下载文档原格式
基于RSSI的无线传感网络协同定位算法及其应用毛利洋;林秀晶;邵开来;季才力【期刊名称】《机电工程》【年(卷),期】2012(029)001【摘要】为了解决传统无线传感网络( WSN)中定位方法精度不高的问题,将协同定位的技术应用到无线传感网络的定位中.首先,通过对盲节点与参考节点的距离关系的分析,初步确定了盲节点区域；然后利用接收信号强度指示(RSSI)测距技术建立了盲节点之间的相对位置关系,并应用盲节点的相对位置关系多次迭代缩小盲节点区域,精确盲节点位置；在此基础上,提出了基于RSSI的无线传感网络协同定位算法.在Zigbee平台上对该算法进行了技术评价,与传统定位方法进行了对比实验,实验结果表明,基于RSSI的无线传感网络协同定位算法具有一定的精度优势,特别是当参考节点数目较少时,这种优势比较明显,具有良好的应用前景.【总页数】4页(P116-119)【作者】毛利洋;林秀晶;邵开来;季才力【作者单位】浙江工业大学信息工程学院,浙江杭州310023;浙江工业大学信息工程学院,浙江杭州310023;浙江工业大学信息工程学院,浙江杭州310023;浙江工业大学信息工程学院,浙江杭州310023【正文语种】中文【中图分类】TN92【相关文献】1.无线传感网络中基于RSSI质心定位的改进算法 [J], 张兢;史文进;李冠迪;张莉楠2.无线传感网络中基于RSSI质心定位的改进算法 [J], 张兢;史文进;李冠迪;张莉楠;3.无线传感网络中基于RSSI质心定位的改进算法 [J], 张兢;史文进;李冠迪;张莉楠;4.基于RSSI测距的三维无线传感网络萤火虫定位算法的研究 [J], 张立国;马鹏;金梅;范美常;刘宇浩5.基于RSSI高斯滤波的LSSVR无线传感网络定位算法 [J], 钟阳晶;梁茹冰;黄小虎因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络的RSSI测距优化算法
姚军;甄梓越;马宇静
【期刊名称】《电波科学学报》
【年(卷),期】2022(37)4
【摘要】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1.4257 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1.2887 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.
【总页数】7页(P663-669)
【作者】姚军;甄梓越;马宇静
【作者单位】西安科技大学通信与信息工程学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于BP神经网络模型的RSSI测距方法研究
2.基于RSSI测距模型优化算法研究
3.一种GA-BP神经网络模型的RSSI测距算法
4.基于稀疏傅里叶变换和RSSI测距的低复杂度RSSI定位算法
5.基于RSSI测距模型优化算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
无线传感器网络中基于RSSI的节点定位算法研究无线传感器网络中基于RSSI的节点定位算法研究摘要：随着无线传感器网络的发展，节点定位技术成为无线传感器网络研究领域中的重要问题之一。
本文基于RSSI （Received Signal Strength Indicator）的节点定位算法进行了研究。
一、引言无线传感器网络是由大量的分布式无线传感器节点组成的网络系统，广泛应用于环境监测、目标跟踪、智能交通等领域。
节点的定位是无线传感器网络中的关键问题之一，准确的节点定位可以提高网络性能和应用效果。
二、节点定位技术概述节点定位技术主要分为两类：基于GPS的定位和基于无线信号的定位。
基于GPS的定位技术需要节点具备GPS模块，但GPS模块存在成本高、功耗大等问题。
基于无线信号的定位技术可以通过节点之间的相对距离和信号强度来实现定位。
