基于RSSI的无线传感器网络定位技术的研究

节点定位技术是无线传感器网络(WSN)的支撑技术之一,给无线传感器网络的各种应用提供节点的位置信息,具有重要的作用。本文分析了无线传感器网络的节点定位算法的原理和分类,并着重分析了基于信号强度测距法(RSSI)的无线定位技术,提出了将信号强度理论值与经验值相融合的定位方法。     

基于RSSI差分似然估计的WSN节点定位算法

为了克服接收信号强度测量误差对无线传感嚣网络(WSN)节点自身定位精度的影响.在对极大似然估计定位算法和接收信号强度指示(RSSI)模型分析的基础上,定义了个体差异差分系数、距离差分系数和距离差分定位方程,把离目标节点最近的信标节点作为参考节点对基于RSSI的测距进行差分修正,并将测距差分修正和极大似然估计相结合提出了一种测距差分修正极大似然估计定位算法.算法通过RSSI进行测距,无需增加额外硬件开销,容易实现.定位精度可达2.5 m以下,适合于处理能力和能量有限的WSN节点定位.     

无线传感器网络分布式的移动节点定位研究

针对WSN野外二维特定应用环境,提出了一种到主信标节点信号强度差定位算法（SSDLB）与运动预测定位算法（MPL）相结合的基于分布式的高覆盖率移动WSN节点定位算法,解决了在定位过程中未知节点在某定位时刻其邻居信标节点的个数小于3个的定位问题,并且避免了传统RSSI定位算法把信号强度值转化成距离再进行定位所带来的计算误差与计算开销,一定程度上提高了节点定位精度和覆盖率。仿真实验表明：此算法在较低的信标节点密度的条件下,能够达到较高的定位精度和定位覆盖率,与传统的RSSI算法相比定位性能有显著的提高。     

一种基于插值的室内指纹定位系统设计与实现

由于室内环境的复杂性,无线传感器网络WSN(Wireless Sensor Networks)室内定位的精度一直不够理想.本系统在测距定位算法和非测距定位算法的基础上,提出了基于信号强度RSSI(Received Signal Strength Indication)的指纹定位方法.该方法利用Cokriging插值算法建立定位区域的多维RSSI向量指纹,通过匹配目标节点的RSSI向量与指纹RSSI向量确定目标节点的位置范围,最后使用K-中心点聚类算法提取目标节点的实际位置.实际场景实验和仿真实验结果都表明此方法在复杂的室内环境中具有较高的定位精度.     

基于改进的RSSI无线传感器网络节点定位算法研究

研究无线传感器网络节点定位问题。接收信号强度值(RSSI)直接影响无线传感器网络节点定位准确度,而现有定位算法没有考虑锚节点的RSSI消息,造成节点定位精度低。为了提高无线传感器网络节点的定位精度,提出了一种基于RSSI的质心定位算法。首先通过无线信号强度计算出节点间RSSI值,然后把RSSI值转换成质心算法权值,最后采用质心定位算法对待测节点位置进行估计,获得节点的准确位置。仿真实验结果表明,与现有质心定位算法相比,基于RSSI的质心定位算法在不增加成本、通信功耗的情况下,提高了节点定位精度,降低了定位误差,适合各种规模的无线传感器网络的节点定位。     

周界入侵检测中基于WSN的目标定位算法

在周界入侵检测中,DV-Distance定位算法得到的距离值误差较大。为此,对该算法进行改进,提出一种适用于带状无线传感器网络(WSN)的节点定位算法(IDV-Distance)。利用RSSI方法测得累计跳距,根据带状WSN的拓扑特性对其进行修正。采用极大似然法初步估算节点位置,并通过最速下降算法提高节点定位精度。实验结果表明,与经典DV-Distance算法及其2种改进算法相比,IDV-Distance算法的定位精度较高。     

改进的局部保持典型相关分析的无线传感器网络节点定位方法

利用接收信号强度（RSSI）进行无线传感器网络（WSN）定位是一类低成本定位方法。局部保持典型相关分析定位（LE-LPCCA）算法能通过节点间RSSI数据的相似度信息近似拟合WSN结构,取得了较高定位精度。但该算法只使用节点间相似性信息未保留信号空间和物理空间的相关性信息,且求解未知节点坐标时使用粗糙的质心法。针对以上问题,提出改进的局部保持典型相关分析定位（LE-ILPCCA）算法,该算法在样本训练阶段用平衡参数将数据的相似性和相关性信息进行融合,求取RSSI内在低维坐标表示的投影变换;在定位阶段,求解已知节点位置坐标和RSSI内在低维坐标之间存在的线性转换关系,获得未知节点的坐标。实验结果表明,本文算法与LE-LPCCA和LE-CCA相比定位精度高、稳定性强。     

基于EKF算法的无线传感器网络定位技术研究

无线传感器网络中,基于RSSI测距技术的定位系统误差较大。对扩展卡尔曼滤波(EKF)算法在抑制测距误差和提高定位精度方面进行了深入的研究。同时根据EKF算法在WSN节点定位中的两种应用方式,以收敛概率和相对误差为指标,在各种拓扑条件下对提高节点定位精度进行了分类探讨。最后结合仿真阐述了EKF算法的适用范围,并分析了影响算法性能的因素。     

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-SO算法的WSN定位研究

无线传感器网络是一种基于无线通信技术的分布式传感器网络,广泛应用于环境监测、智能家居、智能交通等领域。在WSN中,节点的位置信息对于实现很多应用非常重要。因此,WSN定位算法是WSN研究的重要内容之一。鉴于此,提出了一种基于RSSI与蛇优化算法的WSN定位研究,利用节点之间的信号强度和蛇优化算法来实现节点的定位,最后进行误差分析。在实验环境中进行了对比实验,结果表明,本文提出的方法相比于三边测量定位算法,具有更高的准确度。     

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。     

A novel adaptive cooperative location algorithm for wireless sensor networks

To overcome the disadvantages of the location algorithm based on received signal strength indication(RSSI) in the existing wireless sensor networks(WSNs),a novel adaptive cooperative location algorithm is proposed.To tolerate some minor errors in the information of node position,a reference anchor node is employed.On the other hand,Dixon method is used to remove the outliers of RSSI,the standard deviation threshold of RSSI and the learning model are put forward to reduce the ranging error of RSSI and improve the positioning precision effectively.Simulations are run to evaluate the performance of the algorithm.The results show that the proposed algorithm offers more precise location and better stability and robustness.     

