室内多用户在线协同指纹定位算法

针对室内环境中多个用户同时申请定位服务的场景,提出一种基于多用户在线协同的室内指纹定位算法.考虑到邻近的多个用户在同一时段观测的Wi-Fi接入点(Access Point, AP)的接收信号强度指示(Received Signal Strength Indicator, RSSI)信号服从相似的空间分布,从而可利用该信号强度的大小来校准用户的估计位置.算法首先由目标用户的AP覆盖向量确定邻近的候选参考节点(Reference Point, RP)以及协同定位用户;利用协同定位用户观测的RSSI信息对候选RP进行可信度评估,并结合目标用户的RSSI信号与各候选RP指纹的相似度,筛选候选RP,利用WKNN(Weighted K-Nearest Neighbors)算法获得经协同定位用户校准后的目标用户的校准估计位置;同时,算法还融合了子集定位的思想,利用目标用户的在线RSSI信号构建用于校准定位的多个AP子集,并由位置密度检测方法剔除异常校准位置,确定目标的最终估计位置.算法涉及的协同用户的发现和位置的校准都无需额外的硬件支持,对用户透明.典型室内环境中的实验结果表明,多用户在线协同定位算...     

WSNS中基于箱线图的误差自校正定位算法

针对基于接收信号强度指示(RSSI)的无线传感器网络(WSNs)节点定位技术易受环境影响、算法运算量大等问题,提出一种基于箱线图的误差自校正定位算法.该算法采用箱线图法处理测距过程中的异常RSSI值,利用自校正最小二乘法消除测距误差进而实现节点定位.仿真和实验结果表明,该算法可以有效抑制异常RSSI值,显著提高节点定位的准确性和稳定性,而且无需建立复杂的数据传播模型或构造RSSI位置指纹分布图.     

基于Pearson相关系数的快速虚拟网格匹配定位算法

针对室内环境下位置指纹匹配定位算法中离线数据库采集工作量较大的问题,提出了一种基于Pearson相关系数的快速虚拟网格匹配的定位算法。首先,将接收信号强度指示（RSSI）进行高斯滤波预处理得到接收信号强度向量;然后,利用Bounding-Box方法确定初始虚拟网格区域,将该网格区域快速迭代细分并计算网格中心点到各信标节点的距离对数向量,计算接收信号强度向量和距离对数向量之间的Pearson相关系数;最后,选取Pearson相关系数接近于-1的k个近邻坐标以相关系数加权估计确定待定位节点的最优估计位置。仿真实验结果表明,在1m虚拟网格且RSSI噪声标准差为3dBm的条件下,算法定位误差小于2m的概率大于94.2%,其定位精度优于位置指纹匹配算法,且无需建立RSSI指纹数据库,大大减少了定位工作量。     

基于组合测距的无线传感器网络自定位算法

针对如何在锚节点密度较低的情况下提高无线传感器网络中节点自定位精度的问题,本文提出了一种基于RSSI和TDOA组合测距的加权质心定位算法.该算法分别对传统RSSI和TDOA测距模型增加了校验参数及温度补偿,将未知节点与锚节点间距离估计值的倒数作为权值参数,再利用加权质心算法计算出未知节点的位置坐标.硬件试验表明室内环境中基于改进RSSI测距模型的定位算法相比于传统RSSI质心定位算法的误差改进比率为56.2%,仿真结果显示基于组合测距的定位算法在锚节点密度较低时也能达到较高的定位精度.     

基于RSSI的自适应权重定位算法

在室内环境中,由于存在多径、反射的影响,采用传统的静态权重质心定位(SWCL)方法无法得到准确的定位精度.针对这一问题,提出了一种新的基于接收信号强度指示(RSSI)的动态自适应静态权重质心定位(RSSI—DA—SWCL)算法.对RSSI测距算法优化,消除不同发射功率和其它突发干扰对测距的影响;利用锚节点和未知节点距离等信息,让锚节点自适应地获得最优的权重系数,从而提高定位精度;将RSSI—DA—SWCL算法在ZigBee平台中实现,并通过Maltab仿真和实测实验对算法进行验证.结果表明:和传统的定位算法相比,提出算法具有更优的定位精度.     

