无线传感器网络环境感知的节点定位方法

 节点定位是无线传感器网络的关键技术之一,许多应用都跟节点位置息息相关。针对基于RSSI的定位算法测距误差通常较大的问题,提出了一种环境感知的节点定位方法,该方法首先根据导标节点之间的相互关系,将网络覆盖区域划分为若干子区域,然后再通过他们之间的相互协作,分别确定出无线信号在不同子区域环境下具体的传播损耗模型,从而提高测距精度和定位精度。仿真结果表明,该方法能提高测距精度约15%~30%。     

基于移动锚节点的粒子群优化定位算法

在无线传感器网络的一些应用环境中,无线信道损耗模型参数未知,无法直接基于RSSI测距定位。本文针对这类应用环境,研究并提出基于移动锚节点的粒子群优化定位算法,利用移动锚节点代替传统典型算法中的静态锚节点,并将节点定位问题抽象为非线性约束优化问题,利用粒子群优化技术求解定位。仿真、分析结果证明,该算法定位精度较高,对环境噪声变化具有较强的适应能力。     

山体滑坡监测的RSSI定位改进算法

针对现有山体滑坡监测技术自动化程度低、系统成本高、实施难度大等问题,将RSSI定位技术用于山体滑坡监测,提供无需任何一次检测仪表的山体滑坡监测新方法。提出的RSSI定位改进算法引入加权调整因子,通过动态获取路径损耗模型参数和实时计算WSN节点间通信距离,可降低外部环境变化对定位精度的影响,从而提高山体滑坡定位精度。使用MATLAB对改进算法进行的模拟测试结果表明,与传统RSSI固定路径损耗模型定位算法相比,平均误差显著下降。     

人工蜂群优化神经网络的无线传感器节点定位算法

为了改善传感器节点定位性能,提出了人工蜂群优化神经网络的无线传感器节点定位算法。首先测量3个锚节点与定位传感器节点之间的参数,然后采用人工蜂群优化神经网络对测距误差进行建模与预测,并根据检测结果确定权重,最后根据三边定位算法进一步提高定位精度,并采用仿真实验测试其有效性。结果表明,该文算法提高了定位的精度,加快了定位的速度,定位实时性优异。     

无线传感器网络测距定位算法改进与分析

在无线传感器网路实际应用中,节点定位技术是重要的支撑技术之一.不同于常规的求解距离等式方程组解法,分别采用MLE(最大似然估计参数)法和最小二乘法,对无线传感器网络测距的定位算法进行改进.非常有趣的是,两种不同方法得到的结果完全一致.最后经过实验评估和算法仿真对比分析测距定位算法改进前后的特性,结果表明改进后的测距定位算法能取得良好的定位精度.     

基于RSSI的无线传感器网络环境参数分析与修正方案

定位技术是无线传感器网络数据采集的基础服务,而定位精度的高低在很大程度上取决于距离测量的精度.基于RSSI(接收信号强度)测距技术无须添加任何硬件设施、用较少的通信开销和较低的实现复杂度,十分适应于能量受限的无线传感器网络.通过对RSSI测距模型进行分析,并提出一种针对室内环境的参数修正方案.通过自行研发的传感器节点Ubicell上进行验证分析,实验表明,采用环境参数修正方案后,明显提高了测距的精度.     

粒子群算法修正测距的无线传感器网络节点定位

为获得理想的节点定位结果, 设计一种基于粒子群修正测距的无线传感器节点定位算法. 首先对经典无线传感器节点定位算法DV-Hop的工作原理进行分析, 找到导致测距误差的因素; 然后用粒子群算法对无线传感器节点之间的测距进行修正, 以减少节点间的测距误差, 并对标准粒子群算法的不足进行相应的改进; 最后通过仿真实验与当前经典无线传感器节点定位算法进行对比测试. 测试结果表明, 在相同工作环境下, 该算法提高了无线传感器节点的定位精度, 且未增加额外硬件开销.     

