基于RSSI参数动态修正的ZigBee室内定位算法

ZigBee室内定位技术近年来发展迅速,但使用固定路径损耗模型的传统算法环境适应能力较差,会引起较大定位误差,影响定位精度。本文提出一种基于ZigBee平台的对数路径损耗模型参数动态修正的室内定位算法。首先经过高斯滤波对所得RSSI值进行筛选优化,然后根据锚节点之间的距离以及RSSI值来动态修正对数路径损耗模型参数,包括路径损耗因子以及距待测节点处的信号强度值,从而得到当下环境中具体的对数路径损耗模型;再利用卡尔曼滤波对现有的定位参数进行二次修正,以更正上述算法中因时刻变动引起的环境变化导致的定位偏差。实验结果表明,该定位算法比基于ZigBee的固定路径损耗模型定位性能提升了46.8%,可以改善因环境变化产生的定位误差问题。     

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T-RL衰减多墙模型的室内定位技术

在基于接收信号强度指示(RSSI)的室内无线传感器网络定位系统中,无线信号的传播方向由于墙壁的遮挡发生变化使得RSSI测量值不准确,导致信道模型建立困难,无法实现较高的定位精度。因此,提出了一种新的环境自适应路径衰减模型,在传统对数路径模型的基础上,该模型考虑了无线信号遇到墙体时产生的反射损耗和透射损耗并推导出相应的路径衰减,在定位实验中,选取3.5 m作为最佳通信距离,采用三边测量定位算法计算得到未知节点的位置坐标。实验结果表明,所提出的基于T-RL衰减多墙模型的定位精度比传统路径损耗模型提高了26.9%,室内定位效果有所提升,且有更好的环境适应性。     

基于改进BP神经网络的室内无线定位方法

针对在室内无线定位中采用加权质心定位法时精度较低且难以克服信号不稳定的问题,提出改进的BP神经网络方法。以接收信号强度(RSSI)为输入、二维平面坐标为输出建立网络结构,网络的初始权值和阈值用思维进化算法优化,并用边长3 m的正方形区域内的196个样本数据训练。实验结果表明,在27个预测点上可达到定位精度0.1 m。相比于BP网络以及BP网络和遗传算法的结合算法,该定位方法训练收敛时间短,定位结果稳定。     

基于异步优势动作评价的RFID室内定位算法

针对现有的RFID室内定位算法的精度容易受到环境因素影响的问题,提出了一种基于异步优势动作评价(Asynchronous Advantage Actor-critic,A3C)的RFID室内定位算法。该算法的主要步骤为:1)将RFID的信号强度RSSI值作为输入值,多个线程子动作网络并行交互采样学习,利用子评价网络评价动作值的优劣,使模型不断优化,找到最优信号强度RSSI值,并训练定位模型;子线程网络定期将网络参数异步更新到全局网络上,全局网络最后输出参考标签的具体位置,同时训练得到异步优势动作评价定位模型。2)在线定位阶段,当待测目标进入待测区域时,记录待测目标的信号强度RSSI值,将其输入异步优势动作评价定位模型中,子线程网络从全局网络中获取最新定位信息,对待测目标进行定位,最后输出目标的具体位置。实验数据表明,基于异步优势动作评价的RFID室内定位算法与传统的基于向量机(Support Vector Machines,SVM)定位、基于极限学习机(Extreme Learning Machine,ELM)定位、基于多层神经网络定位(Multi-Layer Perceptron,M...     

基于BP神经网络的距离损耗模型室内定位算法研究

传统的基于距离损耗模型的室内定位算法大部分都是先将接收信号强度RSSI进行滤波,再转换成距离,然后再通过位置距离算法实现位置估计。此方法必需要根据经验或通过大量数据拟合无线信号传播模型中的参数A和N,因此过于依赖经验且对不同的定位环境算法普适性不强,精度不高。在研究分析无线信号传播模型和传统的室内定位算法的基础上,提出了用BP神经网络模型来拟合传统的距离损耗模型,得到距离后,再利用泰勒级数展开的算法最终实现位置估计。实际的实验结果表明,与传统定位算法相比提高了定位精度和算法普适性。     

