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ZigBee混合滤波RSSI的室内定位算法

针对复杂的室内环境,基于ZigBee的接收信号强度指示(RSSI)室内定位技术以功耗低、成本低等优势脱颖而出。但RSSI信号强度容易受环境、障碍物、人员走动的干扰而产生波动,影响定位精度。针对以上问题,结合现有滤波算法的优点,提出一种基于卡尔曼滤波、高斯滤波、限幅滤波、加权平均值滤波相融合的新型混合滤波算法——KGWAL。以KGWAL滤波后的RSSI采样值为基础,根据最小二乘法估计路径损耗模型。最后用加权质心三边定位得到实际位置。实验结果表明:KGWAL滤波能很大程度提高RSSI采样值精度,优化后的室内路径损耗模型能够精确反应RSSI与距离的关系,定位精度在0.315 m左右,定位精度得到明显提升。

基于RSSI的WSN定位系统设计

文章设计开发了一种基于RSSI的WSN定位系统。该系统将ZigBee网络节点的无线接收信号强度RSSI转化为距离,利用卡尔曼滤波算法对接收到的RSSI数据值进行修正,结合三边定位算法对未知节点位置进行计算。本设计利用CC2530芯片进行ZigBee网络组网。在ZigBee网络中,本设计通过协调器节点将RSSI数据值发送给上位机处理。经过测试,该系统的定位算法效果良好,在锚节点数目有限的条件下,可以达到较为理想的定位精度,适合应用于大规模无线传感器网络。

基于RSSI的室内测距模型的研究

基于接收信号强度指示(RSSI)的测距技术是一项低成本和低复杂度的距离测量技术,被广泛应用于无线传感器网络基于距离的定位技术中。由于室内环境下存在非视距和多径传输的影响,测距误差比较大。在消除测距误差的方法中,采用线性回归分析对射频参数A和信号传输常数n进行优化,得到满足具体环境的参数值。提出2种滤波模型对采集的RSSI进行滤波处理。实验表明:通过参数优化和滤波处理,测距精度得到了明显的提高。

无线传感器网络中RSSI滤波的若干处理方法

无线传感器网络是一门新兴的技术,具有广泛的应用领域。而基于接收信号强度指示(RSSI)应用的无线传感器网络,需要对网络中接收到同一个节点的多个RSSI值进行滤波。为了对RSSI滤波有一个全面的认识,介绍了几种滤波方法,详细综述了每种滤波方法的原理和特点,最后指出应根据具体情况,权衡滤波效果、算法复杂度、节点能耗等各方面因素,选择一种或者多种算法混合的滤波方法。

基于修正RSSI值的四边形加权质心定位算法

在利用接收信号强度指示(RSSI)对无线传感器网络中的未知节点进行定位时,RSSI值易受环境的影响导致定位误差,为此提出基于RSSI测距修正的四边形加权质心定位算法(QWCRC)。先对来自同一锚节点的多个RSSI值进行卡尔曼滤波,得到修正的RSSI值,致使测距尽可能的接近真实距离;再采用四边形加权定位对未知节点进行定位,同时利用最小二乘法进行辅助定位,此算法对于相邻锚节点圆不相交的情况给出新的解决方案。实验结果对比表明,改进的算法相比较于四边形加权质心算法(QWC)和RSSI测距修正的三角形加权算法(TWCRC),在锚节点数目5×5和噪声强度为0 dbm时,定位精度可分别提升87.14%和35.51%。

基于RSSI混合滤波和最小二乘参数估计的测距算法

针对基于RSSI的无线传感器网络定位测距问题,在对数-常态分布模型下提出了一种混合滤波及最小二乘环境参数动态估计的测距算法。以锚节点作为参考节点,采用基于均值滤波、中值滤波和高斯滤波的混合滤波方法优化RSSI值,运用最小二乘法估计环境参数,再由盲节点与锚节点的RSSI混合滤波优化值计算二者之间的距离。仿真结果表明,混合滤波性能优于其它单一滤波方法,环境参数估计相对误差小于2.5%,空旷环境下100 m范围内测距相对误差小于10%,满足无线传感器网络定位测距要求。

