基于采用天牛须搜索算法优化神经网络的可见光室内定位方法

针对基于神经网络的可见光室内定位技术存在训练速度慢、泛化能力弱而导致定位精度不高的问题,提出采用天牛须搜索(BAS)算法优化神经网络的可见光定位方法,搭建了 0.8 m×0.8 m×0.8 m的实测模型.该方法使用BAS算法优化神经网络的连接权重矩阵,拟合了室内无线信道参数,实现室内定位.仿真与实验结果表明:该方法仿真...     

基于多LED的高精度室内可见光定位方法

针对可见光室内定位问题,该文基于接收信号强度(RSS)定位技术,提出一种利用多个LED发射端实现室内定位的方法,即MLED-RSS定位算法。该方法在充分考虑LED拓扑结构对定位性能影响的基础上,利用部署在室内的多个LED,合理选择其中3个LED作为发射节点,采用改进的三边定位法获得定位目标位置信息。定位算法可以有效地解决可见光定位存在的遮挡效应。仿真实验表明,MLED-RSS算法可以实现高定位精度。     

无线传感器网络差分修正定位算法的改进

提出了无线传感器网络中一种基于接收信号指示强度的改进差分修正算法,与传统的差分修正算法相比,在该算法中,通过各个信标节点分别作为差分参考节点进行定位,避免了单个差分参考节点对未知节点定位决定权过大。同时,提出加权因子的概念,体现了各差分参考点对定位效果的决定权。实验结果表明,改进的差分修正算法的定位精度和稳定性有明显提高。     

多LED照明节点的室内可见光定位方法研究

针对室内复杂环境和室内照明节点拓扑结构对可见光定位精度的影响,基于近似完美三角点测试(APIT)算法设计了一种多LED照明节点的可见光室内定位方法。该方法利用信号传输时间作为节点间距大小的判断凭证,结合APIT定位算法,实现室内可见光定位。仿真结果表明:该定位方法的定位误差在0.24 m左右浮动,在保证了定位精度的基础上,精简了定位设备成本,并提升了定位算法的计算效率,使得定位系统在实际场景中的应用更具稳定性与适用性。     

TOA/RSS混合信息室内可见光定位方法

为提高室内定位精度,提出一种基于混合到达时间/接收信号强度(TOA/RSS)信息的定位方法。针对室内可见光定位中存在的多径效应造成的定位非线性误差,引入前置无迹卡尔曼滤波的粒子滤波算法,将TOA信息与RSS信息相融合,达到修正非线性误差的目的。然后综合考虑接收端惯性传感参数,对接收端进行运动分析,提升估算坐标的精度。在长宽均为5 m、高度为3 m的室内进行定位仿真,在12 W发光二极管(LED)发射功率下,所提方法获得了平均定位误差为2.02 cm的定位精度。仿真结果证明,所提定位方法的定位性能总体优于指纹定位方法和三边定位的RSS定位方法,具有较强的鲁棒性和较低的定位延迟。     

基于改进免疫粒子群优化算法的室内可见光通信三维定位方法

针对室内可见光通信中3维定位精度不高和定位时间较长的问题,该文提出基于改进免疫粒子群(IIMPSO)算法的室内可见光通信(VLC)3维定位方法.通过分析室内多径效应,选取合适的视场角(FOV)以减少反射影响,同时完善了倾斜状态下的定位模型,并采用卡尔曼滤波算法以降低环境干扰对接收功率的影响,在此基础上与改进的免疫粒子群算法相融合.仿真结果表明,在5 m×5 m×3 m的室内环境中,该文所提出的3维定位系统平均定位误差为0.031 m,定位时长为2.3 s.与现有的3维定位系统进行比较,其定位精度与收敛速度均得到明显改善.     

水下光无线传感器网络的连接性分析与定位技术

针对水下光无线传感器网络(UOWSN)节点的传输范围受限和间歇性连接的问题,利用多跳通信扩大传输范围来增强网络连接性,提出一种网络节点定位算法.首先,将UOWSN建模为三维(3D)随机缩放模型图,并根据网络节点数、通信范围以及光发散角推导了该模型下网络节点的连接性概率表达式;然后,利用接收信号强度(RSS)定位算法修正...     

