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。     

一种新的无线传感网络三维定位方法

定位是无线传感器网络的基础问题之一,文章提出利用均值法对接收信号强度指示(RSSI)数据进行处理,筛选出RSSI值较优的锚节点,以解决RSSI易受干扰的问题,减小RSSI的测距误差。在此基础上,提出动态修正三维三边测量方法。该方法利用筛选出的RSSI值较优的3个锚节点进行测距,在一个移动锚节点辅助下进行三维三边定位,提高定位精确度。仿真结果表明,与传统三边测量定位算法相比,此方法可明显减少定位误差。     

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。     

Evaluation of impact factors on RSS accuracy for localization and tracking applications in sensor networks

The use of Received Signal Strength Indicator (RSSI), obtained automatically with the received messages in most sensor radios, is a popular way for estimating the location of a mobile wireless object. The great variation of Received Signal Strength (RSS), which may result in inaccurate estimations, is compensated by the fact that RSS does not require any additional hardware, and may reduce the sensor node power consumption, size and cost. The present work investigates the impact of variety of parameters on RSS by experimenting with Tmote Sky nodes in real-field outdoor environments. Besides the operating frequency, the transmitter–receiver distance, the variation of transceivers, the antenna orientation, and the environment specifics were found as important factors for creating accurate models, which would serve in tracking and localization applications.     

Positioning Algorithms by Information Fusion in Wireless Sensor Networks

To overcome the disadvantages of the positioning technologies by fuzzy theory in Wireless Sensor Networks (WSNs), positioning algorithms based on information fusion are presented in this article. The fuzzy theory is used to deal with the randomness and fuzziness in the WSNs. And the information fusion is introduced to improve the location accuracy. If the collinearity of the anchor nodes is larger, the misjudged reference nodes may be caused. They are removed by using clustering method. The algorithms in this paper can enhance the location accuracies compared with using the fuzzy theory and alleviate the effect of the RSSI (Received Signal Strength Indication) measure errors. Moreover, the algorithms avoid the high complexity of computation and the requirement of more anchor nodes. Simulation results indicate that the algorithms are more precise, robust as well as with good suitability.     

基于ZigBee室内定位算法研究

研究了基于信号强度的 ZigBee 定位算法,以接收信号强度指示(RSSI)定位算法为基础。通过全局坐标系中已知的参考节点位置以及与各个参考节点之间的信号强度,分析计算得到盲节点的坐标位置,即室内移动机器人当前的坐标位置。通过实验研究和数据分析,可以借助 ZigBee 低功耗及组网稳定等特性对室内定位领域有进一步的理解和应用。     

SENMA网络加权质心定位算法

移动代理传感器网络(SENMA)由移动代理节点负责数据处理、接入、转发、传输和路由等工作,更加节能。通过分析指出SENMA网络进行节点定位最适于采用基于距离定位算法,依据网络特点基于接收信号强度指示(RSSI)测距技术较为可行。依据信道RSSI特点,提出了一种加权质心定位算法,并利用Matlab编程进行了仿真验证,证明了其性能优于极大似然估计定位算法,更为适用于SENMA网络。     

局部无线定位系统中的高精度定位算法研究

局部无线定位技术是基于局部组网的低成本和低复杂度的定位技术。在局部无线定位中,无论采用哪种技术,都会受到非视距和多径传输的影响,给定位带来较大的误差。环境建模可以通过曲线拟合的方式来建立某些典型场景的信号传输模型。除此之外,在前期环境建模完善的条件下,进一步提高精度只能依靠监控端软件中几何定位算法的改进。文章提出了一种...     

基于区域划分和余弦定理的DV-Hop算法改进

针对传统距离向量-跳段定位算法(Distance Vector-Hop,DV-HOP)存在的节点密度分布不均引起误差比较大的问题,根据DV-Hop算法特性,采用余弦定理,证明节点密度越大所得定位坐标越准确,使用余弦定理减少在节点密度过大时因空间角度导致节点路径曲折过多而引起的误差,同时提出一种区域划分的改进算法,减少在节点密度较小区域的误差;利用接收信号强度指示(Received Signal Strength Indicator,RSSI)对跳数进行量化分级处理,改善实际距离与计算出的距离相差过大的情况;最后采用最小二乘法估计未知节点坐标。仿真表明,所提出的算法与传统的DV-Hop算法相比,误差有一定的减少。     

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%。     

基于BP神经网络和泰勒级数的室内定位算法研究

 在研究分析室内无线信号传播特性和传统的室内定位算法的基础上,提出了用BP神经网络来拟合室内无线信号传播模型,避免了对无线信号传播模型中参数A和n的不精确估计.在训练完成的BP神经网络的输入层输入接收信号强度值RSSI(Received Signal Strength Indicator),在输出层即可得到对应的距离值,再利用泰勒级数展开法确定盲节点的坐标位置.最终通过Matlab仿真和ZigBee平台实验验证了算法的可行性和有效性.     

无线传感器网络RSSI测距方法与精度分析

基于RSSI的测距技术是一项低成本的距离测量技术.分析了接收信号强度指示器(RSSI)多种测距模型,结合采用IEEE802.15.4协议的CC2430芯片,设计了测距实验,获取了多组数据,通过对实验数据的分析,提出结合信标节点确定参数、高斯拟合确定测量值的RSSI测距处理方法.实验证明,该方法能提高RSSI测距的抗干扰能力,20 m内节点间的测距精度能达到1.5 m以下.     

