一种改进的蒙特卡罗定位算法研究

针对移动无线传感器网络中节点随机运动的情况,蒙特卡罗定位(MCL)算法有较好的定位精度,但由于MCL方法严格过滤而进行的频繁重采样带来大量计算,加重了节点能量消耗,针对上述情况提出了基于接收信号强度(received signal strength,RSS)的蒙特卡罗定位算法,该算法利用锚节点之间的距离及其测得的移动节点的RSS值来校正移动节点与每个锚节点之间的权值,缩小了传统MCL算法的采样范围。仿真表明,该方法降低了蒙特卡罗方法的采样次数以及通信开销,同时提高了节点定位精度。     

一种基于粒子群算法的三维无线传感器网络定位方法

三维定位是无线传感器网络应用中一个需要解决的难题,将基于接收信号强度指示的测距方法由二维平面扩展到三维无线传感器网络空间,通过引入自适应权重和优胜劣汰思想,提出了一种基于粒子群算法的三维定位的方法。所提方法具有平衡全局和局部的搜索能力、收敛速度快的特点,理论分析和仿真结果表明,本方法具有良好的定位精度。     

一种基于RSSI的无线传感器网络定位法

文中通过实地测量数据分析了信号衰减模型的时变特性,提出了一种基于RSSI的定位方法——差圆法。该方法弱化了信号衰减模型的作用从而在一定程度上提高了定位的精确度。仿真分析表明：在测量噪声较小的情况下,差圆法较常用的多边定位法具有更高的定位精度。     

复杂环境下基于CFSFDP的自适应室内定位方法

针对复杂环境下的WI-FI定位受限于多径效应等因素影响，提出一种基于CFSFDP（Clustering by Fast Search and Find of Density Peaks）的自适应室内定位算法。该算法分为三个阶段:第一预处理阶段，采用CFSFDP方法训练原始指纹，从中挖掘出稳定且有效的指纹特征；第二离线阶段进一步构建多层覆盖的采样点策略，建立指纹地图；第三在线阶段针对提取到的RSS信号进行参数训练，建立一种自适应信号传播模型，结合离线阶段的指纹地图实现指纹匹配。指纹地图可弥补自适应传播模型测距方案精度不高的缺陷，而测距方案降低在线阶段指纹批匹配开销。仿真结果表明:本文提出ALCCE算法在复杂环境下具有明显的优势，且使用的测距模型性能较高。      

非视距环境下基于二阶锥规划的RSS定位算法

针对无线传感器网络在非视距(NLOS)环境下利用接收信号强度(RSS)定位存在精度不足的问题,提出了一种新的基于二阶锥规划(SOCP)的鲁棒性定位算法。在假定非视距偏差上界的基础上构建了对非视距偏差量具有鲁棒性的定位方程,从而抑制了非视距偏差的干扰;接着利用凸优化技术将鲁棒性的定位问题转化为二阶锥规划问题,达到精确估计的目的,进而提高定位精度;此外,将定位问题推广到未知发射功率的情况,提出了一个迭代SOCP的算法。仿真结果表明,所提出的算法有效地解决了非视距定位中存在的问题,且定位精度要优于以往的牛顿迭代法、UT法以及SOCP法。     

基于DS证据理论的室内移动目标RSSI定位算法

为使WiFi无线传感器网络能够利用单次获取的接收信号强度指示（Received Signal Strength Indication,RSSI）快速定位目标并减小RSSI阴影衰落对定位的影响,提出一种改进的基于Dempster-Shafer（DS）证据理论的利用RSSI信息对室内移动目标定位（Locating Indoor Mobile Target with RSSI based on DS evidence theory,LIMT-DS）的方法。LIMT-DS方法根据传感器接收到的RSSI值构造关于目标位置估计的条件概率密度函数,并据此通过改进的证据构造方法生成各传感器关于定位环境中位置点的证据,对各位置点进行证据综合,最后通过改进的决策模式选择出目标存在可能性较大的数个定位点进行位置加权,获得目标的位置估计。仿真与实验结果表明,LIMT-DS方法可以用传感器网络单次获得的RSSI信息实现对目标的定位,其定位性能明显优于同类方法。      

一种基于RSS估计的虚假点消除方法

 论文提出了一种基于接收信号强度(Received Signal Strength,RSS)的测向交叉定位方法,解决无源测向交叉定位中的虚假点问题.首先推导了阵列协方差矩阵中接收信号强度与阵列流型之间的关系,利用协方差逆矩阵高阶幂逼近噪声子空间的特点,在已知阵列流型基础上准确获取各来波的信号强度,解决了同一信道多来波的RSS估计问题;然后运用电磁波传播相关理论,根据接收信号强度和传播路径衰减参数的关系判定各定位点的置信度,排除了虚假点.所提算法对存在一定角度估计误差、低信噪比等情况具有很好的鲁棒性,仿真结果验证了该算法的有效性和可行性.     

基于RSSI多边定位误差的加权质心定位算法

为了优化无线传感器网络(Wireless Sensor Networks, WSN)中的定位算法, 提高节点定位精度, 提出一种基于多边定位误差的加权质心算法。分析了无线电的路径损耗模型, 建立基于信号接收强度(Received Signal Strength Indicator, RSSI)和距离关系的对数拟合测距公式, 给出了求解未知节点坐标的多边定位法和位置估算模型。多组数据定位后, 以定位误差值的倒数作为权值, 改进传统的质心算法, 并讨论了参考点个数的选取与误差的关系。实验表明: 改进后的加权质心比传统质心定位精度进一步提高, 选择4~5个参考节点具有良好的定位效果。     

基于自适应感知复位算法的移动机器人定位

本文在传统粒子滤波的基础上提出了一种基于自适应感知复位定位算法(ASRL:Adaptive Sensor Resetting Localization)的移动机器人定位方法.该方法通过带有权值的样本集描绘机器人的可信度,根据有效的样本数计算需要生成的新样本数,然后从感知分布中采样代替原来的样本.ASRL算法已经在安装有编码器和彩色摄像机两种传感器的实际移动机器人上进行实验,结果表明该算法鲁棒性更好,收敛更快.     

