Multi-Variable Flocking Control for Multi-Agent Systems via a Received Signal Strength Indicator

A novel flocking control approach is proposed for multi-agent systems by integrating the variables of velocities, motion directions, and positions of agents. A received signal strength indicator （RSSI） is applied as a variable to estimate the inter-distance between agents. A key parameter that contains the local information of agents is defined, and a multi-variable controller is proposed based on the parameter. For the position control of agents, the RSSI is introduced to substitute the distance as a control variable in the systems. The advantages of RSSI include that the relative distance between every two agents can be adjusted through the communication quality under different environments, and it can shun the shortage of the limit of sensors. Simulation studies demonstrate the effectiveness of the proposed control approach.

一种WiFi混合滤波的RSSI室内定位算法

针对接收信号强度指示(RSSI)在基于WiFi的室内定位应用中易受到环境影响出现波动、突变进而导致定位精度降低的问题,提出了一种WiFi混合滤波的RSSI室内定位算法。首先,根据WiFi信号距离衰减模型设计一种自适应阈值滤波器剔除观测信号异常值;然后,根据自适应阈值滤波、卡尔曼(Kalman)滤波、均值(Mean)滤波设计了一种混合滤波算法(ATKM)对RSSI数据进行滤波;最后,提出了一种基于斯皮尔曼-欧几里得距离的加权K近邻算法(SEWKNN)进行位置估计。在真实环境下的实测结果表明,本文提出的ATKM滤波算法能显著降低RSSI信号的波动,提出的SEWKNN算法在室内环境中平均定位误差为1.17 m,在走廊环境中平均定位误差为1.53m,相比传统的WKNN算法平均定位误差分别下降18.18%和16.84%。

基于改进麻雀搜索算法优化的RSSI定位

针对传统接收信号强度指示(RSSI)测距受环境中不同因素干扰,导致定位精度不高的问题,提出基于改进麻雀搜索算法(ISSA)优化的RSSI定位算法。首先,通过混合滤波对RSSI值优化处理,剔除异常值并消除波动,RSSI测距模型将滤波后可靠的信号值换算为距离。其次,对基础麻雀搜索算法(SSA)进行改进,得到未知节点的精确坐标。实验结果表明:与另一种ISSA及粒子群优化万有引力搜索算法(PSOGSA)混合定位算法相比,该算法具有更高的定位精度。

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。

基于混合滤波的RSSI无线网络测距算法

针对基于ZigBee网络的节点接收信号强度指示(received signal strength indication,RSSI)在复杂环境测量会产生偏差的问题,提出一种基于混合滤波的无线网络测距算法。该方法在运用卡尔曼滤波的基础上融合了基于中值自适应加权高斯滤波的混合滤波,首先用卡尔曼滤波算法去除波动性较大的RSSI值,再利用中位值抗差性原理和自适应函数降低RSSI数据的波动。仿真实验结果表明,混合滤波无线网络测距算法能够较大程度减小异常值带来的波动,有效提高RSSI采样精度。

基于RSSI的井下人员定位算法改进

在无线传感器网络中,针对接收信号强度指示(Received Signal Strength Indication,RSSI)在煤矿井下长距离巷道内信号衰减快、测距精度偏差大等问题,提出了一种基于RSSI的高斯滤波加权质心定位算法。采用高斯滤波对采集的RSSI值进行修正,一定程度上减轻环境造成的影响。将RSSI测距算法与改进加权质心算法相结合,得出待测节点坐标位置。仿真试验表明,该改进算法与原有定位算法相比,定位误差明显降低,可基本满足煤矿井下人员的安全生产和定位需求。

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序列特性的RFID多标签相对定位方法

室内多目标的高精度定位技术是实现定制化智能服务的关键。当前,基于射频识别技术(Radio Frequency Identification,RFID)的室内定位技术因其成本低、易于部署和多目标感知等优势,受到了学术界和产业界的广泛关注。然而,传统的基于RFID的多目标相对定位系统需要使用多组接收天线进行数据收发,这导致系统的部署成本高昂,同时接收信号强度指示(Received Signal Strength Indication,RSSI)序列还会出现数据中断的问题。为解决这些问题,提出了一种基于RSSI序列特性的RFID多标签相对定位方法。该方法首先采用匀速移动天线的方式来获取多目标标签的接收RSSI信号序列;然后,对接收RSSI数据进行预处理来填充缺失数据,并构建基于余弦相似度的序列相似度量表;最后,从多个组维度设计不同的标签分组算法,以实现RFID多标签的相对定位。通过对典型室内多组RFID标签阵列进行大量相对定位测试,实验结果表明,所提方法的RFID标签相对定位平均准确率超过92%,对5*5的天线阵列平均定位计算时长小于1 s,相比其他工作计算效率提高了近10倍。

