基于接收信号强度指示的AP簇测距方法

对移动目标的高精度测距是室内定位的关键。室内环境中无线接入点(Access Point, AP)采集的移动目标设备的接收信号强度指示(Received Signal Strength Indication, RSSI)受阴影衰落波动严重。受到RSSI采集频率和目标机动能力的限制,AP采集到的RSSI样本量少,导致基于RSSI测距精度差。为提高基于RSSI对移动目标测距的精度,本文提出了基于RSSI的AP簇测距(AP Cluster Ranging, APCR)方法。该方法通过对多个AP进行位置约束组成AP簇采集移动目标设备的RSSI,在相同采集频率下可获得更多的RSSI样本。利用RSSI波动特点,使用最大值选取和Dixon检验相结合的方式从AP簇采集的RSSI样本中筛选出高质量的RSSI样本,以提高对移动目标的测距精度。仿真和实验结果表明,与传统RSSI处理方法相比,本方法在室内环境简单或复杂时都具有更高的测距精度,在少量RSSI采集次数下同样能保持较高精度,更能满足对移动目标测距的需求。

基于接收信号强度(RSSI)的室内二次定位方法

提出一种用于室内定位的基于接收信号强度(RSSI)的二次定位方法。首先利用全网中已有节点的信息,建立已知节点的初始路径传播损耗指数,采用统计中值滤波来减少RSSI的粗大误差和干扰,然后利用RSSI初次定位的位置结果对传播损耗指数进行再次修正,最后进行二次定位解算,显著提高了未知节点的定位精度。通过仿真和搭建实验平台验证了该算法的有效性。

未知路径损耗因子下基于差分接收信号强度的定位方法

本文研究了非合作环境下基于差分接收信号强度(DRSS)的定位问题。首先,建立基于DRSS测量模型的目标位置信息的优化问题。由于该非线性优化问题是非凸的,求解十分困难,为此通过半正定松弛理论,将原始的非凸优化问题转换为一种凸优化问题,由此能够快速得到原问题的一个次优解;然后,设计了非合作情形下通过对路径损耗因子和目标位置交替求解的实现算法;最后,通过计算机模拟仿真验证了新方法的估计精度更高,性能更好。

基于接收信号强度和到达角度的WSN定位算法研究

近年来,随着互联网的发展,使得基于位置的服务(location based services,LBS)成为现代商业发展的关键技术。获得目标的位置信息是无线传感器网络中迫切需要解决的一个问题。基于接收信号强度和到达角度的定位方法是两个经典的定位方法,单页存在一定的局限性。文中将两种定位方法混合,研究无线传感器网络中在3D场景下基于两种方法的混合目标定位方法。针对发射功率已知的情况下,将AoA(angle of arrival,AOA)测量转化为范数形式,基于加权最小二乘准则,提出了RSOA(received signal of arrival, RSOA)算法,通过MATLAB仿真,与WLS(weighted least squares,WLS)、GTRS(generalized trust region subproblem,GTRS)算法进行对比,随着锚节点数量N的增加三种方法差距增大,文中提出的方法 RSOA在噪声较大和锚节点数量较少时性能最优。

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。

基于接收信号强度的安全RPL路由

低功率低损耗网络路由(Routing Protocol for low power and Lossy network,RPL)是无线物联网的典型路由。由于未采用集中安全机制,RPL路由易受女巫攻击。为此,提出基于接收信号强度的防御女巫攻击的RPL路由(RSSI-based against Sybil attack RPL,RSPL)。RSPL路由通过统计接收信号的强度值,并结合邻居节点的观察,估算节点可信度,进而检测攻击节点。同时,利用链路的传输期望次数和链路信任值修改RPL路由中的目标函数,进而阻止攻击节点参与路由。性能分析表明,相比同类算法,提出的RSPL路由降低了检测攻击节点的误检率,提高了数据包传递率。

基于接收信号强度的配电网局部放电检测

为了准确检测配电网输电线路表面局部放电(PD)故障,利用高压输电线路作为PD模拟器,通过人为控制电压制造PD源。设计基于接收信号强度(RSS)模型的PD检测与定位系统,使用连接到宽带双锥天线和笔记本电脑的6个USRP N200接收器接收来自PD源的信号。利用线性近似方法改进RSS模型的定位估计误差,结合移动平均滤波器进行信号频谱处理,消除现实工况条件下环境噪声引起的干扰。实验结果表明,与传统方法相比,RSS模型的定位误差有所降低,同时保持相似的测量范围。