基于PSO的测距模型参数估计三维定位算法

节点定位技术是无线传感器网络应用的重要支撑技术之一;针对粒子群优化(PSO)定位方法的定位精度依赖于测距模型参数与实际值的符合程度,在接收信号强度指示(RSSI)测距模型的基础上,提出一种测距模型参数估计的三维定位算法;该方法无需计算距离,将未知节点的位置和RSSI测距参数作为自变量,以信号强度误差为目标函数,采用粒子群优化算法估算未知节点坐标;仿真结果表明所提算法不依赖于测距模型参数的选取,并取得了理想的定位精度。     

无线传感器网络在室内定位中的应用研究

室内定位受到地板、墙壁、人员走动等因素的影响,易产生多径现象,使信号严重衰减,从而导致基于接收信号强度(RSSI)算法难以获得较高定位精度。为了提高室内环境下的无线传感器定位精度,针对室内特有的特点,利用RSSI和质心定位算法优点,提出一种组合的室内传感器节点定位方法。首先利用预先布置好的信标节点,读取目标节点的RSSI值,然后把RSSI值作为质心定位算法的权值,通过质心算法得到目标节点坐标,最后进行测试实验。结果表明,组合算法具有计算量小、定位精度高等优点,能够很好地满足室内环境定位要求。     

无线传感器加权质心定位算法研究

无线传感器网络的节点自定位的技术主要有基于测距(Range-Based)的定位技术和距离无关(Range-Free)定位技术。该文主要研究了基于测距的无线传感器网络定位算法。在传统质心定位算法中,引入相对RSSI加权定位实现未知节点的位置估计。该方法每个锚节点的权值使用RSSI的相对位置值,每个锚节点的权值可以按线性或指数加权。     

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。     

基于区间分析的WSNs定位算法

为了降低接收信号强度指示(RSSI)的测量误差对节点定位精度的影响并提高算法的鲁棒性,提出一种新的基于区间分析的无线传感器网络(WSNs)定位算法.该算法在测距阶段运用自助抽样法消除RSSI的测量误差并构建测距的置信区间;在定位阶段,结合B-box定位法和集员辨识求出未知节点位置坐标的可行解集,通过网格扫描得到未知节点的估算位置.该算法通过仿真分析验证了可行性,并与传统的定位算法进行了误差比较,实验结果表明:该算法具有更高的定位精度且鲁棒性更好.     

基于RSSI信号特征的室内分区指纹定位算法

为提高室内定位精度和算法效率,提出基于RSSI信号特征的分区指纹定位算法。在离线阶段,区别于传统的使用RSSI信号构建离线指纹库的方法,设计使用RSSI信号衰减率建立离线指纹库;在在线定位阶段,针对使用欧式距离进行相似度计算时,容易出现两个点RSSI信号欧式距离较近而物理距离较远的情况,提出使用RSSI信号衰减率进行子区域划分,引入SSD的思想使用二级指纹进行精确定位。通过实验验证了该算法的适应性与有效性。     

基于动态环境衰减的粒子滤波室内定位算法

针对精确的室内定位中节点受复杂环境的干扰带来因距离相同而位置不同的环境差异,造成定位精度不足和定位稳定性较差的问题,提出了一种新的动态环境衰减因子(DEAF)模型的算法。算法构造DEAF模型,且重新定义了其取值方式。在算法中,首先利用粒子滤波算法对接收到的信号强度(RSSI)进行平滑处理;然后利用DEAF模型计算目标节点的估计距离;最后用三边测量法求出目标节点的坐标。通过与几种常用的滤波模型进行对比实验,得出这种动态环境衰减模型结合粒子滤波的算法能很好地调和不同位置带来的环境噪声差异,算法使定位平均误差降到0.68 m左右,且在室内定位中有较高的定位精度和较好的稳定性。     

多传感器辅助的WiFi信号指纹室内定位技术

近年来,基于室内定位的应用服务越来越普及,吸引了大量的研究工作.其中,基于WiFi信号指纹的室内定位技术发展尤为迅速.但无线信号传输易受环境影响,会导致WiFi信号指纹定位存在偏差.为了提高定位精度并减小环境因素带来的不利影响,提出了智能手机内置传感器辅助WiFi信号指纹定位的方法,即利用智能设备上内置的传感器如加速计、陀螺仪等采集数据,计算得到用户轨迹信息和轨迹可信度,将轨迹信息与信号指纹信息结合起来建立综合概率模型,进行位置匹配,确定最近参考点.实验结果表明,与经典WiFi信号指纹定位方法相比,利用传感器所估测的用户轨迹信息能够有效应对环境变化的影响,提高平均定位精度.     