三、RSSI技术原理RSSI是指接收信号强度指示器，是无线传感器网络中常用的参数。
RSSI的测量可以通过接收到的信号强度来判断节点之间的距离和位置关系。
四、基于RSSI的节点定位算法基于RSSI的节点定位算法主要有三种：距离法、三角法和指纹法。
1. 距离法：根据RSSI和距离之间的关系，通过RSSI测量值来计算节点之间的距离。
然后通过多个节点之间的距离来计算目标节点的位置。
2. 三角法：利用三角定位原理，通过多个节点之间的RSSI值来计算目标节点的位置。
通常需要至少3个节点才能定位。
3. 指纹法：通过在节点部署区域进行事先测量和标记，得到不同位置的RSSI指纹图，并与目标节点接收到的RSSI进行匹配，从而确定目标节点的位置。
五、实验结果分析通过对比不同算法的节点定位精度，可以得出以下结论：距离法具有较高的精度，但依赖于传输的RSSI值准确性；三角法需要多个节点参与定位，效果相对较好；指纹法在实际应用中可以得到较高的定位精度。
六、节点定位误差分析节点定位误差的主要影响因素包括传感器的误差、信号传播过程中的噪声干扰等。
基于RSSI辅助的精确测距混合定位算法段林甫;秦爽;万群【摘要】针对传统的超宽带(UWB)室内定位方法中,UWB信号极易被遮挡,满足不了3个以上有效测距信息,导致无法精确定位的问题,提出了一种基于接收信号强度(RSSI)辅助的精确测距混合定位算法.该算法通过对数正态模型,将无线网络(wireless LAN,WLAN)中测量的RSSI转换为距离信息,通过构建距离差的代价函数,结合单个UWB基站的精确测距,利用搜索方法,实现了在多个RSSI测量值辅助下,一个UWB测距基站便可完成精确定位.该算法与三边测量定位中的最小二乘估计算法和最大似然估计算法对比,定位精度在任意网络环境下均优于最小二乘估计算法,且在定位精度相似的情况下,计算量远少于最大似然估计算法.【期刊名称】《电子科技大学学报》【年(卷),期】2019(048)003【总页数】5页(P331-335)【关键词】混合定位;室内定位;对数正态模型;低密度布站;三边测量【作者】段林甫;秦爽;万群【作者单位】电子科技大学信息与通信工程学院成都 611731;四川师范大学物理与电子工程学院成都 610101;电子科技大学信息与通信工程学院成都 611731【正文语种】中文【中图分类】TN92物联网应用的一个关键参数是传感器设备的位置信息，这些位置信息可以通过各种定位系统获取。
全球定位系统(global position system, GPS)[1]在室外的视距(line of sight, LoS)传输条件下可以获得米级定位精度，而室内环境由于多径效应和非视距传输条件的影响[2]导致室内定位系统(indoor position system, IPS)面临很多技术挑战。
近年来，无线室内定位已成为一个热门的研究对象。
很多人开始集中研究结合两种及以上技术的混合定位系统，以提高位置估计的精度[3-5]。
在传感器辅助方面，也有许多融合定位的研究。
针对AP指纹的高动态性、波动性等问题，文献[6]提出了基于众包数据的定位模型更新方法，减少了数据采集负担；文献[7]研究了基于众包技术的室内定位关键技术；文献[8-9]提出把地磁场和惯性传感器信息进行序贯融合的室内定位方法；文献[10]提出利用卡尔曼滤波将GPS、基站及惯性传感器的信息进行融合的移动定位方案；文献[11]提出将行人航位推算和地磁引力进行结合的室内定位算法。
通过蓝⽛的RSSI计算两端之间的距离（⼀维定位）
计算公式：
d = 10^((abs(RSSI) - A) / (10 * n))
其中：
d - 计算所得距离
RSSI - 接收信号强度（负值）
A - 发射端和接收端相隔1⽶时的信号强度
n - 环境衰减因⼦
转换为java 代码，只是做了公式计算处理，参数校验还没有：
public double getDistByRSSI(int rssi) {
int iRssi = Math.abs(rssi);