RSSI信号的滤波分析及仿真

在无线传感网中,基于RSSI(信号强度指示)的测距技术是一项低成本的、低复杂度的测量技术,但是RSSI信号容易受环境因素的影响,所以即便在同一位置点采集到的RSSI信号强度值也大不相同,影响位置的准确判定。论文首先分析了RSSI的测距原理,以及RSSI信号几种常见的滤波方法。并用MATLAB软件通过模型仿真产生RSSI信号,然后分别采用均值滤波、高斯滤波、以及卡尔曼滤波对RSSI采样值进行处理。仿真结果表明,小概率大干扰存在情况下,高斯滤波及卡尔曼滤波的误差明显小于均值滤波;均值滤波和高斯滤波因受采样点个数的影响,故稳定性不如卡尔曼滤波好。

基于修正RSSI值的加权质心定位算法

针对利用接收信号强度指示(RSSI)进行节点定位时,RSSI值易受到环境因素的影响导致定位误差。为减小定位误差,在修正加权质心定位算法的基础上,使用卡尔曼滤波对连续采集到的RSSI值进行最优化处理,实现实时状态的预测和估计,使测距结果尽可能接近实际距离,为后续的定位提供更准确的数据。仿真结果显示,相比于之前的算法,改进算法减小了定位误差,提高了定位准确度。

无线传感器网络中基于RSSI的改进加权质心定位算法

针对基于无线传感器网络的节点定位问题,提出一种基于接收信号强度(RSSI)的改进加权质心定位算法。该算法首先采用高斯理论模型过滤RSSI值,再运用校正RSSI测距技术测量节点之间的距离,并优选信标节点,最后用改进加权质心算法进行定位。实验结果表明:改进后的算法相比于传统的质心定位算法,能够实现更好的定位效果。该算法充分利用了RSSI数据,避免了信息的淹没,能够较好地满足低功耗与低成本的要求。

RSSI的室内人员卡尔曼滤波定位算法

RSSI定位技术的室内定位算法中,由于室内环境的复杂性及人员的随机性等因素可能会带有噪声影响,所以需要加以抑制。本次设计的室内定位算法首先根据室内特殊环境设计出定位算法流程图,建立算法模型并用卡尔曼滤波算法来抑制环境中噪声因素所引起的误差,然后结合改进的RSSI算法实现室内移动人员的定位,使得定位的结果更接近于真实值。重点研究将卡尔曼滤波算法与改进的RSSI算法相结合估算出更精确的室内人员位置信息。通过实验表明,结合卡尔曼滤波改进的室内人员定位算法的定位精确度有明显的提升,误差相比于文献9所提出的定位算法有所降低。

基于ZigBee的RSSI测距方法精度研究

考虑室内环境下存在的非视距和多径传输影响,得到优化的射频参数A和信号传输常数,并基于ZigBee硬件平台进行RSSI测距技术方面的实验,得到基于固定节点的距离比较、高斯滤波和卡尔曼滤波3种数据处理方式的测距精度。实验结果表明,在所选用的3种数据处理方式中,经过卡尔曼滤波处理后的测距精度最高。

基于RSSI和TOA融合的矿井人员精确定位方法

提出了一种基于RSSI和TOA融合的矿井人员精确定位方法。分析了RSSI技术和TOA技术测距精度特性,提出了近端基于RSSI测距、较远端基于TOA测距的矿井人员定位方法,在此基础上提出了改进卡尔曼滤波误差抑制算法,保证高精度矿井人员定位。实验结果表明,在基站与定位识别卡距离不超过40 m的范围内,本文定位方法的定位误差为3 m以内。

基于RSSI的室内无线网络定位技术研究

基于信号强度(RSSI)的测距是一项低成本和低复杂度的距离测量技术,被广泛应用于无线传感器网络基于距离的定位技术中。基于RSSI测距的定位技术,通过线性回归分析对参数进行优化,引入高斯滤波模型,对RSSI值进行修正,提高了测距精度。采用泰勒级数展开对位置进行迭代计算,最后在TI的ZigBee平台上进行实验验证,通过仿真和实验验证了算法的可行性和优越性。与CC2431算法相比,该算法减小了定位误差,提高了定位精度。

