基于RSSI的室内无线网络定位技术研究

基于信号强度（RSSI）的测距是一项低成本和低复杂度的距离测量技术,被广泛应用于无线传感器网络基于距离的定位技术中。基于RSSI测距的定位技术,通过线性回归分析对参数进行优化,引入高斯滤波模型,对RSSI值进行修正,提高了测距精度。采用泰勒级数展开对位置进行迭代计算,最后在TI的ZigBee平台上进行实验验证,通过仿真和实验验证了算法的可行性和优越性。与CC2431算法相比,该算法减小了定位误差,提高了定位精度。     

基于RSSI的Wi-Fi室内定位常用算法对比

WiFi定位是室内定位的方法之一,其观测值主要为WiFi的信号强度(received signal strength indication,RSSI),利用信号强度进行室内定位的方法基本上可以分为两种,一种根据模型计算接收节点与发射节点的距离,估计接收节点的位置;另一种是根据事先采集的信号强度指纹进行空间匹配。通过在不同场景下对两种定位算法的比较,基于信号强度指纹匹配的定位精度明显高于基于估计接收节点的定位精度,但与指纹匹配法相比,位置估计法更加灵活。     

基于信道状态信息测距的Wi-Fi室内定位误差界分析方法

相较常用于室内定位的Wi-Fi接收信号强度(RSS),Wi-Fi信道状态信息(CSI)包含了信号传输过程中更细粒度的物理层信息(如各个子载波的幅值和相位),故可将其用于较精确的测距以实现较高的Wi-Fi室内定位精度。由于现有基于CSI测距的定位方法普遍缺少关于定位误差界的理论分析,从而导致难以对不同定位方法的理想性能进行比较。因此,该文提出一种基于CSI测距的Wi-Fi室内定位误差界分析方法,其在室内信号传播模型的基础上,考虑路径损耗、阴影衰落和多径效应与定位精度的关系,利用克拉美罗下界(CRLB)推导了时钟异步效应下基于CSI测距的定位误差界。此外,通过实验对比,分析了实际定位误差与所推导的定位误差界之间的差异,并讨论了不同实验参数对定位性能的影响。     

改进的基于RSSI差值的定位算法

基于强度（RSSI）的移动终端定位方法有其特有的优势,是测量报告（MR）分析中一项关键技术。为了提高定位精度,这里改进了基于RSSI差值的定位算法,采用加权最小二乘法（WLS）求解线性定位方程组,估计了距离测量和计算引入的定位误差,采用两次求解来消除距离误差,最后对算法的定位精度进行了测试,给出了测试结果,并对比了几种常用的强度定位算法的定位精度,结果表明改进后的算法明显提高了定位精度。     

基于RSSI和惯性导航的融合室内定位算法

针对目前对高精度室内定位算法的需求,提出一种基于接收信号强度识别（RSSI）和惯性导航的融合室内定位算法。基于无线传感网中ZigBee节点的RSSI值,采用位置指纹识别算法,对网络中的未知节点进行定位。结合惯性传感单元（IMU）提供的惯性数据,对RSSI定位结果进行融合修正。利用Kalman滤波器,采用状态方程描述待定位节点位置坐标的动态变化规律,从而实现一种以无线传感网络定位为主、IMU为辅的融合定位方法。仿真结果表明,提出的融合定位算法既能改善单独使用RSSI定位受环境干扰较大的问题,又能避免单独使用惯性导航带来的累积误差,极大地提高了定位精度。     

基于信道状态信息测距的Wi-Fi室内定位误差界分析方法

相较常用于室内定位的Wi-Fi接收信号强度(RSS),Wi-Fi信道状态信息(CSI)包含了信号传输过程中更细粒度的物理层信息(如各个子载波的幅值和相位),故可将其用于较精确的测距以实现较高的Wi-Fi室内定位精度.由于现有基于CSI测距的定位方法普遍缺少关于定位误差界的理论分析,从而导致难以对不同定位方法的理想性能进行比较.因此,该文提出一种基于CSI测距的Wi-Fi室内定位误差界分析方法,其在室内信号传播模型的基础上,考虑路径损耗、阴影衰落和多径效应与定位精度的关系,利用克拉美罗下界(CRLB)推导了时钟异步效应下基于CSI测距的定位误差界.此外,通过实验对比,分析了实际定位误差与所推导的定位误差界之间的差异,并讨论了不同实验参数对定位性能的影响.     

基于BAS-LSSVM的室内可见光指纹定位方法

为提高室内可见光定位精度,提出一种基于天牛须搜索算法优化最小二乘支持向量机（BAS-LSSVM）的可见光指纹定位方法。先利用LED的光强信号强度特征构建指纹库,然后用天牛须搜索算法对最小二乘支持向量机的超参数进行优化以实现提高精度和减少时间开销的目的,最后建立位置坐标和信号强度特征的映射关系实现定位。实验结果表明,BAS-LSSVM定位方法可以实现良好的定位效果,97.0%的测试点定位误差不大于0.10 m,所有测试点平均定位误差为0.031 m。     

基于多源信息融合的RBF神经网络室内可见光定位算法

针对基于接收信号强度（RSS）的定位技术易受环境干扰而导致定位精度不高和稳定性较差的问题,提出了一种基于多源信息融合的径向基函数（RBF）神经网络室内可见光定位算法。通过将图像的颜色矩特征与RSS矩特征融合,构建指纹库,并采用RBF神经网络进行预测,实现了图像与RSS之间的优势互补,最后对定位算法进行了验证。实验结果表明,经过优化的多源信息融合定位算法较单一RSS定位算法的定位精度提高了9.4%。     

基于RSSR融合RNGO-Elman神经网络的室内可见光定位

针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGO-Elman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。     

室内环境内的改进型Taylor级数定位算法

由于传统基于信号强度的Taylor级数定位算法是将信号强度转换为距离,会产生误差累积.在此基础上直接采用信号强度路径损耗模型,提出基于Taylor级数展开法的一种新室内定位算法,消除了误差累积;通过几何数学估计初始位置的方法解决了初始位置的选取问题.仿真试验表明,该方法避免了Taylor级数定位算法的缺陷,定位精度高,复杂度低.