Design of 15 Gb/s inductorless limiting amplifier with RSSI and LOS indication in 65nm CMOS

A limiting amplifier IC implemented in 65nm CMOS technology and intended for high-speed op- tical fiber communications is described in this paper. The inductorless limiting amplifier incorporates 5-stage 8 dB gain limiting cells with active feedback and negative Miller capacitance, a high speed output buffer with novel third order active feedback, and a high speed full-wave rectifier. The re- ceiver signal strength indictor （RSSI） can detect input signal power with 33dB dynamic range, and the limiting amplifier features a programmable loss of signal （LOS） indication with external resistor. The sensitivity of the limiting amplifier is 5.5mV at BER = 10^ -12 and the layout area is only 0.53 × 0.72 mm^2 because of no passive inductor. The total gain is over 41dB, and bandwidth exceeds 12GHz with 56mW power dissipation.

基于CPPM-RSSI算法的可见光室内定位技术研究

针对如何提高室内定位精度问题,提出一种基于混沌脉冲位置调制(CPPM)和接收信号强度指示(RSSI)相结合的定位算法。利用二值混沌码作为扩频码,对LED灯的位置信息进行扩频处理,然后进行脉冲位置调制(PPM),将调制后的信号发送出去,接收端用相同的二值混沌码解扩恢复出每个LED的位置信息,通过光电检测器(PD)检测到来自各个灯的光强,再结合RSSI算法进行定位。仿真结果表明:在5 m×5 m×2 m的定位空间内,不扩频的情况下,最大误差为51 cm,最小误差为3 cm,平均误差为15.47 cm。随着扩频码长度增加,与之对应的误码率会降低,定位精度也随之提高,当扩频码长度为64位时,最大误差为10 cm,最小误差接近1 cm,平均误差为4 cm。

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。

基于机器学习与蓝牙RSSI的室内定位技术研究

对一种基于蓝牙RSSI(received signal strength indicator)结合机器学习算法的室内定位技术进行了研究。以蓝牙低功耗信标作为发射节点,接收移动节点的RSSI信号,通过三坐标测算技术,结合k近邻(k⁃nearest neighbor,k⁃NN)机器学习算法,参考已知信标节点对移动节点RSSI数据进行分类,估算出待测点坐标,从而定位室内用户位置。所研究的室内定位技术,综合运用了蓝牙低功耗信号处理、RSSI测距及机器学习等多种技术,能精确地用于各种静态或动态的应用室内定位场景。在某高校图书馆室内部署本文技术方案,测试结果表明机器学习结合蓝牙RSSI的室内定位精度相比传统定位方法得到提高。

基于RSSI的测距差分修正定位算法

为了抑制RSSI误差对无线传感器节点自身定位精度的影响,以三边定位算法为基础,定义了个体差异差分系数、距离差分系数和距离差分定位方程,把离目标节点最近的信标节点作为参考节点对基于RSSI的测距进行差分修正,并将差分法和质心法相结合提出了一种测距差分修正定位算法。该定位算法无需增加额外硬件开销,容易实现,定位误差可小于2.5m,适合于处理能力和能量有限的无线传感器网络节点。

基于RSSI均值的等边三角形定位算法

为了提高无线传感网络的定位精度,从提高测量精度、改善信标节点分布的角度提出了一种基于RSSI均值的等边三角形定位算法.该算法引入信号强度指示(RSSI)敏感区和非敏感区概念,采用高斯模型对非敏感区的RSSI数据进行处理,解决了RSSI易受干扰的问题.采用等边三角形分布模型处理信标节点的分布,保证未知节点运动轨迹始终在信标节点的非敏感区内,从而在定位算法上使测量精度得到提高.研究表明,高斯模型可以很好地筛选出RSSI较优值;等边三角形分布模型可以提高RSSI的采集优度.这种定位算法计算简单,定位过程中节点间无通讯开销,无需硬件扩展.

