基于改进的RSSI无线传感器网络节点定位算法研究

研究无线传感器网络节点定位问题。接收信号强度值(RSSI)直接影响无线传感器网络节点定位准确度,而现有定位算法没有考虑锚节点的RSSI消息,造成节点定位精度低。为了提高无线传感器网络节点的定位精度,提出了一种基于RSSI的质心定位算法。首先通过无线信号强度计算出节点间RSSI值,然后把RSSI值转换成质心算法权值,最后采用质心定位算法对待测节点位置进行估计,获得节点的准确位置。仿真实验结果表明,与现有质心定位算法相比,基于RSSI的质心定位算法在不增加成本、通信功耗的情况下,提高了节点定位精度,降低了定位误差,适合各种规模的无线传感器网络的节点定位。     

基于RSSI测距的传感器节点质心定位修正算法

针对传感器网络节点定位精度问题,研究基于RSSI测距的定位算法,提出多信标节点质心定位修正算法,通过该算法计算得到多组未知节点估计坐标,并在此基础上利用质心定位修正算法计算节点坐标修正值;利用仿真实验,证明基于RSSI测距的传感器节点质心定位算法定位精度比传统质心定位算法定位精度提高13.8%,比RSSI加权质心定位算法提高6.3%。     

基于组合测距的无线传感器网络自定位算法

针对如何在锚节点密度较低的情况下提高无线传感器网络中节点自定位精度的问题,本文提出了一种基于RSSI和TDOA组合测距的加权质心定位算法.该算法分别对传统RSSI和TDOA测距模型增加了校验参数及温度补偿,将未知节点与锚节点间距离估计值的倒数作为权值参数,再利用加权质心算法计算出未知节点的位置坐标.硬件试验表明室内环境中基于改进RSSI测距模型的定位算法相比于传统RSSI质心定位算法的误差改进比率为56.2%,仿真结果显示基于组合测距的定位算法在锚节点密度较低时也能达到较高的定位精度.     

无线传感器网络质心定位算法研究

节点定位是无线传感器网络中的关键技术之一.质心定位算法完全依赖于锚节点的密度大小及分布情况,锚节点的密度较小且随机分布,所以质心定位算法的定位精度比较低.为了提高节点定位的精度,提出了一种改进的无线传感器网络质心定位算法.在质心定位算法中引人接收信号强度(RSSI)信息,利用RSSI计算节点间点到点的信号强度,并把信息强度值转换成距离值,取倒数作为质心算法权重值,通过质心定位算法对未知节点坐标进行计算,得到节点的具体位置.通过仿真对算法进行测试与分析,仿真结果表明,算法定位的误差减小,提高了节点定位精度,是一种有效的定位算法,为网络设计提供了依据.     

一种基于插值的室内指纹定位系统设计与实现

由于室内环境的复杂性,无线传感器网络WSN(Wireless Sensor Networks)室内定位的精度一直不够理想.本系统在测距定位算法和非测距定位算法的基础上,提出了基于信号强度RSSI(Received Signal Strength Indication)的指纹定位方法.该方法利用Cokriging插值算法建立定位区域的多维RSSI向量指纹,通过匹配目标节点的RSSI向量与指纹RSSI向量确定目标节点的位置范围,最后使用K-中心点聚类算法提取目标节点的实际位置.实际场景实验和仿真实验结果都表明此方法在复杂的室内环境中具有较高的定位精度.     

一种改进的质心定位算法

在无线传感器网络中,确定传感器节点的位置至关重要.通过对传统的质心定位算法进行分析,考虑到接收信号强度直接影响到未知节点的定位精度,提出了一种基于RSSI的改进的质心定位算法.该算法将每个未知节点的通信区域划分为6个部分,通过比较RSSI,找到对未知节点更为精确的估计区域,从而对未知节点作出更为精确的位置估计.仿真结果表明,相比于原始的质心定位算法,改进后的质心定位算法大大提高了无线传感器网络节点的定位精度.     

基于RSSI校正的无线传感器网络定位算法

为了使接收信号强度指示（RSSI）的测量误差对节点定位精度的影响程度达到最小化,提出一种基于RSSI高斯加权校正的质心定位算法.首先通过高斯函数滤去偏差较大的RSSI值,然后再对余下的RSSI值加权计算得到优化的RSSI测量值,并利用测量到的RSSI值计算出锚节点与未知节点之间的距离,然后根据计算出的距离对锚节点坐标加权,并通过质心定位算法求出未知节点的位置坐标.仿真实验表明：该算法相比基于RSSI的质心定位算法,定位覆盖率提升3％～6％,平均定位误差至少减少4％,是一种定位精度更高的算法.     