double power = (iRssi - 50) / (10 * 2.0);
return Math.pow(10, power);
}
传⼊RSSI值，返回距离（单位：⽶）。
其中，A参数赋了50，n赋了2.0。
由于所处环境不同，每台发射源（蓝⽛设备）对应参数值都不⼀样。
按道理，公式⾥的每项参数都应该做测试获得。
我这⾥是⽤的微信⼩程序测试获取RSSI值，再代⼊改⽅法。
为了验证结果我⽤卷尺测量最终的结果。
误差⼤概在⼏⼗厘⽶左右，微信⼩程序的代码⼀搜有很多，这⾥就不放了。
无线传感器网络RSSI测距方法与精度分析詹杰;吴伶锡;唐志军【摘要】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.【期刊名称】《电讯技术》【年(卷),期】2010(050)004【总页数】5页(P83-87)【关键词】无线传感器网络;接收信号强度指示器;测距精度;高斯拟合【作者】詹杰;吴伶锡;唐志军【作者单位】湖南科技大学,物理学院,湖南,湘潭,411201;湖南科技大学,物理学院,湖南,湘潭,411201;湖南科技大学,物理学院,湖南,湘潭,411201【正文语种】中文【中图分类】TN9291 引言在无线传感器网络应用中，位置信息对传感器网络的监测活动至关重要, 在目标监测与跟踪、基于位置信息的路由、网络的负载均衡以及网络拓扑结构[1]等许多应用中都要求网络节点预先知道自身的位置，以便在通信和协作过程中利用位置信息完成应用要求。
常用的定位方法必须测量节点间间距，一般测距方式有GPS[2]、红外线[3]、超声波[4]和接收信号强度指示器(RSSI)[5]等。
GPS定位成本高、误差大；红外测距精度高、成本低，但适用范围太窄；超声测距需要额外的硬件，增加了节点的硬件成本和尺寸并且能耗高，受气温、湿度等的影响较大；RSSI测距误差大，这些方式都不适合无基础设施的矿山地质灾害监控系统使用。
在矿山地质灾害监测项目中，我们利用商用无线收发芯片所具备的RSSI功能对监控系统收发的数据进行处理，提高RSSI测距的精度，实现了低成本的测距。
2 RSSI测距原理无线信号传输的一个重要特点就是信号强度随着距离的增大而衰减。
rssi测距原理
RSSI（Received Signal Strength Indication，接收信号强度指示）是一种用于测量无线信号强度的技术，常用于蓝牙、Wi-Fi和其他无线通信系统中。
通过测量接收到的信号强度，可以估计发送端和接收端之间的距离。
下面是一般情况下使用RSSI进行距离估计的原理：
1. 信号衰减模型：当无线信号从发送端传播到接收端时，会受到空间传播路径损耗、障碍物衰减等影响，导致信号强度衰减。
通常使用自由空间路径损耗模型或其他衰减模型来描述信号强度随距离的变化关系。
2. RSSI测量：接收端设备通过接收到的信号强度指示（RSSI值）来估计发送端和接收端之间的距离。
RSSI值通常是一个负值，单位为分贝（dBm），数值越大表示信号强度越大。
3. 距离估计：根据信号强度衰减模型和RSSI值，可以估计发送端和接收端之间的大致距离。
这种估计通常是基于经验公式或经验数据得出的，并且可能受到环境、天线方向性等因素的影响。
需要注意的是，使用RSSI进行距离估计存在一些限制和不确定性，例如信号在室内环境中的多径效应、信号衰减的非线性特性等，这些因素可能影响距离估计的准确性。
因此，在实际应用中，通常需要结合其他定位技术（如ToF、AoA、AoD等）来提高定位的精度和稳定性。
希望这些信息能够帮助你理解RSSI测距的原理。
如果你有其他问题，欢迎随时提问！。
