CN103249144A - 一种基于c型的无线传感器网络节点定位方法 - Google Patents

一种基于c型的无线传感器网络节点定位方法 Download PDF

Info

Publication number
CN103249144A
CN103249144A CN2013101994560A CN201310199456A CN103249144A CN 103249144 A CN103249144 A CN 103249144A CN 2013101994560 A CN2013101994560 A CN 2013101994560A CN 201310199456 A CN201310199456 A CN 201310199456A CN 103249144 A CN103249144 A CN 103249144A
Authority
CN
China
Prior art keywords
node
value
beaconing nodes
rssi
communication
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013101994560A
Other languages
English (en)
Other versions
CN103249144B (zh
Inventor
刘影
贾迪
邵立国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN201310199456.0A priority Critical patent/CN103249144B/zh
Publication of CN103249144A publication Critical patent/CN103249144A/zh
Application granted granted Critical
Publication of CN103249144B publication Critical patent/CN103249144B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于C型的无线传感器网络节点定位方法，该方法利用RSSI测量值能够实现节点的高精度定位，但传统RSSI方法精度及易受到外界因素的影响。本发明具体是：首先构建C型网络，将定位区域进行划分成多个规则的几何图形；利用概率分布函数计算出节点度模型，作为定位的约束条件；选取合理的RSSI环境参数值，在读取RSSI值方面，使用相关性分析方法选择有效RSSI值，在一定程度上去掉了RSSI测量时的异常值，提高了节点间RSSI测量值的精确度；最后根据测量值进行定位。应用本发明能够依据少量的网络信息，根据具体环境调整定位参数，简单有效的提高了节点的定位精度。