基于无线传感器网络的室内精确定位算法

提出了一种基于无线传感器网络的用于室内的高精度定位算法。采用最小二乘法对测量地区的环境参数进行拟合,获得适用的损耗模型。并根据室内的实际情况提出了筛选可靠节点和使用高斯模型处理数据的方法,从而挑选出更为合适的接收信号强度指示器（RSSI）值进行定位计算。最后,对计算结果进行优化,进一步提高定位精度。实验表明：和现有的改进Euclidean算法相比,该算法定位精度高,且设备要求低,对于室内定位具有一定实用价值。     

基于动态近邻反馈修正的室内定位算法

针对目前无线传感器网络（WSN）室内接收信号强度（RSSI）测距算法中RSSI易受到信道干扰和传播环境影响从而导致定位精度低的问题,提出一种动态近邻反馈修正的室内定位优化算法FC-DNN,以实现无线传感器室内节点精确定位。首先,通过对环境进行Voronoi图分割确定最小定位区域;然后计算每个区域的路径损耗模型参数得到节点间的精确距离;最后利用Spearman等级相关系数动态选择邻居锚节点,根据邻节点反馈修正进一步提高未知节点的定位精度。仿真结果表明,FC-DNN算法复杂度低、计算开销小、能耗较低,与典型的RSSI测距差分修正定位算法（DDLA）和受限三维空间传感器定位算法（CO-3D）相比,节点的平均定位误差降低了约15个百分点,能够很好地满足室内环境定位要求。     

基于RSSI模型的无线传感器网络定位算法

传统无线传感器网络定位算法受到节点定位偏移量的影响,导致定位结果存在较大误差,针对上述问题提出基于RSSI模型的无线传感器网络定位算法.依据RSSI模型计算原理建立RSSI信号传输模型,并采用高斯滤波算法对RSSI值完成滤波处理.对节点位置距离加权,采用路径损耗模型采集RSSI中剩余信息,并将其转化为距离信息,得到每个...     

基于路径损耗模型参数实时估计的无线定位方法

定位技术在无线传感器网络中越来越引起人们的重视.针对传统的测距算法中,使用固定路径损耗模型会造成较大测距误差的问题,提出了一种基于RSSI的动态调整信号路径损耗模型参数的协作定位方法.该方法首先根据RSSI确定定位节点所在的最小子区域,然后通过该区域内已知参考节点间的相互合作估算出该子区域的路径损耗模型参数,再根据得到的路径损耗模型实现准确测距,从而减小定位误差.仿真和实验结果验证了该方法提高了定位精度.     

改进型神经网络在室内三维定位中的应用研究 *

针对室内复杂环境下无线信号反射,折射,多径效应,噪声等干扰,传统的对数距离路径损耗模型无法精确求出信号接收距离d的问题进行研究,提出一种改进的多策略粒子群神经网络模型,该网络采用反向学习策略,混沌惯性权重策略以及扰动策略对神经网络的拓扑结构和连接权值阈值进行优化,从而捕获Wi-Fi信号接收强度RSSI与接收距离d之间的非线性关系,然后结合修正的三维加权交点质心算法求解出未知节点坐标。实验结果表明,对比BP神经网络和遗传神经网络,该网络对RSSI-d的拟合曲线更光滑,拟合结果更加接近于真实值,对比定位精度分别提高了79%和73%,网络定位误差更低,抗干扰能力更强。     

情境自适应的RSSI分段异构拟合定位方法

室内定位在公共安全、健康监护、定位服务等领域具有重要价值,提高定位精度和模型对环境的适应性已经成为室内定位的核心问题。其中通过接收信号强度指示RSSI值来获取距离是比较通用的方法。针对室内复杂环境中传统的对数距离损耗路径模型适用性不高的情况,提出了一种情境自适应的RSSI分段异构拟合定位方法。该方法利用信号在不同应用情境下传播损耗的差异性,将RSSI数据分为多个不同的拟合段,根据RSSI数据的区分特性寻找最优的分段拟合点,并为每个分段选择最优的拟合函数,使得分段数、分段位置和每个分段的拟合函数都适应相应的应用场景,从而实现高精度的RSSI信号拟合。实验结果表明,本文所提出的方法在RSSI拟合精度上均优于传统的单一拟合函数,可明显提高定位算法的精度。     

