基于改进RSSI测距的WSN机动目标跟踪算法

针对扩展卡尔曼滤波(EKF)在机动目标跟踪中传感器对机动目标进行测距时存在的噪声问题,提出了一种基于改进RSSI测距的WSN机动目标跟踪算法。首先,利用鱼鹰优化算法迭代寻优适合BP神经网络的权值和阈值;其次,将传感器的接收信号强度值作为神经网络的输入值,距离作为输出值对神经网络进行训练;最后,利用扩展卡尔曼滤波算法进行定位跟踪,利用匀速圆周运动模型(CM)进行滤波跟踪。使用EKF算法和RSSI算法与文中算法进行比较,以均方根误差为评价指标。经过仿真实验对比表明,所提算法相较于上述算法均方根误差分别降低了21%和56%。

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。

基于RSSI优化模型的室内定位系统

针对一般RSSI定位系统精度低的缺陷,设计了基于RSSI优化模型的室内定位系统。采用Zig Bee无线传感器网络,首先根据RSSI测距原理,建立信号强度与距离的数学模型把RSSI值转换为距离,然后根据实际距离与测试距离的绝对差值进行模型优化,再通过改进的加权质心定位算法进行定位,该算法将质心所对应的相交圆的半径之和作为权重。通过两次改进优化,得到移动节点位置,实现定位结果的实时显示。测试结果表明算法精度达到0.71m,与一般加权质心算法相比有效提高了效率与精度。

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.

基于ZigBee的RSSI测距模型

针对现有国内外定位技术的不足,设计一种基于RSSI测距的定位方法。通过对室内无线信号的传播特性和室内测距模型进行相关研究工作,分析环境对RSSI的影响,在确定传播损耗模型后,根据实测数据筛选并计算得到满足实际环境的参数值。测验结果表明:该模型较为准确地反映了RSSI与距离的关系,为测距技术在无线定位系统的应用奠定了基础。

Bessel函数测距模型的RSSI测距方法

针对现有RSSI测距方法中,影响测距精度的RSSI测量值难以准确估计和RSSI值与距离对应衰减关系不明确的问题,给出一种基于Bessel函数测距模型的RSSI测距方法。首先对RSSI原始测量数据进行异常值剔除,滤波和凸优化提取趋势项的预处理,然后建立基于Bessel函数的测距模型,基于预处理所得光滑数据,利用最小二乘法辨识测距模型中未知参数,从而得到具体测距模型表达式。基于实测数据对所提方法进行实验验证,与Shadowing模型、分段函数测距模型对比,结果表明,Bessel函数测距模型的RSSI误差均值在1.8dBm范围以内,能更有效反映RSSI值衰减关系,提高了测距精度且计算开销不大。

基于RSSI的测距优化和三边定位算法研究

运用RSSI测距技术测量目标节点与已知锚节点之间的距离。提出一种动态的优化模型对RSSI测距值进行优化处理,减少测距误差提高精度。最后,运用三边测量定位算法得到目标节点坐标信息。室外实验数据以及仿真结果表明,该方案对于传统定位方法有明显的定位精度提升。

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.

基于高斯滤波运动预测模型改进RSSI测距算法研究

在测距模型中有多种信号传播模型,经常被用到的是RSSI(Received Signal Strength Indication)测距。由于复杂的室内环境对信号的强度变化影响很大,传统的RSSI测距已经不能满足实际应用的需求,为了减小对实测信号的扰动,在RSSI基本测距算法的基础上,提出一种改进的RSSI测距算法——基于高斯滤波运动预测模型的改进RSSI测距算法,仿真结果表明改进后的算法相比传统的RSSI测距算法在精度上有了明显的提高。

基于Friis传输公式的RSSI测距模型研究

基于弗里斯(Friis)传输模型,给出了一种基于RSSI的RFID阅读器与无源标签通信时的理论测距模型,并通过实验数据对标签进行标定,得到每个标签最终的测距模型,并与常用的对数阴影模型进行对比,实验结果表明,本文的模型有相对较高的测距精度。

基于ZigBee的RSSI测距研究

基于RSSI的测距技术是一项低成本和低复杂度的距离测量技术,被广泛的应用于无线传感器网络基于距离的定位技术中。本文在对RSSI测距的原理以及环境对RSSI的影响进行详细分析和研究的基础上,提出了三种实验数据处理方式,并在基于ZigBee的硬件平台上进行实验,得到了三种数据处理方式的测距精度。实验结果表明,在消除环境因素的影响后,高斯模型数据处理方式的测距精度最高——在20m的近距离测距时,精度在2m以内。

