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。

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。

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。

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。

基于测距修正和位置校正的RSSI定位算法

在基于接收信号强度指示(RSSI)的无线传感器网络节点定位问题中,为了提高节点的定位精度,通过对无线电传播路径损耗模型的分析,提出了基于RSSI测距的改进距离估计公式。针对已有节点校正方法存在的不足,提出了将一次循环校正后所有校正坐标的质心作为新的节点位置的校正方法。实验结果表明,改进的距离估计公式有效地提高了节点间的距离精度,并在适当增加节点计算量前提下,节点位置校正使节点的定位精度更高,达到良好的定位效果。

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。

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。

基于实时运动状态的RSSI测距室内定位算法

为了减少室内定位的硬件成本,提高定位效率,该文提出一种与低成本的接收信号强度指示器(RSSI)距离测量技术相融合、利用人体室内低速运动特性进行位置状态预测的室内定位算法。分析了一种RSSI测距模型及基于运动状态的测距预测模型,并设计测距实验获取实际运动验证数据。在算法和模型中,使用中值滤波和均值处理方式,对所获取实验数据和参数进行采样和滤波处理,降低了环境变化对数据的影响,提高了数据可信度。通过对实验数据进行线性回归分析,合理选取定位模型中各项参数值,最终用实际测距结果分析了验证所提出的算法。实验证明,该方法能提高RSSI测距的抗干扰能力,降低定位环境的硬件布置成本,在最远距离节点约为5 m、均匀分布节点的实验环境中,测距误差约为1.3 m。

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RSSI的四边测距改进加权质心定位算法

该文根据接收信号强度指示的测距特性,改进四边测距,并提出一种改进的加权质心定位算法。首先引入统计中值加权的方法,有效地降低了采集RSSI信号时的测量误差。然后运用Euclidean节点定位算法,改进四边测距算法。为进一步提高精度,对WSN定位技术中关于未知节点近似位置的算法做了修正,并对加权质心定位算法中的加权因子进行了优化,使未知节点的定位精度更加精确。相比之前的许多加权质心定位算法,仿真结果表明,改进的质心定位算法在定位精度方面有很大的提高,鲁棒性也较高。

基于锚节点间距离的改进RSSI测距方法

节点定位是无线传感网络的核心支撑技术之一。为提高接收信号强度指示(RSSI)法的定位精度、消除路径散逸指数,提出一种基于锚节点的模糊C-均值(FCM)校正算法。该算法利用FCM模型对非敏感区的RSSI数据进行处理,筛选出RSSI较优值,并将已知2个锚节点之间的距离与测量得到的RSSI值作为参考,校正被测RSSI值对应的距离,消除路径散逸指数。仿真结果表明,该算法比统计均值模型具有更好的估计精度。

基于RSSI的四边测距井下人员定位系统

针对煤矿井下人员定位不精确的问题,设计了基于四边测距算法的井下定位系统.该系统采用ZigBee技术,由CC2530为主控芯片的无线传感器网络组成.定位模块中,传感器节点以Mesh网络拓扑结构组成无线传感网络,具有信息采集传输和定位的功能.定位算法采用不同于传统三边测距算法的四边测距定位算法,该算法首先利用四边测距模型选取出四个信标节点,然后利用加权均值模型对同一节点采集到的接收信号强度指示(RSSI)值进行数据处理,最后将RSSI值转化的距离的平方作为加权因子求出未知节点位置坐标.实验结果表明,该四边测距定位系统较传统三边测距定位系统更具有优势,具有较高定位精度,且能实时定位.

基于VGG-19和卡尔曼预处理的WSNs测距方法

提出了一种基于VGG-19网络和卡尔曼预处理的无线传感器网络(WSNs)测距方法。首先,通过卡尔曼滤波方法实现接收信号强度指示(RSSI)数据的滤波处理过程,以提高方法的稳定性;然后,利用VGG-19网络学习分析真实场景下拍摄的图像信息,以获得高精度的图像特征;最后,根据图像数据和实际信号衰减数据,自动提取不同地面环境下信号传播的高层语义特征,从而完成距离测量。基于实测平台获取的数据进行实验分析,结果表明:在4种复杂程度不一的场景下,所提模型的距离估计误差最大不超过1 m,并且测距耗时为34.92 ms,整体性能优于其他对比模型。

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。