基于测距和灰狼优化的无线传感器网络定位算法

节点定位是无线传感器网络实际应用中的关键问题,为了提高定位精度,提出了一种基于测距和改进灰狼优化的无线传感器网络定位算法。本文提出了一种用三个信标节点坐标估计未知节点坐标的定位数学模型,通过该模型完成未知节点初步定位估计,将其作为基于对数递减策略的灰狼优化算法的初始值,通过改进灰狼优化算法寻优获取未知节点的优化坐标。仿真结果显示：通过与已有相关定位算法相比较,本文所提出的算法定位精度更高,并且具有对测距误差鲁棒性强的优点。     

YOLO-wLU：考虑定位不确定性的目标检测算法

YOLOv3目标检测算法在检测目标时没有考虑边界框坐标定位存在的不确定性,因此有时不能得出正确的检测结果。针对此问题,提出YOLO-wLU（YOLO with Localization Uncertainty）算法。该算法借鉴深度学习中的不确定性思想,使用高斯分布函数建立边界框坐标的概率分布模型以考虑边界框坐标定位不确定性;设计新的边界框损失函数,在检测过程中移除定位不确定性较大的检测结果;通过融合周围边界框坐标信息提高了边界框坐标辨识结果的准确性。实验结果表明,该算法可有效减少误报率,提高检测精度;COCO数据集上测试结果显示,相比YOLOv3算法,该算法的mAP最高可提升4.1个百分点。     

无线传感器网络中非测距混合定位算法

节点定位是无线传感器网络中的关键技术。针对质心定位算法和DV-Hop算法的不足,提出了一种非测距混合定位算法,采用DV-Hop算法得到节点之间的距离和粗略的未知节点估计坐标以作为质心定位算法的权重,经过两次加权质心定位算法得到未知节点更为精确的坐标。仿真实验结果表明：在不同情况下,该混合算法均能获得比两种原始算法更高的定位精度;与其他混合定位算法相比,计算量小,耗能更低。     

基于三点定位与加权坐标的三角定位算法

针对传统的基于接收信号强度指示（Received Signal Strength Indication,RSSI）的三角定位算法产生的定位误差大和定位结果波动性大的问题,提出一种基于三点定位与加权坐标的三角定位算法。该算法对RSSI数据进行卡尔曼滤波操作,降低RSSI数据的波动性;将滤波后数据经过基于RSSI选取的三点定位算法,获取粗定位坐标;将获取的三个粗定位坐标基于加权坐标的三角定位算法得到待定位点坐标。实验结果表明,在RSSI-距离衰减模型拟合度为96%的条件下,提出的算法的最大误差为1.602 m,平均误差为0.880 m。     

基于RSSI的WSNs加权质心定位算法的改进

针对无线传感器网络(WSNs)定位算法定位精度不高的问题,提出了一种基于RSSI测距的质心(Centroid)算法和加权质心(W-Centroid)定位算法相结合的新的定位方法WR-Centroid.该算法主要通过RSSI测距得出4个参考节点到未知节点的距离,再任选3个距离为半径,以相应的参考节点为圆心画圆得到3个圆的交叠区域,构成一个三角形,求出这个三角形的质心.依照这种方法,求得4个质心坐标,利用加权质心定位算法求出未知节点的坐标.仿真结果表明:该算法比加权质心定位算法精度有很大的提高.     

一种新型传感器网络节点定位法

针对传感器网络DV-Hop定位算法在实际环境中定位误差较大等问题,提出一种新型定位算法。该算法结合DV-Hop和接收信号强度指示器（RSSI）测距模型的优点,在距参考节点一跳时对未知节点到该参考节点的估算距离进行定位,同时利用坐标偏移模型对未知节点坐标进行校正,并对新算法进行了理论分析。在Windows环境下,利用VC和OMNET仿真平台验证了新算法的定位精度有明显提高。     

一种基于RSSI的贝叶斯室内定位算法

为提高室内定位系统中基于接收信号强度指示(RSSI)的定位精度,提出一种基于RSSI的贝叶斯室内定位算法。在对RSSI信号进行高斯滤波预处理后,利用三角形质心算法计算未知节点的初始坐标,对该初始坐标进行贝叶斯滤波处理,得到更加准确的坐标。实验结果表明,该算法能降低定位误差,定位精度可达98%。     

