跳数加权DV-Hop定位算法

针对DV-Hop定位算法中距离估计误差对定位结果的影响,提出了一种信标节点优选方案和跳数加权DV-Hop定位算法。首先通过设定跳数阈值,保留跳数较少的信标节点,然后剔除近似在一条直线上的信标节点,完成信标节点优选,避免未知节点无法定位的情形。此外,利用Friis模型推导出距离估计误差与信号传播跳数之间的映射关系,采用传播跳数作为加权因子对定位结果进行了修正。仿真结果表明该算法降低了距离估计误差对定位精度的影响,提高了定位精度。     

基于中心矩改进的WiFi室内定位算法

基于WiFi指纹的定位技术是国内外室内定位领域研究的热门课题。针对室内环境的实变性而造成RSS值波动带来的影响,提出一种基于中心矩加权改进的WKNN匹配算法。离线阶段中,提取RSS的均值和二阶矩作为指纹存入数据库。在线阶段定位时,将RSS值的二阶矩特征加入到欧式距离中进行计算,以得到离定位点最近的K个参考点,从而计算出待定位点的位置。实验结果表明:不同的匹配算法的选择会使定位误差呈现出明显的差异性,所提出改进的WKNN算法能够有效地提高室内定位精度。     

基于n元距离组的无线室内定位算法

由于无线信号在传播过程中受到反射、衍射、多经效应和天线方向等的影响,使用传统的定位算法并不能达到很好的精度。实验数据显示RSS值(接收信号强度)与物理距离之间存在多对多的现象,针对这一固有特性,提出了n元距离组的定位算法。在数据集的获取过程中采用高斯滤波对RSS值进行优化处理,通过计算待定位点与数据集中的RSS值的相似性得到映射距离集合;为了减小干扰点的影响,对距离集合使用K-means聚类算法进行分类。实验结果表明,该算法能有效地减小环境的影响,达到较好的定位精度,比传统算法更优越。     

基于DV-hop定位的误差加权改进算法

通过分析无线传感器网络DV-hop算法理论可知,平均每跳距离是网络定位精度的重要因素,为此提出了一种基于DV-hop定位的误差加权改进算法。改进算法采用限定网络数据包的传输距离,对接收到的有限锚节点进行误差加权处理;在定位阶段采用改进的粒子群对定位结果进行修正处理。Matlab仿真试验表明,改进算法降低了误差对定位精度的影响,提高了定位精度。仿真也证明了该方法在实际应用过程中的可行性。     

无线传感器网络中基于RSSI的加权DV-HOP定位方法

节点位置是无线传感器网络应用不可缺少的信息。DV-HOP算法是一种常见的无线传感器网络节点自定位算法。标准DV-HOP算法在计算跳数时并未根据邻居节点间距离对跳数进行加权处理,导致当邻居节点间距离差别较大时算法定位精度低的问题。从RSSI的耗散模型可看出,RRSI可以作为距离的比征,提出一种基于RSSI的DV-HOP加权算法。该算法基于节点接收信标节点位置元组时的信号强度（RSSI）对邻居节点间跳数进行加权处理,将节点间的跳数与距离相关联。仿真实验结果证明该加权算法可大大提高定位精度。     

基于Mamdani型模糊推理的加权质心定位算法

为了提高加权质心定位算法在室内环境中的定位精度,提出使用实际环境中的RSS数据通过蝙蝠算法拟合输入隶属度函数,通过Mamdani型模糊推理获得节点间精确的权值,以提高加权质心定位算法的定位精度。在Zigbee平台上实现了该算法,通过实验比较3种不同的质心定位算法,结果表明:Mamdani型模糊推理因采用经过蝙蝠算法优化的隶属度函数而具有更小的平均定位误差。     

一种基于优化算法的无线传感器网络定位算法

该文提出一种基于遗传模拟退火算法的定位算法。在现有的定位算法中,DV-Hop算法的硬件开销小,但定位精度不高,当网络中节点的跳数大于或等于2时,未知节点与锚节点之间的估计距离会产生较大的误差,为此本文将遗传模拟退火算法用于DV-Hop算法中,以提高节点间的平均每跳通信距离估计精度,进一步提高定位精度。仿真结果与分析表明,新算法的定位精度有一定的提高。     

一种基于无线传感器网络的加权阈值质心定位算法

接收信号强度指示(RSSI)是一种根据信号的损耗和距离的关系的测距定位方法,但是由于噪声、传播模型和障碍物的影响,信号的衰减关系是不一致的,距离越远精确度越低。提出一种距离倒数的加权阈值的算法,将距离较远不在阈值范围内的点舍去,对保留下的点加权精细定位。实验仿真结果验证了该算法有效性地提高了定位精度,降低了定位误差率。     

基于四面体模型的三维加权质心定位算法

针对三维空间中未知节点的定位问题,提出基于四面体模型的三维加权质心定位算法。利用锚节点组成四面体,依据未知节点与锚节点间的距离大小,采取加权求和定位未知节点,利用接收信号强度指示器的数据信息对加权系数进行修正。仿真结果表明,该算法的定位精度较高。     