Description

一种基于C型的无线传感器网络节点定位方法
技术领域
本发明属于无线传感器网络技术领域，涉及一种基于C型的无线传感器网络节点定位方法。
背景技术
随着无线通信技术、传感技术和网络技术的飞速发展，无线传感器网络逐渐成为通信及信息技术领域的研究热点，而定位技术是实现无线传感器网络应用空间的关键技术，对推动物联网技术的发展也起到至关重要的作用。无线传感器网络中的节点是采取随机播撒的方式（人工、飞机）部署在环境复杂的区域，甚至是人员无法到达的区域，这些节点所采集到的信息必须结合它的被测量位置才有意义。有数据统计显示，利用无线传感器网络为用户提供数据服务，约80%的信息和位置有关。但是传感器网络建立时一般只部署极少数位置已知的节点，这些节点通称为信标节点，其它传感器节点依据这些锚节点实现自我定位，由此无线传感器网络各种定位技术应运而生。
由于无线传感器网络节点的微型化和有限的电池供电能力使其在硬件的选择上受到很大限制，低功耗是其最主要的设计目标，而人工部署和为所有节点安装GPS接收器都会受到成本、功耗、扩展性等问题的限制，甚至在某些场合可能根本无法实现，因此必须针对其节点的计算、存储和通信等能力都有限的特定条件，设计有效的低功耗定位算法。
无线传感器网络定位方法中，根据定位过程中是否测量节点间的实际距离可分为两种，一种是基于测距（Ranged-based）定位算法，另一种是非测距（Ranged-free）定位算法。相比之下，基于测距定位算法定位精度高，但对网络的硬件设施要求很高，同时在定位过程中要产生大量计算和通信开销。非测距定位算法缺点是定位精度较差，优点是不需要附加硬件支持来实现节点间的距离测量，该定位算法凭借其在成本、功耗方面的优势，受到越来越多的关注。基于测距（Ranged-based）定位算法中，Time of Arrival(TOA) Time Difference On Arrival(TDOA)以及Angle Of Arrival(AOA)是主要的测距技术，它们需要额外的硬件支持，因此，在大规模的无线网络中应用的费用是相当昂贵。
在实际测试中最常用的测距方法当属RSSI，节点通过信号在空间传播中的衰减，根据理论或经验信号传播模型将衰减转化为距离，再通过距离信息进行节点的位置计算。该方法凭借着成本相对低廉、实现简单以及高精度，被广泛应用到各种室内外定位中，并且开发出相应的定位系统。然而RSSI定位算法在实际定位测试，测试采用的硬件平台为斯凯科技的Zigbee无线定位系统开发的平台。整个系统有1个协调器、4个锚节点，一个移动的节点，1个仿真器、2根串口线组成，定位的范围为10m*10m，每个节点距离参考平面的距离为1.5m，利用真实采集到的RSSI值进行仿真计算，得到最低的定位误差为3.26米，最大的误差为10米以上，当定位范围覆盖越广误差也越大，有的甚至定位不出来节点。从理论上分析是不应该存在误差的，但是从测试结果看RSSI定位结果通常不稳定，由于理论模型建立的不准确性，导致在实际中测得的RSSI值与距离d不能完全符合所建立的理论模型，或是受硬件错误、定位节点天线方向不准、网络攻击、障碍物遮挡、恶劣天气等实际环境因素影响，导致所采集到的数据常含有较大误差，从而严重影响定位结果。
发明内容
本发明针对RSSI技术的定位精度需求，分析其误差的主要来源，提出一种基于C型的无线网络节点定位方法，避免了由于信号强度测量值误差过大造成定位精度急剧下降。
为了实现上述目的，考虑到节点的定位误差的存在是因为信号强度测量值的偏差，称之为“劣值”，这一“劣值”在几何空间分布上远离其它正常数据点，从而导致定位精度急剧下降。本发明在RSSI定位模型基础上首先提出从空间上优化定位模型，对WSN网络拓扑结构按照一定规则进行区域划分，建立节点的连通度模型。再此基础上研究局部区域内的网络结构特性对定位精度的影响，确定RSSI传播模型的定位参数，进而在每个局部区域内根据相关分析方法解决RSSI定位中错误数据（劣值）的问题，最后构建能够充分反映定位算法优劣、兼顾网络成本与精度的定位方法，从而弥补现有定位算法的局限，完善无线传感器网络定位算法的理论性。本发明所述的一种基于C型的无线网络节点定位方法，包括以下步骤：
步骤1：在C型网络内自动生成节点部署系统，则信标节点i、与未知节点j的坐标分别表示为                                                ，
Figure 73455DEST_PATH_IMAGE002
，信标节点与未知节点间的欧式距离表示为
Figure 935363DEST_PATH_IMAGE003
，其中要求信标节点放置于边缘位置区域，将相邻信标节点依次相连形成三角形区域，信标节点部署要求其在三角形的节点到达任何一个信标节点的距离必须小于节点通信半径；
步骤2：计算网络中任意节点的连通度。假设节点的传输半径为R，其节点的覆盖范围为
Figure 304213DEST_PATH_IMAGE004
，假设共N个节点部署于面积为S的监测区域内。其中一个节点是否落在于另一个节点的覆盖范围内的概率服从二项分布，因此任一节点的连通度(指任意节点拥有的邻居节点数)为n的概率为
Figure 338028DEST_PATH_IMAGE005
                       (1)
步骤3：将步骤2得到的结果进行处理。对于无线传感器网络来说节点数N足够大，同时网内的节点具有随机性，监测区域内各处的节点分布密度可以近似相等，即
Figure 472469DEST_PATH_IMAGE006
，则
Figure 540919DEST_PATH_IMAGE007
且为常数，于是也为常数,并且节点的通信范围满足s<<S时，二项分布近似服从泊松分布， (1) 式的任一节点的连通度n为
Figure 715734DEST_PATH_IMAGE009
                          (2)
在泊松分布的情况下，任一节点i的连通度可以表示为节点连通度的期望值，即
Figure 637554DEST_PATH_IMAGE010
                           (3)
                          (4)
其中，
Figure 886581DEST_PATH_IMAGE012
表示节点
Figure 363829DEST_PATH_IMAGE013
的传输半径，本文用式(4)来表示任一节点的连通度，当节点度为1、2时，分别计算出通信半径r的值作为定位的约束条件，避免出现孤立节点无法定位；
步骤4：建立数组
Figure 213974DEST_PATH_IMAGE014
,用来保存信标节点A接收到信标节点B的信号RSSI值；
步骤5：根据步骤3中
Figure 709546DEST_PATH_IMAGE014
值选取路径损耗系数n，基于RSSI值获取信标节点i与未知节点j之间的测量距离为
Figure 862310DEST_PATH_IMAGE015
                             (5)
其中d的误差主要来源于RSSI值、A和n值。通过调整信标节点A与信标节点B的距离，计算n值，见附图3，A与的B的实际距离为
Figure 685909DEST_PATH_IMAGE016
，测量距离为
Figure 965843DEST_PATH_IMAGE017
；
由公式（5）得到
Figure 191288DEST_PATH_IMAGE018
                              (6)
由公式（6）得到
 