一种高精度多传感器融合测距系统

通过测距系统计算机器人运动路径是机器人壁障、路径规划以及协作编队关键技术之一。根据移动机器人工作环境地形复杂、光线差等特点,采用高精度激光传感器和超声波传感器协同测距,以ARM9为核心设计了软硬件,在此基础上,研究了自适应加权平均数据融合算法,并分析了各传感器的误差和方差。经实验统计,多传感器融合比单一传感器测量精度平均提高了47%,测量误差减小到0.5 cm以内,表明本系统提高了测量精度和可靠性。     

基于反序网的同杆双回线跨线故障准确测距原理

针对线间存在互感的高压同杆双回线有发生跨线故障的可能,同时不能忽略分布电容对测距结果的影响,基于分布参数模型,利用相序变换后双回线反序网络与系统参数无关的特性,提出了一种使用单端工频电气量进行跨线故障定位的算法.该测距算法在理论上不受系统阻抗及过渡电阻的影响,并且考虑了分布电容对双回线测距精度的影响,加深了对分布参数模型的同杆双回线跨线故障测距的研究,并且克服了以往双回线测距算法精度不高的缺点.该算法理论分析简单,迭代求解测距方程不存在伪根问题,电磁暂态计算程序ATP仿真结果表明,本算法测距精度达到了0.05%.     

一种基于Quasi-UDG模型的无线传感器网络非测距定位算法

针对Quasi-UDG模型下无线传感器网络随机部署的拓扑特征,提出了一种非测距基于权重的定位算法EWLS(Enhanced Weighted Least Square).首先,设计出一种节点跳数和距离关系估计的方法,然后依据跳数值与距离关系的概率表达式,给出EWLS定位算法中节点测量距离信息的权重.仿真实验表明,在不同的锚节点密度、Quasi-UDG模型因子和平均邻居节点数的参数下,EWLS算法定位误差较小,同最小均方误差相比,有效地提高了节点定位的精度.     

面向无人驾驶碾压机的容错控制方法研究

无人驾驶碾压机高精度路径跟踪控制依赖于传感器对车体信息的准确测量,但在恶劣的高原大坝环境下,定位传感器极易出现信号突变、信号丢失现象,对系统的安全性与稳定性构成极大威胁。针对无人驾驶碾压机在恶劣工况下传感器的短时定位失效问题,提出了基于自学习模型的信号代偿容错控制方法。根据无人驾驶碾压机运行过程中转向系统漂移特性,构造了带流量损耗参数的线性转向模型,提出了模型参数在线学习算法,用于学习系统的流量损耗特性。以串联抗扰控制器作为车辆控制基础,实现定位短时失效场景下的容错控制。实车验证结果表明：车辆能够在传感器失效后的40 s内继续进行高精度碾压作业,与无代偿和模型无自学习代偿2种情况对比,分别延长了近18.7倍和2.7倍的运行时间,极大地提高了系统的安全性与作业效率。     

基于测距的WSN定位算法设计与实现

设计了一款基于测距的无线传感器定位节点模块,并用该模块实现了基于RSSI(Received Signal Strength Indication)测距的极大似然估计定位算法。通过研究实际环境下RSSI随距离变化的特点,得到计算节点间距离的公式。针对实际测距误差用最小二乘法进行线性补偿,补偿后的测距误差得到极大降低。根据测试结果,采用极大似然估计法在6m×6m区域内实现多个点的定位,实验结果表明定位精度可达11.19%。     

一种自适应的指纹更新定位方法

指纹定位具有低成本、易部署等特点,已成为室内定位的主要方案之一.然而,由于信号强度会随着环境而动态变化,因此在离线阶段构建的指纹库容易过时,而为每个环境变化重新测量信号强度是费时费力的.针对上述问题,提出了一种自适应的指纹更新定位方法.首先根据信号传播路径损耗参数不同,利用模糊聚类方法将定位区域聚类成不同分区,确保每隔分区具有相近的路径损耗参数;然后,分别在不同分区中部署一个校正节点,负责实时测量其他信标节点的信号强度;最后,根据矫正节点的实时观测值,周期更新各分区的定位指纹.实验结果表明,该方法能够有效提高定位系统的定位精度.     

