基于RSSI的密集目标室内协同定位改进算法

针对室内环境下,辅助定位目标真实位置未知及部分定位目标因定位模块失效引起惯性导航系统累积误差较大的问题,提出一种基于接收信号强度指示(RSSI)的密集目标室内协同定位方法。通过改进的交互多模型卡尔曼滤波(IMM-EKF)算法,将辅助目标位置作为未知参数扩维到每个模型的状态向量中,有效降低了辅助定位目标位置误差对定位精度的影响,避免了定位模块失效后惯导系统的累积误差。仿真实验表明,该方法在x方向和y方向的定位误差标准差较传统IMM-EKF的协同定位方法分别降低了32.19%和23.45%,提高了室内目标的定位精度,并在定位模块失效的情况下,定位目标仍可保持较高的定位效果。

基于改进RSSI测距的WSN机动目标跟踪算法

针对扩展卡尔曼滤波(EKF)在机动目标跟踪中传感器对机动目标进行测距时存在的噪声问题,提出了一种基于改进RSSI测距的WSN机动目标跟踪算法。首先,利用鱼鹰优化算法迭代寻优适合BP神经网络的权值和阈值;其次,将传感器的接收信号强度值作为神经网络的输入值,距离作为输出值对神经网络进行训练;最后,利用扩展卡尔曼滤波算法进行定位跟踪,利用匀速圆周运动模型(CM)进行滤波跟踪。使用EKF算法和RSSI算法与文中算法进行比较,以均方根误差为评价指标。经过仿真实验对比表明,所提算法相较于上述算法均方根误差分别降低了21%和56%。

基于RSSI的ZigBee室内无线定位系统设计

随着物联网技术的快速发展,室内定位技术在机场大厅、展厅、仓库、超市、图书馆、地下停车场等复杂环境中得到了广泛应用,也在国防新质战斗力生成发挥了重要作用。传统的室内定位技术如WiFi、RFID和蓝牙等,存在功耗高、距离短、易受干扰等问题。相比之下,ZigBee技术以其低功耗、低成本和良好的抗干扰能力,成为实现室内无线定位的一种理想选择。本文设计了一种基于ZigBee技术的室内无线定位系统,通过RSSI(Received Signal Strength Indicator,接收信号强度指示)测距方法,实现了高精度的室内定位。

RSSI和PC-CSI加权融合的指纹定位方法

针对基于RSSI和CSI的指纹定位技术易受环境干扰、定位精度较低的问题,提出了一种基于RSSI指纹和相位修正信道状态信息(phase correct based channel state information,PC-CSI)指纹的加权融合指纹定位技术。基于PC-CSI的指纹定位在传统基于CSI幅值的指纹定位基础上增加相位信息对定位结果进行修正,之后对RSSI指纹和PC-CSI指纹的定位结果加权重定位。实验结果表明,提出的加权融合指纹定位算法与基于CSI的主动定位算法相比,平均定位误差(mean position error,MPE)降低了36.2%,能满足室内定位需求。

基于混沌麻雀搜索算法的室内蓝牙RSSI标定方法

针对不同型号的智能移动终端设备,由软件和硬件的异构性而导致不同设备在同一采集点处采集到的同一蓝牙源接入点的蓝牙信号强度观测值存在显著差异而影响定位精度的问题,该文提出了一种基于混沌麻雀搜索算法优化BP神经网络模型的室内蓝牙RSSI(received signal strength indicator)标定算法.该标定算法应用混沌麻雀搜索算法的全局搜索能力和快速收敛性来帮助BPNN模型选取最优的初始权值和阈值.实验结果表明:该标定方法得到的平均RSSI误差相较于未标定之前降低了87.6%,有效地降低了软硬件异构性对采集到的蓝牙信号强度观测值的精度.

基于RSSI的弦相交加权质心定位算法

无线传感器网络中节点定位是其重要技术,其中基于测距的RSSI定位技术具有成本低、易实现等优点。为解决传统三边质心算法在确定相交区域顶点时存在一定缺陷导致误差较大的问题,提出弦相交-加权质心定位算法。该算法采用分组、分步式定位方式。首先通过弦相交法进行初步定位,将有效节点三三分组,组内各圆公共弦所在直线交点作为本组的定位结果;再采用加权质心算法将初步定位中各组结果进行二次精确定位,得到最终信号源预测位置。在平均边长近似20 m的不规则五边形区域进行仿真验证,信号源随机分布于15 m×15 m的正方形内,结果显示相较于加权三边质心算法,所换算法平均误差减少了2.028 m,定位精度提升了61.14%,具有良好效果。

自适应灰狼算法优化的RSSI加权质心定位算法

无线传感器网络节点的定位过程中未知节点的邻居锚节点数量会严重影响定位精度。为解决该问题,提出一种自适应灰狼算法优化的RSSI加权质心定位(AD-GWO-RSSI)算法。该算法首先根据传感器网络的连通关系,计算出所有未知节点的平均锚节点数量和每个未知节点的邻居锚节点数量,然后取两者的平均值作为GWO算法优化每个未知节点RSSI加权质心定位过程的阈值,最后将优化后的高精度定位节点作为伪锚节点对其他未知节点进行定位。实验结果表明,通过邻居锚节点数量关系获得自适应阈值的GWO算法去优化RSSI加权质心定位算法,不仅能达到较高的定位精度,还具有较强的泛化性和稳定性。