Figure 514953DEST_PATH_IMAGE019
                                   (7)
其中通过公式（5）多次测量可以得到
Figure 481641DEST_PATH_IMAGE020
，d可以通过两个信标节点的坐标计算得到，是测量值；
步骤6：建立数组，用来存储未知节点与信标节点间的测量值RSSI，从中选取能够正确反映节点的空间分布；
步骤7：假设传感器采集到的信号空间和物理空间数据可以分别表示成两组数据集，记
Figure 874205DEST_PATH_IMAGE023
为n个已知节点所接收到的信号强度，其中每个信号向量
Figure 937975DEST_PATH_IMAGE024
的维数为p，p为Access Point（AP节点）个数，
Figure 543400DEST_PATH_IMAGE025
为相应节点的物理坐标，通常在实际空间中坐标为2维或3维，对于X,Y，设第一组变量的均值和协方差矩阵为
Figure 868071DEST_PATH_IMAGE026
                  
Figure 923752DEST_PATH_IMAGE027
第二组变量的均值和协方差矩阵为
Figure 819027DEST_PATH_IMAGE028
                  
第一组与第二组变量的协方差矩阵为
Figure 298998DEST_PATH_IMAGE030
                                (8)
要研究两组变量
Figure 135367DEST_PATH_IMAGE023
和
Figure 908151DEST_PATH_IMAGE025
之间的相关系数，首先分别作两组变量的线性组合，即
Figure 370225DEST_PATH_IMAGE031
                        (9)
Figure 420221DEST_PATH_IMAGE032
                      (10)
其中
Figure 552125DEST_PATH_IMAGE033
，
Figure 172724DEST_PATH_IMAGE034
分别为任意非零常系数向量，则可得
Figure 218358DEST_PATH_IMAGE036
Figure 645797DEST_PATH_IMAGE037
则称U与V为典型变量，它们之间的相关系数
Figure 393173DEST_PATH_IMAGE038
称为典型相关系数，即
                      (11)
依据相关性方法滤除含有噪声或遭到破坏的错误数据，建立合理准确的“距离-损耗”定位模型；
步骤8：步骤7滤除劣值后，将保留下来的信号强度值求均值；
步骤9：选择三个RSSI测量值以及对应的信标节点，将以步骤8得到的未知节点到信标节点的信号强度值初始值，进而建立未知节点
Figure 434086DEST_PATH_IMAGE040
到三个信标节点
Figure 907792DEST_PATH_IMAGE041
、
Figure 752251DEST_PATH_IMAGE042
、
Figure 359819DEST_PATH_IMAGE043
的距离公式为
Figure 97968DEST_PATH_IMAGE044
Figure 617942DEST_PATH_IMAGE045
Figure 339911DEST_PATH_IMAGE046
步骤10：运用三边测量法得到未知节点的坐标
Figure 721476DEST_PATH_IMAGE040
；
步骤11：建立误差监测模型
Figure 579710DEST_PATH_IMAGE047
                 (12)
当所求节点的位置满足公式（12）时，未知节点坐标将作为待测节点的位置；
步骤12：如果不能满足公式12，返回步骤7重新选择RSSI值。
本发明的优点如下：
1.该定位方法在基于所建立的定位模型基础上充分考虑定位系统需要的重要因素，即网络拓扑结构信息，根据实际环境选择合理的节点部署系统。
2.利用网络局部结构信息反应全局节点分布特性。
3.建立网络中节点连通度模型，改变节点度以确定节点的有效通信距离，以此作为定位有效约束条件。
4.当RSSI定位受环境因素、硬件条件、人为破坏等，传感器感知的数据可能存在严重错误（错误数据称为劣值），这一“劣值”数据在几何空间上的表现鲜为人知，本发明将对感知到的数据加以预先处理，剔除劣值、修正偏差。
本发明涉及的这种基于C型的无线传感器网络节点定位方法能够有效利用节点感知到的信息，建立相应的网络模型进行测试，提升网络中节点的定位精度，使得无线传感器网络效益最大化，进而促进物联网的发展，对全球经济及信息化的发展起到一定的促进。