高速铁路环境下基于RSSI的距离估计算法优化曹伟涛【摘要】针对高速铁路环境下通过节点之间的信号强度值(RSSI)来获得它们之间的距离,提出了距离估计算法.该算法在对数正态阴影模型(LNSM)方法的基础上,首先根据RSSI得到第一次更新的距离.接着运用权重的思想来得到加权后的距离,然后获得加权后的距离与RSSI的规律表达式.通过采集到的RSSI,建立距离d与RSSI 的关系,可以获得两个节点间的距离.仿真实验结果表明,提出的距离估计算法优于LNSM方法,能有效地获得估计距离,并且得到的估计距离更逼近真实距离,距离误差较小.【期刊名称】《石家庄铁道大学学报（自然科学版）》【年(卷),期】2019(032)003【总页数】5页(P77-81)【关键词】高铁环境;RSSI;加权;距离估计【作者】曹伟涛【作者单位】中国铁道科学研究院,北京 100081【正文语种】中文【中图分类】TP212.9随着无线传感器技术的发展，以定位为基础的服务得到了广泛的应用[1]。
它被广泛应用于军事国防、环境监测、抢险救灾、医疗卫生和工农业控制等重要领域[2]。
在我国由于地形和地质环境的特殊性，崩塌、滑坡等地质灾害较为严重[3]。
其中，铁路是遭受崩塌、滑坡危害最频繁、最严重的一项工程。
滑坡破坏了线路、中断行车、危害站场，毁坏铁路桥梁及其它设施，摧毁隧道，甚至会造成车翻人亡的行车事故[4]。
为了降低滑坡对列车和人员的伤亡，需要对铁路沿线的山体进行监测，及时掌握滑坡的发生，并将滑坡发生的信息传递给临站的列车以进行相应的操作。
因此，获得提高无线传感器节点的定位精度成为了研究的热点[5]。
在山体滑坡的室外定位中，常用的硬件设施是GPS[6]，需要将带有GPS模块的传感器部署在山体上，当上位机接收到GPS的位置信息发生变化时，认为该地区发生了滑坡事件，并将该信息发送给列车做出相应的调整。
然而，使用较为廉价的GPS模块可以降低监测设备的成本，但其定位精度较低，为了改进这一缺陷，使用无线传感器节点代替GPS节点进行滑坡位置的确定。
信息技术 电 子 测 量 技 术 EL ECTRONIC M EASUREM EN T TEC HNOLO GY 第30卷第2期2007年2月 基于RSSI和L QI的动态距离估计算法张洁颖 孙懋珩 王 侠(同济大学 上海 200092)摘 要:本文提出了一种基于RSSI和L Q I的动态距离估计算法。
其思想就是通过对无线电传播路径损耗模型以及大量实测数据的分析,用分段线性逼近的方法得到RSSI、L Q I这2者与传播距离的衰落曲线。
在距离估计时,分别对这2条衰落曲线计算出估计距离,并动态地进行优化处理得到最终的距离估计值。
算法在基于ZigBee的硬件平台上进行,证明了该算法较普通的基于RSSI的测距方法有了明显的进步,提高了距离估计的精度,并且适合在通信开销小、硬件要求低的节点上应用,有利于提高基于RSSI测距的定位算法的精度。
关键词:RSSI;L Q I;衰落曲线;逼近;ZigBee中图分类号:TN915 文献标识码:ADynamic distance estimation method based on RSSI and L QIZhang Jieying Sun Maohang Wang Xia(Tongji University,Shanghai200092)Abstract:This paper proposes a dynamic distance estimation method based on RSSI and L Q I.By analyzing the model of radio wave propagation loss and empirical data f rom real measurement,our idea is to use discrete linear lines to approximate the real attenuation of RSSI and L Q I.Then this algorithm dynamically chooses the better one to do the calculation and adjust its value based on the fluctuation.Actual measurements have demonstrated that the dynamic distance estimation method has higher accuracy and is suitable for costúconscious applications.K eyw ords:RSSI;L Q I;attenuation curve;approximation;ZigBee0 引 言随着无线个域网(WPAN)的不断发展,基于IEEE 802.15.4的ZigBee技术正日益受到人们的重视。
