针对无线传感器网络中基于接收信号强度指示(Received Signal Strength Indicator,RSSI)定位技术易受环境影响、定位精度较低的问题,提出一种将RSSI定位过程分为测距阶段与定位阶段的双阶段优化方法。测距阶段,改进卡尔曼滤波算法以RSS...针对无线传感器网络中基于接收信号强度指示(Received Signal Strength Indicator,RSSI)定位技术易受环境影响、定位精度较低的问题,提出一种将RSSI定位过程分为测距阶段与定位阶段的双阶段优化方法。测距阶段,改进卡尔曼滤波算法以RSSI信号均值作为初始状态估计,结合网格遍历搜索优化过程噪声协方差和测量噪声协方差参数,提升卡尔曼滤波算法的适应性和滤波效果,降低测距阶段的误差;定位阶段,使用多策略改进鲸鱼优化的节点位置估计算法求解未知节点位置,进一步提高定位精度。该算法通过K-means聚类初始化策略、精英反向学习策略和随机鲸鱼学习策略,提升原始鲸鱼优化算法的全局搜索能力和收敛速度,进一步提高定位精度。实验结果表明,该双阶段优化方法在定位误差控制方面优于传统的单阶段优化策略,具备更高的定位精度与更强的环境适应能力,并在与其他对比算法的性能比较中展现出明显优势。展开更多
无线传感器网络(Wireless Sensor Network,WSN)作为物联网的核心组成部分,在环境监测、智能家居和目标追踪等领域具有广泛的应用前景。然而,基于接收信号强度指示(Received Signal Strength Indication,RSSI)的定位算法在复杂环境中常...无线传感器网络(Wireless Sensor Network,WSN)作为物联网的核心组成部分,在环境监测、智能家居和目标追踪等领域具有广泛的应用前景。然而,基于接收信号强度指示(Received Signal Strength Indication,RSSI)的定位算法在复杂环境中常因多径效应、非视距(Non Line of Sight,NLOS)传播及信号衰减等问题,导致定位精度和鲁棒性不足。针对这一挑战,提出了一种面向高精度与高鲁棒性的WSN中RSSI定位算法优化方法。该方法的主要创新点为:基于隔离森林的超宽带(Ultra-Wideband,UWB)异常检测。通过无监督学习识别并剔除NLOS环境下的异常测距数据,显著降低多径干扰对定位的影响;多层感知器(Multilayer Perceptron,MLP)自适应噪声调整。利用MLP动态建模RSSI-距离关系,实时调整扩展卡尔曼滤波(Extended Kalman Filter,EKF)的过程噪声协方差矩阵,提升算法对动态环境的适应性,融合机器学习的改进EKF框架。结合多新息EKF(Multi-Innovation EKF,MIEKF)与加权最小二乘法(Weighted Least Squares,WLS),通过滑动窗口机制融合历史观测数据,减少线性化误差累积,定位均方根误差(Root Mean Square Error,RMSE)降至0.18 m。实验结果表明,在弱信号和NLOS占比30%的复杂场景下,该方法较传统RSSI定位方法精度提升25%以上,且通过异常检测与动态噪声抑制机制,定位成功率稳定在90%以上,显著增强了系统的鲁棒性。所提方法为WSN在复杂环境中的高精度定位提供了可靠的技术支持。展开更多
基于RSSI(Received Signal Strength Indication)位置指纹的Wi-Fi室内定位现已被大量应用于各类基于位置信息的服务中。但指纹定位的精度受到RSSI信号的剧烈波动影响,难以满足高精度位置信息服务的需求。为克服该困难,提出一种结合虚拟A...基于RSSI(Received Signal Strength Indication)位置指纹的Wi-Fi室内定位现已被大量应用于各类基于位置信息的服务中。但指纹定位的精度受到RSSI信号的剧烈波动影响,难以满足高精度位置信息服务的需求。为克服该困难,提出一种结合虚拟AP技术与高精度CNN(Convolutional Neural Network)判别模型的定位方法。该方法通过距离比定位得到虚拟AP的位置,并将该信息与RSSI融合作为数据增强CNN模型的输入,确定样本的位置。设计实验方案采集实际的用户终端RSSI数据,构建指纹定位的数据集,验证所提出的指纹定位方案的有效性。实验结果表明,在该数据集上,所提出的方法在确定区域时的准确度达到91%,并将95%的定位误差控制在2 m以内。对比现有的定位方案,所提出的方案在定位精度上有显著提升。展开更多
