引入数据融合的WSN定位算法

理论分析指出,一些不基于测距的WSN定位算法往往需要节点间进行大量的信息交互,存在大量的突发性通信,降低了网络工作效率,浪费了WSN中宝贵的能量。针对此问题,在定位算法中引入数据融合技术,通过仿真验证,引入数据融合的定位算法可以有效的减少执行定位算法所需的无线分组个数和总的通信量。     

基于RSSI的无线传感器网络改进定位算法

为了提高无线传感器网络的节点定位精度,分析了基于RSSI测距定位的ERSS算法,研究了RSSI值的预处理方法,修正了质心法中的加权因子,避免了权值选取的不合理性,从而实现了对ERSS算法的改进.仿真实验表明,采用这种改进定位算法可提高距离计算的精度,获得较为精确的定位.     

基于虚拟力的无线传感器网络多跳定位算法

通过引入虚拟力导向的节点移动方式,将未知节点接收到锚节点信息的个数作为计算虚拟力的参数,提出了基于虚拟力的无线传感器网络多跳定位算法.算法继承了DV-Hop(distance vector-hop)定位成功率较高的特点,通过优化网络布局的方式,使得定位过程中校正值的估算和选取更为合理.指出了该定位算法的关键技术,并对其进行了仿真验证.仿真结果显示该算法能够显著地提高节点的定位精度,并能够有效地提高节点对传感区域的覆盖率.     

基于虚拟力的无线传感器网络多跳定位算法

通过引入虚拟力导向的节点移动方式,将未知节点接收到锚节点信息的个数作为计算虚拟力的参数,提出了基于虚拟力的无线传感器网络多跳定位算法。算法继承了DV-Hop(distance vector-hop)定位成功率较高的特点,通过优化网络布局的方式,使得定位过程中校正值的估算和选取更为合理。指出了该定位算法的关键技术,并对其进行了仿真验证。仿真结果显示该算法能够显著地提高节点的定位精度,并能够有效地提高节点对传感区域的覆盖率。     

无线传感器网络节点定位改进算法

提出一种改进的距离无关无线传感器网络节点定位算法——变系数弹簧模拟算法.该算法首先得到锚节点跳数距离和平均每跳距离,然后计算出节点的初始位置,再通过模拟方法对节点位置迭代求精.仿真结果显示,在相同的锚节点比例和平均连通度情况下,该算法明显优于DV-op算法.     

无线传感器网络定位算法分析与比较

介绍了无线传感器网络节点定位的概念和技术特点,详细描述了基于测距和无需测距两种定位的机制,并对这些典型的算法和系统进行了全面详细的比较分析。     

分布式传感器网络中基于数据融合的目标定位算法研究

利用分布式传感器网络以及数据融合方法来提高探测系统的检测与定位精度正在成为研究的热点。提出了一种应用于分布式传感器网络中的数据融合算法,通过对各个传感器节点的定位信息的加权求和来进行数据融合,用来提高探测系统目标定位的精度。算法采用两级自适应调整得到最优加权因子。首先利用线性最小方差估计(LMSE)算法得到权系数的初始值,然后利用训练节点和递归最小二乘(RLS)算法自适应地调整达到最优。对静态和运动目标的定位数据融合算法进行了仿真。仿真结果表明,相比单节点定位,融合算法的定位精度有约一到两个数量级的提高。     

基于RSSI的室内定位改进算法

【目的】为提高室内环境的定位精度,提出一种改进的基于RSSI(接受信号强度显示)的室内定位算法。【方法】首先根据室内的实际布局情况对场所进行区域分割,然后采用等边三角形布局信标节点,接着用高斯模型对数据进行预处理,最后使用改进的加权三边测量法定位未知节点的最终坐标。【结果】改进的算法具有定位误差小、精度高的特点。【结论】该算法适用于室内精确定位,有利于无线传感器网络的发展。     

