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%。

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.

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。

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。

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。

基于RSSI的基站定位方法研究

在基站干扰排查中,对于小功率无线电干扰源、非无线电设备的辐射源,存在发现难、定位难的问题;对于系统接入终端异常发射和恶意占用情况,存在干扰排查难度剧增的问题。基站天线较高,在发现、定位干扰方面比地面移动监测车和便携式无线电监测设备具有一定优势。结合基站接收机的重要指标,接收信号强度指示(RSSI)分析,利用基站天线定位方法可有效提高干扰排查效率。

基于容积卡尔曼滤波的RSSI/IMU组合室内定位系统研究

在物联网时代,跟踪定位室内环境中物体至关重要。针对接收信号强度指示(RSSI)定位方差大和惯性测量单元(IMU)定位存在累积误差的问题,研究并实现了一种使用容积卡尔曼滤波算法对RSSI定位和IMU定位进行数据融合的方法。以ZigBee开发板为RSSI的硬件载体,采用质心定位法将RSSI转换为坐标信息;待测目标搭载MPU9250提供IMU数据,并进行室内跟踪定位实验;使用容积卡尔曼滤波算法对实验数据进行改进,并与原坐标信息数据进行对比。结果显示,使用了容积卡尔曼滤波算法后的改进数据相比原数据在精确度上提高了20.8%。该定位系统具有一定的实用价值。

基于RSSI的医用蓝牙测距系统设计

基于接收信号强度指示(Received Signal Strength Indication,RSSI)测距的研究和应用领域广泛,是物联网研究的热点。针对医疗机构中的患者定位和跟踪问题,提出了一种基于RSSI的医用蓝牙测距系统,使用STM32单片机作为系统主控,通过BT05蓝牙模块接收和解析来自患者身上蓝牙标签发射的信号。根据测量信号的接收信号强度,能够准确地估计患者与各个蓝牙标签之间的距离。同时,系统还能够与医疗记录系统进行集成,将患者的位置信息与其医疗记录关联起来。通过实验验证,系统在医疗机构的患者定位和跟踪方面取得了良好的效果。与传统的定位系统相比,该系统具有成本低、部署灵活和精度高等优势。

一种基于Mesh网络的混合AOA/RSSI协作定位算法

传统到达角度(Angle-Of-Arrival,AOA)/接受信号强度指示(Received Signal Strength Indicator,RSSI)混合定位往往需要多个锚节点布设阵列天线以实现高精度定位,为解决在锚节点资源受限下精度较低的问题,提出了一种基于Mesh网络的混合AOA/RSSI协作定位方法。仅有中心主锚节点提供AOA角度的情况下,采取最小二乘法对联合真实和虚拟锚节点所对应角度和距离信息进行初步定位;利用未知节点之间的协作通信和测距信息,位置估计问题被转换为无约束非线性优化问题,给予短距离链路更高权重,通过迭代求解最终实现协作定位。仿真结果表明,所提算法在锚节点资源受限情况下有效地提升了定位精度。

基于RSSI的笼内鸡只定位方法研究

为快速准确对笼养环境下鸡只多目标定位,设计了1种基于接收信号强度(Received Signal Strength Indicator,RSSI)融合混合滤波算法的笼内鸡只自动定位方法。首先设计了RSSI值采集系统,由PC机(笔记本电脑)、FU-M6-A型读写器、极化相匹配的天线和脚踝标签、读写器软件构成。其次,合理地布置天线,建立了信号衰减测距模型,使用狄克逊高斯混合滤波算法将原始数据预处理,优化笼养环境下信号传播路径损耗系数。最后计算脚踝标签到发射天线之间的距离,将测距值代入极大似然估计法求得脚踝标签的位置坐标初值,以标签坐标和测距值作为未知量采用牛顿迭代法求得最优的标签位置坐标。结果表明:所设计定位方法的定位误差在5 cm以内的概率接近83%,和传统的节点—节点定位算法相比,该方法提高了鸡只在移动过程中的定位精度,为鸡只行为分析提供了1种方法。

基于RSSI的室内蓝牙定位的设计与实现

随着人们对室内定位的需求越来越多,实现高精度且人性化的室内定位方案迫在眉睫。传统的室外定位技术,如GPS由于存在卫星信号被遮挡等问题不适用于室内定位场景,因此,利用RSSI测量距离的原理,设计与实现了基于三边定位算法和最小二乘定位算法的室内蓝牙定位解决方案。为满足手机终端查看所连接设备的蓝牙RSSI值,利用MIT App Inventor平台开发了一款蓝牙信号检测软件—Bluetooth Detector。选用对数损耗模型进行RSSI与距离的转换,由于不同室内场景的环境条件存在差异,因此利用多组实验数据进行预处理,完成了该模型中参数的估计。通过多组实验,利用三边定位算法和最小二乘定位算法求出目标节点的坐标值,经误差比较,最小二乘定位算法的精度和稳定性更优。

一种加权圆模型的AOA与RSSI融合定位算法

针对多径效应和非视距给定位精度带来负面影响的问题,提出一种适用于3个基站的基于加权圆的融合定位算法:将接收信号强度(RSSI)定位法与到达角(AOA)法相融合;并由于传统的无线信号路径损耗模型在预测距离时易对环境参数有所依赖,提出利用自适应遗传算法(AGA)-反向传播(BP)神经网络来构建传播模型以确定加权圆的权值初始值;最后根据不断迭代的加权范围和角波束来估计待测点位置。实验结果表明,与其他混合定位方法的性能相比,将AGA-BP和加权圆算法相结合能更好地提高定位精度;同时,为测试鲁棒性,加入不同大小的干扰角度,结果可见,提出的算法能有效处理非视距误差。