基于最小三角形算法的室内可见光三维定位方法

为进一步提高室内可见光三维定位的精度，提出了一种基于最小三角形算法的室内可见光三维定位方法。该方法采用视距链路模型，由定位终端接收携带发光二极管位置信息的光强信号，利用最小三角形算法和接收信号强度指示方法来计算接收机在室内的三维位置信息，再引入加权质心算法降低光路受遮挡所造成的影响。仿真结果表明：在室内5 m×5 m×3 m的定位区域内，提出的定位方法平均定位误差约为4.35 cm，平均高度误差约为1.65 cm，定位精度优于传统的室内可见光三维定位方法。     

基于随机森林算法的室内可见光指纹定位方法

为进一步提高动态目标室内可见光定位追踪系统性能，提出了一种基于随机森林（RF）算法的室内可见光指纹定位方法。利用发光二极管（LED）的光强信号作为特征构建指纹数据库，应用指纹库中的数据训练决策树，引入RF算法进行初始定位，再通过卡尔曼滤波对初始位置估计进行优化，从而获得更准确的定位轨迹。仿真结果表明：在5 m×5 m×3 m的室内场景下，通过所提定位方法能获得大部分采样点误差分布在4 cm之内的定位效果；此外，通过与不同室内可见光定位算法的性能进行对比，验证了所提算法的技术优势。     

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%。     

多照明区域协作的室内可见光定位

考虑室内存在障碍物遮挡及背景光和反射光干扰 较强的实际定位场景,提出了一种基于多照明区域 协作的LED可见光室内定位方法。本文方法引入多照明区域联合定位思想,利用分布于室内 不同区域的LED 发出的参考信号估计定位节点到各LED的信号传输时间差,构造协作定位距离估计目标函数 ,并通过非线 性最小二乘(NLLS)算法获得定位目标的位置估计。将提出的定位算法在10m×3m的空间区域中进行定位仿 真,在5W LED照明、双区域协作条件下,获得了平均定位误差7.41 cm的定位精度。结果表明:提出的协 作算法不仅提高了室内定位精度和系统应用的普适性及鲁棒性,而且有效地解决了室内可见 光定位存在的遮挡效应;此外,对动态定位追踪也有一定的效果。     

基于改进粒子群算法的室内可见光定位研究

为了提高现行室内可见光定位系统的定位精度，提出考虑噪声干扰的动态惯性权重及认知因素的改进型粒子群算法。首先，将决定定位精度的欧式距离转换为目标函数最小值优化问题；其次，利用惯性权重动态赋值，增强粒子群算法初期的全局搜索能力和后期的局部搜索能力；然后，利用正弦函数使得个体认知因素值非线性地减小，利用余弦函数使得群体认知因素值线性地增加，以进一步提升定位精度；最后，通过仿真与实验测试对所提定位算法进行验证。仿真测试结果表明，在5 m×5 m×3 m和5 m×4 m×3 m两种定位模型中，在0,0.5,1.0和1.5 m四个高度平面的空间定位平均误差分别为0.65和0.54 cm;实验结果显示，在搭建的1 m×1 m×0.8 m和1 m×0.8 m×0.8 m室内空间中的平均定位误差分别为2.67和1.81 cm。     

高精度室内可见光定位算法

针对目前室内定位算法精度不高、实现复杂等问 题,提出了一种基于白光LED的可见光室内定位方 法。首先利用由室内不同LED发出的定位参考信号到达定位终端的时间差(TDOA )的测量估计,得 到定位终端到达两个LED的传输距离之差,以此构造距离估计目标函数,然后采用有约束非 线性规划算法得到 定位终端的位置坐标,从而有效地解决了室内噪声环境中常规TDOA定位算法不收敛或误差偏大的问题。 同时,为了进一步优化定位性能,将距离信息引入加权因子中,提出了质心加权混合定位算 法。将提出的 定位算法在5m×5m×3m的空间区域中进行了仿真实验,同时考虑噪声因素的影响,结果 表明,提出的距离 估计目标函数法在信噪比(SNR)为2dB的条件下可以达到平 均5cm的定位误差,采用质心加权处理后平均定位误 差仅为3cm,有效地提高了室内定位精度和系统应用的普适性及鲁棒性。     

Reference node placement and selection algorithm based on trilateration for indoor sensor networks