这种以低成本、低功耗、低数据传输速率、低复杂度为显著优点的短距离无线通信协议,满足了小型、低成本的固定、便携或移动设备无线联网的要求。
目前,越来越多的应用直接利用现成的ZigBee无线通讯模块来估计对象节点的位置,如矿井下人员定位系统可以随时了解矿工的工作位置,医疗看护定位系统可以随时了解被看护对象活动区域或贵重医疗设备的放置场所,而消防救护定位系统可以动态掌握进入火灾现场消防队员的活动区域,为现场指挥提供有效的资料。
本文的目标是在充分研究现有的RSSI测距技术的基础上,利用已有的硬件设备和ZigBee标准,综合考虑RSSI 和L Q I这2个与距离有关的变量来估计2个相互通信的设备间的距离,并且提高估计的精度。
本文提出了一种简单有效的基于RSSI和L QI的动态距离估计算法,在提高距离估计的精度的同时,适合在通信开销小、硬件要求低的场合下使用。
1 相关研究目前学术界已经有了大量关于无线设备间距离估计和定位的研究。
在基于测距的定位算法中,现有的测量2个无线设备间距离的技术大致有[1]:接收信号强度(RSS)、到达时间(TOA)、时间差(TDOA)和到达角度(AOA),以RSSI和TDOA两种方法最为常用。
1.1 RSS基于接收信号强度(receive signal strength,RSS)的测距是一种廉价的测距技术,也是本文测距算法的基础。
已知发射信号强度,接收节点根据收到的信号强度,计算信号在传播过程中的损耗,使用理论或经验的信号传播模型将传播损耗转化为距离。
由于无线信号对于复杂环境的适应能力较弱,这种方法的精确度不高。
但是其借助的硬件设备较少,而且很多无线通信模块都可以直接提供RSSI 值。
因此,基于RSSI的测距方法还是被广泛应用的。
1.2 TOA基于到达时间(time of arrival,TOA)的测距技术是用测量到的信号传输时间乘以光速来得到2点间的距离,其优点是准确性高。
但TOA要求节点间有精确的时间同 张洁颖等:基于RSSI 和L Q I 的动态距离估计算法第2期步,对硬件要求比较高。
1.3 T DOA基于时间差(time difference on arrival ,TDOA )的测距技术一般是在节点上安装超声波和无线电信号收发器。
发射端同时发射2种信号,在接收端记录其到达时间的差异。
利用超声波与电磁波在空气中传播速度的巨大差异把时间转化为距离。
该技术的测距精度可达到cm 级,但也需要精确的时间同步,而且使用超声波测量需要额外的硬件,增加了成本。
1.4 AOA基于到达角度(angle of arrival ,AOA )的测距技术是通过阵列天线或多个接收器结合来得到相邻节点发送信号的方向,从而构成一根从接收机到发射机的方位线,2根方位线的交点即为未知节点的位置。
AOA 技术也易受外界环境的影响,而且需要特殊的硬件支持。
2 基于RSSI 和L QI 的距离加权估计算法2.1 RSS 与LOIRSSI (receive signal strength indicator )即为信号强度指示,是真实的接收信号强度与最优接收功率等级间的差值[3]。
L QI [224](link quality indicator )是链路质量指示,表征接收数据帧的能量与质量。
其大小基于信号强度以及检测到的信噪比(SNR ),由MAC (media access control )层计算得到并提供给上一层,一般与正确接收到数据帧的概率有关[3]。
RSSI 值和L QI 值在ZigBee 收发模块每接收一个数据帧时都可以得到[4],及时反映信号强度的变化和受到的干扰的变化。