基于RSSI的无线数传电磁干扰分析与处理

电台是目前测控设备站间通信常用的关键单机设备,其复杂电磁环境下的抗干扰性能直接影响数据通信质量。某型测控设备包含语音电台和数传电台2种类型,在极限通信距离的数据传输性能检测时,设备语音电台和数传电台出现电磁干扰,导致数据通信异常。为解决这一问题,文章提出基于RSSI的电磁干扰分析与处理方法,通过综合分析和试验验证,找出了问题原因并提出解决方案,有效解决了该型测控设备的电磁干扰问题。同时,文章提出的方法也可为同类测控设备的电磁兼容性及复杂电磁环境适应性评估提供参考和借鉴。

一种基于GWO-BP神经网络的RSSI测距算法

近些年来,基于接收信号强度指示(RSSI)测距的研究受到了广泛的关注,特别是在物联网和室内定位领域。精准的距离估计是基于测距方法实现高精度定位的基础,但由于存在测量噪声和多路径效应的影响,RSSI信号具有很强的波动性,从而导致RSSI与空间真实物理距离之间的映射关系具有不均匀的特点。为了增强RSSI与真实物理距离之间的映射关系,提高RSSI测距的精度,本文基于反向传播(BP)神经网络和灰狼优化(GWO)算法,提出了一种基于GWO-BP神经网络的RSSI测距算法。GWO算法相比于粒子群优化算法(PSO)、遗传算法(GA)、差分演化(DE)、进化编程(EP)、进化策略(ES)具有更快收敛速度和更强稳定性的特点。此外,本文通过开发的手机软件采集实测数据,通过在两个不同的环境内进行试验。结果表明,基于路径损耗模型(PLM)测距的均方根误差(RMSE)分别为2.218、2.059 m,传统BP神经网络测距算法的RMSE分别为1.541、1.551 m,基于GA算法优化BP神经网络测距算法的RMSE分别为1.269、1.201 m,本文提出的GWO-BP神经网络测距算法的RMSE分别为1.054、0.833 m;结果表明本文算法测距精度更高,稳健性更好。

SNR and RSSI Based an Optimized Machine Learning Based Indoor Localization Approach:Multistory Round Building Scenario over LoRa Network

In situations when the precise position of a machine is unknown,localization becomes crucial.This research focuses on improving the position prediction accuracy over long-range(LoRa)network using an optimized machine learning-based technique.In order to increase the prediction accuracy of the reference point position on the data collected using the fingerprinting method over LoRa technology,this study proposed an optimized machine learning(ML)based algorithm.Received signal strength indicator(RSSI)data from the sensors at different positions was first gathered via an experiment through the LoRa network in a multistory round layout building.The noise factor is also taken into account,and the signal-to-noise ratio(SNR)value is recorded for every RSSI measurement.This study concludes the examination of reference point accuracy with the modified KNN method(MKNN).MKNN was created to more precisely anticipate the position of the reference point.The findings showed that MKNN outperformed other algorithms in terms of accuracy and complexity.

结合RSSI测距和三边定位算法的LoRa定位系统

为了提高远距离无线电(Long Range Radio,LoRa)系统定位精度,提出利用接收信号强度指示(Received Signal Strength Indication,RSSI)测距和三边定位方法结合小波神经网络模型对LoRa节点进行定位。首先分析了RSSI测距、三边定位的原理和实现方法,给出了基于RSSI测距方法求解LoRa网关与LoRa节点间距离的步骤。然后利用3层融合型小波神经网络搭建了LoRa节点定位模型,选取Morlet小波为隐含层神经元的激励函数,选取Sigmoid阈值函数为输出层函数,将LoRa节点到3个LoRa网关的距离作为输入层数据,节点定位模型转换并输出LoRa节点位置的归一化横坐标和纵坐标。最后利用LoRa网关模块和LoRa节点模块搭建了LoRa节点定位实验系统并进行了实验测试,通过实验数据分析得出了RSSI测距参数并利用三边定位算法和小波神经网络节点定位模型实现了待定位LoRa节点的精准定位。实验结果表明,所提算法的定位精度为1.033 m,优于四点质心定位算法和传统三边定位算法。

基于MC112传感器和RSSI测距的智能矿灯系统设计

为了保障矿井下工作人员安全,提出一种基于井下可燃气体感知和定位的新型智能矿灯系统。其中,以STC15W408AS单片机作为主控芯片,采用MC112型催化燃烧式传感器实现井下瓦斯浓度的采集与预警,使用RSSI测距定位算法实现井下人员的定位,利用无线发射和电力载波通信实现井下与后台系统的通信,通过RFCC1101芯片进行433 MHz信息的无线传输。系统测试表明,所设计的新型智能矿灯能耗为27 520 mAh,小于所采用的锂电池电量总和30 000 mAh,满足设计需求;系统各个功能完善,可实现井下瓦斯浓度实时监测与人员区域定位,同时具备瓦斯浓度报警和井下人员呼救功能,具有一定的实用性,为井下工作人员的生命安全提供了保障。

