分布式传感器网络自适应一致性融合估计算法

针对分布式传感器网络的目标一致性状态估计问题,提出自适应一致性融合估计算法。考虑到网络中节点为测距和测方位的传感器,基于观测噪声与目标状态相关的假设,构建量测模型;引用无迹卡尔曼滤波与CI算法得到各节点的局部估计,通过误差矩阵加权更新节点状态以改进一致性算法,实现各节点对目标状态的一致性估计。仿真实验结果表明,该算法能够在快速收敛的过程中实现无中心节点的分布式传感器网络中各节点对目标位置的精确估计,同时又保证各节点之间的一致性。     

基于最优探测的移动代理WSN目标跟踪算法

针对典型声学传感器构成的WSN(Wireless Sensor Network,无线传感器网络),提出了一种基于最优探测的移动代理WSN目标跟踪算法,通过移动代理采集当前时刻最优探测结果的节点数据集合,利用三边定位法对目标位置进行估计,根据卡尔曼滤波估计目标下一时刻位置和节点剩余能量条件,确定移动代理后续迁移节点。仿真结果表明提出的算法能够有效对WSN中目标进行跟踪,且误差较小。     

基于RSSI线性回归分析的无线传感器网络定位方法

在无线传感器网络（WSN）定位应用中,针对接收信号强度指示（RSSI）容易受到环境的影响不能实现准确测距的问题,提出了一种基于RSSI线性回归分析的定位方法。该方法通过信号衰减模型和线性回归理论相结合,修正实际环境下每个锚节点的测距模型,同时利用相关系数和剩余标准差对测距模型进行评估,制定出更加合理的定位策略。实验表明,采用修正的测距模型和新的定位策略,使得节点定位精度明显提高。     

适用于传感器网络战场监视系统的无锚点定位算法

针对传感器网络在军事领域的应用。本文提出一种适用于战场监视系统的三维无锚点自定位算法。该算法首先对布撒后的全网节点进行不基于地理信息的分簇算法,缩短了全网坐标建立的启动时间。当簇头节点能量将消耗尽时,再进行基于地理信息的分簇算法更新簇头节点。采用OFDM测距方法后,减小了节点间的测距误差。仿真实验表明,传感器网络鲁棒性较高,在区域为400m×400m×50m的三维空间内,随机放置200个节点,其平均定位误差为0.64%,满足战场传感器监视系统的要求。     

无线传感器网络DV-Hop节点定位改进算法

针对无线传感器网络中距离无关类节点定位算法定位误差较大的问题,提出了一种改进型DV-Hop节点定位算法。通过设置待定位节点到信标节点间的最小跳数门限,降低了定位累积误差;改进了平均每跳距离估计方法,并利用信标节点测量的位置误差作为修正值,对每跳距离的估计值进行修正;待定位节点仅选取与之较近的信标节点计算位置,降低了距离误差。仿真结果显示,在信标节点比例和网络节点总数相同的条件下,改进算法性能明显优于DV-Hop算法。     

RSSI与凸规划相结合的无线传感器网络定位算法

凸规划定位算法是无线传感器网络中一种较为常用的非测距定位算法。针对该算法中信标节点的重叠区域过大导致未知节点定位精度不高的问题,提出了RSSI与凸规划相结合的改进定位算法。算法利用RSSI值与距离的相对关系,将原有凸规划定位中未知节点的存在区域进一步缩小,提升定位精度。由于算法中只增加了一次未知节点与信标的RSSI值通信过程,基本保留了原有凸规划算法实现简单实时性好的优点。仿真数据及基于CC2430平台的实验表明,改进后的算法相对原有凸规划算法定位精度有明显提升,平均可提升20%～25%。     

基于CSS的室内测距优化技术?

基于CSS（ Chirp Spread Spectrum，线性调频扩频）技术的无线测距是基于TOA（ time of arrival，到达时间）的测距方法，在室内应用中，存在较多的NLOS（ Non?Line of Sight，非视距）干扰，因此测距精度低。针对这个问题，对传统卡尔曼滤波进行改进，将NLOS误差加入状态向量进行估计，进行两步卡尔曼滤波，从而抑制NLOS误差对测距的影响。考虑到LOS（ Line of Sight，视距）和NLOS并存的情况，对两步卡尔曼滤波算法进行改进，在第二步滤波中对NLOS误差鉴别和滤波处理部分做出改进，并应用到测距系统中。实验表明，利用该测距优化方法，TOA测距的精度和抗干扰能力得到了明显的提高。     

基于入侵杂草算法的水下目标TDOA定位方法

针对水下传感器网络中定位精度不高的问题,提出了一种基于入侵杂草算法的水下目标定位方法.利用入侵杂草优化算法,以定位误差为目标函数,优化设计未知节点的位置初值;利用初值和距离干扰参数估计粗略解,并引入目标定位误差来构造新的定位方程;根据加权最小二乘算法求解获得未知节点的精确解.通过与克拉美罗下界进行比较,验证了算法性能.仿真结果表明,提出的优化定位方法可得到更好的定位精度.     

基于自适应卡尔曼滤波的联合RSS/TOA/INS无人机定位算法

针对在全球导航卫星系统信号拒止环境下(如山地、隧道、峡谷)无人机集群常规定位方法受限问题,提出通过集群之间的协同定位,对卫星信号拒止的低成本无人机进行导航恢复的滤波方法,从而有效抑制纯惯性导航系统(INS)定位发散。在获取定位数据方面,首先采用基于超宽带(UWB)和Zigbee设备分别通过到达时间差(TOA)和接收信号强度(RSS)的测距方式得到测距信息,然后进一步利用最小二乘方法解算得到定位局部坐标。考虑到RSS测距远、精度低,而TOA测距精度高、测距范围小的特点,提出一种基于TOA/RSS/INS的序贯扩展卡尔曼滤波算法,通过引入自适应因子,为短程定位信息提供TOA/RSS两路定位冗余的同时,在长程TOA定位失效时仍可利用RSS定位来抑制惯性导航的发散。实验结果表明,该算法在近程可由RSS/TOA提供冗余测距信息,通过自适应因子可将定位精度改善至2m;在长程,尤其TOA定位失效的范围外,同样可以提供误差约为5m的定位信息。相对于传统扩展卡尔曼滤波,所提出的自适应序贯卡尔曼滤波算法有效提高了定位精度,为解决传统定位受限条件下的基于无人机无线电定位研究提供新的思路。     

基于改进RSS测距的拉格朗日优化定位算法

为了降低基于接收信号强度(Received signal strength Index,RSS)测距误差对节点定位的影响,解决基于RSS测距定位误差较大的问题,提出了基于优化RSS测距的平方最小平方定位算法(Square-least Square localization algorithm based on improved RSS,SLS-I-RSS)。SLS-I-RSS算法先通过多组锚节点间的距离和接收功率作为参考,降低基于RSS测距误差,然后再建立定位优化问题,并将定位优化问题转成规则化信任区域子问题,最后,再利用拉格朗日优化算法求解优化问题。实验结果表明,提出的SLS-I-RSS算法能够有效地降低定位误差,比传统的基于RSS定位算法减少了约12%～20%,但算法复杂度略有增加。