基于接收信号强度指示测距的蒙特卡罗盒移动节点定位算法

针对无线传感器网络(WSN)中以蒙特卡罗为基础的移动节点定位算法在采样效率和定位精度方面的不足,提出一种基于接收信号强度指示(RSSI)测距的蒙特卡罗盒定位(MCB)算法。通过对RSSI测距信息分区间管理来加强过滤条件,提高定位精度;同时采样阶段利用已满足过滤条件的样本点生成更有效的样本,从而提高采样效率;最后通过牛顿插值法预测节点运动轨迹,样本点与未知节点运动轨迹越接近则其权值越大,据此对样本点进行加权处理得到节点的最佳估计位置。仿真结果表明,改进方案在不同的锚节点密度、通信半径、运动速度等情况下均表现出良好性能,且定位精度与同等条件下的蒙特卡罗盒算法相比均有提高。     

基于RSSI校正的无线传感器网络定位算法

为了使接收信号强度指示（RSSI）的测量误差对节点定位精度的影响程度达到最小化,提出一种基于RSSI高斯加权校正的质心定位算法.首先通过高斯函数滤去偏差较大的RSSI值,然后再对余下的RSSI值加权计算得到优化的RSSI测量值,并利用测量到的RSSI值计算出锚节点与未知节点之间的距离,然后根据计算出的距离对锚节点坐标加权,并通过质心定位算法求出未知节点的位置坐标.仿真实验表明：该算法相比基于RSSI的质心定位算法,定位覆盖率提升3％～6％,平均定位误差至少减少4％,是一种定位精度更高的算法.     

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

改进的狭长空间中加权质心定位算法

针对目前狭长空间环境中信号多路径效应明显、传感器节点定位精度不足等情况,提出了一种基于信号接收强度(RSSI)的加权质心定位算法.该算法根据狭长带状区域环境特点部署信标节点,通过相邻信标节点的实际距离和信号接收强度,动态获取周围环境的路径衰落指数,提高RSSI测距算法的环境适应能力;根据当前环境改进加权质心算法的加权因子,引入修正因子,进一步提高算法的定位精度.理论分析和仿真结果表明,该算法设计优化,适应于狭长空间环境,宽度分别为3 m、5 m、8 m、10 m,信标节点的个数为10的巷道环境中,其定位计算精度比传统加权质心算法分别提高了22.1%、19.2%、16.1%、16.5%,稳定性分别提高了23.4%、21.5%、18.1%、15.4%.     

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LoRa技术融合RSSI和TOA的户外定位方法

LoRa（Long Range）定位为当今户外定位提供了一种低成本、低功耗的解决方案。为了提高定位的准确性,提出一种基于LoRa技术融合接收信号强度指示 (RSSI) 和信号到达时间 (TOA)的户外定位方法。通过TOA筛选有效的RSSI信息和计算RSSI的统计平均值,基于预先测量样本的方式,构建了一种类高斯分布的每个定位基站对应测距模型,获取待定位设备距离基站的距离和定位基站的位置坐标映射后,通过加权质心定位算法,得到待定位设备的位置坐标。搭建基于SX1280的验证平台,对该方法进行验证。理论分析和实验结果表明,融合RSSI和TOA的定位方法能够有效筛选数据,对比改进前的定位方法定位误差减小了20%,稳定性较高。所提出的LoRa定位算法计算覆盖范围较广,理论上可以覆盖到超过1 km的范围,实验场地最长半径达到了500 m,算法复杂度较小,实时性较好,易于实现,可用于室外定位。     

基于移动锚节点的加权质心定位算法研究

针对加权质心定位(WSL)算法所需锚节点数目较多,定位精度低,定位成本高等问题,采用单个移动锚节点沿着既定的轨迹在监测区域移动,并在规定位置广播数据包;未知节点根据接收的信号强度(RSSI)比值以及邻居节点间的最小跳数确定权值,进而估算未知节点自身的坐标位置.仿真结果表明:算法有效地提高了定位精度和稳定性,降低了定位成本.     

新的室内移动机器人自定位方法

针对现有室内移动机器人自定位方法中存在的定位精度不高,随时间积累定位误差增大,复杂室内环境下信号存在多径效应和非视距效应等问题,提出了一种基于蒙特卡罗定位(MCL)的新的移动机器人自定位方法。首先,通过分析基于无线射频识别(RFID)技术的移动机器人自定位系统,建立机器人运动模型;然后,通过分析基于接收信号强度指示(RSSI)的移动机器人自定位系统,提出机器人移动过程的观测模型;最后,针对粒子滤波定位执行效率不高的问题,提出粒子剔除策略和依据粒子方位赋予粒子权值策略,提高系统的定位精度和执行效率。仿真实验表明,机器人在移动过程中的自定位误差在X轴和Y轴方向上为3 cm,传统定位算法误差为6cm,新算法定位精度提高近1倍,且算法具有很好的鲁棒性。