一种基于RSSI的无线传感器网络全程优化分布式定位策略

针对目前定位算法存在精度与成本有较大矛盾的问题,在定位实施各阶段采取有效措施,提出一种新的基于接收信号强度指示(RSSI)观测模型的协作定位算法。该算法以有效计算方式获得距离数据,优选锚节点参与定位计算,通过泰勒展开迭代求精法实施位置优化,最终获得满足要求且定位精度较高的位置估计。引入协作定位思想,将满足一定要求的已定位节点升级为锚节点,参与其他节点的定位,提高了定位的覆盖率和定位精度。仿真实验结果显示:网络参数相同的条件下,本文算法定位效果接近基于实际坐标的泰勒级数展开算法,而远高于基本的最小二乘定位算法,且由于所需存储空间小,其定位精度也随测距误差的减小而快速提高,能够满足大规模无线传感器网络的定位需求。

基于ZigBee的RSSI测距方法精度研究

考虑室内环境下存在的非视距和多径传输影响,得到优化的射频参数A和信号传输常数,并基于ZigBee硬件平台进行RSSI测距技术方面的实验,得到基于固定节点的距离比较、高斯滤波和卡尔曼滤波3种数据处理方式的测距精度。实验结果表明,在所选用的3种数据处理方式中,经过卡尔曼滤波处理后的测距精度最高。

无线传感器网络中基于RSSI的测距研究

节点定位在无线传感器网络应用中具有很重要的意义,基于RSSI测距技术以其低成本、低复杂度的特点被广泛应用于无线传感器网络定位中。首先介绍了RSSI测距原理,然后对目前常用的数据预处理模型进行分析。最后在CC2430的硬件平台上进行实验,获取不同距离点处的RSSI值,进行统计分析,并观察3种数据处理模型下的测距精度。实验结果表明,混合模型预处理方式在测距精度和计算复杂度方面具有一定优势。

煤矿井下基于RSSI校正测距的WSN节点定位算法

针对煤矿井下人员及设备定位监控严重不足的情况,提出了基于RSSI校正测距的WSN节点定位技术。模拟井下环境,使用协议分析仪Packed Sniffer嗅探节点接收RSSI值,以确定环境参数;采用高斯理论模型过滤RSSI值,利用对数-正态分布理论模型计算距离;最后应用改进的三边质心定位算法求得未知节点坐标。RSSI校正测距定位与CC2431定位引擎定位的误差对比表明,文中所提算法的定位性能较好。该研究为井下无线传感器网络定位系统的设计提供了参考依据。

基于RSSI测距和免疫遗传算法的定位系统设计

为了提高基于物联网应用系统的节点定位精度,提出了一种基于RSSI测距和免疫遗传算法的定位系统;首先采用CC2431作为未知节点的主控制器,利用其所含的定位引擎获得参考锚节点的坐标值,并初始化参数路径损耗值PL(d0)、路径损失系数ρ和平均信号强度值RSSI,然后通过三边测量法获得节点的估算坐标,最后以最小化节点定位误差率为亲和度函数采用免疫遗传算法对参数进行优化,通过选择、交叉和变异操作对抗体进行不断进化,对相似抗体进行抑制以提高算法的全局寻优能力,并获得最终的定位模型;仿真实验表明:文中方法平均总定位误差为42.18%,能较为精确地定位节点,与其它方法相比,具有定位误差小的优点,具有很强的可行性。

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。

温变环境下RSSI测距温度改正建模

现有RSSI测距中的路径损耗模型多依赖于经验模型,其环境适应能力较差。温度变化是影响RSSI观测的主要因素之一,进而影响RSSI测距精度。因此,构建包括温度改正项的信号传播路径损耗模型是温变环境下提高RSSI测距精度的关键。本文基于对数距离路径损耗模型,分析了将路径损耗指数视为温度函数和RSSI直接温度改正的两种温度改正建模方法,并提出了3种具体的RSSI测距温度改正模型。利用温变试验的RSSI实测数据,分析了RSSI随温度变化的特性,建立了RSSI测距温度改正模型。结果表明,RSSI测距温度改正的多项式改正项和混合改正项所建立的模型均具有较高的测距改正精度;但随着节点间距的增大,建模的误差也随之增大。

基于RSSI的室内信号衰减模型的研究

根据无线传感器网络中RSSI的信号传播的特性,给出了基于RSSI的室内节点的测距模型。随着距离的增加,信号衰减越来越不明显,对测距造成的误差也越来越大,给出了室内空间附加因子路径传播模型,并与常用的阴影模型做了对比,实验结果表明,该模型有较高的精度。

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。