基于BP神经网络模型的RSSI测距方法研究

针对传统信号传播路径损耗模型接收的信号强度指示(received signal strength indication,RSSI)测距误差较大,提出了基于反向传播(back propagation,BP)神经网络模型的RSSI测距方法.首先,研究分析传统信号传播路径损耗模型及测距误差;其次,利用BP神经网络构建新的路径损耗模型,并将该模型应用到RSSI测距中,对基于BP神经网络模型的RSSI测距方法进行研究;最后,通过实验和MATLAB仿真对测距方法进行验证.仿真结果表明:BP神经网络模型的RSSI测距误差比传统信号传播路径损耗模型的RSSI测距误差要小.

麦田环境2.4GHz无线信道路径损耗建模方法分析

针对麦田环境无线传感器网络(WSN)应用需求,开展了4种无线信道路径损耗建模方法研究及适用性分析。首先利用WSN节点进行2.4 GHz无线信号的麦田实地测试,得到不同传播距离上的路径损耗变化趋势;然后分析了自由空间模型、双射线模型理论计算路径损耗与实测路径损耗差异,同时提出改进的双折线对数距离模型,并采用单折线和改进后的双折线对数距离模型对实测路径损耗运用最小二乘法进行回归分析建模。结果表明:自由空间模型和双射线模型所计算路径损耗与实测路径损耗存在较大差异,无法直接用于麦田环境路径损耗建模;单折线和改进后的双折线对数距离模型的回归分析拟合度分别为0.879和0.943,回归剩余标准差分别为3.242和2.229,均适用于麦田无线信道路径损耗建模,且改进后的双折线对数距离模型较单折线对数距离模型建模精度更高。

室内定位无线接收信号强度测距模型的研究

接收信号强度测距法易受室内复杂环境的影响,在许多研究和实际应用中,通常将路径损耗因子作为固定不变常量,增加了系统误差。分析了室内无线信号的传播特性,介绍了对接收信号强度测距模型,推导了最优拟合当前室内环境对数路径损耗模型参数的计算公式,将自主建模的思想引入到基于接收信号强度的测量中进行了可行性探究。

一种GA-BP神经网络模型的RSSI测距算法

针对传统的无线信号路径损耗模型在预测距离值时易受环境参数A、n(A为1 m处的信号强度、n为路径损耗因子)影响的问题,提出遗传算法(GA)改进的反向传播(BP)神经网络构建无线信号路径损耗模型(GA-BP):分析基于BP神经网络构建无线信号路径损耗模型;然后利用遗传算法对BP神经网络中的初始权值和阈值进行优化,从而克服BP神经网络局部极小解的缺陷。实验结果表明,提出的GA-BP神经网络模型的测距精度比BP神经网络构建无线信号路径损耗模型的测距精度平均提高48%,并可避免对环境参数的依赖。

校园休闲区环境2.4GHz无线信道路径损耗建模

无线信道的质量在很大程度上制约着无线通信系统的质量,发射机到接收机之间的信号传播路径从简单的视距,到遭遇各种各样的地形物。不同环境下的无线电传播模型研究一直是通信方面的热点,文章针对校园休闲区环境无线网络应用需求,开展了无线信道路径损耗建模适用性分析。首先利用WSN节点进行2.4GHz无线信道的实时测试,得到不同传播距离上的信号损耗值,然后与自由空间模型,单、双折线对数距离路径损耗模型进行了对比分析,最后通过对比分析发现改进后双折线对数距离路径损耗模型更适用于此环境。

基于RSSI参数动态修正的ZigBee室内定位算法

ZigBee室内定位技术近年来发展迅速,但使用固定路径损耗模型的传统算法环境适应能力较差,会引起较大定位误差,影响定位精度。本文提出一种基于ZigBee平台的对数路径损耗模型参数动态修正的室内定位算法。首先经过高斯滤波对所得RSSI值进行筛选优化,然后根据锚节点之间的距离以及RSSI值来动态修正对数路径损耗模型参数,包括路径损耗因子以及距待测节点处的信号强度值,从而得到当下环境中具体的对数路径损耗模型;再利用卡尔曼滤波对现有的定位参数进行二次修正,以更正上述算法中因时刻变动引起的环境变化导致的定位偏差。实验结果表明,该定位算法比基于ZigBee的固定路径损耗模型定位性能提升了46.8%,可以改善因环境变化产生的定位误差问题。