为了研究适用于制造车间的基于RSSI(Received Signal Strength Indication)测距的高精度定位算法,考虑到制造车间的复杂环境,本算法引入高斯滤波和均值滤波器减少定位误差,提高定位稳定性;提出了传输模型分区概念,对于处在不同的锚节点...为了研究适用于制造车间的基于RSSI(Received Signal Strength Indication)测距的高精度定位算法,考虑到制造车间的复杂环境,本算法引入高斯滤波和均值滤波器减少定位误差,提高定位稳定性;提出了传输模型分区概念,对于处在不同的锚节点和同一锚节点的不同方位区间的节点,采用不同的无线信号传输模型计算盲节点与锚节点之间的距离;在所有的盲节点与锚节点之间的距离中选择最小的三个,采用几何三边测量法求取盲节点的坐标值。实验及数据分析可知,基于RSSI滤波、分区处理和距离优化后的定位算法,其实验样本的平均定位误差为0.8899m,较改进前提高了22%,同时定位精度较高且稳定性很好,经假设检验证明,本算法较原始的RSSI定位算法在定位效果上有了显著的提升。展开更多
文摘针对无线传感器网络中基于接收信号强度指示(Received Signal Strength Indicator,RSSI)定位技术易受环境影响、定位精度较低的问题,提出一种将RSSI定位过程分为测距阶段与定位阶段的双阶段优化方法。测距阶段,改进卡尔曼滤波算法以RSSI信号均值作为初始状态估计,结合网格遍历搜索优化过程噪声协方差和测量噪声协方差参数,提升卡尔曼滤波算法的适应性和滤波效果,降低测距阶段的误差;定位阶段,使用多策略改进鲸鱼优化的节点位置估计算法求解未知节点位置,进一步提高定位精度。该算法通过K-means聚类初始化策略、精英反向学习策略和随机鲸鱼学习策略,提升原始鲸鱼优化算法的全局搜索能力和收敛速度,进一步提高定位精度。实验结果表明,该双阶段优化方法在定位误差控制方面优于传统的单阶段优化策略,具备更高的定位精度与更强的环境适应能力,并在与其他对比算法的性能比较中展现出明显优势。
文摘无线传感器网络(Wireless Sensor Network,WSN)作为物联网的核心组成部分,在环境监测、智能家居和目标追踪等领域具有广泛的应用前景。然而,基于接收信号强度指示(Received Signal Strength Indication,RSSI)的定位算法在复杂环境中常因多径效应、非视距(Non Line of Sight,NLOS)传播及信号衰减等问题,导致定位精度和鲁棒性不足。针对这一挑战,提出了一种面向高精度与高鲁棒性的WSN中RSSI定位算法优化方法。该方法的主要创新点为:基于隔离森林的超宽带(Ultra-Wideband,UWB)异常检测。通过无监督学习识别并剔除NLOS环境下的异常测距数据,显著降低多径干扰对定位的影响;多层感知器(Multilayer Perceptron,MLP)自适应噪声调整。利用MLP动态建模RSSI-距离关系,实时调整扩展卡尔曼滤波(Extended Kalman Filter,EKF)的过程噪声协方差矩阵,提升算法对动态环境的适应性,融合机器学习的改进EKF框架。结合多新息EKF(Multi-Innovation EKF,MIEKF)与加权最小二乘法(Weighted Least Squares,WLS),通过滑动窗口机制融合历史观测数据,减少线性化误差累积,定位均方根误差(Root Mean Square Error,RMSE)降至0.18 m。实验结果表明,在弱信号和NLOS占比30%的复杂场景下,该方法较传统RSSI定位方法精度提升25%以上,且通过异常检测与动态噪声抑制机制,定位成功率稳定在90%以上,显著增强了系统的鲁棒性。所提方法为WSN在复杂环境中的高精度定位提供了可靠的技术支持。
文摘为了研究适用于制造车间的基于RSSI(Received Signal Strength Indication)测距的高精度定位算法,考虑到制造车间的复杂环境,本算法引入高斯滤波和均值滤波器减少定位误差,提高定位稳定性;提出了传输模型分区概念,对于处在不同的锚节点和同一锚节点的不同方位区间的节点,采用不同的无线信号传输模型计算盲节点与锚节点之间的距离;在所有的盲节点与锚节点之间的距离中选择最小的三个,采用几何三边测量法求取盲节点的坐标值。实验及数据分析可知,基于RSSI滤波、分区处理和距离优化后的定位算法,其实验样本的平均定位误差为0.8899m,较改进前提高了22%,同时定位精度较高且稳定性很好,经假设检验证明,本算法较原始的RSSI定位算法在定位效果上有了显著的提升。
文摘作为一种全新的信息获取和处理方式,无线传感器网络可以应用在广泛的领域内实现复杂的大规模监测和追踪任务,而网络自身的定位是大多数应用的基础.基于距离的定位是通过测量节点间距来实现的.利用RSSI测距只需较少的通信开销和较低的实现复杂度,这在能量有限的网络节点中是非常重要的.论文分析RSSI测距的原理,实验验证RSSI测试可重复性,在适度的动态环境中RSSI变化有规律性,采用加权和均值法消除环境因素对RSSI测量的影响.实验验证在15 m以内的测距精度可达到2 m.