一种改进的LS-SVR定位算法

研究无线网络传感器节点定位技术问题,根据特征量重要度最小二乘支持向量回归(LS-SVR)的定位方法,为提高可靠目标跟踪效果,提出了一种改进策略.算法的主要思想是:根据已知锚节点坐标信息,通过对探测区域网格化采样,得到包含未知节点到各锚节点的距离和未知节点坐标的训练样本集,利用LS-SVR训练得到定位模型,定位时以用多个锚节点的平均每跳距离的平均向量作为模型的输入,将模型输出作为未知节点的估计坐标.仿真结果表明,算法在不需要增加节点的硬件开销的基础上提高了定位精度,是无线传感器网络中节点定位的一种实用方案.     

基于RSSI测距的传感器节点质心定位修正算法

针对传感器网络节点定位精度问题,研究基于RSSI测距的定位算法,提出多信标节点质心定位修正算法,通过该算法计算得到多组未知节点估计坐标,并在此基础上利用质心定位修正算法计算节点坐标修正值;利用仿真实验,证明基于RSSI测距的传感器节点质心定位算法定位精度比传统质心定位算法定位精度提高13.8%,比RSSI加权质心定位算法提高6.3%。     

基于鸡群优化的无线传感器网络三面定位算法

针对无线传感器网络空间定位问题进行了研究,为了提高未知节点的定位精度,提出一种基于鸡群优化的无线传感器网络三面定位算法。该算法结合了两种未知节点的求解方法,首先利用三面定位模型,通过求取三个面的交点来获取未知节点的坐标;再使用鸡群优化算法进行改进,根据三面定位法计算出的坐标值以及离未知节点最近信标节点的坐标进行初始化,迭代寻优。使用MATLAB进行仿真,改变算法的迭代次数、信标节点占比和通信距离,来对定位精度进行分析。结果表明该定位算法具有较高的定位精度与较快的收敛速度,且陷入局部最优的可能性低于粒子群定位算法。     

基于RFID的边界虚拟参考标签定位算法

介绍VIRE室内定位算法的原理,针对VIRE算法对边界标签定位准确度低的问题,提出边界虚拟参考标签定位算法BVIRE。该算法通过建立线性回归方程,在边界处加入边界虚拟参考标签。仿真结果表明,在不额外增加参考标签且不增大射频干扰的前提下,BVIRE算法较原算法使靠近边界处待定位标签的定位准确度得到较大提高。     

基于近邻传播算法的动态自适应室内指纹定位算法

目前传统的室内指纹定位算法中存在以下几个问题,首先在构建指纹库时采用平均值的方式构造指纹库容易受到噪声点影响而降低定位精度,其次使用欧式距离衡量待定位点与指纹点之间的距离可能引入信号强度距离较近,物理距离较远的参考点参与估计待定位点的位置从而增大定位误差,以及当参考点数量较大时,由于K近邻算法的计算量较大,从而造成定位过程耗时较大,能源耗费较多的情况,除此之外,由于K近邻算法无法根据实际情况确定参与定位的参考点个数从而限制了定位系统的精确性和拓展性。针对上述问题,本文设计了一种基于近邻传播算法的动态自适应室内指纹定位算法。该算法在离线阶段对在每一个参考点采集的信号强度值使用方差滤波算法去除噪声值,然后利用加入了参考点物理信息的近邻传播算法对参考点进行聚类处理。在在线阶段,通过进行粗略定位和精确定位动态的估计待定位点的物理位置。经过实验证明,本文所提出的新算法较对比算法有较高的精确度和稳定度。     

基于精确时间测量的无线网络室内定位系统研究

随着IEEE 802.11-2016协议(也称为802.11mc)的精确时间测量(FTM)定位解决方案的引入,通过RTT往返时间来进行测距并进行定位的技术路线正在得到重视.目前提出的基于FTM的测距方案测距精度在视线环境下通常具有1～2 m的偏移误差,由于在802.11mc中,噪音不具备高斯性,精度的进一步提升存在着较...     