附图说明  
图1定位流程图。
图2仿真节点部署图。
其中＊节点表示的是信标节点，○表示的是未知节点
图3确定定位模型参数图。
其中，
Figure 536165DEST_PATH_IMAGE048
表示信标节点和
Figure 163641DEST_PATH_IMAGE050
之间的真实距离，由于受外界因素干扰使信号强度测量值出现偏差，导致
Figure 17328DEST_PATH_IMAGE049
和之间的测量距离为
Figure 60818DEST_PATH_IMAGE051
。
图4 RSSI测量误差图。
具体实施方案
下面结合附图以及实例，详细说明本发明的原理与具体操作步骤
如图1所示，本发明方法包括以下步骤：
步骤1：如附图2所示。在C型网络内自动生成节点部署系统，则信标节点i、与未知节点j的坐标分别表示为
Figure 299033DEST_PATH_IMAGE001
，
Figure 866280DEST_PATH_IMAGE002
，信标节点与未知节点间的欧式距离表示为
Figure 148226DEST_PATH_IMAGE003
，其中要求信标节点放置于边缘位置区域，将相邻信标节点依次相连形成三角形区域，信标节点部署要求其在三角形的节点到达任何一个信标节点的距离必须小于节点通信半径；
步骤2：计算网络中任意节点的连通度。假设节点的传输半径为R，其节点的覆盖范围为
Figure 108409DEST_PATH_IMAGE004
，假设共N个节点部署于面积为S的监测区域内。其中一个节点是否落在于另一个节点的覆盖范围内的概率服从二项分布，因此任一节点的连通度(指任意节点拥有的邻居节点数)为n的概率为
Figure 687420DEST_PATH_IMAGE005
步骤3：将步骤2得到的结果进行处理。对于无线传感器网络来说节点数N足够大，同时网内的节点具有随机性，监测区域内各处的节点分布密度可以近似相等，即，则且为常数，于是
Figure 860278DEST_PATH_IMAGE008
也为常数,并且节点的通信范围满足s<<S时，二项分布近似服从泊松分布， (1) 式的任一节点的连通度n为
在泊松分布的情况下，任一节点i的连通度可以表示为节点连通度的期望值，即
Figure 561146DEST_PATH_IMAGE052
其中，
Figure 803909DEST_PATH_IMAGE012
表示节点
Figure 606780DEST_PATH_IMAGE013
的传输半径，表示任一节点的连通度，当节点度为1、2时，分别计算出通信半径r的值作为定位的约束条件，避免出现孤立节点无法定位；
步骤4：建立数组
Figure 516016DEST_PATH_IMAGE014
,用来保存信标节点A接收到信标节点B的信号RSSI值；
步骤5：如图3所示。根据步骤3中
Figure 437835DEST_PATH_IMAGE014
值选取路径损耗系数n，基于RSSI值获取信标节点i与未知节点j之间的测量距离为
Figure 954267DEST_PATH_IMAGE015
其中d的误差主要来源于RSSI值、A和n值。通过调整信标节点A与信标节点B的距离，计算n值，见附图3，A与的B的实际距离为
Figure 686862DEST_PATH_IMAGE016
，测量距离为
Figure 898532DEST_PATH_IMAGE017
。
由信标节点i与未知节点j之间的测量距离公式可得到
Figure 748676DEST_PATH_IMAGE054
Figure 244248DEST_PATH_IMAGE019
                                   
其中通过多次测量可以得到，d可以通过两个信标节点的坐标计算得到，
Figure 486191DEST_PATH_IMAGE021
是测量值；
步骤6：建立数组
Figure 500546DEST_PATH_IMAGE022
，用来存储未知节点与信标节点间的测量值RSSI，从中选取能够正确反映节点的空间分布；
步骤7：已知传感器采集到的信号空间和物理空间数据可以分别表示成两组数据集，记
Figure 991570DEST_PATH_IMAGE023
为n个已知节点所接收到的信号强度，其中每个信号向量的维数为p，p为Access Point（AP节点）个数，为相应节点的物理坐标，通常在实际空间中坐标为2维或3维。对于X,Y，设第一组变量的均值和协方差矩阵为
Figure 677132DEST_PATH_IMAGE026
                  
