)的免标定三角质心定位算法.该算法使用无线信号参数RPL代替传统接收信号强度指示(RSSI),应用于测距模型中,与传统三角质心定位模型相结合,从而达到降低测距误差、提高定位精度的目的.通过仿真实验,将基于RPL的三角质心定位算法与基于RSSI的三角质心定位算法进行对比,结果表明:在实验环境下,基于RPL的三角质心定位算法比基于RSSI的三角质心定位算法精度提高了59.02％,定位精度有明显提升.     

狭长空间基于人体穿透损耗模型的组合定位方法

狭长空间定位问题普遍存在于室内定位应用场景中,虽然传统基于RSSI（Received Signal Strength Indicator）测距的定位方法简便易行,但是狭长空间RSS的波动性以及人体对无线信号的遮挡会严重降低人员定位精度。本文在分析了人体穿透损耗对狭长空间定位影响的基础上,提出将RSSI测距与扩展卡尔曼滤波定位算法组合实现定位,即在中等尺度（5λ~50λ）内采用基于人体穿透损耗模型的RSSI测距方法定位,在大尺度（>50λ）内采用基于人体遮挡修正模型的扩展卡尔曼滤波算法定位。实验表明该方法在狭长空间的定位精度明显优于RSSI测距定位方法。     

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。     

基于高斯混合模型的无线局域网定位算法

目标定位是无线局域网提供位置服务的基础。该文围绕无线局域网目标定位中的定位精度和实时性2个QoS指标,对基于RSSI的定位技术进行研究,提出一种基于高斯混合模型的无线局域网定位算法。该算法由离线训练和在线定位2个阶段组成,采用GMM对RSSI进行建模,降低了系统定位误差,并减少了定位阶段的运算量,提高了定位的实时性。仿真实验结果表明,该算法具有较好的定位精度和实时性。     

基于ZigBee网络的移动节点定位技术研究

无线传感器网络技术中,ZigBee技术以其低价格、低功耗、组网简单等优点被广泛地应用于移动节点定位研究中。随着TI推出业界首款带硬件定位引擎片上系统(SoC)解决方案CC2431,移动节点定位可以通过硬件来实现。但基于ZigBee的RSSI无线定位精度受定位环境影响,会造成很大定位误差。针对此问题,分析了影响定位精度的两个阶段:测距阶段和计算阶段。测距阶段对信号传输模型中的两个关键参数A和n值进行改进和优化,以得到更符合实际环境的参数值。计算阶段采用修正权值三角质心算法以提高主要数据的权重,避免次要数据的影响。通过仿真测试发现,本算法定位精度高,稳定性好,具有较好的实用价值。     

基于高斯校正模型的MDS-MAP定位算法

在无线传感器网络中,节点位置信息是很多应用的基础.对于基于RSSI测距的定位算法,其算法性能很大程度上依赖于RSSI的精度.文章提出一种基于高斯校正模型的改进MDS-MAP定位算法.改进算法在测距阶段利用高斯校正模型过滤掉受干扰的RSSI信号值,提高了RSSI测量值的精度.仿真实验结果表明,该算法定位精度比原始MDS-MAP算法有明显的提高.     

基于最小二乘法的RSSI 测距环境参数修正方案

节点定位是无线传感器网络中的重要应用之一。为了抑制RSSI测距技术的误差对无线传感器节点定位精度的影响,通过对RSSI测距模型进行分析,提出了一种基于最小二乘法的RSSI测距环境参数修正方案。该方法使用最小二乘法拟合方法对环境参数进行修正,以消除各种干扰对测量数据的影响,以提高RSSI测距的精度,为高精确定位打下基础。实验和仿真结果表明,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ZigBee的矿井环境监测及人员定位系统设计

针对煤矿井下环境复杂、瓦斯爆炸事故频发、矿难事故搜救难度大等问题,设计一种基于ZigBee的矿井环境监测及人员定位系统。通过传感器采集井下温、湿度和瓦斯浓度等环境参数,采用CC2530构建数据传输及人员定位网络,将RSSI测距定位技术和三边定位算法相结合,实现井下工作人员的实时定位。根据井下环境的特点,采用均值滤波算法对RSSI值进行修正,提高了定位精度。实验结果表明,该系统环境参数监测准确、网络通信通畅可靠、人员定位精度较高,可满足煤矿安全生产管理及矿难事故搜救的需要。     

基于多源信息融合的车辆定位系统设计

车辆定位是智能交通系统中实现车际信息交互的关键支撑技术.针对现有通用车辆定位算法存在的定位漂移、精度不足、实时性差、鲁棒性弱等特点,在分析全球定位系统(GPS)及ZigBee技术基础上,设计了一种使用GPS和ZigBee多源信息融合的车辆定位系统.通过ZigBee组建网络,以GPS与接收信号强度指示(RSSI)多源联合...     