萤火虫算法优化支持向量机室内定位研究

针对室内定位指纹库匹配冗余信息多造成定位浮动大,且数据库中样本数过多定位时效性差等问题,提出一种基于萤火虫算法FA优化支持向量机SVM的室内定位算法FA-SVM。利用奇异谱分析SSA预处理数据去除噪声,通过萤火虫算法优化支持向量机参数,建立室内定位回归模型。实验结果表明,相对于目前其它室内定位算法,FA-SVM算法收敛速度快,提高了室内定位精度和稳定性。     

基于LED半功率角的VLC混合室内定位算法研究

提出一种基于LED半功率角的VLC混合室内定位算法,该算法结合LED半功率角特点,在LED半功率角覆盖范围内时,光信号强度大、信道条件好,信号受到的路径损耗影响小,使用半功率角RSS算法进行定位;在LED半功率角覆盖范围外时,光信号强度小、信道条件差,提出到达角差值算法进行定位,该算法受光信号强度值大小的影响小,且只需2个LED信源可实现室内三维空间定位.最后,使用Matlab仿真,并利用卡尔曼滤波消除算法定位误差,将定位误差减小到2 cm.基于LED半功率角的VLC混合室内定位算法复杂度低、定位精度高,且实现简单.     

基于双重匹配位置指纹的室内停车场定位方法

为了提高室内停车场的寻车效率,提出了一种基于双重匹配位置指纹的室内停车场定位方法.该方法在加权K邻近算法基础上,利用RSSI值得出用户坐标,融合数据过滤算法与格点对应算法,以降低算法的定位误差,并采用双重数据库方法提高定位效率.实验采用均方根误差与累积分布函数两种指标对比了WKNN算法、过滤WKNN算法、格点WKNN算法与本文算法,实验结果表明本文算法具有较高的定位精度.     

基于CSI信号的被动式室内指纹定位算法研究

基于信道状态信息(CSI)的定位技术在室内场景应用中被广泛关注,为了提高WiFi信号多径效应对接收信号强度指示的室内定位精度和稳定性,提出一种基于CSI信号的被动式室内指纹定位算法。该算法在离线阶段将定位场所划分为同等大小的区域块,在各连接点位置使用方差补偿的自适应卡尔曼滤波（Kalman）算法对原始数据进行滤波。再对滤波后的数据使用二分K均值聚类（K-means）算法进行分类,将处理得到的CSI幅值和相位信息共同作为指纹;在线阶段根据待测点采集的实时数据与指纹库进行匹配识别,被定位对象无需携带任何设备。仿真实验与实地实验表明,该算法利用信道状态信息中的子载波特征进行定位,能够有效减轻信号接收端的多径衰减影响,定位精度有明显提高。      

基于室内指纹定位的优化算法

针对室内环境中WIFI信号强度易受外界干扰,其不稳定性使得在指纹数据库中进行匹配时准确性较低,定位精度不高的问题,提出一种基于室内指纹定位的优化算法。该算法分别对指纹数据库和匹配算法进行优化。数据库优化采用限幅和滑动平均滤波进行预处理,并根据室内环境分配采样点所属区域ID,构建多维指纹数据库;匹配算法优化首先根据SVM对待定位点分类,获取其对应的区域id,再将欧氏距离、曼哈顿距离和切比雪夫距离三者结合得到位置估计。最后,结合PDR算法将得到的步长与航向角一同进行粒子滤波实现定位。实验表明:本文的算法将定位精度提高了13.92%。     

基于超宽带技术的TDOA室内三维定位算法研究

在室内环境下对目标进行无线定位时,由于障碍物的遮挡而造成的非视距（NLOS）误差对定位精度产生了很大的影响。针对此问题,对利用超宽带（UWB）技术测量得到的到达时间差（TDOA）数据进行残差分析,首先鉴别测得的数据中是否存在NLOS误差,然后针对存在NLOS误差的情况,提出将Fang算法得到的定位结果作为泰勒级数展开法的初始定位值,组成Fang-Taylor级数联合算法来计算NLOS情况下的定位结果。而对于视距（LOS）情况下测得的数据,仍采用单一的Fang算法进行计算。仿真对比实验表明,Fang-Taylor级数联合算法有效地提高了室内NLOS环境下目标的定位精度。