基于卡尔曼滤波的接收信号强度指示差值定位算法

针对频谱监测系统中被监测信号无法控制并且没有任何先验知识,只能通过对信号被动监测,即接收与处理信号来估计信号源位置的要求,该文提出一种基于接收信号强度指示差值(RSSID)的定位算法,并利用卡尔曼滤波提高其定位精度。该文将两监测站之间的RSSID转换成信号源到两监测站的距离之比,根据距离之比构造定位方程矩阵,进而利用最小二乘法求取信号源位置。仿真结果表明:所提算法比经典RSSI定位算法性能更优,降低了环境因素对定位精度的影响,并且能更好地满足参数较少的定位服务需求,可以有效地应用于频谱监测系统中。同时,卡尔曼滤波可以有效改善系统的定位精度,达到预期的定位效果。

基于接收信号强度的不同移动终端定位方法研究

传统的基于接收信号强度的定位算法均假设用于线下训练和实时定位的移动终端不变,而这会严重影响基于位置指纹定位法的准确性。本文提出的接收信号强度差值法(RSSD)和实时自适应学习规范化法(RSALS),用于解决不同WLAN移动终端获取接收信号强度存在差异的问题,并在真实室内WLAN环境下验证了算法的可行性和有效性。实验表明即使在设备不变的情况下RSALS法仍然具有实时校正的作用,可以在一定程度上抵消环境变化对定位精度的影响。

基于接收信号强度指示测距的蒙特卡罗盒移动节点定位算法

针对无线传感器网络(WSN)中以蒙特卡罗为基础的移动节点定位算法在采样效率和定位精度方面的不足,提出一种基于接收信号强度指示(RSSI)测距的蒙特卡罗盒定位(MCB)算法。通过对RSSI测距信息分区间管理来加强过滤条件,提高定位精度;同时采样阶段利用已满足过滤条件的样本点生成更有效的样本,从而提高采样效率;最后通过牛顿插值法预测节点运动轨迹,样本点与未知节点运动轨迹越接近则其权值越大,据此对样本点进行加权处理得到节点的最佳估计位置。仿真结果表明,改进方案在不同的锚节点密度、通信半径、运动速度等情况下均表现出良好性能,且定位精度与同等条件下的蒙特卡罗盒算法相比均有提高。

基于可规律性移动锚节点和接收信号强度指示器的改进DV-Hop定位算法及其性能分析

针对DV-Hop定位算法进行了缺陷分析,提出了一种基于可规律性移动锚节点(RMAN)和RSSI测距技术辅助定位的算法RRDV-Hop。采用OMNET++作为仿真平台,分别从算法的平均定位精度、开销、硬件成本和稳定性等方面对两种定位算法的仿真结果进行了对比和分析。实验结果表明,在相同网络条件下,与DV-Hop算法相比,RRDV-Hop算法近似实现了锚节点的均匀分布,能够在随机分布的网络中提高平均定位精度和保持更好的算法稳定性;同时减少了锚节点个数,从而降低了网络的硬件成本。因此,RRDV-Hop算法更能适应随机分布的无线传感器网络。

基于传感器节点的无线接收信号强度研究(英文)

在真实室内环境中,用MICA2节点设计分析影响无线接收信号强度(radio signal strength,RSS)的实验,发现其影响因素不仅包括发送接收方(transmitter-receiver,T-R)之间的距离,且MICA2节点的工作频率和供电电池电压、发送接收方节点差异、天线角度和高度,以及环境中的时空因素和动态环境等都会影响无线接收信号强度.经分别测试这些因素,建议传统无线信号传播模型和信号校准算法应综合考虑各项影响因素.

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。

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。

基于接收信号强度的非视距检测与修正算法

为了减少非视距(Non-light of sight,NLOS)误差对基于到达时间(Time of arrival,TOA)的无线定位系统性能的影响,本文提出一种采用接收信号强度(Received signal strength,RSS)与TOA测量值相结合的方法对含有NLOS误差的TOA测量值进行检测并修正。在视距(Light of sight,LOS)传播的TOA与RSS之间关系已知的前提下,利用定位基站得到的TOA与RSS测量值,计算TOA测量值中含有NLOS误差的可能性,并对TOA测量值进行修正。该方法在不增加通信次数的情况下,大大提高了定位精度。最后在一个无线定位系统上实现了该算法,并进行了对比实验。实验结果表明,该算法不需对多次定位结果进行统计,即可有效降低NLOS误差对系统性能的影响,适用于对功耗要求苛刻的场合。

