基于 RSSI 跳数连续的 DV-HOP 改进算法

针对经典DV-HOP(distance vector-hop)算法中节点间跳数信息对定位精度有较大影响这一问题,提出了一种基于接收信号强度指示(receive signal strength indicator,RSSI)的改进算法.该定位算法引入了连续跳数的定义,首先利用RSSI测距模型把直接邻居节点接收到的RSSI值转换为两节点之间的距离,再根据连续跳数的定义计算出两节点间的连续跳数.在相同的仿真网络环境里,与经典的DV-HOP算法相比,归一化定位误差降低了30％ ～ 45％;与其他改进定位算法相比,归一化定位误差也有不同程度的降低.仿真结果表明该改进算法大幅度地提高了定位精度.     

基于粒子群优化算法的井下目标定位方法

针对矿井结构复杂,井下未知节点定位存在信标节点布置冗余、定位精度低等问题,提出了一种基于粒子群优化算法的井下目标定位方法。根据矿井环境特点区块化布置信标节点,通过引入线性递减权重的粒子群算法对未知节点与信标节点的测量距离和估计距离的误差进行优化,降低定位误差。与四边测量法、加权最小二乘法和RSSI加权质心算法进行Matlab仿真对比实验。仿真结果显示:信标节点为5个,节点总数为15时,平均定位误差为0.877 m。高斯白噪声标准差取值范围从5递增到20,平均定位误差由1.21 m增长到4.65 m,增长幅度最小,抗噪性最好。信标节点密度由10%增加到40%,平均定位误差从2.82 m下降到0.76 m,定位精度明显好于其他三种算法,稳定性好于RSSI加权质心算法。定位精度更高,抗噪性更好,可靠稳定,在井下巷道环境中适应性更强。     

RSSI修正的WSN定位算法

为了解决DV-Hop 算法误差较大的问题,提出了一种基于RSSI修正的WSN定位算法 RMDV-Hop (RSSI Modified DV-Hop)。该算法限制最大传播跳数,并对跳数为1的锚节点利用RSSI值修正其跳数值,取RSSI值较大的前N个锚节点作为参考锚节点,利用参考锚节点的平均每跳距离误差进行加权处理未知节点的平均每跳距离,最后用总体最小二乘法计算未知节点的坐标位置,实现RMDV-Hop定位算法的全面改进,以提高定位精度。仿真结果验证,改进算法的定位精度和稳定性都比原始算法有了明显的提高。     

RSSI模型参数动态修正的协作定位算法

提出一种结合接收信号强度指示(RSSI)模型参数动态修正和协作定位的RSSI改进算法.首先,利用高斯滤波对RSSI值进行优化,根据锚节点间的距离和RSSI值动态修正RSSI模型参数;然后,利用共线度有效阈值选取适合定位的锚节点组,由加权三边定位法得到节点坐标;最后,引入协作定位,利用锚节点置换策略自适应地选取已定位节点进行升级,升级节点作为锚节点参与协作定位.实验结果表明:在相同的环境下,RSSI改进算法较其他算法能有效降低测距误差,提高未知节点的定位精度.     

基于RSSI修正的相似度推荐定位算法

针对RSSI测距容易受到环境干扰,提出一种基于RSSI修正的相似度推荐定位算法.该算法对RSSI测距数据进行残差修正,以减小RSSI误差对定位精度的影响,并利用样本点与未知定位区域的相似度来确定未知节点的坐标,降低了计算复杂度.仿真结果表明算法有效可行,可较好地改善节点定位精度.     

基于簇内RSSI测距改进的DV-Hop算法

针对DV-Hop定位算法在实际环境中的定位精度较低、通信量较大等问题,在DV-Hop定位算法的基础上提出了一种基于簇内RSSI测距改进的DV-Hop定位算法.该算法利用以信标节点为簇头的分簇策略后,信标节点只发送校正值给其邻居节点,无需泛洪广播,且未知节点只需被动接收,无需交互通信,从而降低网络通信总量;簇内节点利用RSSI测距方案计算其与最近信标节点的距离,相比DV-Hop定位算法以校正值代替一跳通信范围内的所有节点距离更加精确,从而提高节点定位精度.     

基于RSSI极大似然估计定位算法的改进与实现

针对基于RSSI(接收信号强度指示)的极大似然估计算法会出现消去二次项时坐标信息丢失,定位误差较大的问题,提出了一种改进的基于RSSI极大似然估计的定位算法.该算法先用卡尔曼滤波算法对采集到的RSSI进行数据处理,然后利用在极大似然估计算法中使用基于泰勒级数展开的最小二乘法对未知节点求解定位.仿真实验结果表明,该算法改善了原算法定位的稳定性,有效减小了定位误差,提高了定位精度.     

