基于接收信号强度指示的蓝牙信号源定位

利用接收信号强度指示(RSSI--Received Signal Strength Indicator)定位因为其借助的设备较少,实现方法简单而被广泛应用;在简述利用接收信号强度指示(RSSI)定位原理的基础上,以生活实际中经常用到的蓝牙为例研究两个蓝牙设备之间的距离与接收信号强度指示之间的关系;并在三种具体环境中建立了相应的关系曲线图,虽然并没有给出具体的解析表达式,但仍然能在一定程度上反应设备间距离与RSSI的关系,并为进一步的研究打下了坚实的基础;得出了在空旷环境比室内以及楼道环境下信号传播效果要好,而且三种环境下信号强度都随着距离的增加而减小,在有障碍物的情况下比没有障碍物衰减更大。

应用于无线传感网的接收信号强度指示器的设计

采用SMIC 0.18μm CMOS工艺设计了应用于无线传感网(WSN)的接收信号强度指示器(RSSI),其核心电路是采用跨导放大器构成的限幅器、半波整流器和相应的偏置电路。其工作在电流模形式下,对工艺角和温度具有良好的补偿特性。芯片测试结果表明:在电源电压为1.8V时,RSSI的直流功耗为4.14mW,2MHz输入信号频率下的检测范围为-58～-7dBm(以50Ω阻抗作参考),对应的输出指示直流电压为0.48～1.45V,检测斜率约为18.2mV/dB,非线性误差小于±0.7dB。芯片面积为0.654mm×0.430mm。

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.

一种基于RSSI的权重值选择及加权定位算法

提出了一种基于Wi-Fi网络的接收信号强度指示(RSSI)的权重值选择及加权定位算法。该算法在离线阶段为每个接入点(AP)在每个参考位置点的RSSI设定了变化区间;在定位阶段,将扫描到的每个AP的RSSI落在该区间的所有位置点的权重值加1,然后采用加权算法计算定位目标的估计位置。实验证明,该算法减少了RSSI随机变化引起的定位误差,能获得较好的定位精确度。

节点RSSI比值跳数修正的DV-Hop算法

针对传统的DV-Hop定位算法在计算锚节点与待定位节点之间的平均跳距和跳数时所造成的大量误差积累问题,提出一种基于接收信号强度指示(RSSI)比例修正的DV-Hop定位算法。在改进的算法中,根据不同平均跳距处的接收信号强度指示(RSSI)值,选取最大平均跳距、最小平均跳距处、通信半径处的RSSI值,求出比例因子,再利用该比列因子求出加权系数来修正每一跳数,从而得到更加精确的跳数和平均跳距,提高定位精度。仿真实验表明:该改进算法的定位精度优于传统算法。

基于RSSI权值的环境适应型室内定位算法研究

定位节点接收的信号强度指示(Received Signal Strength Indication,RSSI)值是室内指纹定位技术重要的元素之一。通过对定位节点接收到的信号强度值特性分析,提出了基于RSSI权值的室内定位算法。改进型RSSI权值计算公式以及权值指数α的提出,使得定位算法具有一定的环境适应性,能更灵活地运用于实际定位场景。经过一般实验场景验证,算法在定位精度上有较大的提升。

基于RSSI值的定位算法分析与改进

本文在对比测距方法的基础上了,介绍了RSSI测距的原理,分析了APIT算法在平面直道类型区域定位中的不足,并提出IAPIT算法。采用直道分布模型处理参考节点的分布,保证未知节点运动轨迹始终在某两个参考节点区间内,从而在定位算法上使定位算法简单,易实现。研究表明IAPIT算法复杂度低,定位精度有很强的伸缩性,定位过程中对节点连通度要求低。

基于RSSI值的WSNs节点测距算法改进与定位实现

针对采用接收信号强度指示(RSSI)值进行无线传感器网络(WSNs)节点定位中,存在的因节点放置高度不同而产生的测距精度存在差异的问题,在大量实验数据的基础上,分析了RSSI值与距离d在节点布设高度不同时的关系,同时采用分段拟合法对测量曲线进行处理,并在此基础上提出了以恒定步长进行节点趋势移动的校验法,计算RSSI值所对应的距离d。验证结果表明:应用此校验法,节点测距的相对误差有了明显的改善。最后,将改进的测距算法应用到WSNs定位中,仿真结果表明:提出的分段拟合与移动校验法能有效改善定位的精度。

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。

考虑信号统计特征的神经网络室内测距方法

针对现有神经网络测距方法易陷入局部极值而降低测距精度的问题,提出一种考虑信号统计特征的神经网络蓝牙室内测距方法:提出一种反馈-卡尔曼混合滤波算法进行数据预处理;并分析接收信号的传播特性,引入信号统计特征参数作为输入信号,构建改进麻雀搜索算法优化的埃尔曼(Elman)神经网络(ISSA-Elman)测距模型。实验结果表明,该测距方法能够有效提高测距精度,平均测距误差约为15 cm。

