基于RSSI测距误差修正的方法

基于RSSI的测距是一种低成本的距离测量技术。在分析影响RSSI测距误差的因素后,根据实际情况设计一种用于修正RSSI测距误差的方法,以减少由各种综合性因素引起的测距误差给节点定位带来的不良影响。理论分析和仿真结果表明,该修正方法可以有效地降低节点的定位误差。     

基于ZigBee的RSSI测距研究

基于RSSI的测距技术是一项低成本和低复杂度的距离测量技术,被广泛的应用于无线传感器网络基于距离的定位技术中.本文在对RSSI测距的原理以及环境对RSSI的影响进行详细分析和研究的基础上,提出了三种实验数据处理方式,并在摹于ZigBee的硬件平台上进行实验,得到了三种数据处理方式的测距精度.实验结果表明,在消除环境因素的影响后,高斯模型数据处理方式的测距精度最高--在20 m的近距离测距时,精度在2 m以内.     

基于RSSI测距和免疫遗传算法的定位系统设计

为了提高基于物联网应用系统的节点定位精度,提出了一种基于RSSI测距和免疫遗传算法的定位系统;首先采用CC2431作为未知节点的主控制器,利用其所含的定位引擎获得参考锚节点的坐标值,并初始化参数路径损耗值PL(d0)、路径损失系数ρ和平均信号强度值RSSI,然后通过三边测量法获得节点的估算坐标,最后以最小化节点定位误差率为亲和度函数采用免疫遗传算法对参数进行优化,通过选择、交叉和变异操作对抗体进行不断进化,对相似抗体进行抑制以提高算法的全局寻优能力,并获得最终的定位模型;仿真实验表明:文中方法平均总定位误差为42.18%,能较为精确地定位节点,与其它方法相比,具有定位误差小的优点,具有很强的可行性。     

基于RSSI测距分析

作为一种全新的信息获取和处理方式,无线传感器网络可以应用在广泛的领域内实现复杂的大规模监测和追踪任务,而网络自身的定位是大多数应用的基础.基于距离的定位是通过测量节点间距来实现的.利用RSSI测距只需较少的通信开销和较低的实现复杂度,这在能量有限的网络节点中是非常重要的.论文分析RSSI测距的原理,实验验证RSSI测试可重复性,在适度的动态环境中RSSI变化有规律性,采用加权和均值法消除环境因素对RSSI测量的影响.实验验证在15 m以内的测距精度可达到2 m.     

一种基于自适应RSSI测距模型的无线传感器网络定位方法

为了提高无线传感器网络的节点定位精度和环境适应性,研究了环境因素及信道噪声对无线信号传输特性的影响,对测量误差进行修正,得到精确的环境自适应RSSI测距模型,在此基础上结合距离加权修正的改进WELSE算法,得到了一种新的混合定位算法。在ZigBee平台CC2430上的测试结果表明本算法在未知环境中不需要预整定模型参数,在定位精度上,本文算法相比WELSE提高了49%,比WCLA提高了36%,可见其具备优秀的环境适应性和较高的定位精度。     

基于RSSI的无线传感器网络节点测距方法研究

基于RSSI的测距技术是无线传感器网络测量节点间距离的基础,RSSI测距具有通信开销小、实现复杂度低等优点,可广泛应用于无线传感器网络的定位、监测等领域.首先分析RSSI测距的原理,在此基础上采用用户自定义通信协议的CC1100芯片进行测距实验,取得了多组数据,通过对实验数据的分析,验证了在适度的环境下RSSI测量值的变化与距离的关系有一定的规律可循,提出采用加权和均值的方法降低外界环境对RSSI测距的影响,并用实验加以验证.     

