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。

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。

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。

无线传感器网络中基于RSSI的改进加权质心定位算法

针对基于无线传感器网络的节点定位问题,提出一种基于接收信号强度(RSSI)的改进加权质心定位算法。该算法首先采用高斯理论模型过滤RSSI值,再运用校正RSSI测距技术测量节点之间的距离,并优选信标节点,最后用改进加权质心算法进行定位。实验结果表明:改进后的算法相比于传统的质心定位算法,能够实现更好的定位效果。该算法充分利用了RSSI数据,避免了信息的淹没,能够较好地满足低功耗与低成本的要求。

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。

基于改进花授粉算法的RSSI定位方法

针对接收信号强度指示(RSSI)定位算法中采用最小二乘法计算未知节点位置时其定位精度受测距误差影响较大、花授粉算法易陷入局部最优等问题,提出了一种基于改进花授粉算法的RSSI定位方法。从花粉步长权重、局部变异方面对花授粉算法进行改进,采用改进花授粉算法进行未知节点位置估算。仿真结果表明:本文算法的定位精度高,稳定性好,适用于定位精度和稳定性要求较高的场景。

融合双频段信息的林业无线传感网节点测距算法

无线传感网节点测距技术是基于测距法节点定位的基础,针对林区中单一频段节点测距存在误差大、精确度低的问题,基于接收信号强度(received signal strength indication,RSSI),提出一种融合433 MHz和2.4 GHz双频段信息的节点测距方法。建立引入环境参数预测的林区信号衰减模型,利用高斯滤波修正偶然误差,选择合适的融合参数γ对双频段测距信息进行融合,通过在平均胸径接近、林分密度不同的场地中实验归纳γ的取值规律。实验结果表明,在林分密度600株/hm^(2)以下的林场中,γ=0.4最优;在林分密度600~1000株/hm^(2)之间的林场中,γ=0.5最优,在林分密度1000株/hm^(2)以上的林场中,γ=0.6最优。在γ取最优值的情况下,实验表明本文提出的方法测距结果的均方根误差值为1.74,较单一频段的测距误差减小了31.3%,提高了基于RSSI节点测距的精度。

无线传感器网络基于测距的节点定位算法研究

在无线传感器网络的各种应用问题中,节点的位置信息是很重要的。利用matlab对目标定位的基本测距算法RSSI进行仿真,得到了距离的估计值,并对其做了误差分析,得出了距离越小,误差也小,估计距离和实际距离越接近的结论;同时对DOA的MUSIC也进行了仿真,得到了信号相对于天线阵列的角度估计值,实验中取不同的SNR值得到了不同的结果,其中信噪比SNR越大时得到的角度估计值越精确,并对两种基本测距算法进行比较。在得到距离估计值的基础上利用三边测量定位算法对监测事件进行仿真得出估计位置。

基于RSSI加权质心和GASA优化的WSN定位算法

针对无线传感器网络节点在自身定位中广泛存在较大的定位误差的问题,提出一种基于RSSI加权质心和GASA优化的无线传感器网络定位算法。该算法假设无线传感器网络中存在一定比例的位置已知的锚节点,利用RSSI加权质心算法计算未知节点与锚节点间的距离,建立以未知节点位置为参数的数学模型,用GASA优化算法计算最优解从而获得未知节点的位置,实现未知节点自身的定位。仿真实验的结果表明,当锚节点个数为30,算法的平均定位误差在10%以内,比RSSI加权质心算法降低了10%~15.5%左右,并且随着节点个数的增加平均定位误差降低。

无线传感器网络中Dv-Hop定位算法的改进

针对Dv-Hop算法中锚节点与待定位节点的估算距离引入的误差较大,从而影响使用最小二乘法定位的问题,提出了一种改进的算法。该算法主要原理是借助RSSI测距技术,并对锚节点与待定位节点间估算距离排序选出误差较小的一组数据,选用此组数据构建最小二乘法方程组中的被减方程,以提高定位精度。仿真结果表明,与传统的Dv-Hop算法相比,改进后的算法在不增加额外硬件和计算量的前提下提高了定位精度。

基于粒子群算法的传感器网络室内定位系统优化

通过接收信号强度指示(RSSI)和欧氏距离的非线性函数映射关系来进行弱移动目标的距离估计。以最大似然估计(MLE)法为基础,结合电磁波在自由空间中的传播特性,重新构建基于粒子群优化(PSO)定位算法的适应度函数来提高无线定位精度。并提出了一种惯性权重优化的自适应学习机制来优化全局搜索能力和局部搜索精度,提升定位算法的容错能力。测试结果表明:本室内定位算法具有抗干扰强、鲁棒性好和无线定位精度高等优点。

多方位分组式WiFi室内定位算法

WiFi信号的多径传播受到室内环境很强的制约性,障碍物的遮挡和阻隔造成部分接入点(AP)的信号传输发生折射和衍射使得信号强度减弱,基于接收信号强度指示(RSSI)测距时易产生和真实距离很大的测量误差。与其他的室内定位技术相比,RSSI测距的WiFi室内定位技术在定位精度、功耗和成本方面具有很大的优势。本文提出一种新的定位算法,将多方位RSSI测距进行分组定位的方法与加权质心算法相结合,用多方位测距减小障碍物的遮挡和阻隔引起的测量误差。室内定位精度提升了近40%。

基于Unscented卡尔曼滤波的室内定位

基于RSSI值的测距技术中,通过对天线全向性问题的分析,提出基于Unscented卡尔曼滤波(UKF)的定位算法。利用基于RSSI值的测距模型进行距离测量,并使用Unscented卡尔曼滤波算法估计节点坐标。由于RSSI值的测量和测距模型参数受到环境的影响,采用高斯滤波对RSSI值进行优化,对环境参数使用线性回归算法进行优化并采用自适应机制更新。通过与最大似然估计法(ML)的比较实验表明,该算法能有效地减小定位误差,提高定位精度。

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。

中频限幅器设计

本文首先简要介绍了带有接收信号强度指示器(RSSI)的限幅器(limiter)工作原理,基于TSMC25 CMOS工艺,详细阐述了一个工作频率为3.84MHz,增益大于80dB的低噪声限幅器的设计,并给出了仿真结果。