L QI 的动态范围比RSSI 大,有更高的分辨率。
把L Q I 值融入距离估计算法将使基于RSSI 的测距技术有提高的空间。
212 RSSI 和L QI 衰落曲线的分段逼近建立RSSI 和L Q I 的衰落曲线就是要拟合出简单而有效的RSSI 和L Q I 随距离变化的衰落曲线,并且用数学公式来模拟衰落曲线,以此作为以后估计节点距离的依据。
实际应用环境比理想环境复杂得多,存在着多径干扰、绕射、障碍物等不定因素,对于某个具体环境而言,根据原理模型和大量实测的经验数据来建立经验公式是最有效的一种方法。
2.2.1 经典的信号衰减模型自由空间的无线电传播路径损耗模型[5]由式(1)给出:L oss =32144+10n lg d +10n lg f(1)式中:d 为接收端与发射端的距离(km );f 为无线电传播的频率(M Hz );n 为路径衰减因子,一般取2～5。
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与理论值相比有些变化,常采用对数常态分布模型,式(2)给出模型的数学表达式:PL (d )=PL 0+10n lg (d/d 0)+X σ(2)式中:PL (d )为经过距离d 后的路径损耗(dBm );d 0为参考距离,通常取值1m ;X σ是平均值为0的高斯分布随机变数,其标准差一般为4～10。
PL (d 0)是经过参考距离d 0后的路径损耗。
由式(1)和式(2)可以得到接收端的信号强度,由式(3)给出:P r (d )=P t -PL (d )(3)式中:P r (d )为接收信号强度(dBm ),也可表示成RS S I (d ),为发射信号功率(dBm )。
基于这样的原理,IEEE802.15.4给出了简化的信道模型[3],由式(4)给出: RS S I (d )=P t -40.2-10×2×lg d , d ≤8mP t -58.5-10×3.3×lg d ,d >8m(4)图1显示了该模型下接收信号强度RS S I 与距离d 的关系曲线图。
从该信道模型中可以看出,信号的衰减与距离成指数衰减的关系,并且当节点间距离比较近时,其路径衰减因子k 较小(k =2);当距离增大时,衰减增大(k =3.3)。
尽管IEEE802.15.4将信道模型进行了简化,但是幂级数形式的计算对硬件的要求比较高。
从信号的衰减特性可以看出,在距离较近的地方,衰减曲线比较陡直,在距离较远的地方,曲线渐渐变得平缓。
因此,可以用分段逼近的方法来拟合衰减曲线。
图1 RSSI 2d2.2.2 建立分段逼近的RSSI 和L Q I 衰落曲线实际测量得到的RSSI 和L QI 随距离的衰落曲线如图3和图4所示。
从图3中可以观察到,实际的衰落曲线存在一些不规则的振荡和衰落。
信号强度在10m 以内的区域中较好地符合了802.15.4的信号衰减曲线,但当距离加大时,RSSI 的衰减曲线就比较平缓,明显高于802.15.4的信号衰减曲线。
这可能是由于RSSI 值受到硬件条件的限制,其有效范围较为有限(实测条件下,一般在-40～-90dBm )。
图4显示了L QI 随距离的衰落情况。
其衰落趋势与RSSI 大致相同:在10m 的范围内波动比较小,随着距离的增大,振荡也增大了,也有较大的不规则的衰落。
相比之下,L QI 值的有效范围要宽得多,在40～170之间。
因此,如果增加L Q I 值来进行距离估计,能够得到更宽的线性度,从而提高定位精度。
根据图2和图3所示的实际衰落曲线和上述分析,以10m 为界分两段进行线性逼近,得到分段逼近的RSSI 和L QI 衰落曲线如图4和图5所示。
第30卷电 子 测 量 技 术图2 RSSI的实测衰落曲线图3 LOI 的实测衰落曲线图4 分段逼近的RSSI 衰落曲线图5 分段逼近的L QI 衰落曲线2.3 动态的距离估计从图4和图5可以看出,L QI 的两段线性衰落曲线的斜率都要高于RSSI 的线性逼近衰落曲线,L Q I 可以提供更高的分辨率。