基于RSSI测距的DV-Hop算法

由于DV-Hop算法在不均匀网络中节点定位精度不高,以及RSSI算法受环境因素影响较大,将RSSI算法与DV-Hop算法相结合,提出一种利用RSSI测距技术改进DV-Hop的算法-----BRDV-Hop算法.该算法应用RSSI测距技术,定义信标节点的平均跳距误差,并利用信标节点的平均跳距误差对未知节点与信标节点之间的距离进行修正,从而达到减小定位误差的目的.仿真结果表明,与标准的DV-Hop算法相比,在不增加传感器节点硬件的基础上,改进算法能有效降低定位误差.     

基于RSSI测距的传感器网络定位算法研究

基于RSSI(Received Signal Strength Indicator)的测距技术根据理论或经验信号传播模型将传播损耗转化为距离.在实际应用环境中,由于多径、绕射、障碍物等因素,无线电传播路径损耗使得定位过程中产生距离误差.通过对二维空间定位过程中产生距离误差区域进行分析,提出了基于RSSI的新的定位算法ERSS.该算法计算简单,定位过程中节点间不增加通信开销,无需硬件扩展.仿真实验表明,该算法较普通的基于RSSI的测距方法有了明显的改进,提高了距离估计的精度,适合在通信开销小、硬件要求低的传感器网络节点上应用.     

基于RSSI的室内信号衰减模型的研究

根据无线传感器网络中RSSI的信号传播的特性,给出了基于RSSI的室内节点的测距模型.随着距离的增加,信号衰减越来越不明显,对测距造成的误差也越来越大,给出了室内空间附加因子路径传播模型,并与常用的阴影模型做了对比,实验结果表明,该模型有较高的精度.     

基于RSSI测距误差修正的改进型DV-distance差分定位算法

DV-distance是一种基于多跳机制的定位算法,其相邻节点间的距离通过RSSI测距技术实际测量得到。为了减少RSSI测距误差对定位精度的影响,首先对RSSI测距误差进行修正,再对已有的信标节点间计算距离误差修正值的方法作进一步改进,提出一种基于RSSI测距误差修正的改进型DV-distance差分定位算法。仿真结果表明,相比已有的定位算法,该改进算法不仅能提高节点的定位精度,还能减少网络通信开销及计算复杂度。     

基于蓝牙技术融合混合滤波与神经网络的室内测距方法

为了解决用户在基于蓝牙技术的室内测距定位中,接收信号强度指示（RSSI）数据存在采样值波动和不稳定问题,提出了一种改进的融合混合滤波与多隐藏层神经网络的室内测距方法,通过结合各类单一滤波算法的优点,使用加权的混合滤波算法有效平滑了数据,并引入机器学习算法中的多隐藏层神经网络来构建RSSI和锚节点到信号接收器距离的非线性映射关系。此外,还搭建了基于CC2640R2F的锚节点和以手机作为蓝牙接收器的验证平台,对提出的测距方法进行验证。理论分析与实验结果表明,所提出的室内测距方法的测距结果平均误差约为0.13 m,可以有效降低测距误差,具有易于布设、功耗低、成本低等特点,在提高室内定位的稳定性和精准度等方面具有较高的应用价值。     

RSSI测距技术探索

为探索RSSI（Received Signal Strength Indicator）技术的应用,了解其测距原理及验证其准确性,经过多次实地测量,在不同距离下搜集多组接收信号的强度指示,通过数学软件,采用线性回归及多项式回归两种回归分析,研究其相关性,再比较、验证其精准性,选择出更符合原始数据的分析方法,得到RSSI和距离的关系。     

基于二次曲线拟合的超声测距算法研究与实现

数字超声测距是目前主流的超声测距方式,相对传统的方式能获得更高精度。提出一种改进的包络拟合超声测距算法,采用二次曲线拟合的方式对超声回波信号进行分析和寻找回波起振点,并完成了系统的SOPC实现。与目前常用的几种数字超声测距算法对比,测距系统对A/D转换后的回波信号还进行了FIR带通滤波,并通过温度补偿有效提高了精度,具有较大的参考意义和应用扩展性。     