Figure 163608DEST_PATH_IMAGE027
第二组变量的均值和协方差矩阵为
Figure 517229DEST_PATH_IMAGE028
                  
Figure 207099DEST_PATH_IMAGE029
第一组与第二组变量的协方差矩阵为
要研究两组变量
Figure 343682DEST_PATH_IMAGE023
和
Figure 933932DEST_PATH_IMAGE025
之间的相关系数，首先分别作两组变量的线性组合，即
Figure 458454DEST_PATH_IMAGE031
其中
Figure 310315DEST_PATH_IMAGE033
，
Figure 364859DEST_PATH_IMAGE034
分别为任意非零常系数向量，则可得，
Figure 201228DEST_PATH_IMAGE035
Figure 98645DEST_PATH_IMAGE036
则称U与V为典型变量，它们之间的相关系数
Figure 220502DEST_PATH_IMAGE038
称为典型相关系数，即
Figure 352406DEST_PATH_IMAGE039
依据相关性方法滤除含有噪声或遭到破坏的错误数据，建立合理准确的“距离-损耗”定位模型；
步骤8：步骤7滤除劣值后，将保留下来的信号强度值求均值；
步骤9：选择三个RSSI测量值以及对应的信标节点，将以步骤8得到的未知节点到信标节点的信号强度值初始值，进而建立未知节点
Figure 238585DEST_PATH_IMAGE040
到三个信标节点
Figure 989503DEST_PATH_IMAGE041
、
Figure 18639DEST_PATH_IMAGE042
、
Figure 711657DEST_PATH_IMAGE043
的距离公式为
Figure 68821DEST_PATH_IMAGE044
Figure 482484DEST_PATH_IMAGE045
步骤10：运用三边测量法得到未知节点的坐标
Figure 731511DEST_PATH_IMAGE040
；
步骤11：建立误差监测模型。当满足如下要求时，未知节点坐标将作为待测节点的最终位置；
Figure 575970DEST_PATH_IMAGE047
               
步骤12：如果不能满足公式（12），返回步骤7重新选择RSSI值。
下面结合实例对该定位系统误差做进一步说明。
测试采用的硬件平台为斯凯科技的ZigBee无线定位系统开发平台，整个系统由1个协调器、3个参考节点、1个盲节点、1个仿真器、2根串口线组成。为了测试定位系统的性能及环境对定位系统精度的影响，我们采用的测试方案主要是在任意两个信标节点间距离不超过10米范围内，图4为设置两个节点间距离分别从1米到10米，得到的测量距离与实际距离的差值。利用真实采集到的RSSI值实施上述方案进行测试系统的定位精度，采用matlab仿真计算，最后的估计结果如表1所示。
表1 仿真计算估计结果表
Figure 121221DEST_PATH_IMAGE056

Claims (1)

1.一种基于C型无线传感器网络的节点定位方法，其特征在于该方法包括如下步骤：
步骤1：在C型网络内自动生成节点部署系统，则信标节点i、与未知节点j的坐标分别表示为                                                
Figure 262143DEST_PATH_IMAGE001
，
Figure 774159DEST_PATH_IMAGE002
，信标节点与未知节点间的欧式距离表示为
Figure 772202DEST_PATH_IMAGE003
，其中要求信标节点放置于边缘位置区域，将相邻信标节点依次相连形成三角形区域，信标节点部署要求其在三角形的节点到达任何一个信标节点的距离
Figure 732067DEST_PATH_IMAGE003
必须小于节点通信半径；
步骤2：计算网络中任意节点的连通度；
假设节点的传输半径为R，其节点的覆盖范围为，假设共N个节点部署于面积为S的监测区域内，其中一个节点是否落在于另一个节点的覆盖范围内的概率服从二项分布，因此任一节点的连通度(指任意节点拥有的邻居节点数)为n的概率为
Figure 22420DEST_PATH_IMAGE005
                       (1)
步骤3：将步骤2得到的结果进行处理，对于无线传感器网络来说节点数N足够大，同时网内的节点具有随机性，监测区域内各处的节点分布密度可以近似相等，即
Figure 371624DEST_PATH_IMAGE006
，则
Figure 717155DEST_PATH_IMAGE007
且为常数，于是
Figure 680563DEST_PATH_IMAGE008
也为常数,并且节点的通信范围满足s<<S时，二项分布近似服从泊松分布， (1) 式的任一节点的连通度n为
Figure 478755DEST_PATH_IMAGE009
                          (2)
在泊松分布的情况下，任一节点i的连通度可以表示为节点连通度的期望值，即
Figure 130185DEST_PATH_IMAGE010
                           (3)
Figure 205588DEST_PATH_IMAGE011
                          (4)
其中，
Figure 464531DEST_PATH_IMAGE012
表示节点
Figure 352680DEST_PATH_IMAGE013
的传输半径，本文用式(4)来表示任一节点的连通度，当节点度为1、2时，分别计算出通信半径r的值作为定位的约束条件，避免出现孤立节点无法定位；
步骤4：建立数组,用来保存信标节点A接收到信标节点B的信号RSSI值；
步骤5：根据步骤3中
Figure 347498DEST_PATH_IMAGE014
值选取路径损耗系数n，基于RSSI值获取信标节点i与未知节点j之间的测量距离为
Figure 167555DEST_PATH_IMAGE015
                             (5)
其中d的误差主要来源于RSSI值、A和n值，通过调整信标节点A与信标节点B的距离，计算n值，见附图3，A与的B的实际距离为，测量距离为
Figure 621987DEST_PATH_IMAGE017
；
由公式（5）得到
                              (6)
 由公式（6）得到
 
