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。

顾及运动约束的自适应UWB/IMU组合定位方法

针对室内复杂环境下超宽带(UWB)距离测量容易受到信号非视距(NLOS)传播影响以及UWB/惯性测量单元(IMU)组合定位系统不稳定的问题,该文提出了一种基于模糊自适应滤波的改进型UWB/IMU组合定位方法。通过构建运动约束条件并采用卡尔曼滤波,对UWB原始距离测量值进行实时处理,能够有效解决UWB距离测量值缺失、异常情况以及减小NLOS误差。在数据融合阶段,提出基于模糊自适应滤波的数据融合策略,由预测残差向量构造统计量,基于模糊推断系统计算自适应因子,最终实现高精度的UWB/IMU自适应组合定位。典型室内场景的动态定位实验结果表明,提出方法的定位轨迹与真实轨迹吻合度高,90%的径向位置误差在0.25 m以内,且其均值仅为0.128 m,定位精度优于其他三种方法。