基于动态近邻反馈修正的室内定位算法

针对目前无线传感器网络（WSN）室内接收信号强度（RSSI）测距算法中RSSI易受到信道干扰和传播环境影响从而导致定位精度低的问题,提出一种动态近邻反馈修正的室内定位优化算法FC-DNN,以实现无线传感器室内节点精确定位。首先,通过对环境进行Voronoi图分割确定最小定位区域;然后计算每个区域的路径损耗模型参数得到节点间的精确距离;最后利用Spearman等级相关系数动态选择邻居锚节点,根据邻节点反馈修正进一步提高未知节点的定位精度。仿真结果表明,FC-DNN算法复杂度低、计算开销小、能耗较低,与典型的RSSI测距差分修正定位算法（DDLA）和受限三维空间传感器定位算法（CO-3D）相比,节点的平均定位误差降低了约15个百分点,能够很好地满足室内环境定位要求。     

一种自适应煤矿井下环境的加权质心节点定位算法

为提高煤矿井下无线传感器网络节点定位精度,提出了一种自适应煤矿井下工况环境的加权质心节点定位算法;在信标节点双链式部署结构的基础上,首先利用未知节点周围RSSI信号强度最大的信标节点之间的位置信息和信标节点的平均RSSI值自适应地估计环境参数,再应用无线信号强度衰减模型计算未知节点到信标节点的距离,最后采用加权质心定位算法的平均值确定最终的节点位置坐标;仿真实验结果表明,所提出方法的平均定位误差为0.94m,有效降低了环境因素及RSSI的随机性对定位精度的影响,可用于煤矿井下无线传感器网络节点实时定位系统中。     

基于RSSI测距的交点质心定位算法研究与室内应用修正

目前的传感器网络节点定位的技术主要有基于测距的定位技术和无需测距的定位技术。本文重点研究了基于RSSI测距的交点质心定位算法。主要研究工作包括RSSI测距模型与模型参数优化方法的分析与研究、交点质心定位算法的实现、交点质心算法在室内环境应用的修正等。应用结果表明,修正后的定位算法可在一定程度提高定位精度。     

模糊化的无线传感节点自适应定位算法

节点定位是无线传感网络的研究基础,具有重要的研究价值和研究意义.现有定位算法主要分为测距相关的算法(range-based)与测距无关的算法(range-free)两类.前者通常使用未经处理的、包含环境噪声的测距信号,导致其定位稳定性较差;后者常使用节点间的连通性信息,导致其定位精度相对较低.针对该现状,本文提出一种基于模糊处理的节点自适应定位算法(fuzzy localization, FL).FL算法首先收集有关测距信息,然后对测距信息进行模糊化处理,最后采用自适应算法计算节点位置.FL算法对测距信息的模糊化处理,减少了环境噪声对定位的影响,提高了节点定位的稳定性;同时细化了通讯半径内的距离估计,提高了节点的定位精度;且自适应算法能对模糊化过程进行自适应控制,取得有效模糊化参数.实验结果表明,与DV-Hop算法和Spring算法相比,FL算法减少了约31%和6%的定位误差,且定位稳定性较好.     

无线局域网定位技术研究

介绍了基于无线局域网的室内定位系统,并结合三种不同的定位系统,分析了各种不同的定位技术,以及它们在提高系统定位精度方面的作用。结果表明,概率模型等技术能显著提高系统的定位精度。最后对无线局域网定位技术今后的研究方向进行了展望。     

一种无线传感器网络质心定位改进算法

提出一种改进型的质心定位算法.该算法利用RSSI计算影响因子θ对质心算法进行加权,提高初次定位的准确性,并通过一种校正机制对初次定位位置进行校正.该算法运算复杂度较低,通信开销与传统的质心算法相仿.仿真表明改进算法的定位精度较传统的质心定位算法有了极大的提高.     

