基于BP神经网络的RSSI测距优化算法

基于接收信号强度指示(received signal strength indication, RSSI)测距的研究和应用领域很广泛,一直是物联网研究的热点. 为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距算法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题. 将K-means聚类算法应用于BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真. 结果显示:传统基于BP神经网络的RSSI测距算法的均方根误差为1.425 7 m;而经过K-means算法改进后的BP神经网络测距算法的均方根误差为1.288 7 m,降低了测距误差,并优化了目标RSSI值与真实距离的映射关系.     

无线传感器网络混合定位技术研究

在大规模复杂无线传感器网络中往往采用多种节点定位技术,在此结合现有无线传感器定位技术的现状,提出了一种混合定位技术以实现不同定位方法之间的互补。一方面利用RSSI定位弥补TDOA定位覆盖范围小的缺点;另一方面将测距信息引入到非测距定位DV—Hop算法中,用RSSI测距模型来提高DV-Hop算法中定位节点与信标节点间有效距离的精度。实验结果表明,该混合定位技术实现了TDOA,RSSI以及DV-HOP等定位技术的融合,有效地提高了复杂大规模无线传感器网络的节点定位精度。     

WSNs中基于无人机的强健节点定位算法

通过移动无人机(UAV)收集无线传感网络数据的方案已受到广泛关注,将感测的数据与产生此数据的传感节点位置关联起来是十分必要的。为此提出了基于无人机的强健节点定位算法(UAV-NL)。UAV-NL算法将UAV位置作为未知信息。传感节点接收由UAV在随机位置传输的beacon包,并记录接收信号强度指示(RSSI)矢量;通过理论推导2个RSSI矢量的范数距离与这2节点距离的线性关系;最后,通过RSSI值测距,并利用半定规划(SDP)算法估计节点位置。仿真结果表明,提出的UAV-NL算法即使在噪声信道条件下仍具有高的定位精确度。     

无人机辅助的基于前馈神经网络的节点定位算法

针对无线传感网络(WSNs)的节点定位问题,提出无人机辅助的基于前馈神经网络的节点定位(UAV-NN)算法。UAV-NN算法利用无人机(UAV)作为锚节点,并由UAV周期地发射beacon信号,利用极端学习机(LEM)训练单隐藏前向反馈的神经网络(SLFN),未知节点接收来自UAV发射的beacon信号,并记录其接收信号强度指示(RSSI),已训练的SLFN再依据RSSI值估计节点位置。仿真结果表明,相比于传统的基于RSSI定位算法,提出的UAV-NN算法无需部署地面锚节点;相比其他传统的机器学习算法,UAV-NN算法通过引用ELM,减少了定位误差。     

基于连通度和加权校正的移动节点定位算法

移动节点定位问题是无线传感器网络中的研究重点。针对移动节点定位误差大的问题,提出一种基于连通度和加权校正的移动节点定位算法。在未知节点移动过程中,根据节点间连通度大小选取参与定位的信标节点,利用加权校正方法修正RSSI测距信息,然后用最小二乘法对未知节点进行位置估计。仿真分析表明,节点通信半径和信标密度在一定范围内,该算法表现出良好的定位性能,定位精度明显提升。     

基于BP神经网络模型的RSSI测距方法研究

针对传统信号传播路径损耗模型接收的信号强度指示(received signal strength indication, RSSI)测距误差较大, 提出了基于反向传播(back propagation, BP)神经网络模型的RSSI测距方法.首先, 研究分析传统信号传播路径损耗模型及测距误差; 其次, 利用BP神经网络构建新的路径损耗模型, 并将该模型应用到RSSI测距中, 对基于BP神经网络模型的RSSI测距方法进行研究; 最后, 通过实验和MATLAB仿真对测距方法进行验证.仿真结果表明:BP神经网络模型的RSSI测距误差比传统信号传播路径损耗模型的RSSI测距误差要小.     