基于改进加权混合滤波的矿井RSSI定位方法

针对煤矿井下人员定位算法普遍存在定位精度较低、受环境干扰大、设备成本高等问题,提出了一种基于改进加权混合滤波的矿井RSSI(Received Signal Strength Indication)定位算法。首先对固定点离线采集的信号进行高斯滤波,去除各位置点接收到的小概率、大干扰信号值,引入最大值加权处理得到各位置对应的信号值;其次设计了引入等价权函数的改进卡尔曼滤波器对各位置点计算所得信号值进行平滑处理,抑制环境中噪声因素引起的误差;最后利用最小二乘法计算该环境下路径损耗指数n和环境参量Xσ,建立符合煤矿井下特殊环境的无线信号传输模型。矿井工作人员携带信号接收装置进入巷道,利用该信号传输模型求出矿井人员到信号节点的距离,进而确定人员的位置。仿真结果表明,所提方法有效减小了RSSI测距定位误差,为将RSSI测距定位技术更好地应用于煤矿井下人员定位奠定了理论基础。

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。

基于复合滤波的RSSI无线网络测距算法

定位技术是Zigbee无线蜂窝网络最为重要的应用之一,其定位原理主要是基于接收信号强度指示(Received Signal Strength Index,RSSI)的测距算法,RSSI值的精度直接影响到定位精度。为抑制RSSI值中的复杂干扰噪声,本文提出了一种复合滤波算法,融合了中值滤波、均值滤波、高斯滤波、狄克逊法滤波等多种滤波器的特性,实验结果表明,与单一滤波器相比较,复合滤波后的RSSI值波动更小,平均误差更低,鲁棒性与自适应性更强。

基于平方根容积卡尔曼滤波的RSSI定位参数估计算法

室内无线定位时由于复杂环境多径效应的影响,接收节点接收到的信号强度与发送节点到接收节点的距离之间没有一致的变化关系,这导致接收信号强度指示(RSSI)定位方法在室内环境下会存在较大的误差。提出一种基于平方根容积卡尔曼滤波的RSSI参数估计算法,该算法将RSSI定位问题转变为非线性方程组的参数估计问题,使用平方根容积卡尔曼滤波(SCKF)对目标位置和无线信道衰减参数同时进行估计,并利用信道参数动态变化实时修正估计的定位节点坐标。实验结果表明,本文提出的基于SCKF的目标位置和无线信道参数估计算法相比于传统的最小二乘曲线拟合的RSSI定位方法,能够有效提高室内无线定位的精度。

基于6LowPAN的RSSI测距方法优化

基于RSSI的测距技术是一种低复杂度、实现成本低的测距技术,不仅广泛运用于无线传感器网络中的节点定位,而且是无线传感器网络中多种拓扑控制算法和路由算法的实现基础。由于环境的影响,射频芯片接收到的RSSI值很不稳定,直接影响测距精度。在分析研究了三种常用RSSI预处理方法的基础上,提出来一种基于卡尔曼滤波的优化RSSI处理方法。利用支持6Low PAN通信协议的无线传感器平台,测试节点在无障碍物环境、有障碍物环境内的测距效果。试验结果表明改进后的优化卡尔曼滤波算法有效地提高了测距精度,并降低了算法的复杂度,更加适用于无线传感器网络节点。

基于RSSI的三维空间定位算法研究

在无线传感网络（WSN）的三维定位的过程中,由于实际环境的复杂性,会在定位过程中产生不稳定的接收信号强度（RSSI）,同时还会导致无线传感网络中的未知节点产生不可靠定位数据,这些都会影响定位的精度。据此,本文提出了一种位置过滤算法,该算法首先利用高斯过滤模型对RSSI值进行过滤得到稳定的RSSI值,然后使用四面体质心算法计算得到未知节点的估计位置,最后结合DBSCAN算法对得到的估计位置进行过滤,从而剔除计算过程中获得的不可靠数据。本算法通过与传统的定位算法进行仿真对比,结果表明,本算法有效地提高了定位精度,对特定条件下的三维空间定位工程具有较强的借鉴意义。