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
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。