融合RSSI与GPRS的无线设备管理定位技术研究

本文深入探讨了融合RSSI (Received Signal Strength Indication)与GPRS (General Packet Radio Service)的无线设备管理定位技术。通过对RSSI定位原理、GPRS技术特点以及融合技术的可行性分析,设计了一种新型的无线设备管理定位系统。经过实验验证,该融合定位技术能够显著提高无线设备的定位精度和数据传输性能,为无线设备管理提供了可靠的解决方案。This paper discusses the wireless device management positioning technology that integrates RSSI (Received Signal Strength Indication) and GPRS (General Packet Radio Service). By analyzing the principle of RSSI positioning, the characteristics of GPRS technology and the feasibility of the fusion technology, a new type of wireless device management positioning system is designed. After experimental verification, the fusion positioning technology can significantly improve the positioning accuracy and data transmission performance of wireless devices, providing a reliable solution for wireless device management.

基于RSSI的煤矿井下人员精确定位算法研究

为了满足煤矿安全生产以及保障矿井工作人员生命安全等需求,提出了一种基于RSSI的高斯混合滤波的矿井人员精确定位。结合矿井实际环境以50 m分段进行研究,根据RSSI信号的对数阴影衰减模型求解路径衰减因子和环境参量,建立RSSI信号传输模型。在模拟巷道中阶梯部署通信节点,通过高斯混合滤波模型对未知节点接收到的RSSI值进行聚类分析,根据高斯混合滤波后的分布模型得出未知节点的定位坐标。结果表明:改进滤波定位算法的定位精度集中在0.67 m左右,优于粒子滤波算法和卡尔曼滤波定位算法,可实现煤矿井下人员精确定位。

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RSSI的无线智能音响系统自适应配置

针对无线智能音响系统音源声道与音箱手动配置烦琐的问题,文章提出了一种新的自适应配置方法,利用音箱Wi-Fi接收信号强度指示(Received Signal Strength Indicator,RSSI)参数实现无线智能音响系统自动配置。该方法通过采集音箱间的相互发射-接收信号的RSSI参数,组成原始数组,采用数据统计分析方法提取数组的数据特征,对比分析数据特征置信区间的重叠度,辨识各音箱功能;进行音源声道与音箱的自动匹配连接,实现智能音响系统音源声道的自适应配置。实测结果表明,该方法不仅稳定可靠,还能为用户带来更高的人工智能(Artificial Intelligence,AI)服务体验。

基于RSSI和TDOA分层融合的无线定位算法

目前对于时间差定位差(Time Difference of Arrival,TDOA)的算法中,存在着定位偏差大、时间接收存在偏差等问题,直接导致定位精度受到很大影响。在各项定位算法中,基于接收信号强度定位算法(Received Signal Strength Indication,RSSI),具有覆盖面积广、精度高的特点,因此提出采用RSSI算法筛选修正过后进行TDOA算法的分层融合算法,使得整体的定位精度得到进一步提升。此分层融合算法可以提高定位精度,尽可能地减小因外部环境变化导致的定位误差。通过仿真可以看出,和现有的融合算法比较,该分层融合算法的可行性和稳定性有一定提升。

5G基站基于RTWP和RSSI的AAU天面疑似阻挡分析创新应用

当前5G基站大批量建设情况下,难免会有个别小区天线被阻挡,影响5G网络性能,造成资源浪费。如果逐一上站排查,不仅工作量巨大、效率低,而且需投入大量资源,效果未必可观。因此提出一种基于每通道RTWP或者RSSI值,分组进行求差分析,可快速识别AAU疑似阻挡小区,指导现场人员进行精准排查,提高排查效率、减少人力资源投入。

RSSI辅助的蒙特卡罗盒定位算法

针对以蒙特卡罗为基础的几种无线传感器网络定位算法普遍存在定位精度和采样效率低的问题,文中提出了一种RSSI辅助的蒙特卡罗盒定位算法(RAMCB)。通过实验构造出符合实际环境的RSSI和距离区间的映射关系数据库;在定位阶段,未知节点利用来自一跳和两跳锚节点的RSSI值查询数据库,得到与一跳和两跳锚节点的距离区间,利用距离区间建立更为精确的采样箱,以提高采样效率;未知节点根据样本到一跳、两跳锚节点的估计距离和实际距离的差值来动态赋予样本的权值。仿真结果表明:RAMCB算法能有效提高定位精度和采样效率。

基于改进RSSI的节点定位技术研究

室内定位技术的关键在于定位算法,一个合适的定位算法能够显著减少对无线信道的干扰,从而提高定位的准确性。在传统三边测量定位技术的基础上,对信标节点的选择进行了进一步的优化,并对角度权重函数进行了加权处理,通过仿真进行了验证。与原始的三边测量定位方法相比,该算法在定位精度上有了显著的提升。与传统基于测距的方法相比,该算法能够有效降低系统成本,提高定位精度和可靠性,同时还可以对多个未知点进行精确定位,适用于复杂环境下的实时定位要求。