Figure 85778DEST_PATH_IMAGE019
                                   (7)
其中通过公式（5）多次测量可以得到
Figure 221224DEST_PATH_IMAGE020
，d可以通过两个信标节点的坐标计算得到，
Figure 565618DEST_PATH_IMAGE021
是测量值；
步骤6：建立数组
Figure 516125DEST_PATH_IMAGE022
，用来存储未知节点与信标节点间的测量值RSSI，从中选取能够正确反映节点的空间分布；
步骤7：假设传感器采集到的信号空间和物理空间数据可以分别表示成两组数据集，记
Figure 694297DEST_PATH_IMAGE023
为n个已知节点所接收到的信号强度，其中每个信号向量
Figure 910514DEST_PATH_IMAGE024
的维数为p，p为Access Point（AP节点）个数，
Figure 950277DEST_PATH_IMAGE025
为相应节点的物理坐标，通常在实际空间中坐标为2维或3维，对于X,Y，设第一组变量的均值和协方差矩阵为
Figure 506023DEST_PATH_IMAGE026
                  
第二组变量的均值和协方差矩阵为
Figure 73457DEST_PATH_IMAGE028
                  
Figure 759653DEST_PATH_IMAGE029
第一组与第二组变量的协方差矩阵为
Figure 435485DEST_PATH_IMAGE030
                              (8)
要研究两组变量
Figure 706191DEST_PATH_IMAGE023
和
Figure 162581DEST_PATH_IMAGE025
之间的相关系数，首先分别作两组变量的线性组合，即
Figure 527834DEST_PATH_IMAGE031
                          (9)
                         (10)
其中，
Figure 676421DEST_PATH_IMAGE034
分别为任意非零常系数向量，则可得
Figure 308839DEST_PATH_IMAGE036
则称U与V为典型变量，它们之间的相关系数
Figure 132756DEST_PATH_IMAGE038
称为典型相关系数，即
Figure 89079DEST_PATH_IMAGE039
                      (11)
依据相关性方法滤除含有噪声或遭到破坏的错误数据，建立合理准确的“距离-损耗”定位模型；
步骤8：步骤7滤除劣值后，将保留下来的信号强度值求均值；
步骤9：选择三个RSSI测量值以及对应的信标节点，将以步骤8得到的未知节点到信标节点的信号强度值初始值，进而建立未知节点
Figure 921906DEST_PATH_IMAGE040
到三个信标节点
Figure 485743DEST_PATH_IMAGE041
、
Figure 30119DEST_PATH_IMAGE042
、
Figure 931079DEST_PATH_IMAGE043
的距离公式为
Figure 962620DEST_PATH_IMAGE044
Figure 212204DEST_PATH_IMAGE045
Figure 352199DEST_PATH_IMAGE046
步骤10：运用三边测量法得到未知节点的坐标
Figure 932216DEST_PATH_IMAGE040
；
步骤11：建立误差监测模型，当满足如下要求时，未知节点坐标将作为待测节点的最终位置；
Figure 208476DEST_PATH_IMAGE047
              (12)
步骤12：如果不能满足公式（12），返回步骤7重新选择RSSI值。
CN201310199456.0A 2013-05-27 2013-05-27 一种基于c型的无线传感器网络节点定位方法 Expired - Fee Related CN103249144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310199456.0A CN103249144B (zh) 2013-05-27 2013-05-27 一种基于c型的无线传感器网络节点定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310199456.0A CN103249144B (zh) 2013-05-27 2013-05-27 一种基于c型的无线传感器网络节点定位方法