无线传感器网络中的一种分布式相对定位算法的分析与改进

针对SDGPSN（Scalable and Distributed GPS free Positioning for Sensor Networks）算法通信开销过大的问题,通过改进其局部坐标系和全局坐标系构建过程,提出了一种新的相对定位算法。仿真实验结果显示,改进后的算法较之原算法具有更小的通信开销,使之更适于节点移动频率较低的无线传感器网络的节点定位应用。     

定位技术

信息与位置相关才具有实际意义。为了研究新的定位技术方法,需要分析和掌握现有的各种定位方法。本文介绍了卫星定位、RFID定位、ZigBee定位以及其他定位技术原理。     

基于Bayes滤波的移动机器人定位方法

对基于贝叶斯滤波原理的机器人定位方法提出了一个通用框架,进行了贝叶斯滤波方法的推导,理顺了贝叶斯总体框架以及卡尔曼滤波定位、多假设定位、马尔可夫定位、蒙特卡罗定位方法之间的内在逻辑关系。回顾了基于概率推理框架的各种机器人定位方法的发展过程、目前发展水平,并针对各自的利弊进行了比较。基于采样的蒙特卡罗定位算法能够描述多峰分布,可近似大范围的概率分布,能够有效解决定位过程中出现的歧义情况以及绑架情况等,因此重点对蒙特卡罗定位算法的实现过程以及存在的问题进行了详细的阐述,同时对研究难点和未来的发展趋势做了展望。     

一种随机TBFL方法

许多学者研究了运用测试集对程序错误语句定位的问题,并提出了许多行之有效的方法,这些方法统称为TBFL(testing based fault localization)方法。后来人们发现,测试集里如果出现冗余,则这些冗余测试用例会伤害这些定位方法的功效。为了解决这个问题,Hao等人提出了SAFL(similarity aware fault localization)方法。实际上完全避免冗余是不可能的,因此从另一个角度构造了一个新的TBFL方法,称为随机TBFL方法。该方法的基本思想是:测试前对程序的语句错误概率进行先验分布,并把测试集看成随机变量,用测试用例反映的程序语句有关信息对程序语句的概率作一些调整,调整后的概率称为后验校正概率,最后根据这个后验概率对错误语句进行定位。将传统的TB-FL方法如Dicing方法、TARANTULA方法、SAFL方法纳入随机信息分析并通过几个实例进行分析和比较,结果表明,随机TBFL方法不仅能够正确定位错误语句,而且冗余对该方法的功效伤害不大。     

等级平均随机TBFL方法

运用测试集对程序错误语句定位的算法,现在被统称为TBFL(testing based fault localization)方法。目前通行的算法一般都没有利用测试员、程序员关于测试用例和程序的先验知识,致使这些"资源"白白浪费掉。文献[12]引入了一类新的随机TBFL方法,其精神就是在随机理论的框架下,把这些先验知识和实际测试活动结合起来,从而对程序错误语句更好地定位。文献[12]提出的算法可以看成是这种类型算法的一般"模式",人们可以根据这个一般性的模式开发出不同的算法。基于文献[13]的思想,对文献[12]中的算法做了改进。主要是根据测试结果,构造执行矩阵E和功效矩阵F两个工具,并结合测试集和程序先验知识,对程序语句出错可能性引入两个级别的排序,然后对这两个排序进行"平均",得到程序语句出错可能性的平均等级排序,它可以作为程序员改正程序错误的导向。还提出两个有关不同TBFL算法的比较标准,根据这两个标准,在一些具体实例上,将所提算法和其他一般方法以及文献[12]中的方法进行了对比,结果显示所提算法的效果令人满意。     

自主移动机器人室内定位方法研究综述

自主移动机器人的室内定位作为机器人研究领域中最基本的问题已被广泛研究。根据定位技术和传感器的不同,将室内定位方法分为航迹推算定位、地图匹配定位和基于信标定位三类。详细介绍了超声波网络定位系统和基于无线射频识别（RFID）的定位方法。对几种基于概率的定位算法做了分析和对比,并对自主移动机器人室内定位方法的研究方向做了展望。     

基于ZigBee心电监护网络定位方法的研究*

提出了一种利用TDOA技术和bounding box算法相结合的节点定位方法。通过对ZigBee心电监护网络模型的分析,利用超声波测距方法实现了心电监护网络内未知终端节点与路由器节点的有效距离测量,并利用bounding box算法计算出终端节点的坐标值。给出了定位方法实现过程的具体描述并进行了系统测试实验。结果表明该方法定位精度较高,可以满足心电监护网络定位要求,有较好的推广价值。