传感网协同环境下容错目标检测和定位策略

针对无线传感网拓扑结构的动态特性和目标协同定位的准确性,通过对网络节点特性、网络模型和无线信道传输模型进行需求分析,给出若干相关定义和数学模型,并在此基础上提出了一种具有容错性的传感网协同环境下的目标检测和定位策略,由目标区域监测、目标监测定位和基站通信定位3个阶段组成。该方法的基本原理是所有传感节点通过判断接收目标信息的强度来确定观测值,在此基础上通过与其他节点进行通信,取观测平均值为本区域的观测值,从而筛选出合格和优秀传感节点与基站传感节点通信,最后由基站和通用两类传感节点协作完成对检测目标位置的准确定位,具有容错性能好、定位准确度高等特点。仿真结果从容错能力评价、定位准确度等方面验证了所提方法的正确性和有效性。     

基于自适应粒子群算法的目标定位方法研究

针对现有定位求解算法复杂和标准粒子群算法易陷入局部最优的缺点,提出了一种基于自适应粒子群算法的目标定位方法.该方法在迭代过程中指数更新惯性权重,择优选择粒子,并根据种群适应度方差值自适应地调整变异概率的大小,增强算法跳出局部最优的能力.仿真结果表明该方法能有效地提高目标的定位精度,在随机噪声干扰方差为0.5的条件下,定位均方误差不超过0.8m.     

传感器网络在战场目标定位跟踪中的应用

信息化战争要求作战系统"看得明、反应快、打得准",打得准的关键是对目标进行定位跟踪。文章介绍了无线传感器网络的基本概念和体系构成,探讨了无线传感器网络技术在战场目标定位跟踪方面应用的原理,讨论了无线传感器网络应用于战场目标跟踪定位的关键技术。     

基于最小均方误差选择参考节点的RSS测距定位算法

无线传感网中的多类应用均需要准确的定位算法.为了降低定位成本,减少能量消耗,常采用基于接收信号强度RSS(Received Signal Strength)测距,并建立相应的方程,再利用线性最小二乘LLS(Linear Least Squares)法求解节点的位置,将此定位算法记为RSS+LLS算法.RSS+LLS算法随机选择参考节点,这有损定位精度,同时,LLS算法并没有考虑每个测距值的误差,这些不足降低算法的定位性能.为此,提出基于RSS+LLS的优化算法,记为RSS+WLS+OPT算法.该算法先通过RSS测距,并基于最小均方误差原则选择参考节点,从而提高定位精度,同时,给每个测距值引入权重系数,采用基于协方差矩阵的加权最小二乘法WLS(Weighted Least Squares)求解节点位置,进而降低了测量误差对定位精度的影响.仿真结果表明,与RSS+ LLS相比,提出的RSS+WLS+OPT算法的定位精度提高了约2米,并没有增加计算时间,降低对测距误差的敏感性.     

TOA/RSS混合信息室内可见光定位方法

为提高室内定位精度,提出一种基于混合到达时间/接收信号强度(TOA/RSS)信息的定位方法。针对室内可见光定位中存在的多径效应造成的定位非线性误差,引入前置无迹卡尔曼滤波的粒子滤波算法,将TOA信息与RSS信息相融合,达到修正非线性误差的目的。然后综合考虑接收端惯性传感参数,对接收端进行运动分析,提升估算坐标的精度。在长宽均为5 m、高度为3 m的室内进行定位仿真,在12 W发光二极管(LED)发射功率下,所提方法获得了平均定位误差为2.02 cm的定位精度。仿真结果证明,所提定位方法的定位性能总体优于指纹定位方法和三边定位的RSS定位方法,具有较强的鲁棒性和较低的定位延迟。     

基于压缩感知的室内场景无线定位算法

The sparse nature of location finding in the spatial domain makes it possible to exploit the Compressive Sensing (CS) theory for wireless location. CS-based location algorithm can largely reduce the number of online measurements while achieving a high level of localization accuracy, which makes the CS-based solution very attractive for indoor positioning. However, CS theory offers exact deterministic recovery of the sparse or compressible signals under two basic restriction conditions of sparsity and incoherence. In order to achieve a good recovery performance of sparse signals, CS-based solution needs to construct an efficient CS model. The model must satisfy the practical application requirements as well as following theoretical restrictions. In this paper, we propose two novel CS-based location solutions based on two different points of view: the CS-based algorithm with raising-dimension pre-processing and the CS-based algorithm with Minor Component Analysis (MCA). Analytical studies and simulations indicate that the proposed novel schemes achieve much higher localization accuracy.     

移动无线传感器网络定位算法研究

为了解决移动无线传感器网络中节点的自身定位问题,提出了一种基于运动预测的定位算法。该算法利用节点运动的连续性和接收信号强度测距方式,保存其最近两组历史位置信息,并结合节点当前的状态来估计自身位置。它不需要额外的硬件支持与较高的信标节点密度,满足复杂传输环境的应用要求。仿真结果表明,该算法具有较好的鲁棒性和较高的定位精度,节点随机运动时的定位误差约为15%,而直线运动时只有12%。