基于BP算法的无线传感器网络定位

无线传感器网络（wireless sensor network,WSN）是一种应用广泛的全新的信息获取和处理方式,可以实现复杂的大规模监测和追踪任务。节点定位是无线传感器网络中的关键技术之一.位置估计的精度直接影响WSN后继的网络传输和监测性能。本文利用BP神经元网络方法对定位进行优化,并对测度结果进行验证。结果表明该算法提高了定位精确度。     

激光雷达和行人航迹推算融合的室内目标定位方法

激光雷达(light detection and ranging, LiDAR)在室内定位中具有抗干扰能力强,速度、角和距离分辨率高等优点,但在定位过程中其精度易受环境因素干扰影响。提出了一种LiDAR和行人航迹推算(pedestrian dead reckoning, PDR)融合的室内定位方法,以扩展卡尔曼滤波(extended Kalman filter, EKF)为基础,通过对LiDAR的位移增量、角度观测值以及PDR的位姿信息等量测值进行解算,令二者互补融合,有效抑制非视距影响和误差累积的问题,并对单一类组合算法和融合类组合算法的定位精度进行对比分析。实验结果表明：当室内人员为行走状态时,LiDAR和PDR融合定位算法较单一定位方法在精度和稳定性方面均有效提高,PDR定位误差为0.98 m, LiDAR定位误差为0.6 m, EKF融合后定位误差下降到0.32 m。     

基于3DCNN的CSI-cluster室内指纹定位算法

针对室内环境中复杂的多径效应影响定位精度问题,提出一种基于3维卷积神经网络(3 dimensional convolutional neural network,3DCNN)多径程度划分的自校准指纹定位算法。该算法利用MeanShift方法分析定位区域内每一个采样点的信道状态信息数据分布特性,得到其可代表多径效应程度的簇类数量,结合阈值原则将指纹库划分为2种不同多径程度的子库,从而减少多径程度差异较大的指纹点对后续定位影响利用3DCNN深度学习2类指纹子库。在定位阶段,根据校准算法判断待测数据所属子库,并采用相应的3DCNN模型估计位置。通过仿真实验验证,该方法在保证指纹库构建合理性和高效性的同时,在定位精度方面实现了明显的提升,优于与之对比的相关算法。     

基于散射体信息的室内NLOS单基站定位算法

针对室内非视距(non-line-of-sight,NLOS)环境下的定位问题,提出一种基于散射体信息的室内NLOS单基站定位算法。根据室内场景的先验信息获得散射体的分布范围,选定一条反射路径的飞行时间(time of flight,TOF)作为参考,利用剩余路径的TOF与其做差分来构造差分TOF观测值,从而消除由于收发两端时钟不同步造成的相位误差影响; 根据每条路径的AOA及散射体的分布范围进一步确定散射体的位置范围; 利用差分TOF构造非线性定位目标方程,进一步将此方程转换为非线性最小二乘优化问题,利用遗传算法(genetic algorithm,GA)对目标进行初步定位,采用列文伯格-马夸尔特(Levenberg-Marquard,LM)算法对目标进行精确定位。仿真结果表明,该算法可以有效解决室内NLOS环境下的单站定位问题。     

WiFi与行人航迹推算自适应无迹卡尔曼滤波融合定位算法

针对wifi信号易受环境波动和存在多径效应现象,行人航位推算(PDR)系统中传感器模块精度有限,且存在累计误差问题,因此提出了一种加入自适应调整因子的改进无迹卡尔曼滤波(UKF)融合算法,该算法利用残差rk的理论协方差与实际协方差的差异作为条件,引入调整因子ρ调整状态向量和观测向量的协方差进而调整卡尔曼增益参数,增强系统鲁棒性和提高定位精度。在实验环境中,实验结果表明所提算法的平均误差为1.35m,最大误差为2.23m。定位位置误差在1.5m以内的概率达到了约80%,相比于标准UKF算法在1.5m以内的概率约为22%,提高了约58%。     

