基于人工神经网络的RSSI测距的牛顿定位算法

为了降低基于接收信号强度指示(RSSI)测距误差,提高基于RSSI测距定位精度,提出了基于人工神经网络的RSSI测距的牛顿定位算法(NL-ANN-RSSI)。NL-ANN-RSSI算法分别在RSSI测距和定位计算方面提高定位精度。首先,利用人工神经网络对RSSI值预处理,降低测距误差;然后,利用最小二乘法估计节点位置,并将此估计值作为牛顿定位算法的初始值;最后,利用牛顿定位算法修正节点位置。实验数据表明,基于人工神经网络的RSSI优化的测距误差比传统的RSSI测距算法有大幅下降,归一化平均定位误差下降了约36%。     

基于PDR和RSSI的室内定位算法研究

构建了基于无线传感网络的行人航迹推算(PDR)系统,通过RSSI定位为其提供绝对定位信息。在RSSI定位中,提出基于PDR方位信息的自适应Flip-Flop RSSI信息预处理机制和RSSI指纹信息融合动态路径衰减指数的定位算法,以改善RSSI定位算法的抗噪声干扰能力。在多信息融合粒子滤波环节中,针对传统算法中滤波精度与滤波实时性很难同时得到改善的问题,提出基于PDR信息与RSSI定位信息的动态区间粒子滤波算法,通过PDR方位信息自适应控制区间衍生粒子数量以提高滤波实时性,并将建筑地图信息、RSSI定位信息及其可信度因子融入粒子权值计算中以提高定位精度。经实验验证,提出的算法在RSSI定位抗噪声能力方面,以及融合定位精度和滤波实时性方面都取得了良好的效果,与传统算法相比最大定位误差由3.16 m降低到1.81 m,滤波时间也由7.21 s降至7.01 s。     

基于测距定向的WSNs分步求精定位算法

针对现有算法无法满足在不同环境中对定位精度的要求,提出一种基于测距定向的分步求精定位算法(stepwise refine-ment localization algorithm based on ranging and orientation,SRLRO)。通过分析环境因素对RSSI(received signal strength indica-tion)测距的影响,算法首先建立RSSI测距定向模型,确定指向待定位节点所在较小区域的多条直线,通过质心算法求这些直线交点的质心。为了进一步提高算法精度,算法采取了一些优化规则。仿真和实验表明,在不同环境因素的影响下,算法都具有较高的定位精度。     

基于粒子滤波的RSSI测距优化的牛顿定位算法

针对以基于RSSI测距为基础的无线传感网络定位算法存在定位精度低的问题,提出了基于粒子滤波的RSSI测距优化的牛顿定位算法PF-RSSI-NL。在RSSI测距方面,采用粒子滤波对RSSI值进行预处理,降低测距误差;在定位计算方面,运用牛顿法估计未知节点的位置。先用最小二乘法估计牛顿迭代算法的初始值,再用牛顿法对未知节点估计值进行迭代修正。仿真结果表明,与传统的基于统计均值RSSI测距相比,基于粒子滤波的RSSI优化的测距误差降低0.6 m。与同类的定位算法相比,归一化平均定位误差下降36%。     

基于移动信标的无线传感器网络混合节点定位算法

节点定位是无线传感器网络中的关键技术之一。本文在采用装备有GPS装置的移动信标的基础上,提出了加权质心定位方法和Unscented—KF滤波组合定位算法。算法首先利用加权质心定位方法,获得无线传感器网络未知节点的初步位置,再用Unscented—Kalman filter进一步提高定位精度。算法可以实现传感节点的低成本定位,容易达到很高的定位精度、可实现分布式定位计算。仿真结果显示,与算法较常用的极大似然估计相比,未知节点的定位精度有较大的提高。本算法定位过程中节点间无通信开销,计算量小,节省了宝贵的节点能量。在本文中算法是基于RSSI测距方式,它还可应用于TDOA,TOA等基于测距的定位算法中,具有较普遍的应用意义。     

比例差分修正的RSSI测距WSN节点定位研究

在无线传感器网络中节点定位技术占据着核心地位。基于传统RSSI的多边定位算法,提出了差分修正的井下无线传感器网络RSSI节点定位算法,通过不同锚节点之间的相互关系得到比例差分系数,将其应用在测量节点定位。目标未知节点首先读取在信标节点信息,利用卡尔曼滤波法除去信号中的噪声,获得更加精确的距离值,通过锚节点构建差分模型,利用比例差分的方法对RSSI测距进行修正,并对改进算法进行了仿真实验。结果表明,比例差分系数修正的RSSI测距定位算法的定位精度要远远高于传统RSSI测距定位算法,能够为井下的节点定位提供理论依据。     