狄克逊检验法滤波RSSI的室内定位算法

针对接收信号强度指示(Received Signal Strength Indication,RSSI)测距定位算法存在定位结果不稳定且精度低的问题,本文分析了一种基于狄克逊检验法滤波RSSI的高斯牛顿定位(Dixon test filter RSSI Gauss-Newton,DF-RSSI-GN)算法。采用狄克逊(Dixon)检验法滤波剔除观测信号异常值使得观测数据偏度降低,根据偏态程度对观测信号进行高斯均值滤波并通过非线性回归模型拟合RSSI衰减模型参数,在目标点坐标求解阶段利用滤波后的观测信号确定不同方向上的权值进行高斯牛顿(Gauss-Newton)迭代定位。实验结果表明,DF-RSSI-GN算法定位平均精度在1.5 m左右,相比RSSI定位算法和最小二乘定位算法,精度提高1倍以上。     

基于ZigBee 的精神病人定位管理系统设计

针对医院对精神病人的管理难题,设计了一套基于ZigBee 技术的病人定位管理系统,通过RSSI 定位引擎和三边测量算法,利用ZigBee 无线网络将病人位置数据采集上传至上位机监控软件进行处理,可实现对医院精神病人的追踪定位和活动监控,有助于提高医院的信息化管理水平。     

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。     

基于Zigbee室内定位系统的指纹库优化算法

Zigbee无线传感器网络的接收信号强度指示(RSSI)可以用来提供位置服务,使用RSSI建立指纹数据库设计定位算法能够得到良好的定位效果,但指纹数据库的采集和建立精度会直接影响到最终的定位精度,而一般方法建立的指纹数据库误差较大。为此,通过对Zigbee网络指纹数据库采集和建立过程进行研究,提出一种Zigbee网络中指纹数据库采集、建立及优化的算法。在定位区域将各采样点采集到的指纹数据库源数据进行滤波处理,建立高精度的指纹数据库。利用Zigbee平台组建无线网络进行实验,分别使用针对该定位系统提出的限定区域最邻近算法、限定区域加权最邻近算法、限定区域贝叶斯算法进行定位计算。实验结果表明,运用优化后的指纹数据库在短距离范围内定位平均误差可限制在1.5 m以内。     

基于双神经网络的RFID室内定位方法

在室内定位中,传统的RFID定位方法由于方法简单,无法随着室内环境的变化准确估计当前的路径损耗系数,存在受环境影响大,定位精度不高,实时性差等缺点.为了解决以上问题,提出一种基于双神经网络模型的室内定位算法,建立BP网络和DNN网络的双神经网络模型,将采集到的RSSI信号值预处理后输入到BP网络模型中,输出路径损耗系数n,再将接收信号强度值RSSI和通过BP模型得到的路径损耗系数n作为输入,输入到DNN网络模型中,得到待测标签的精确定位坐标.实验表明,与传统的基于RSSI和基于ANN模型的室内定位算法相比,本算法有效提高了定位精度和定位实时性.     

基于Unscented卡尔曼滤波的室内定位

基于RSSI值的测距技术中,通过对天线全向性问题的分析,提出基于Unscented卡尔曼滤波（UKF）的定位算法。利用基于RSSI值的测距模型进行距离测量,并使用Unscented卡尔曼滤波算法估计节点坐标。由于RSSI值的测量和测距模型参数受到环境的影响,采用高斯滤波对RSSI值进行优化,对环境参数使用线性回归算法进行优化并采用自适应机制更新。通过与最大似然估计法（ML）的比较实验表明,该算法能有效地减小定位误差,提高定位精度。