室内行人航向修正算法研究

室内环境下的行人导航问题是当前导航领域的研究难点与热点,基于足绑式MEMS是行人导航的主要形式之一。针对目前行人导航航向发散的问题,同时避免磁力计引入外部误差,在零速更新（ZUPT）的基础上,研究了磁角速率更新（MARU）的航向修正算法,假定行人处于零速区间时磁场是恒定的,当惯性传感器转动时,磁力计的三维矢量也会相应变化,利用磁场的变化信息作为零速时刻陀螺仪输出角速率的观测值,并通过扩展卡尔曼滤波（EKF）对角速度误差进行补偿,从而限制航向角的漂移。实验结果表明,该算法航向跟踪性强,对航向修正有一定的有效性,其终点定位误差占总路径的0.55%,达到了良好的定位精度。     

基于层次聚类的WiFi室内位置指纹定位算法

提出一种利用WiFi信号指纹实现对室内区域进行定位的CL-KNN(complete linkage K-nearest neighbor)算法.该算法先采用层次聚类方法对测试环境进行区域划分,再根据相应的WiFi信号指纹信息进行匹配,最后通过加权计算确定定位结果.实验结果表明,在WiFi热点数量足够多的情况下,与原始KNN算法和kmeans-KNN算法相比,CL-KNN算法可以获得更高的定位精度和准确率.     

基于RFID不同信号特征参数的室内定位方法综述

基于超高频射频识别(RFID)的定位技术,因其标签成本低、可使用无源工作方式,目前在许多实际应用场景中发挥重要作用.为进一步推进基于超高频RFID的室内定位技术,对不同信道特征参数信息的获取及其对应定位模型进行介绍,对不同标签定位处理方法进行探讨,从不同关键技术角度对定位方法进行比较,并总结和展望超高频RFID室内定位技术的未来发展趋势.     

基于改进樽海鞘群算法的到达时间差定位

针对室内到达时间差(time difference of arrival, TDOA)位置估计中的非线性最优化问题, 提出用改进的樽海鞘群算法搜索目标位置. 通过选择最优主基站构造改进的适应度函数, 使适应度函数可以更好地反映解的优劣程度, 提高了搜索精度. 在初始樽海鞘种群中引入近似解, 使全局搜索的步骤得到简化, 加快了算法前期收敛速度. 采用自适应跟随策略更新追随者位置, 解决局部开发低效问题, 加快了算法后期收敛速度. 仿真结果表明, 基于改进樽海鞘群算法的 TDOA 定位技术相比其他元启发式算法具有更高的定位精度和更快的收敛速度.     

基于网格的无线网络室内协作定位算法

针对室内定位精度低的问题,通过多种无线网络间的协作定位,提出一种基于网格的无线网络室内协作定位算法.与区域单一定位方式不同,该算法将信号覆盖区域划分为网格的形式,获取多种信号信息,以判断网格的可定位性,并为网格内所有网络分配权值,判定是否可进行多种网络的协作定位,给出最优定位组合方案.只须在离线阶段采集室外网络信号,扩充协作定位指纹库,该算法即可直接扩展到室外定位.仿真结果表明:与单一网络定位算法以及等权分配算法相比,提出的方案不仅有效提高了定位精度,而且提高了网络覆盖区域的可定位率.     

基于深度学习GRU网络的UWB室内定位优化

为减少信号传输质量和距离估计算法等因素对定位精度的影响,将深度学习应用于超宽带（ultra wide band,UWB）室内定位系统,利用门控循环单元（gated recurrent unit,GRU）网络代替传统UWB室内定位系统中的三边测量过程,以提高UWB室内定位精度。在得到定位标签到基站的距离信息后,将距离信息输入GRU网络中,输出最终位置坐标。GRU作为循环神经网络（recurrent neural network,RNN）的变种,既含有RNN处理时序数据的优势,又解决了RNN中的长程依赖问题。对GRU网络模型中不同学习率、优化器、批量大小、网络层数、隐藏神经元数量参数进行调整和训练。结果表明,基于GRU网络模型的UWB室内定位系统显著提高了定位精度,平均定位误差为6.8 cm。