基于BP神经网络的RSSI测距优化算法

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很广泛,一直是物联网研究的热点.为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距算法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题.将K-means聚类算法应用于BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真.结果显示:传统基于BP神经网络的RSSI测距算法的均方根误差为1.4257 m;而经过K-means算法改进后的BP神经网络测距算法的均方根误差为1.2887 m,降低了测距误差,并优化了目标RSSI值与真实距离的映射关系.

基于对数路径损耗模型的战术MANET地理位置路由算法

结合战场地形环境和战术MANET(Mobile Ad-hoc NETwork)业务特点,将链路质量预测引入路由中,提出了一种基于对数路径损耗模型的战术MANET地理位置路由(Logarithmic Loss Geographic Routing,LLGR)算法,并通过试验对LLGR算法的性能指标进行了对比分析,结果表明:该路由算法能较好地满足战术MANET的需求。

无线信道大尺度传播效应的统计模型与统计方法

文章基于肇庆市蜂窝系统不同环境下无线电信号的大量测量数据,通过统计分析的方法,采用线性递归和最小均方差估计(MMSE),得到了该区域的无线信道大尺度传播预测统计模型及其特征参数,检验结果表明该模型符合对数正态分布。另外,文章还给出了统计分析过程中数据采样和数据处理的要点及注意事项。

一种改进的基于对数路径损耗模型的WiFi定位方法

使用对数路径损耗模型进行室内定位是WiFi传播模型法中的一种典型方法。在利用该模型时可以不考虑无线接入点位置的误差,并将模型中的随机噪声项忽略来降低算法的复杂度。但在实际应用中,这样处理后的模型将无法准确地反映真实的实验场景,从而对定位的结果造成影响。因此,顾及无线接入点位置和随机噪声项的改进WiFi距离交会定位算法,将提高WiFi距离模型室内定位的精度。

基于RSSI的半参数估计在距离拟合模型中的应用

无线信号在传播过程中会有很大损耗,信号损耗程度和传播距离之间具有一定的关系,室内定位算法中基于RSSI的测距定位方法便是利用这一原理对目标进行定位。定位时普遍采用基于RSSI的距离拟合模型是对数距离路径损耗模型,在采用该模型前,需要利用已知数据对模型中的未知参数进行解算,最常用的解算方法是基于最小二乘法的参数解算,但考虑到实验环境的复杂性和可能存在系统误差,因此,该项研究利用半参数模型对损耗模型参数进行解算。研究结果表明:半参数模型的解算精度优于最小二乘法。

一种接收信号强度的室内定位稳健估计方法

随着人们在室内活动的范围和时间逐渐增加,对室内定位的需求也日益增加,本文介绍了目前主要的室内定位技术,并对基于测距的几种常用的室内定位方法原理进行说明,提出一种接收信号强度的室内定位的稳健估计方法。以接收信号强度的室内无线定位对数路径损耗测距模型为切入点,通过实验测定和曲线拟合的方法获取接收信号强度的测距模型参数,并分别采用经典最小二乘法和本文提出的稳健估计方法进行室内定位求解,试验结果表明本文方法室内定位解算精度更高、鲁棒性更好。

ZigBee网络中RSSI的测距模型分析

本文在分析常规的RSSI对数模型下,提出一个新的路径损耗因子动态变化模型(N-Model):在室外空旷地带用ZigBee节点获取RSSI数据,分别用对数模型、多项式模型以及本模型做曲线拟合,结果表明在短距离(<15m)情况本模型优于另两种模型。在中长距离(15m～110m)的情况下,多项式模型能达到较好的效果。