The key problem of location service in indoor sensor networks is to quickly and precisely acquire the position information of mobile nodes. Due to resource limitation of the sensor nodes, some of the traditional positioning algorithms, such as two‐phase positioning (TPP) algorithm, are too complicated to be implemented and they cannot provide the real‐time localization of the mobile node. We analyze the localization error, which is produced when one tries to estimate the mobile node using trilateration method in the localization process. We draw the conclusion that the localization error is the least when three reference nodes form an equilateral triangle. Therefore, we improve the TPP algorithm and propose reference node selection algorithm based on trilateration (RNST), which can provide real‐time localization service for the mobile nodes. Our proposed algorithm is verified by the simulation experiment. Based on the analysis of the acquired data and comparison with that of the TPP algorithm, we conclude that our algorithm can meet real‐time localization requirement of the mobile nodes in an indoor environment, and make the localization error less than that of the traditional algorithm; therefore our proposed algorithm can effectively solve the real‐time localization problem of the mobile nodes in indoor sensor networks. Copyright © 2008 John Wiley & Sons, Ltd.     

声表面波室内定位系统与算法研究

鉴于声表面波技术的无源优势,搭建了由声表面波标签和阅读器构成的室内定位系统,在测量标签回波信号强度时,可有效减小多径效应的影响。设计了以三边定位为基础的定位算法,包括测距、选星、位置估计3个阶段,分析了3个定位圆之间位置关系可能出现的全部情况,并有针对性地进行自适应修正。仿真测试结果验证了定位算法的定位误差小于根心法和加权质心法。系统测试结果表明,定位系统可实现2 m×2 m的定位,平均定位误差为31.84 cm。室内定位系统和算法以较少的锚节点实现了较小的室内定位误差。     

一种基于SO-CNN模型的可见光室内定位优化方法

针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization, SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network, CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network, BPNN)、多层感知器(Multilayer Perceptron, MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。     

基于朗伯模型参数估计的VLC室内定位优化算法

为实现高精度室内定位,本文设计了一种可见光 通信(VLC)室内定位系统,并通过 结合优化的朗伯模型、码分多址技术(CDMA)、三边定位算法而有效提升了定位精度和系统 扩展性。首先,每个发光二极管(LED)的ID信息经过直接序列调制后加载到LED驱动电路上 ,LED发出带有自身ID信息的灯光信号。在接收端通过光电探测器(PD)接收灯光信号,并 根据扩频码的正交性恢复出ID信息及接收信号强度(RSS),以此提高信道容量并增强系统 抗干扰能力。然后,根据朗伯光源模型,由三边定位算法得出待定位点的定位估计坐标。为 进一步提高精度,引入k最近邻(KNN)思想,采集适当的指纹点并由指纹点信息对每盏灯在 定位估计坐标处的朗伯光源模型参数进行估计,由优化后的朗伯模型计算出精度更高的定位 坐标。在1m×1m×1.35 m的空间区域中,进行本VLC室内定位系统 的实验测试。结果表明,提 出的高精度VLC室内定位系统的平均定位误差降低至2cm左右,其定位精度相比于传统三边 定 位算法提升了30%。此外,该系统方案所采用基于指纹点信息优化朗 伯模型参数的方法具备良好的实用扩展性,可实现广阔的应用场景。     

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。     

无线传感器网络中基于APIT与DV-HOP的混合定位算法

无线传感器网络定位技术作为物联网的主要研究内容有着不可或缺的地位。为了达到高定位精确度、高节点覆盖率,本文在对各种基本经典算法深度分析的基础上,提出近似三角形内点(APIT)定位算法和距离向量跳段(DV-HOP)定位算法相结合的混合定位算法。采用角度判断未知节点的准确位置,对三角形内部和外部节点分别进行定位,内部采用APIT算法,定位精确度提高了65%,外部采用最小跳数对DV-HOP加权进行定位,定位精确度提高了24%。相比于原始算法,本文提出的混合算法可以对所有未知节点进行定位,减少了定位误差。通过MATLAB仿真,证明了其有效性。     

基于DV-Hop的RSSI-Hop算法

在无线传感器网络中,监测到时间之后关心的一个重要问题就是该事件发生的位置。传感器节点能量有限、可靠性差、节点规模大且随机布放、无线模块通信距离有限,对定位算法和定位技术提出了很高的要求。针对随机布放、节点配置低的无线传感器网络,提出一种新的RSSI-Hop定位方法,该方法可以在不增加硬件开销的基础上,有效降低节点能量消耗,较准确地估算未知节点到参考节点之间的距离,减少累积误差,提高定位的准确性。其主要思想是,节点信息根据RSSI强弱,估算各节点到信标节点之间的距离。实验表明,新算法比以前的算法定位更准确。