基于RSSI无线传感器网络空间定位算法

RSSI测距技术在实际应用环境中,由于多径、绕射、障碍物等因素,无线电传播路径损耗使得定位过程中产生距离误差.通过对三维空间定位过程中产生距离误差区域进行分析,提出了基于RSSI新的空间定位算法ERSS,该定位算法计算简单,定位过程中节点间不增加通信开销,无需硬件扩展.仿真实验表明该算法较普通的基于RSSI的测距方法定位精度和响应时间有了明显的改进,适合在通信开销小、硬件要求低的传感器网络节点上应用.     

基于LS-Kalman的无线传感器算法研究

常用的定位算法用于无线传感器定位时的性能很不稳定且误差很大,为此提出一种更高精度的定位算法。该算法前期使用基于非测距的DV-HOP算法进行初始定位,后期用改进的最小二乘-卡尔曼滤波(LS-Kalman)对初始定位进行循环求精。本文采用MATLAB仿真软件分别对二维和三维无线传感器网络节点进行实验,实验结果表明该算法三维定位收敛更快,定位精度更高,且算法更简单。     

采用入侵杂草优化算法的WSN定位精度提高方法

提高节点定位精度是无线传感器网络无需测距定位算法的关键问题之一。DV-Hop算法作为一种典型的无需测距定位算法也存在精度不高的问题。对此,提出了一种基于改进入侵杂草优化算法的新的定位算法。将算法中的目标函数设为节点定位误差,从考虑传感器节点定位问题转换为全局最优化问题,并利用人工蜂群搜索机制对入侵杂草优化算法进行改进。利用仿真技术对不同算法进行比较,从结果可以表明,本文提出的改进算法能够有效提高算法的定位精度。     

无线传感器网络基于APIT的混合定位算法

为了克服定位算法近似三角形内点测试法(approximate point-in-triangulation teat,APIT)的误差影响,将接收信号强度指示器(received signal strength indicator,RSSI)测距与APIT相结合,提出了APIT算法的改进算法-RAPIT(RSSI and APIT)定位算法.该算法引入限定距离的概念,将引起误差的节点的位置限定在以锚节点为圆心,以限定距离为半径的圆的重叠区域内.实验证明,该算法有效减少了误差,提高了定位覆盖度.     

一种改进的分布式多维定标算法的研究

无线传感器网络中节点间通信容易受到环境因素和传输衰减因素等的影响,从而造成节点的定位不准确.为减小节点定位误差,在分布式多维定标算法基础上提出了改进的WMDS-MAP(P)算法.采用加权算法求出每个锚节点的环境影响参数和传输衰减参数对,并在构建局部空间的节点矩阵时考虑这两个因素;采用最小二乘算法选出锚节点中最优的环境影响参数和传输衰减参数对,从而使节点间的一跳距离估计值更逼近真实值.仿真结果显示改进的算法相对于经典的MDS-MAP(P)算法节点平均定位误差减少了17％左右,可以有效提高节点的定位精度.     

无线传感器网络定位的分布式求精算法

通过对WSN中基于测距的定位进行误差分析提出一种求精算法。该算法每次迭代中首先根据“磁极”思想确定“误差节点”和“有效节点”;然后在误差节点的邻居节点中选择2个相对偏差最小的节点作为圆心,以它们到误差节点的测距值为半径分别作圆,得到两个交点;最后在它的当前定位位置和这2个交点之中选择误差较小的作为本轮的求精位置。仿真结果表明,该算法能够降低多边定位模型产生的节点位置误差,有效提高网络的定位精度。     

Min-Max及其改进无线传感器网络定位算法的研究

常见的基于测距的定位算法有Min-Max定位算法、三边定位算法和最大似然法,本文在研究这三种定位算法的同时,重点分析了Min-Max定位算法,并对其在定位边界区域误差较大问题提出一种有效的解决办法,并通过仿真进行验证。对比Min-Max及其改进方法的仿真结果表明改进方法能有效改善定位边缘区域的盲节点的定位精度。     

DV-Hop定位算法的研究与改进

DV-Hop算法是一种无需测距的节点定位方式,其在无线传感器网络中存在较大定位误差。本文引入细化半径的节点通信思路,从而细化最小跳数值,期待改进原算法的不足。大量仿真结果说明:平等仿真前提下,改进算法在没有大幅度增加算法繁琐度的背景下,定位误差有了大幅降低,定位精度得以提升。     

基于多天线到达相位差的室内定位算法

针对测距式射频识别(RFID)室内定位算法的精确度会受到测距误差严重影响的问题,提出一种基于多天线到达相位差(M-PDOA)的室内定位算法。通过M-PDOA测距方法进行测距,采用三边测量算法对目标标签进行定位。仿真结果显示,本算法的测距平均误差为0.102 7 m,性能提升65.76%;定位平均误差为0.180 7 m,性能提升56.67%,说明本文算法能够有效减少测距误差,并且定位精确度较高。     

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.