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RSSI测距误差对定位精度的影响,提出一种RSSI模型修正与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。     

高效节能的无线传感器网络路由算法

无线传感器网络中节点的位置信息非常重要,目前通用的定位算法不适合恶劣环境;路由算法的设计直接影响到系统的能量消耗。在此提出一种基于测距的节点定位方案,并构建基于睡眠机制、最小成本路径的节能路由算法,通过理论分析和仿真实验,证明该算法具有较高的节能性,能提高网络的整体性能。     

基于有源射频识别信号强度的室内移动机器人测距方法

为采用几何法进行室内移动机器人定位,提出了基于有源射频识别(RFID)信号强度测距方法.分析了无线信号传播的特点和无线信号强度指示(RSSI)测距的原理,建立对数-常态分布传播损耗模型.采用有源RFID的HR-6020C读写器和WS-HT06电子标签构建实验系统,其中读写器作为基站固定于一点,电子标签作为移动节点时刻发送信号.通过实验得到距离与RSSI值关系曲线,利用有源RFID系统对理论模型中的参考点信号强度和比例因子进行标定,并分析了测距精度.影响测距精度的因素主要包括标签的位置、数量和实验环境等.根据确定的传播损耗理论模型进行了测距实验.结果表明,在3 m范围内测距最大偏差为41.68 cm.这为基于RFID的室内场馆移动机器人定位提供了依据,可以满足机器人的定位精度要求.     

一种大角度范围的高精度超声波测距处理方法

针对移动机器人超声定位中超声收发传感器角度偏向造成的测距精度下降,本文提出了一种基于归一化波形参数特征修正的超声测距系统.传统的增益控制、可变阈值等抗起伏措施对抑制传播过程中的幅度起伏造成的测距误差效果较好,但如果传感器角度偏向使波形发生畸变,此类方法仍将造成较大误差.本文通过对传感器角度偏向造成接收信号波形畸变及测距精度下降的理论分析及实验研究,建立了超声接收信号归一化波形特征脉宽与前沿变化的关系,设计了基于单片机实现误差校正的大偏向角高精度超声波测距系统.测距实验结果表明本系统显著减小了传感器角度偏向引起的测距误差,在不同的距离上使测距精度平均提高了1.6%,同时具有成本低、使用简单、方便的特点.     

基于系统识别的RSSI定位算法

针对无线传感器网络节点定位问题,分析了基于接收信号强度(RSSI)的定位算法,对无线电传播路径损耗理论模型进行了分析.采用系统辨识加权最小二乘法在线修正了信号衰减理论模型,使算法具有了普遍适用性.提出三边定位法与质心法结合的定位算法和极大似然估计法得到未知节点的估计位置.仿真结果表明,该算法减少了测距误差,随着节点的增加定位精度提高.     

利用双端电气量的高压长线故障测距算法

输电线路故障定位一直是电力系统急需解决的难题。传统的测距方法都是基于线路一侧电压电流的单端测距方法 ,测距精度受过渡电阻的影响很大。提出的故障定位算法利用故障后线路两端同步的电压电流量 ,完全克服了过渡电阻的影响。算法推导采用了分布参数的线路模型和基于行波的传播规律 ,克服了一些算法由于忽略线路电容而给测距带来的误差 ,对高压长距离输电线路完全适用。数值仿真结果的最大定位误差小于 1 %。     

Kalman滤波在WSN定位评估中的应用

针对无线传感器网络实际应用中定位信号的不稳定性,单纯从定位算法角度改进已很难使定位精度有一个新的突破.为此在节点测距过程中提出了改进的自适应对数正态阴影模型;在坐标评估过程中采用了Kalman滤波方法,并利用马尔可夫过程建立移动节点的状态方程,结合未知节点状态数据的测量值估计出坐标位置的最优值.最后将上述两个过程的改进引入到现有的三角形定位算法中,进行引入前后性能对比.实验结果证明,改进的自适应对数阴影模型提高了测距模型的自适应性及测距精度,Kalman滤波和马尔可夫过程的引入减小了移动节点的定位误差.