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。

基于RSSI差分似然估计的WSN节点定位算法

为了克服接收信号强度测量误差对无线传感器网络(WSN)节点自身定位精度的影响,在对极大似然估计定位算法和接收信号强度指示(RSSI)模型分析的基础上,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,并将测距差分修正和极大似然估计相结合提出了一种测距差分修正极大似然估计定位算法。算法通过RSSI进行测距,无需增加额外硬件开销,容易实现,定位精度可达2.5 m以下,适合于处理能力和能量有限的WSN节点定位。

基于RSSI跳数修正的DV-Hop改进算法

针对原始DV-Hop算法中跳数值不能反应出节点间实际距离大小而导致拓扑不规则网络中节点定位误差较大的问题,提出了一种基于接收信号强度指示RSSI(Rceived Sgnal Srength Idicator)的改进算法。首先根据直接邻居节点接收到的RSSI值对第1跳进行分级,细化跳数;同时把节点间的距离比值作为权值,并将其转化为相应RSSI的关系对跳数进行加权修正,使获得的跳数值更准确。仿真结果表明在相同的网络环境下,与传统算法相比改进算法在不增加额外硬件的前提下有效地提高了定位精度。

基于KNN算法的可变权值室内指纹定位算法

针对基于静态权值的室内指纹定位算法存在定位精度低、定位结果不稳定以及环境适应性差等问题,提出一种以欧氏距离为权值参考的可变权值室内指纹定位算法。该算法分为离线采样阶段和在线定位阶段。离线采样阶段对接收信号强度指示(RSSI)值进行高斯滤波去噪构建指纹库。在线定位阶段引入权值指数α、β,分别以RSSI、欧氏距离为权值参考计算最近邻点及其加权质心,得出待测节点的坐标。实验结果表明,相比KNN和RW算法,该算法定位精度高,其平均误差为0.965m,且定位误差波动小。

基于RSSI测距的三维无线传感网络萤火虫定位算法的研究

研究了三维空间无线传感器网络(WSN)未知节点的定位。针对目前三维空间无线传感网络定位算法精度低的问题,提出一种基于接收信号强度指示(RSSI)测距的萤火虫定位的算法。该算法首先利用RSSI进行测距,建立信号强度随传播距离衰减的模型,然后在已知一定数量的锚节点的情况下,通过萤火虫算法寻找目标函数最优值,进而对未知节点进行定位。仿真验证结果表明,该定位算法相比其他算法定位精度有很大提高,在30m×30m×30m的空间内定位误差仅为0.59m。

基于RSSI优化的模型参数实时估计定位算法

基于RSSI的测距是一种低成本的距离测量技术。为了有效地降低RSSI因环境影响而产生的测量误差,以及解决传统算法中因使用固定信号传播模型而造成较大测距误差的问题,提出一种RSSI经过优化处理的模型参数实时估计定位算法。该算法运用高斯模型对节点接收到的所有RSSI测量值进行处理,根据RSSI值确定待定位节点所在的最小区域,再通过该区域内选定信标节点间的相互合作估算出当时的环境参数,根据实际情况动态调整传播模型的参数,使测距更准确,从而减少定位误差。将该算法与其它算法进行仿真比较,结果表明了该算法可以有效地提高定位精度。

基于RSSI的无线传感器网络节点定位技术

研究了无线传感器节点定位问题,在三边测量法定位基础上提出了一种基于RSSI的灵活的节点定位机制(FTL).其基本思想是采用三个普通信标节点,利用节点间的协作形成未知节点存在的有效误差区域,通过一跳及两跳邻居节点辅助完成定位.仿真显示该机制比现有的基于RSSI的三个普通信标节点分布式定位算法对未知节点与信标节点相对位置要求降低,在平均测距误差为10%时,平均定位误差约为节点射频通信距离的20%.

基于优化RSSI精度的WSN加权质心定位算法

为消弱接收信号强度指示误差对无线传感器网络节点定位精度的影响,提出基于优化接收信号强度指示测距精度的加权质心定位算法。该算法根据接收信号强度指示(RSSI)和链路质量指示(LQI)在不同距离段的衰落曲线起伏的波动状况,采用分段测距的方法优化RSSI的测距精度,接着将优化后的距离值作为加权质心算法的权值因子对节点进行定位,进而提高定位精度。实验结果验证了该优化算法的有效性。

智能空间中的环境自适应RSSI定位

针对智能空间中接收信号强度指示（RSSI）定位的精度受环境参数动态变化影响的问题，提出了一种环境自适应RSSI定位算法，并阐明了环境参数的变化是影响测距精度和定位误差的主要因素。提出的环境自适应RSSI定位算法首先通过奇异值剔除和均值滤波对测量数据预处理，然后使用自适应RSSI距离估计算法估计节点间距离，进一步使用最大似然估计求得未知节点位置，最后利用Kalman滤波估计移动目标轨迹。实验结果表明使用该算法的移动目标跟踪定位误差可小于1m，能够满足智能空间移动目标定位的要求。

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。