RSSI分区化处理的自适应车间定位算法

为了研究适用于制造车间的基于RSSI(Received Signal Strength Indication)测距的高精度定位算法,考虑到制造车间的复杂环境,本算法引入高斯滤波和均值滤波器减少定位误差,提高定位稳定性;提出了传输模型分区概念,对于处在不同的锚节点和同一锚节点的不同方位区间的节点,采用不同的无线信号传输模型计算盲节点与锚节点之间的距离;在所有的盲节点与锚节点之间的距离中选择最小的三个,采用几何三边测量法求取盲节点的坐标值。实验及数据分析可知,基于RSSI滤波、分区处理和距离优化后的定位算法,其实验样本的平均定位误差为0.8899m,较改进前提高了22%,同时定位精度较高且稳定性很好,经假设检验证明,本算法较原始的RSSI定位算法在定位效果上有了显著的提升。     

基于RSSI的LoRa无线传感网定位技术研究

文章基于低功耗、超长距离无线通信技术LoRa(Long Range),对智慧农业不同环境的室内室外应用场景定位技术进行研究,设计了一种利用LoRa芯片SX1280获得不同环境下RSSI(ReceivedSignalStrengthIndication)值,并通过三边定位算法实现节点定位的测距定位方案。通过仿真测试实验,验证了该方案在定位精度、距离以及抗干扰能力方面都满足农业物联网的应用,可作为其位置服务的解决方案。     

基于图论模糊聚类的室内自适应RSSI定位算法

针对现有RSSI定位算法无法满足室内环境下对目标的自适应定位,提出一种基于图论模糊聚类的室内自适应RSSI定位算法IAL-GT-FC。算法根据室内环境下各区域RSSI分布的差异性,建立基于图论和模糊聚类的RSSI模糊聚类模型,并基于该模型将定位区域自适应划分成若干环境差异较小的子区域;通过建立参数自适应规则,自适应调整各子区域内的环境参数,使其满足该区域内RSSI测距的需要;结合该区域内的环境参数,通过建立相邻区域间的RSSI补偿机制对未知节点进行RSSI测距补偿;最后采用权重质心法对未知节点进行位置求解。通过实验,证明该算法具有较高的定位精度和较强的自适应能力,能够满足室内环境下对目标的精确定位。     

煤矿井下人员呼救报警系统测距法定位算法

介绍了煤矿井下人员TOA(Time Of Arrival)定位的视距LOS(Line Of Sight)环境和非视距NLOS(Non Line Of Sight)环境的两种数学模型。通过基站接收人载报警仪极化波到达的脉冲响应电平来区分视距信号和非视距信号,在非视距环境中的TOA测量值减去NLOS误差后,把非视距环境TOA定位数学模型转化为视距环境TOA定位数学模型求解。该定位算法结构简单,计算量小。经井下实际测试的分析,其结果与算法值相符且定位精度满足要求。     

容忍多径效应的无线传感网络测距算法

在井下巷道环境中,基于RSSI的测距精度会受到多径效应和外部无线干扰的严重影响。针对这一问题,提出了一个新的基于RSSI的测距算法RRRME。该算法针对弯道弯曲面引起的额外衰减,从几何光学的角度来解决多径效应所带来的影响,分别分析了视距和非视距情况下无线信号传输所引起的路径衰减,重构了井下巷道环境中路径衰减和距离之间的函数关系,推导了多条传输路径所导致的测距误差。通过一系列的实测实验,对提出的算法进行验证,详细分析了井下环境中基于RSSI的测距性能,讨论了有重要影响的多径衰减因子和路径损耗因子对测距精度的影响。实验和仿真结果表明,和传统的RSSI测距方法相比,提出的RRRME算法具有更优的测距精度。     

基于测距修正及改进鲸鱼优化的DV-HOP定位算法

针对无线传感器网络中传统DV-HOP(distance vector?hop)定位算法定位误差大的问题,提出基于测距修正及改进鲸鱼优化的DV-HOP(whale optimization algorithm distance vector?hop,WOADV-HOP)定位算法,该算法首先通过添加修正因子和引入权重来修正...     