一种分布式无锚点定位算法的优化与实现

符合分布式和无锚点特点的定位算法一直是传感器网络节点定位技术的一个重要发展方向。通过对大量无锚点定位算法的分析,提出了一种符合分布式特点且定位精度较高的无锚点定位算法。为进一步提高该算法的节点定位精度,建立了该算法的误差模型,通过对其分析,提出了减少目标节点定位误差的方法。为衡量节点估计位置的准确程度,首先提出了2个指标——定位等级与可信度;然后以原算法为基础,利用提出的指标,按照误差分析得出的结论,设计了一种从目标节点邻居表中筛选出高精度邻居节点的优化机制,从而提高了目标节点的定位精度。计算机仿真分析表明,优化后的算法计算节点估计位置的有效性和可靠性均高于原算法,进而证明了这种优化设计的可行性。     

基于DV-Hop误差修正的煤矿井下人员定位算法

为了提高无线传感器网络的节点定位精度,提出了基于DV-Hop误差修正的质心定位算法.针对煤矿井下巷道的线型结构,首先提出信标节点以均匀间隔交叉分布的模型,再根据各个信标节点平均每跳的距离误差以及平均每跳的单位距离误差,对离未知节点最近的3个信标节点之间的距离进行2次修正,最后利用3圆交点的质心定位算法进行定位.仿真结果表明,该算法比目前的定位精度提高1m左右,比较适合煤矿井下这种特定的线型结构.     

基于DV-Hop误差修正的煤矿井下人员定位算法

为了提高无线传感器网络的节点定位精度,提出了基于DV-Hop误差修正的质心定位算法.针对煤矿井下巷道的线型结构,首先提出信标节点以均匀间隔交叉分布的模型,再根据各个信标节点平均每跳的距离误差以及平均每跳的单位距离误差,对离未知节点最近的3个信标节点之间的距离进行2次修正,最后利用3圆交点的质心定位算法进行定位.仿真结果表明,该算法比目前的定位精度提高1m左右,比较适合煤矿井下这种特定的线型结构.     

基于信标节点间距离的改进RSSI定位算法

针对无线传感器网络应用于室内定位时,传统RSSI平均值算法精度较低的问题,提出了一种改进的RSSI算法。该算法利用RSSI平均值对所测量的每个RSSI值进行估量,消除波动大、严重失真数据,从而使所保留的RSSI值能更好的与距离关系对应。并根据室内不同位置的节点环境参数差别大的特征,提出了把信标节点间的固定距离及其测量得到的对应RSSI值带入信号传输模型,从而消除环境因素对距离估计的影响。仿真结果表明:改进RSSI算法与传统的平均值距离估计算法比较,距离估计误差明显降低,可以满足室内定位精度的要求。     

基于改进的RSSI的车间移动节点MCL算法

针对蒙特卡罗定位（MCL）算法在无线传感网络定位精度和取样效率中存在的不足,提出了一种基于接收信号强度指示（RSSI）改进的MCL算法（R-MCL算法）,并对车间移动节点进行定位.通过分析车间移动资源的移动规律,引入RSSI模型测距预测,减少取样区域,从而提高了取样效率和定位精度.仿真结果表明,R-MCL算法在定位精度、收敛速度和计算量等方面的性能均有提升.     

基于RSSI的WSN节点室内定位分析

基于实验的基础,对基于接收信号强度（received signal strength indication,RSSI）的无线传感器网络（wireless sensor network,WSN）节点室内定位的几种不同情况进行分析.根据室内无线传播模型和实际测量数据得到RSSI室内传播模型;比较在不同位置的未知节点定位精度的不同;针对三点定位结果不理想的问题,采用粒子群优化（particle swarm optimization,PSO）算法对定位结果进行优化;比较不同数量的源节点对于节点定位精度的影响.当信标节点数量比较多时,通过筛选一些可靠的信标节点来提高定位精度.     

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。     

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。本文利用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。     

基于概率法的移动机器人无线网络定位系统

 作为一种全新的室内定位技术,将无线路由器的无线信号强度（Receive Signal Strength Indicator,RSSI）值应用在室内移动机器人定位领域。为实现室内移动机器人的定位,提出利用无线信号强度值定位的概率法,根据无线信号强度值在室内环境中的分布特点,分析概率法定位原理,开发一种基于VC++6.0平台室内移动机器人定位系统,该定位系统包括硬件平台和软件平台,并进行移动机器人定位实验,得到较好的定位实验结果。同时,分析机器人定位精度,确定影响定位精度的因素主要包括障碍物、人体、温度和湿度等。定位实验结果表明,在结构化环境下机器人定位的最大偏差为1.2758m,最小定位偏差为0.3007m,可以较好地满足室内移动机器人的定位要求。     

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。     

RSSI-神经网络在无线传感网络定位中的应用

在传统RSSI(接收信号强度)定位方法中,由于RSSI值对于不同的环境适应能力比较差,测量距离往往存在误差,这就直接影响了无线传感网络定位的精度。针对这种不足,提出了一种RSSI-神经网络定位方法,即前期建立起未知节点的RS-SI值与坐标的映射关系,后期用神经网络进行定位。从而减小了不同环境对RSSI的影响,使该算法具有一定的鲁棒性。通过实验证明,该算法较传统的RSSI定位方法,在定位精度上有一定的提高。     

WiFi的室内定位技术的改进研究

现行传统Wi Fi(wireless fidelity)接收信号强度指示RSSI(receievd signal strength inication)的位置指纹室内定位技术存在定位误差大、稳定性差的缺陷.因此,我们对原有的K最近邻KNN(K-Nearest neighbor)算法提出了改进的方案.同时,在原有的KNN算法的基础上提出了融合朴素贝叶斯概率算法的新算法-BKWNN(Bayes K-Nearest weighted neighbor)算法.通过仿真实验的结果表明:在相同的实验环境下,BKWNN算法显著地提高了室内定位的精确度,BKWNN算法相比于原来其它常用的指纹匹配算法具有更高的稳定性.