基于路径损耗模型参数实时估计的无线定位方法

定位技术在无线传感器网络中越来越引起人们的重视.针对传统的测距算法中,使用固定路径损耗模型会造成较大测距误差的问题,提出了一种基于RSSI的动态调整信号路径损耗模型参数的协作定位方法.该方法首先根据RSSI确定定位节点所在的最小子区域,然后通过该区域内已知参考节点间的相互合作估算出该子区域的路径损耗模型参数,再根据得到的路径损耗模型实现准确测距,从而减小定位误差.仿真和实验结果验证了该方法提高了定位精度.     

基于动态近邻反馈修正的室内定位算法

针对目前无线传感器网络（WSN）室内接收信号强度（RSSI）测距算法中RSSI易受到信道干扰和传播环境影响从而导致定位精度低的问题,提出一种动态近邻反馈修正的室内定位优化算法FC-DNN,以实现无线传感器室内节点精确定位。首先,通过对环境进行Voronoi图分割确定最小定位区域;然后计算每个区域的路径损耗模型参数得到节点间的精确距离;最后利用Spearman等级相关系数动态选择邻居锚节点,根据邻节点反馈修正进一步提高未知节点的定位精度。仿真结果表明,FC-DNN算法复杂度低、计算开销小、能耗较低,与典型的RSSI测距差分修正定位算法（DDLA）和受限三维空间传感器定位算法（CO-3D）相比,节点的平均定位误差降低了约15个百分点,能够很好地满足室内环境定位要求。     

基于RSSI路径损耗因子动态修正的三边质心定位算法

针对无线传感器网络节点定位受环境干扰精度较差的问题,提出了一种将路径损耗因子n根据实测环境进行动态修正的三边质心定位算法。前期由实际环境测出不同距离时RSSI与路径损耗因子n的对应关系,修正时由测得RSSI值及对应关系根据环境中干扰因素的局部相似性进行局部加权修正出动态路径损耗因子nR,使其更能体现出与实测环境本身及干扰因素的密切相关性,然后利用三边质心法定位。仿真表明,算法降低了环境干扰引起的误差,显著提高了定位精度。     

基于ZigBee无线传感网络的人员定位系统设计与实现

针对现有无线传感器网络定位系统精度不高的问题,采用基于校正模型的三边测距质心定位算法实现人员定位。通过研究ZigBee无线通信技术,分析无线电传播路径损耗模型,结合实验测试得到RSSI测距模型。引入高斯滤波模型和自校正模型修正测距值,在三边测量法的基础上结合质心定位思想,以三圆相交部分的质心作为盲节点的估算位置。经试验测试,该系统的定位误差小于10%,有效地降低了环境引起的盲节点位置误差,提高了定位精度。     

一种路径损耗模型融合的WSN森林定位算法

由于森林环境的复杂性导致传感器网络接收信号强度指示(RSSI)的定位误差较大,而目前的RSSI路径损耗模型不能满足森林中传感器节点定位的需求。针对该问题,提出一种无线传感器网络(WSN)森林定位算法。根据RSSI在不同区域的离散系数划分定位区域,对不同区域分别建立RSSI路径损耗模型,并利用对数路径损耗模型与分段拟合模型进行融合,建立更符合实际环境的新模型,通过分区域测距定位和K-means聚类算法排除定位误差。实验结果表明,该算法能有效提高定位精度。     

基于RSSI优化的模型参数实时估计定位算法

基于RSSI的测距是一种低成本的距离测量技术.为了有效地降低RSSI因环境影响而产生的测量误差,以及解决传统算法中因使用固定信号传播模型而造成较大测距误差的问题,提出一种RSSI经过优化处理的模型参数实时估计定位算法.该算法运用高斯模型对节点接收到的所有RSSI测量值进行处理,根据RSSI值确定待定位节点所在的最小区域,再通过该区域内选定信标节点间的相互合作估算出当时的环境参数,根据实际情况动态调整传播模型的参数,使测距更准确,从而减少定位误差.将该算法与其它算法进行仿真比较,结果表明了该算法可以有效地提高定位精度.     

一种基于无线传感器网络的室内定位算法

无线传感器网络是室内定位的关键技术之一。影响定位精度的因素有两方面:测距误差和定位计算误差。在测距阶段,为解决信号在复杂的环境中传播损耗较大而影响测量精度的问题,基于对数常态路径传播损耗模型,提出了一种环境因子的估算方法,该方法动态修正测量值,减小了因环境引起的测量误差。在定位阶段,为解决三角形质心算法对数据利用不足的缺点,提出了加权的三角形质心算法,实现了高精度的室内定位。实验表明,该算法可以实现较高精度的室内定位,具有一定的可行性。     

基于指纹量化的改进加权质心定位算法

针对室内人员定位信号存在干扰大、定位精度低的问题,提出一种基于指纹量化的改进加权质心定位算法。该算法在ZigBee通信环境下采集实际测量值建立指纹数据库,在量化域内根据未知节点接收到的RSSI值进行量化,获得量化距离及量化RSSI值,将量化距离以及产生的量化误差作为权值参数,进一步利用改进的交集三角形加权质心算法对未知节点进行定位。实验结果表明,该算法可以有效避免因信号衰减严重而造成的理论误差问题,提高了定位精度。     