基于RSSI每跳分级和跳距修正的DV-HOP改进算法

针对DV-HOP(distance vector hop)算法的定位精度对节点间跳数信息依赖性较强的特点,提出一种基于接收信号强度指示(received signal strength indicator,RSSI)每跳分级和平均跳距修正的DV-HOP改进算法RADV-HOP(RSSI and average hopping distance modifying DV-HOP)。仿真结果表明:在相同的网络环境里,与传统DV-HOP算法相比,RADV-HOP定位算法仅需节点通信芯片带有RSSI指示功能及增加少量的计算和通信开销,不需要额外的硬件开销,将每跳分为3个子级时,归一化定位误差能下降65%;与其他DV-HOP修正算法相比,RADV-HOP算法以相同的通信开销和稍微增加的计算开销使定位误差下降了45%。

无线传感器网络中基于RSSI的加权DV-HOP定位方法

节点位置是无线传感器网络应用不可缺少的信息。DV-HOP算法是一种常见的无线传感器网络节点自定位算法。标准DV-HOP算法在计算跳数时并未根据邻居节点间距离对跳数进行加权处理,导致当邻居节点间距离差别较大时算法定位精度低的问题。从RSSI的耗散模型可看出,RRSI可以作为距离的比征,提出一种基于RSSI的DV-HOP加权算法。该算法基于节点接收信标节点位置元组时的信号强度(RSSI)对邻居节点间跳数进行加权处理,将节点间的跳数与距离相关联。仿真实验结果证明该加权算法可大大提高定位精度。

智能空间中RSSI定位问题研究

定位服务是智能空间所必须提供的基本服务,而定位精度的高低在很大程度上取决于距离测量精度.本文分析了现有无线测距技术运用到智能空间中存在的诸多问题,结合无线传感器节点的硬件特性,选择了基于RSSI的定位技术,提出了三种基于RSSI定位的实现机制:最小二乘曲线拟合法,信号强度分布法以及混合定位法.在此基础上,针对所提出的三种定位技术从定位计算量、定位误差等方面进行了实验测试与对比分析.结果表明,混合定位法所需的计算量小、定位精度高,能更好地满足于资源受限环境下的定位服务需求.由此可见,借助于本文提出的混合定位法,结合适当的迭代定位算法可以有效地应用于实际系统的定位.

基于DV-Hop定位算法和RSSI测距技术的定位系统

针对DV-Hop算法在实验环境中存在的问题,加入接收信号强度指示器(RSSI)测距模块辅助定位,对算法进行改进。为了实现定位系统,首先,需要建立当前实验环境的RSSI模型;然后,应用该模型,从锚节点和非锚节点两方面分别控制DV-Hop定位过程。实验证明:改进后的定位系统在增加少量计算复杂度的情况下,改善了系统的稳定性,提高了定位的精度,可以被应用到无线传感器网络中。

无线传感器网络RSSI测距方法与精度分析

基于RSSI的测距技术是一项低成本的距离测量技术。分析了接收信号强度指示器(RSSI)多种测距模型,结合采用IEEE802.15.4协议的CC2430芯片,设计了测距实验,获取了多组数据,通过对实验数据的分析,提出结合信标节点确定参数、高斯拟合确定测量值的RSSI测距处理方法。实验证明,该方法能提高RSSI测距的抗干扰能力,20 m内节点间的测距精度能达到1.5 m以下。

基于RSSI的煤矿井下巷道定位技术误差分析

煤矿井下定位系统的定位精度有限,为进一步提高矿井安全生产水平,及时且客观地获知人员和机车的位置,需对系统的定位误差情况有所掌握。煤矿井下多为巷道,人员和机车也多在巷道中活动,锚节点一般多布置在巷道一侧,根据盲节点必在巷道中的先验信息,以及实验得到并经最小二乘法修正的测距参数,对基于接收信号强度(RSSI)模型的井下巷道定位系统及定位误差进行了理论分析。得到系统模型中测距误差的放大倍数的分布规律,并分析测距误差对x,y方向的定位误差及最终定位误差的影响规律。仿真结果表明,相同的测距误差在不同的定位区域表现出了非均匀的目标定位误差分布,这对煤矿安全生产和管理都非常重要,而且能够对煤矿井下巷道定位系统的建设提供帮助和指导。结合井下巷道具体尺寸,数值计算得到测距误差对人员和机车定位的误差最大值,这将能够帮助煤矿事故中实施有效的安全救援工作。