基于DV-Hop的RSSI-Hop算法

在无线传感器网络中,监测到时间之后关心的一个重要问题就是该事件发生的位置。传感器节点能量有限、可靠性差、节点规模大且随机布放、无线模块通信距离有限,对定位算法和定位技术提出了很高的要求。针对随机布放、节点配置低的无线传感器网络,提出一种新的RSSI-Hop定位方法,该方法可以在不增加硬件开销的基础上,有效降低节点能量消耗,较准确地估算未知节点到参考节点之间的距离,减少累积误差,提高定位的准确性。其主要思想是,节点信息根据RSSI强弱,估算各节点到信标节点之间的距离。实验表明,新算法比以前的算法定位更准确。     

基于改进RSSI测距的LSSVR三维WSN定位算法

针对基于RSSI测距的定位算法定位误差较大的问题,通过加入多组已知节点之间的距离和接收功率作为参考,提出了一种改进的RSSI测距算法,并将改进的RSSI测距作为最小二乘支持向量回归机LSSVR的输入向量,获得基于改进RSSI测距的LSSVR三维定位算法模型。MATLAB仿真结果表明,在节点随机分布的三维环境中,基于改进RSSI测距的LSSVR定位算法的定位误差比传统LSSVR定位算法减小了13.6%~21.2%,另外,可以通过增加已知节点数量等方法,进一步提高目标定位的准确性。     

一种基于CC2431的改进DV—Hop算法RDV—Hop

DV-Hop是节点定位的一种常用算法,文中利用CC2431提供的RSSI对DV-Hop进行改进,提出了一种基于RSSI的RDV-Hop(RSSI used in DV-Hop)算法.重点对DV-Hop算法的第一和第二阶段进行改进,在第一阶段,提出防止广播信息的循环,减少不可定位节点;第二阶段,引入RSSI辅助定位,改善平均每跳距离的计算.仿真表明RDV-Hop算法在一定程度上能够提高网络连通性,改善节点覆盖率,减小定位误差提高定位精度.     

基于RSSI测距的室内定位技术

搭建了基于ZigBee技术的室内定位实验平台,以实验室楼道为室内场景进行了接收信号强度(RSSI)测距和定位实验研究。首先对测距实验采集到的数据使用线性回归分析拟合出当前环境的具体测距模型,并对信标和未知节点进行软件开发,实现了基于RSSI的定位算法。经过定位实验精度评估,文中算法的平均定位误差为2.3 m,满足大多室内场景要求。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m.     

改进人工免疫算法优化的DV-Hop节点定位算法

由于无线传感器网络连通性不合理,导致计算待测节点与已知节点间距离时存在误差。为此,提出一种改进的人工免疫算法(AIA)优化DV-Hop未知节点坐标。首先对原平均跳距加权,其次利用网络中信标节点间距离产生的偏差构造跳距校正值得到最终的全网平均跳距。最后在计算待测节点坐标时引入AIA,针对AIA易陷入局部最优以及收敛速度过慢的问题,在局部搜索过程中采用高斯变异方法对AIA进行改进,扩大搜索范围,得到优化的待测节点坐标。经Matlab仿真证明,与原DV-Hop算法相比,改进后的算法在节点总数、信标节点比例以及通信半径三方面平均定位误差降低了近15%左右,具有较高的定位精度和较好的定位稳定性,同时也改善了算法的收敛性。     

基于临近锚节点修正的DBSCAN聚类加权定位算法

为了提高无线传感器网络节点的定位精确度,给出一种基于临近锚节点修正(CAAN)的具有噪声的基于密度的聚类(DBSCAN)加权定位算法。首先,在未知节点通信范围内的锚节点中选择三个构成三角形,证明当未知节点处在此三角形外接圆圆心位置时定位误差最小,然后据此选择合适的锚节点,结合滤波后的接收信号强度指示(RSSI)值进行定位计算,并利用DBSCAN聚类算法剔除误差较大的值。其次,把聚类后所得簇的核心点个数当作权值,采用加权定位算法得到未知节点的初始坐标。最后,计算锚节点坐标与初始坐标间的距离,选择临近的锚节点修正初始坐标,使最终的定位结果更加精确。仿真结果表明：相比于加权质心定位算法和基于RSSI测距滤波优化的加权质心定位算法,所给算法的定位精确度分别提高了69.55%和38.64%。     

传感器网络的粒子群优化定位算法

无线传感器网络定位问题是一个基于不同距离或路径测量值的优化问题。由于传统的节点定位算法采用最小二乘法求解非线性方程组时很容易受到测距误差的影响,为了提高节点的定位精度,将粒子群优化算法引入到传感器网络定位中,提出了一种传感器网络的粒子群优化定位算法。该算法利用未知节点接收到的锚节点的距离信息,通过迭代方法搜索未知节点位置。仿真结果表明,该算法有效地抑制了测距误差累积对定位精度的影响,提高了节点的定位精度。     