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。     

基于无线传感器网络的移动机器人导航方法

为移动机器人在无定位信息的无线传感器网络(WSN)中选择路程短、代价低的导航路径,提出了一种基于无线传感器网络的移动机器人导航方法,包括全网络导航路径规划和局部节点趋近算法。该方法通过结合各节点传感器数据,构造代价函数,在网络中建立伪梯度势场,为移动机器人规划最优路径;移动机器人通过探测接收信号强度指示(RSSI),逐一趋近该路径上的传感器节点到达目标节点。仿真结果表明,该方法能够根据移动机器人的导航要求,引导移动机器人迅速沿最优路径到达目标节点。     

基于跨层设计的无线传感器网络节能双向梯度路由算法

针对现有无线传感器网络梯度路由算法在下行路由创建过程和能量更新机制中存在冗余控制开销的问题,该文提出一种采用跨层和功率控制机制,具有节能功能的双向梯度路由算法(Cross-layer Energy-efficient Bidirectional Routing,CEBR):无需使用专门的控制分组,采用源路由方式以较小开销建立从Sink节点通往传感器节点的下行路由;通过跨层信息共享,定期采集节点剩余能量信息并按需发布;设计使用含跳数和节点剩余能量的合成路由度量标准,减少节点能量和网络带宽消耗的同时均衡节点能耗;结合RSSI(Received Signal Strength Indication)测距实现节点发射功率控制从而在数据及查询分组发送过程中节约节点能量。理论分析表明了CEBR的有效性;仿真结果显示:与现有的典型相关算法相比,CEBR能够在建立双向梯度路由的前提下,至少降低34.5%的归一化控制开销和27.12%的数据分组平均能耗,并使网络生存期延长18.98%以上。     

基于 RSSI 的无线传感器网络节点定位算法研究

节点位置信息是无线传感器网络应用的基础。基于RSSI（Receive Signal Strength Indicator）的测距技术因其低成本和低复杂度的优点而被广泛用于无线传感器网络的定位技术中。介绍了RSSI信号传输模型,在介绍无线传感器网络定位基本原理的基础上,分析了影响定位精度的因素。综述了近几年提出的无线传感器网络中基于RSSI的节点定位算法及其改进算法,现有基于RSSI定位算法的改进算法主要从测距精度改进、定位精度改进或误差修正改进等方面进行。最后,指出了基于RSSI的无线传感器网络节点定位算法的不足,并进行展望。     

研究片内多径分离技术在基于RSSI定位中的应用

无线传感器网络中基于接收信号强度指示(RSSI)的定位易受多径干扰。传统的基于RSSI定位方法主要通过增加测距样本来抵抗多径干扰,而在物理层研究抗多径干扰的较少。该文将片内多径分离技术应用于基于RSSI的定位中,通过抽取每个码片的第1个采样点进行相关解扩得到分离多径后的直达径,并求其功率得到抗多径干扰的RSSI值。理论分析其多径的分离能力,信噪比损失情况。最后通过仿真比较了传统方法与该文方法求得的RSSI值方差,该文方法在多径信道下的方差更小。     

一种基于RSSI的权重值选择及加权定位算法

提出了一种基于Wi-Fi网络的接收信号强度指示(RSSI)的权重值选择及加权定位算法。该算法在离线阶段为每个接入点(AP)在每个参考位置点的RSSI设定了变化区间;在定位阶段,将扫描到的每个AP的RSSI落在该区间的所有位置点的权重值加1,然后采用加权算法计算定位目标的估计位置。实验证明,该算法减少了RSSI随机变化引起的定位误差,能获得较好的定位精确度。     

智能空间中RSSI定位问题研究

定位服务是智能空间所必须提供的基本服务,而定位精度的高低在很大程度上取决于距离测量精度.本文分析了现有无线测距技术运用到智能空间中存在的诸多问题,结合无线传感器节点的硬件特性,选择了基于RSSI的定位技术,提出了三种基于RSSI定位的实现机制:最小二乘曲线拟合法,信号强度分布法以及混合定位法.在此基础上,针对所提出的三种定位技术从定位计算量、定位误差等方面进行了实验测试与对比分析.结果表明,混合定位法所需的计算量小、定位精度高,能更好地满足于资源受限环境下的定位服务需求.由此可见,借助于本文提出的混合定位法,结合适当的迭代定位算法可以有效地应用于实际系统的定位.     

Jamming detection approach based on fuzzy assisted multicriteria decision‐making system for wireless sensor networks

The jamming detection approach based on fuzzy assisted multicriteria decision‐making system (JDA) is proposed to detect the presence of jamming in downstream communication for Cluster based Wireless Sensor Network (CWSN). The proposed approach is deployed in cluster head (CH). The JDA functions in two aspects: First, the CH periodically measures the jamming detection metrics namely Packet Delivery Ratio (PDR) and Received Signal Strength Indicator (RSSI) of every node in the cluster to determine the behavior of the sensor nodes. In order to determine the behavior of members in the cluster, the CH compares the measured PDR with the PDR threshold. If the measured PDR is lesser than the PDR threshold, then CH applies the TOPSIS method on the PDR and RSSI metrics to determine the presence of jamming. These metrics are considered as the criteria and the nodes or the members are considered to be the alternatives. Next, the fuzzy logic is applied on the results obtained from the TOPSIS method to optimize the jamming detection metrics and identify the presence of jamming accurately. The proposed jamming detection approach detects well and arrives at 99.6% jamming detection rate as shown in simulation.