基于LoRa技术融合RSSI和TOA的户外定位方法

LoRa(Long Range)定位为当今户外定位提供了一种低成本、低功耗的解决方案。为了提高定位的准确性,提出一种基于LoRa技术融合接收信号强度指示(RSSI)和信号到达时间(TOA)的户外定位方法。通过TOA筛选有效的RSSI信息和计算RSSI的统计平均值,基于预先测量样本的方式,构建了一种类高斯分布的每个定位基站对应测距模型,获取待定位设备距离基站的距离和定位基站的位置坐标映射后,通过加权质心定位算法,得到待定位设备的位置坐标。搭建基于SX1280的验证平台,对该方法进行验证。理论分析和实验结果表明,融合RSSI和TOA的定位方法能够有效筛选数据,对比改进前的定位方法定位误差减小了20%,稳定性较高。所提出的LoRa定位算法计算覆盖范围较广,理论上可以覆盖到超过1 km的范围,实验场地最长半径达到了500 m,算法复杂度较小,实时性较好,易于实现,可用于室外定位。     

情境自适应的RSSI分段异构拟合定位方法

室内定位在公共安全、健康监护、定位服务等领域具有重要价值,提高定位精度和模型对环境的适应性已经成为室内定位的核心问题。其中通过接收信号强度指示RSSI值来获取距离是比较通用的方法。针对室内复杂环境中传统的对数距离损耗路径模型适用性不高的情况,提出了一种情境自适应的RSSI分段异构拟合定位方法。该方法利用信号在不同应用情境下传播损耗的差异性,将RSSI数据分为多个不同的拟合段,根据RSSI数据的区分特性寻找最优的分段拟合点,并为每个分段选择最优的拟合函数,使得分段数、分段位置和每个分段的拟合函数都适应相应的应用场景,从而实现高精度的RSSI信号拟合。实验结果表明,本文所提出的方法在RSSI拟合精度上均优于传统的单一拟合函数,可明显提高定位算法的精度。     

一种基于测距的无线传感器网络智能定位算法

提出了一种基于测距的无线传感器网的智能定位算法.建立了RSSI的理论计算模型;通过引入加权因子改进了DV-Distance定位算法(IDV-Distance).实验结果表明:改进后的定位算法提高了定位精度,改善了系统的稳定性.     

一种基于RSSI的无线传感器网络 全程优化分布式定位策略

针对目前定位算法存在精度与成本有较大矛盾的问题,在定位实施各阶段采取有效措施,提出一种新的基于接收信号强度指示(RSSI)观测模型的协作定位算法.该算法以有效计算方式获得距离数据,优选锚节点参与定位计算,通过泰勒展开迭代求精法实施位置优化,最终获得满足要求且定位精度较高的位置估计.引入协作定位思想,将满足一定要求的已定位节点升级为锚节点,参与其他节点的定位,提高了定位的覆盖率和定位精度.仿真实验结果显示:网络参数相同的条件下,本文算法定位效果接近基于实际坐标的泰勒级数展开算法,而远高于基本的最小二乘定位算法,且由于所需存储空间小,其定位精度也随测距误差的减小而快速提高,能够满足大规模无线传感器网络的定位需求.     

基于贝塞尔滤波的水平集正则化图像分割方法

针对水平集函数在演化过程中的初始化敏感和数值稳定性问题,提出了一种新的基于贝塞尔滤波的正则化方法,并将其嵌入到经典的可变区域拟合(Region-Scalable Fitting,RSF)模型中,从而构成新的能量模型。首先,利用K均值算法进行自动初始化,再加以修正生成标准的初始水平集函数,以解决RSF模型对初始化敏感的问题;其次,利用RSF模型自身优点对图像进行迭代分割,同时在迭代过程中利用提出的方法对水平集函数进行正则化处理,保持迭代过程中的稳定性;最后,实现精确的分割效果。实验结果表明,提出的正则化方法有效地保持了水平集函数的稳定性。将新的模型与多种基于区域的模型进行对比,仿真实验表明,提出的方法具有较高的算法效率与分割精度。