Power efficient range-free localization algorithm for wireless sensor networks

Considering energy consumption, hardware requirements, and the need of high localization accuracy, we proposed a power efficient range-free localization algorithm for wireless sensor networks. In the proposed algorithm, anchor node communicates to unknown nodes only one time by which anchor nodes inform about their coordinates to unknown nodes. By calculating hop-size of anchor nodes at unknown nodes one complete communication between anchor node and unknown node is eliminated which drastically reduce the energy consumption of nodes. Further, unknown node refines estimated hop-size for better estimation of distance from the anchor nodes. Moreover, using average hop-size of anchor nodes, unknown node calculates distance from all anchor nodes. To reduce error propagation, involved in solving for location of unknown node, a new procedure is adopted. Further, unknown node upgrades its location by exploiting the obtained information in solving the system of equations. In mathematical analysis we prove that proposed algorithm has lesser propagation error than distance vector-hop (DV-Hop) and other considered improved DV-Hop algorithms. Simulation experiments show that our proposed algorithm has better localization performance, and is more computationally efficient than DV-Hop and other compared improved DV-Hop algorithms.     

基于跳数修正的DV-Hop改进算法

针对传统DV-Hop算法中,跳数信息无法如实反应节点实际距离关系,而导致节点在无线传感网络定位过程中存在较大误差的问题,提出一种对跳数进行水平及垂直修正的改进算法。在相邻节点间,跳数进行水平修正,修正过程引入RSSI技术,对1跳按节点间距离与节点通信半径比值分段,细化跳数。同时在水平修正的基础上,分析节点间可能性分布,对不相邻节点引入修正角度进行垂直修正。仿真结果证明,在相同网络情况下,与传统DV-HOP算法相比,改进算法在增加少量计算量的前提下有效提高了定位精度。     

一种改进的RSSI测距定位算法

针对接收信号强度指示(Received Signal Strength Indication,RSSI)定位模型易受环境影响导致测距误差较大的问题，提出了采用天牛须搜索(Beetle Antennae Search,BAS)优化后向传播（Back Propagation，BP）神经网络拟合测距模型，克服了对数衰减模型易受环境干扰、参数取经验值等问题。首先，利用卡尔曼滤波对RSSI值进行校正，将校正后的数据输入BAS-BP网络拟合出测距模型并通过测距模型输出距离值；然后，利用极大似然估计法求解未知节点的坐标。实验结果表明，与BP模型和粒子群优化的BP模型相比，改进方法收敛速度快，定位精度提高更加明显。     

无线传感器网络中DV-Hop定位方法的一种改进策略

原DV-Hop(Distance Vector-Hop)方法的定位步骤可归纳为两步：距离估计与位置计算。其中,距离估计精度对网络拓扑敏感,而位置计算算法对距离估计精度敏感,从而导致方法整体对多样性网络拓扑分布的鲁棒性较差。针对这一问题进行分析与改进,在距离估计阶段提出基于1跳内最近邻信标与其余信标的跳数连接关系独立确定未知节点与各信标间平均跳距的策略,以此改善未知节点与信标之间的距离估计误差;在位置计算阶段提出在原有Lateration算法的基础上增加牛顿迭代法优化步骤,以此提高定位精度。实验结果表明,在相同的网络条件下,与原DV-Hop方法和其他典型改进方法相比,改进策略首先在距离估计阶段提高了距离估计精度,进而在位置计算阶段提高了对距离估计误差的鲁棒性,从而整体上可有效提高全网未知节点的定位精度。     

WSN中基于RSSI的加权质心定位算法的改进

自身节点定位是无线传感器网络的关键技术之一。本文对距离无关定位算法中的质心定位算法进行了分析,在基于RSSI的质心定位算法的基础上提出了一种新的校正RSSI测距值的加权定位算法。测距阶段将信标节点之间的距离和信号强度信息同时考虑在内进行RSSI值校正,权值选择阶段采用了修正传统权重的计算方法,权值取距离倒数之和。通过仿真证明,本文提出的算法相对于传统的加权质心定位算法有明显改进,获得较好的定位精度。     

基于RSSI修正的改进DV-Hop测距算法

针对DV-Hop算法测距误差受节点分布不均匀影响较大的问题和RSSI算法受环境因素影响较大的问题,提出了一种基于RSSI修正的改进型DV-Hop测距算法。该算法在保持DV-Hop算法环境适应性强的优点的同时,有效降低了由于节点分布不均而引起的测距误差,从而提高了定位精度。仿真结果表明该修正算法在不同的锚节点数和不同的通信半径下,均能够有效降低测距误差;同时该算法的定位精度与原DV-Hop算法以及另外3种以DV-Hop为基础的改进型算法相比均得以提高。