基于鸟群算法优化BP神经网络的热舒适度预测

热舒适度是室内环境舒适性的评价指标,由于热舒适度的计算是一个复杂的非线性迭代过程,不便应用于空调实时控制系统中,为解决这一问题,可利用BP神经网络算法对热舒适度进行预测.但为了改善传统BP神经网络收敛速度慢的问题,将采用鸟群算法（BSA）来优化BP神经网络初始的权值与阈值.最后,将BSA算法与相近的粒子群算法（PSO）进行对比分析,并利用MATLAB软件进行仿真,使BSA-BP预测模型的仿真结果与基本的BP神经网络预测模型、PSO-BP预测模型的仿真结果进行对比分析.结果表明,BSA-BP预测模型具有较快的收敛速度和较高的预测精度.     

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%。     

基于权重动态离散模型的WSNs定位算法

针对测距误差和距离权重对定位误差的影响,提出一种离散距离权重动态修正的定位算法。算法首先分区域获取动态路径损耗指数,建立接收信号强度测距简化数学模型,抑制接收信号强度测距误差。然后将静态距离权重因子离散化,为离散距离权重匹配动态权重系数,并在划定的动态取值范围内寻找最优权重系数,权重系数与接收信号强度正相关。基于MATLAB平台仿真结果表明,与其他算法相比,该算法能够较好地抑制接收信号强度测距的误差影响,显著降低平均定位误差,提高定位精度。     

Towards a better indoor positioning system: A location estimation process using artificial neural networks based on a semi-interpolated database

The Wi-Fi-fingerprinting positioning method is used widely in indoor positioning environments due to its simplicity and wide coverage. However, in the offline phase of the method, the collection process is a fundamental and critical step that requires time and effort. Moreover, the location estimation process, which is executed in the second Wi-Fi-fingerprinting phase (online phase), needs to be accurate enough to guarantee efficient indoor positioning. Hence, in this work, a novel indoor location-estimation process based on a semi-interpolated radio map and artificial neural network (ANN) is presented. A mobile application is built to gather the received signal strength indicator (RSSI) fingerprinting to construct a radio map, which is then expanded with the biharmonic spline interpolation (BSI) method through the estimation of more RSSI values. A feedforward back propagation (FFBP) neural network and generalised regression neural network (GRNN) were built in the online phase for the location-estimation process. They were trained using the expanded dataset by taking the reference point (X, Y) coordinates as their desired output and using two different forms of the data as their inputs. The first inputs are the RSSI values from the 17 access points (APs) – three of the APs have dual-band i.e, support both 2.4 and 5 GHz – and the second input is based on a selected set of APs, which produce a high level of acceptable RSSI and their coordinates. A comparison between these two models was done. The results show that FFBP outperforms GRNNs in terms of structure simplicity, while GRNNs achieved more accurate prediction results with an average distance error of up to 0.48 m. Hence, our proposed methodology leverages building a simple neural network topology that has good location estimation results for indoor positioning in a low-cost localisation process.     

基于蓝牙技术融合混合滤波与神经网络的室内测距方法

为了解决用户在基于蓝牙技术的室内测距定位中,接收信号强度指示（RSSI）数据存在采样值波动和不稳定问题,提出了一种改进的融合混合滤波与多隐藏层神经网络的室内测距方法,通过结合各类单一滤波算法的优点,使用加权的混合滤波算法有效平滑了数据,并引入机器学习算法中的多隐藏层神经网络来构建RSSI和锚节点到信号接收器距离的非线性映射关系。此外,还搭建了基于CC2640R2F的锚节点和以手机作为蓝牙接收器的验证平台,对提出的测距方法进行验证。理论分析与实验结果表明,所提出的室内测距方法的测距结果平均误差约为0.13 m,可以有效降低测距误差,具有易于布设、功耗低、成本低等特点,在提高室内定位的稳定性和精准度等方面具有较高的应用价值。     

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.