基于TDOA和RSS的可行域粒子滤波非视距定位算法

针对室内复杂环境下无线传感器节点的信号传播状态在LOS/NLOS之间切换的现象,提出基于TDOA和RSS的可行域粒子滤波非视距定位.首先采用基于TDOA和RSS两种测距模型的假设检验方法去辨识测量信号中是否存在NLOS现象,然后采用考虑NLOS测量信息的可行域粒子滤波方法对未知移动节点的位置进行定位.仿真结果表明,所提出的方法优于最小二乘法、普通的粒子滤波算法以及仅采用RSS测距模型的粒子滤波算法,具有较高的定位精度.     

基于无线信号K-M模型的三维室内定位算法研究

针对无线信号在室内环境中易受到干扰、波动较大等问题,提出一种改进粒子群优化RBF神经网络的无线信号K-M传播测距模型。利用RBF的非线性特性模拟室内传播的复杂性,以信号接入节点(AP)发射功率、路径损耗因子、未知节点(RP)接收信号强度值RSS等构建模型,预测输出AP与RP之间的距离d。以d为半径,AP为球心,建立多个球体方程,采用极大似然(MLE)采样方程组与RSS-d加权质心混合定位算法,粗略估算未知节点位置信息,再利用加权质心法来进一步提高RP的定位精度。通过MATLAB实验仿真表明,与常见的优化算法对比,该模型预测距离误差更小,平均距离误差为1.3 m;RP的三轴坐标平均误差分别为x轴1.55 m、y轴1.48 m、z轴0.98 m,表明该模型提高了定位精度。     

WSNs中基于粒子群优化的节点定位算法

节点定位是无线传感器网络(WSNs)的关键技术之一.接收信号强度指示(RSSI)测距技术以其不需增加任何额外的硬件设备的特点在节点定位中得到广泛应用.为了提高定位精度,在RSSI测距的基础上,提出将粒子群优化算法( PSO)引入节点定位中.首先由RSSI测得未知节点与锚节点的距离,然后应用PSO算法计算出未知节点的估计...     

Multidimensional scaling approach for node localization using received signal strength measurements

Node localization has played an important role in wireless sensor networks. In this paper, cooperative localization using received signal strength (RSS) measurements is addressed. The technique of weighted multidimensional scaling (WMDS) which relies on pairwise distance information between nodes is utilized in our algorithm development. Assuming that the transmit power is available, we first convert the original nonlinear localization problem to a system of linear equations, leading to computational attractiveness. It is also proved that the positioning accuracy of the WMDS solution attains the Cramér–Rao lower bound at sufficiently small noise conditions. Furthermore, the proposed method is extended to the unknown transmit power case by exploiting the ratio of squared distance estimates extracted from the RSS information. The effectiveness of the WMDS approach is demonstrated via comparison with several conventional RSS-based positioning methods.     

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。     

基于距离区间概率测距的无线传感器网络定位算法研究

基于经验的传播模型在实际应用中存在多值问题,导致RSSI 与距离并非一一映射。本文提出了一种改进的 MDS-MAP 定位算法,该算法利用基于距离区间概率的测距模型,消除多值问题对测距模型精度的影响,从而提高测距模型 的测量精度。通过仿真结果表明,改进的算法与传统的MDS-MAP 定位算法相比,算法具有更好的定位精度。     

基于RSSI自适应选择定位算法的研究

在基于RSSI(Received Signal Strength Indication)的Wi-Fi室内测距定位技术研究中,首先利用对数距离衰减模型进行测距,然后针对定位精度不高的问题,这里提出利用RSSI自适应选择定位算法的方法,即在定位阶段,当满足能够准确确定定位节点所在的最小区域条件时,采用加权质心定位算法,加权因子由1/d表示;当不满足条件时,采用最小二乘定位算法。实验结果表明,自适应选择算法可避免一般加权质心算法由于最小区域的错误锁定而造成的定位误差大的弊端,同时也解决了最小二乘算法在边界区域定位精度难以控制的问题,若考虑定位误差在5m以内的情况,该算法可使35m的走廊定位准确率达到85.7%,较单独采用一般加权质心算法或最小二乘法,定位精度都有较大提高。     

基于ZigBee的动态WSN节点定位

针对因障碍物影响而无法实现动态无线传感网MWSN (mobile wireless sensor network)高精度定位的问题,提出了基于RSSI信号传播模型的α-驱动更新的质心定位算法α- drive renewing weighted centroid localization(α-DRWCL).根据WCL (weighted centroid localization)的距离计算公式,建立了路径衰减因子α的计算模型,利用边界探测装置的探测结果适时改变α的值,得到较接近实际情况的各参考节点权重,达到了减小定位误差的目的.在实验环境中对α-DRWCL算法进行定位仿真,仿真结果表明了该算法的精确性和有效性.