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T-RL衰减多墙模型的室内定位技术

在基于接收信号强度指示(RSSI)的室内无线传感器网络定位系统中,无线信号的传播方向由于墙壁的遮挡发生变化使得RSSI测量值不准确,导致信道模型建立困难,无法实现较高的定位精度。因此,提出了一种新的环境自适应路径衰减模型,在传统对数路径模型的基础上,该模型考虑了无线信号遇到墙体时产生的反射损耗和透射损耗并推导出相应的路径衰减,在定位实验中,选取3.5 m作为最佳通信距离,采用三边测量定位算法计算得到未知节点的位置坐标。实验结果表明,所提出的基于T-RL衰减多墙模型的定位精度比传统路径损耗模型提高了26.9%,室内定位效果有所提升,且有更好的环境适应性。     

基于阈值分类及信号强度加权的室内定位算法

为了减小室内复杂环境下接收信号强度值（RSSI）波动和个别信标节点被干扰对定位精度的影响,提出一种基于阈值分类及信号强度加权的室内定位算法。先根据室内环境的路径损耗特征,对各参考点进行分类并分别确定其匹配阈值,再将接收信号强度作为参考权重进行加权定位,最终得到更为精确的节点位置。实验表明,该算法能减小RSSI随机抖动引起的误差,有效地削弱个别信标节点被干扰的影响,提高定位精度。     

基于RSSI模型的无线传感器网络定位算法

传统无线传感器网络定位算法受到节点定位偏移量的影响,导致定位结果存在较大误差,针对上述问题提出基于RSSI模型的无线传感器网络定位算法.依据RSSI模型计算原理建立RSSI信号传输模型,并采用高斯滤波算法对RSSI值完成滤波处理.对节点位置距离加权,采用路径损耗模型采集RSSI中剩余信息,并将其转化为距离信息,得到每个...     

基于接收信号强度（RSSI）的室内二次定位方法

提出一种用于室内定位的基于接收信号强度( RSSI)的二次定位方法。首先利用全网中已有节点的信息,建立已知节点的初始路径传播损耗指数,采用统计中值滤波来减少RSSI的粗大误差和干扰,然后利用RSSI初次定位的位置结果对传播损耗指数进行再次修正,最后进行二次定位解算,显著提高了未知节点的定位精度。通过仿真和搭建实验平台验证了该算法的有效性。     

基于ZigBee室内定位算法

鉴于ZigBee技术适用于数据采集系统的特点,提出了一种基于ZigBee的室内无线定位系统解决方法.传统的基于ZigBee定位采用无线信号损耗模型,受周围环境的影响比较大,现实模型根据经验值设置参数,定位精度不高;在此基础上采用曲线拟合方法拟合RSSI与距离之间的关系,采用RSSI三角形质心算法计算待测节点坐标.实验结果表明该算法提高了定位精度.     

基于BP神经网络的实时动态参数定位方法

为减小测距技术中的非视距误差并解决定位模型中存在的问题,提出一种实时动态参数定位方法。基于人工神经网络算法,利用多个参考节点获取的测量值的非视距（NLOS）误差,使测量值 RSSI接近视距（LOS）环境下的测量值;通过该区域内选定的参考节点之间的相互通信实时动态地估算出环境参数值。实验结果表明,该算法缩减了在RSSI测距技术中的非视距误差,并能根据实际环境条件实时动态地调整定位模型的参数,有效提高定位精度。     

基于ZigBee的三边测量算法误差研究及改进

针对ZigBee技术广泛采用的的三边测量定位方法应用于二维定位的问题．分析其因各节点安装高度不同而产生的误差。为维持ZigBee技术低成本的特点,导出了RSSI值修正条件及RSSI修正值与实测值的函数关系。在不增加算法复杂度的情况下,对由锚节点安装高度不一致造成的误差进行了抑制,并在CC2431模块上实现了改进后的定位算法。结果表明,改进后的定位算法以较小的系统开销提高了定位精度。具有一定的实用性和通用性。     

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。     

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RSSI的动态修正室内无线定位算法

介绍室内无线定位技术国内外研究现状后,提出了基于接收信号强度指示的动态修正室内无线定位算法。首先利用多次加权平均的方式动态求解距离－损耗模型中的环境因子;然后以动态修正后的模型为基础,提出了利用质心原理求解移动点位置的室内定位算法;最后提出了基于多目标规划的布点方案,并对定位算法进行了实验。结果表明,该文的定位算法一定程度上解决了因室内环境复杂多变导致距离－损耗模型失真而给定位带来误差的问题。     

基于无线网络节点相似度的室内定位算法

针对RSSI测距定位技术在室内环境中受到的随机干扰大,干扰变化情况不确定,定位结果误差较大的问题,提出了一种基于无线传感器网络节点相似度的室内定位算法。首先通过无线传感器网络的连通特性确定位于网络盲节点周围的几个信标节点,利用数据拟合的方法确定节点工作电压对RSSI距离测量的影响,然后根据拟合结果对不同工作电压下测得的RSSI值进行修正,利用修正后得到的RSSI值计算得到网络节点之间的相似度值,并利用该相似度值作为距离测量和定位结果的自校正系数,对定位结果进行修正,从而获得精度较高的定位效果。实验结果表明该定位算法具有较高的定位精度。