基于接收信号强度的无线传感器网络组网协议

受应用场合和节点结构的限制,无线传感器网络的算法应具有低功耗和低复杂度等特点,为此提出了一种基于接收信号强度的分布式组网协议(RSSIOP)。节点不需要位置信息,通过接收基站定向天线扫描时发送的信息完成定位和分簇过程;根据剩余能量和接收信号强度竞选簇头,形成直接链路;根据接收信号强度,成员节点选择转发节点,形成转发链路;按照网络用户的时延要求成员节点自动选择直接链路或转发链路向簇头传输数据。此外,RSSIOP设计了簇头轮换和失效节点的处理机制。该算法可以减小节点的发射功率,分担簇头在数据接收和融合两方面的工作负荷。针对不同场景进行了仿真,结果证明了算法的有效性。

基于WLAN接收信号强度特征的室内活动识别

针对主流的活动感知技术依赖于专业测量设备,难以广泛部署与使用的问题,提出一种基于现有WiFi热点接收信号强度特征的活动识别技术。利用机器学习算法对实时接收到的WiFi信号强度特征进行分类,通过特征匹配识别用户当前活动。实验结果显示,所提算法能够以80%以上概率判断室内是否有人,以95%以上概率判断室内的人处于什么状态,并以80%的概率识别人的运动方向。所提算法所需信号广泛存在,可有效识别室内活动,具有低功耗、高精度的优点。

基于可见光通信和接收信号强度检测的列车定位方法研究

精确的列车位置信息是CBTC(基于通信的列车控制)系统保障列车安全高效运行的关键因素。针对地铁独特的隧道环境和列车运营特点,提出一种VLC(可见光通信)和RSSI(接收信号强度检测)相结合的列车定位方法。首先,以朗伯光源模型为基础,构建LED可见光通信的CBTC系统的列车定位模型;其次,利用RSSI值计算隧道壁上LED灯与列车之间的直线距离,并使用三边定位原理和最小二乘法拟合列车定位结果;然后,引入VLC与RSSI相结合的列车定位观测模型和误差模型,对运行中的列车实时定位与误差分析;最后,以成都地铁1号线的真实线路数据和设备参数为依据,验证所提方法的可行性和有效性。研究结果表明:该列车定位方法的最大定位误差为39.23cm,平均定位误差为13.36cm,满足CBTC系统对高精度列车定位的要求,可以作为传统列车定位方法的一种全新选择。

接收信号强度指示测距模型修正与粒子群算法权重优化的节点定位算法

为了降低接收信号强度指示(RSSI)测距误差对定位精度的影响,提出一种RSSI模型修正与粒群算法(PSO)权重优化相结合的定位算法。首先通过最小化误差平方和原则对RSSI测距模型参数进行校正,避免测距误差带入定位阶段,然后利用三边测量法进行粗略定位,得到未知节点的近似坐标,最后引入改进PSO算法对该近似坐标进行优化,在改进PSO算法中提出一种基于收敛因子的权重策略,有效地平衡了算法的搜索速度与搜索精度,从而得到节点坐标优化值。实验结果表明,该算法能够有效抑制测距误差积累,有更好的收敛性能和更高的全局优化能力,能实现更好的定位效果。

基于凸半定规划的接收信号强度测距的合作式定位方案

无线传感网中的多类应用均需要准确的定位算法。为了降低定位成本,减少能量消耗,常采用基于接收信号强度RSS（received signal strength）测距;再利用最大似然ML（maximum likelihood）估计法求解节点的位置。然而,ML估计为非线性、非凸性,难以获取全局最优解;为此,提出凸半定规划SDP（semidefinite programming）的合作式定位方案,利用凸半定规划策略将ML估计转换成凸优问题;同时,该方案考虑两类场景：源节点发射功率已知、未知。针对第一类场景,利用半凸松弛策略,并结合最小化最小二乘法,建立凸优表达式,最后利用CVX求解。针对第二类场景,先建立联合ML估计函数,再利用SDP估计,并结合起来简单的三步骤方案进行位置估计。仿真结果表明,提出的SDP算法的定位精度比SD/SOCP-1、SDPRSS平均提高了近15%~20%。此外,提出的SDP算法在所有场景的误差小于3 m的出现概率占0.8,而SD/SOCP-1、SDPRSS算法小于0.5。