基于干涉效应的无线传感器节点定位方法

针对无线传感器网络中节点定位的需求,提出了一种基于干涉效应的传感器节点定位算法。该方法仅需要利用节点的硬件设备,不需要增加额外的测量设备,各个节点独立进行自身位置估计,实现分布式定位。首先在传感器网络中设置若干个位置已知的网关锚节点和参考接收节点,不同位置两个网关锚节点在某个时隙内发射单音信号,就会在整个定位区域内形成一个干涉效应场。而各个待定位节点通过测量接收的到的干涉信号振动周期数就可以得到自身与各个网关节点距离差。通过多组锚节点分时隙发射单音信号,并配合参考接收节点,通过双曲线定位算法得到自身的坐标。通过对算法进行仿真分析,验证了算法的可行性。     

基于定向天线和信号覆盖差异的定向方式

提出了一种基于定向天线和信号覆盖差异的定向方法,根据信号覆盖范围的差异来进行定向定位。具体定向原理为:信号发射终端向不同方向发射不同信号,这些信号覆盖范围会有不同程度的重叠,因此接收终端能够接收到一到多个不同信号,然后根据发射终端信号覆盖图,就可以分析出接收终端相对发射终端的方向。该方案不需卫星定位信号和移动数据网络服务,不需要预先铺设定位节点就可实现定向定位。     

无线传感器网络中一种基于定向天线的节点定位算法

节点定位问题是无线传感器网络中的一个基本而非常重要的问题。已有的定位算法大致可以分为两类:基于测距的和无需测距的。基于测距的定位算法需要额外硬件的支持,成本较高,不适用于大规模的传感器网络;无需测距的定位算法不需要额外硬件的支持,是解决传感器网络节点定位问题的一个较为经济适用的方法。本文提出了一种新的基于定向天线的无需测距的分布式定位算法。其主要原理在于利用定向天线确定邻居节点之间的相对位置,然后判断未知节点是否在锚节点构成的三角形内。仿真研究表明,提出的算法是有效的,能够取得较好的定位精度。     

多功率移动锚节点辅助的分布式节点定位方法

提出了一种移动锚节点辅助的分布式定位算法.与以前的基于移动锚节点的定位算法不同,此算法不需要任何测距技术支持.它是利用移动锚节点的功率控制,即以不同的发射功率发射信标信号,接收到信标信号的未知节点将这些信标信息转化为一系列二次不等式约束,然后通过凸优化技术求解这些不等式组来逼近未知节点位置的最佳估计.仿真结果表明,提出的距离无关的定位算法可适合实际定位情况且具有较高的定位精度.     

传感器网络的粒子群优化定位算法

无线传感器网络定位问题是一个基于不同距离或路径测量值的优化问题。由于传统的节点定位算法采用最小二乘法求解非线性方程组时很容易受到测距误差的影响,为了提高节点的定位精度,将粒子群优化算法引入到传感器网络定位中,提出了一种传感器网络的粒子群优化定位算法。该算法利用未知节点接收到的锚节点的距离信息,通过迭代方法搜索未知节点位置。仿真结果表明,该算法有效地抑制了测距误差累积对定位精度的影响,提高了节点的定位精度。     

无线传感器网络中基于锚节点功率调节的加权质心定位算法

提出了一种基于锚节点功率调节的加权质心定位算法,通过锚节点的功率调节确定各个锚节点对于未知节点的影响力因子,并将其作为权重计算未知节点的位置,体现了不同锚节点为未知节点位置计算结果的影响.仿真表明,该算法减小了节点的平均定位误差,是一种适合于无线传感器网络的定位方法.     

基于临近锚节点修正的DBSCAN聚类加权定位算法

为了提高无线传感器网络节点的定位精确度,给出一种基于临近锚节点修正(CAAN)的具有噪声的基于密度的聚类(DBSCAN)加权定位算法.首先,在未知节点通信范围内的锚节点中选择三个构成三角形,证明当未知节点处在此三角形外接圆圆心位置时定位误差最小,然后据此选择合适的锚节点,结合滤波后的接收信号强度指示(RSSI)值进行定...     

基于无线传感器网络与无迹卡尔曼滤波的室内定位系统设计

基于接收信号强度指示(Received Signal Strength Indicator, RSSI)的测距方法和无迹卡尔曼滤波(Unscented Kalman Filter, UKF)实现了一种无线传感器网络室内定位系统。系统主要由协调器节点、锚节点和盲节点组成，首先由盲节点发送RSSI信标信号至锚节点处，锚节点接收信标信号后做均值处理，并将自身位置信息一起打包回发给盲节点；然后盲节点将定位信息的相关数据通过协调器无线发送至上位机；最后在上位机中完成对盲节点的定位计算。为进一步提高定位精度，首先应用三边定位方法获得盲节点的初步定位结果，然后采用无迹卡尔曼滤波实现了二次精确定位。使用C#语言开发上位机软件，在20 m×20 m的定位范围内，对10个随机位置处的盲节点进行了定位测试，其中最大定位误差为1.52 m,最小误差为0.50 m,平均定位误差为1.04 m。结果表明所提出的定位算法性能良好，系统定位方案切实有效。     

无人机辅助的基于前馈神经网络的节点定位算法

针对无线传感网络(WSNs)的节点定位问题,提出无人机辅助的基于前馈神经网络的节点定位(UAV-NN)算法。UAV-NN算法利用无人机(UAV)作为锚节点,并由UAV周期地发射beacon信号,利用极端学习机(LEM)训练单隐藏前向反馈的神经网络(SLFN),未知节点接收来自UAV发射的beacon信号,并记录其接收信号强度指示(RSSI),已训练的SLFN再依据RSSI值估计节点位置。仿真结果表明,相比于传统的基于RSSI定位算法,提出的UAV-NN算法无需部署地面锚节点;相比其他传统的机器学习算法,UAV-NN算法通过引用ELM,减少了定位误差。     

无线传感器网络分布式迭代定位误差控制算法

针对无线传感器网络分布式迭代定位中误差的传播和累积问题,该文首先分析了锚节点几何形状对定位误差的影响,提出了基于几何精度因子的误差控制算法,巧妙设计了加权策略,将锚节点几何形状对定位精度的影响以权值的形式定量体现在迭代定位过程中,在每一轮迭代中有效控制了误差的传递,进而提高了整个网络的分布式定位精度。与传统的最小二乘定位算法和基于轮数的误差控制算法进行了仿真比较,结果表明,基于几何精度因子的误差控制算法定位性能最优,网络定位精度分别提高了25%和15%。