基于RSSI的WiFi指纹定位数据融合算法研究

目前已有的位置指纹室内定位算法大多都是建立在原始指纹数据库的基础上,指纹数据库的建立精度会直接影响到最后的定位精度,因此在基于WiFi的定位技术中,对接收信号强度(received signal strength indication,RSSI)的稳定性要求比较高。通过对指纹数据的研究,提出了一种基于高斯核函数融合卡尔曼滤波对数据进行预处理的方法。实验证明,该融合算法能有效剔除RSSI指纹数据中的突变数据和噪声波动,实现RSSI值的准确、平滑输出,从而建立准确的指纹数据库,使后期的定位结果更加精确。     

基于特征匹配和距离加权的蓝牙定位算法

针对传统iBeacon指纹定位技术中接收信号强度值（RSSI）波动较大、指纹库聚类复杂、存在较大跳变性定位误差等问题,提出一种基于排序特征匹配和距离加权的蓝牙定位算法。在离线阶段,该算法先对RSSI进行加权滑动窗处理,然后根据RSSI向量大小生成排序特征码等值,并与位置坐标等信息组成指纹信息,形成指纹库;在在线定位阶段,根据排序特征向量指纹匹配定位算法和基于距离的最优加权K最邻近法（WKNN）实现室内行人定位。在定位仿真实验中,该算法可以自动根据特征码进行聚类,从而降低了聚类的复杂度,能实现最大误差在0.952 m内的室内行人定位精度。     

基于不同发射功率的室内定位算法优化

在无线传感网络室内定位中,节点的发射功率不同会降低基于对数-正态模型的定位算法的定位精度。针对这一问题,基于真实室内环境下RSSI值的变化,提出了一种基于不同发射功率的室内定位优化算法。该算法通过确定最小动态区域,对RSSI测距方法进行优化,降低不同发射功率带来影响。仿真和实验结果证明,提出的新算法在参与定位的信标节点发射功率不一致的情况下,达到了信标节点发射功率一致情况下的定位精度。     

基于Zigbee室内定位系统的指纹库优化算法

Zigbee无线传感器网络的接收信号强度指示(RSSI)可以用来提供位置服务,使用RSSI建立指纹数据库设计定位算法能够得到良好的定位效果,但指纹数据库的采集和建立精度会直接影响到最终的定位精度,而一般方法建立的指纹数据库误差较大。为此,通过对Zigbee网络指纹数据库采集和建立过程进行研究,提出一种Zigbee网络中指纹数据库采集、建立及优化的算法。在定位区域将各采样点采集到的指纹数据库源数据进行滤波处理,建立高精度的指纹数据库。利用Zigbee平台组建无线网络进行实验,分别使用针对该定位系统提出的限定区域最邻近算法、限定区域加权最邻近算法、限定区域贝叶斯算法进行定位计算。实验结果表明,运用优化后的指纹数据库在短距离范围内定位平均误差可限制在1.5 m以内。     

动态环境中的WiFi指纹自适应室内定位方法?

针对传统的基于WIFI信号的室内定位方法难以有效解决环境动态变化对RSSI值的影响问题,设计并实现了一种基于WIFI射频信号强度指纹的室内定位方法。该方法通过采用一种基于用户使用状况与布置定位参考点的方法来动态更新系统的WIFI指纹数据库,从而有效降低了在实际使用过程中用户手持手机的方向、用户的身体遮挡以及使用环境的动态变化对RSSI值所带来的影响。实验结果表明,本文设计并实现的定位方法比传统定位方法更稳定、易维护,同时也具有更高的定位精度和自适应性。     

基于CSI与SVM回归的室内定位方法

为研究室内定位技术在复杂环境中的应用,以楼梯和实验室为实验场景,提出了一种基于信道状态信息(CSI)与SVM回归的室内定位方法.该方法通过基于密度的空间聚类方法(DBSCAN)去除信号噪声,并用主成分分析法(PCA)提取贡献最大的指纹特征,同时降低CSI指纹的维度.通过SVM回归建立CSI指纹与目标位置之间的非线性关系...