基于双层修正无迹卡尔曼的水下节点定位算法* .txt

摘要：针对水下无线传感网络中运动节点定位精度低的问题,提出了一种新的基于双层修正无迹卡尔曼的水下节点定位算法(DLMUKF)。该算法利用下层无迹卡尔曼滤波算法对节点状态进行预测,根据各信标节点的测距传播时延对预测的节点状态进行修正。运用上层无迹卡尔曼滤波算法对修正后的状态进行新的预测与修正。仿真实验中,DLMUKF算法的平均定位误差约为传统多边定位算法的15%,约为基于无迹卡尔曼滤波（UKF）定位算法的16%,受节点运动时间与速度的影响最小。通过实验证明DLMUKF算法能更充分利用实际距离值,可以有效减小运动节点的定位误差。 .txt     

基于最小二乘支持向量回归机的无线传感器网络目标定位法

针对RSSI测距误差直接影响无线传感器网络(WSN)目标定位准确度的问题,从目标位置与目标到传感器节点测距矢量的双射关系入手,建立最小二乘支持向量回归机(LSSVR)目标定位的数学模型,提出了一种基于LSSVR的WSN目标定位方法TL-LSSVR.根据虚拟目标坐标和虚拟目标到传感器节点距离矢量构造出训练样本,通过确定学习区域及网格化采样获得训练样本集,采用LSSVR训练得到定位模型,将测量得到的距离矢量输入定位模型实现目标定位.对不同传感器节点数量以及不同节点分布情况下的WSN目标进行了定位实验.结果显示,对于节点随机分布的情况,TL-LSSVR方法的定位误差比最小二乘法减小21.0%～43.1%;对于节点均匀分布的情况,TL-LSSVR方法的定位误差则减小26.5%～48.7%,表明TL-LSSVR方法能有效减小测距误差对定位结果的影响,提高目标定位准确度.     

DDEUDSC: A Dynamic Distance Estimation using Uncertain Data Stream Clustering in mobile wireless sensor networks

In RSSI (Received Signal Strength Indicator)-based communication distance estimation of mobile wireless sensor network localization, RSSI is assumed to exponential attenuation with increment of communication distance in ideal radio propagation models, which is invalid due to the uncertainty of RSSI data in real communication environment, resulting in considerable error of communication distance estimation. Moreover, dynamic distance estimation demands a high efficiency of computation for the continual generation of RSSI data stream in the mobile node. This paper develops a new dynamic communication distance estimation method using uncertain interval data stream clustering, named as DDEUDSC (Dynamic Distance Estimation method using Uncertain Data Stream Clustering). First, statistical information of RSSI data is used to represent the RSSI-D mapping relationship in terms of interval data. Then we consider the data pattern composed of some consecutive cluster centers, and apply it in our uncertain RSSI data stream clustering algorithm to estimate the dynamic communication distance. Finally, RSSI data streams in three typical communication environments are conducted for experiments. The experimental results show the proposed method is an effective way to improve RSSI-D estimation precision in RSSI data stream with uncertainty and dynamics characteristic.     

基于因子图的 INS / UWB 室内行人紧组合定位技术

针对室内复杂应用场景下待定位行人接收到的超宽带(UWB)测距信息数量不确定问题,提出一种基于因子图的INS/UWB室内行人紧组合定位算法,实现对动态随遇接入与退出的UWB量测信息有效融合。首先,基于室内行人运动模型以及UWB量测模型构建INS/UWB紧组合因子图模型,由于对行人位置与速度同时进行建模估计,导致该因子图模型含有环结构。在此基础上,针对有环因子图模型基于和积算法(SPA)通过两次迭代推导因子图中各节点间消息传递算法,计算行人位置与速度的后验概率密度。进一步,针对特殊量测矢量条件下因子图算法定位误差跳变问题,提出一种基于坐标变换的因子图改进方法,从而有效提高行人位置与速度估计精度。仿真结果表明,本文提出的INS/UWB紧组合定位算法可以有效融合动态随遇接入与退出的UWB测距信息。在满足计算量与内存消耗需求的前提下,与变结构多模型扩展卡尔曼滤波(EKF)相比,本文提出算法的定位精度与速度估计精度可以分别提高14.94%与56.42%。     

一种基于区间数聚类的RSSI-D估计方法

在无线传感器网络定位的距离估计方法研究中,普遍假设到达信号强度(received signal strength indicator,RSSI)与对应通信距离的对数成线性关系,但是该假设在实际无线通信环境下几乎不能满足.针对此问题本文提出一种基于区间数聚类的RSSI-距离(RSSI-D)估计方法(distance estimation method using interval data clustering,DEMIDC),首先利用区间数表示方法结合实际定位环境中RSSI数据的统计信息表示RSSI的分布区域,然后针对不同环境中RSSI不确定性程度不同,分别采用基于区间数软聚类和硬聚类的方法对RSSI-D进行估计.最后采用3种典型通信环境下真实的RSSI测量数据完成的实验结果表明,该方法具有较高的距离估计精度,同时具备一定的实用价值.