矿井巷道ZigBee无线传输特性研究

在地下平直巷道内模拟井下环境,对矿井ZigBee无线传输特性进行了实验研究。首先选用路径损耗系数模型作为矿井巷道无线传输模型,然后采用两个GAINZ节点分别测试了不同距离下接收信号强度指示的波动性及其受障碍物的影响特性、节点间距不同时的收包率、节点间距不同时的接收信号强度指示值。由测试结果分析得,在平直巷道内,所选取的路径损耗系数模型是可行、准确的,即可用接收信号强度指示来进行测距及定位;平直巷道内的节点间距为30~40 m时,通信是可靠的;路径损耗系数模型在实际矿井巷道内应用时需重新设置参数。

一种基于RFID的定位方法

针对现有的RFID定位方法只适合室内小范围定位,大范围定位成本非常高,无较大可行性,且技术过于复杂的问题,提出了一种新RFID定位方法,即使用一个阅读器天线布置在定位区域的中心位置,然后按一定角速度转动。根据读回的接收信号强度(Received Signal Strength Indicator,RSSI)与转动的角度之间的数据,使用小波阈值去噪处理,再使用最大值法求得角度;最后根据RSSI与距离的关系求得距离,从而实现定位。由于实验条件所限,所以先采用对数路径损耗模型建立起研究对象的模型,依据该模型进行仿真实验,结果表明,该方法可以满足室内、室外大范围的,精度要求不是很高的定位需求。

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。

面向车间布局的自适应LANDMARC算法

在车间定位中,运用基于有源射频识别校验的动态定位(LANDMARC)算法时,由于车间障碍物引起的多径效应和边界处参考标签数量不足,算法无法正确选择参考标签中的最近邻,对此,提出一种面向车间布局的自适应LANDMARC算法。首先引入对数距离路径损耗模型处理RFID读写器接收信号强度指示(RSSI),再通过对比法筛选出参考标签有效值以及插值法在边界插入虚拟标签。对比传统LANDMARC算法,将定位平均误差从0.39 m降低到0.16 m,证明了自适应LANDMARC算法的有效性。

利用信道状态信息的室内定位技术

多径效应导致基于信号接收强度(RSSI)的室内定位方法精度不高,采用更细粒度的物理层信道状态信息(CSI)可以区分不同路径,提高定位精度。在已有基于CSI室内定位方法的基础上,通过改进对数距离路径损耗模型,得到CSI与传输距离的关系,并结合目标位置所测得的CSI值回归出目标与发射端的距离,最后通过三边定位法预测出目标的位置坐标。实验表明,相比基于RSSI的定位方法以及已有的基于CSI的定位方法,所提方法2 m以内的误差概率提高了将近40%和20%,有效提高了定位精度。

基于不同发射功率的室内定位算法优化

在无线传感网络室内定位中,节点的发射功率不同会降低基于对数-正态模型的定位算法的定位精度。针对这一问题,基于真实室内环境下RSSI值的变化,提出了一种基于不同发射功率的室内定位优化算法。该算法通过确定最小动态区域,对RSSI测距方法进行优化,降低不同发射功率带来影响。仿真和实验结果证明,提出的新算法在参与定位的信标节点发射功率不一致的情况下,达到了信标节点发射功率一致情况下的定位精度。

基于RFID室内定位算法的研究

在基于RFID的室内定位系统中,普遍存在定位系统定位精度低的问题,环境因素对室内环境下的无线通信有很大的干扰。为解决该问题,提出融合对数路径损耗模型的landmarc室内定位算法进行室内定位。通过实验获取定位区域内接收信号强度指示(RSSI)的对数路径损耗模型,分别对不同环境下RSSI的对数路径损耗模型进行仿真,再融合到landmarc室内定位算法中去,在对数路径损耗模型下通过阅读器接收信号强度的大小确定节点之间的距离,实现物体的定位。实验结果表明,融合了RSSI对数路径损耗模型的landmarc室内定位算法在定位精度上有很大的提高。