Publications (2)

Publication Number Publication Date
CN103249144A true CN103249144A (zh) 2013-08-14
CN103249144B CN103249144B (zh) 2016-05-11

Family

ID=48928301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310199456.0A Expired - Fee Related CN103249144B (zh) 2013-05-27 2013-05-27 一种基于c型的无线传感器网络节点定位方法

Country Status (1)

Country Link
CN (1) CN103249144B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104125572A (zh) * 2014-07-17 2014-10-29 南京邮电大学 基于节点协作的Sybil攻击检测方法
CN105072571A (zh) * 2015-07-01 2015-11-18 河海大学常州校区 无线纳米传感器网络中一种基于脉冲通信的定位方法
CN107315167A (zh) * 2017-05-05 2017-11-03 上海达实联欣科技发展有限公司 一种基于Zigbee技术的室内定位方法
CN109246714A (zh) * 2018-09-11 2019-01-18 天津大学 基于自适应泊松圆盘的无线传感器网络节点分布方法
CN109922447A (zh) * 2019-03-19 2019-06-21 福州大学 一种基于深度学习的室内人员感知方法
CN109963302A (zh) * 2017-12-25 2019-07-02 富士通株式会社 确定无线网接入点的数量的方法、装置和终端设备
CN110662164A (zh) * 2019-09-25 2020-01-07 太原科技大学 一种基于e-rssi的无线传感器网络精准定位算法
CN113820659A (zh) * 2021-11-22 2021-12-21 嘉兴温芯智能科技有限公司 无线定位方法、能量装换装置、无线定位系统和智能服装

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102209331A (zh) * 2011-05-31 2011-10-05 河海大学常州校区 无线传感器网络中不规则传输模型下的节点定位方法
CN102209382A (zh) * 2011-05-18 2011-10-05 杭州电子科技大学 一种基于rssi的无线传感器网络节点定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102209382A (zh) * 2011-05-18 2011-10-05 杭州电子科技大学 一种基于rssi的无线传感器网络节点定位方法
CN102209331A (zh) * 2011-05-31 2011-10-05 河海大学常州校区 无线传感器网络中不规则传输模型下的节点定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI WANG, ET AL.: "《Proceedings of the 8th World Congress on Intelligent Control and Automation》", 9 July 2010 *
潘君秋等: "一种改进的无线传感器不规则网络节点定位方法", 《传感技术学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104125572A (zh) * 2014-07-17 2014-10-29 南京邮电大学 基于节点协作的Sybil攻击检测方法
CN104125572B (zh) * 2014-07-17 2017-08-11 南京邮电大学 基于节点协作的Sybil攻击检测方法
CN105072571A (zh) * 2015-07-01 2015-11-18 河海大学常州校区 无线纳米传感器网络中一种基于脉冲通信的定位方法
CN105072571B (zh) * 2015-07-01 2018-10-23 河海大学常州校区 无线纳米传感器网络中一种基于脉冲通信的定位方法
CN107315167A (zh) * 2017-05-05 2017-11-03 上海达实联欣科技发展有限公司 一种基于Zigbee技术的室内定位方法
CN109963302A (zh) * 2017-12-25 2019-07-02 富士通株式会社 确定无线网接入点的数量的方法、装置和终端设备
CN109246714A (zh) * 2018-09-11 2019-01-18 天津大学 基于自适应泊松圆盘的无线传感器网络节点分布方法
CN109246714B (zh) * 2018-09-11 2021-05-28 天津大学 基于自适应泊松圆盘的无线传感器网络节点分布方法
CN109922447A (zh) * 2019-03-19 2019-06-21 福州大学 一种基于深度学习的室内人员感知方法
CN110662164A (zh) * 2019-09-25 2020-01-07 太原科技大学 一种基于e-rssi的无线传感器网络精准定位算法
CN113820659A (zh) * 2021-11-22 2021-12-21 嘉兴温芯智能科技有限公司 无线定位方法、能量装换装置、无线定位系统和智能服装

Also Published As

Publication number Publication date
CN103249144B (zh) 2016-05-11

Similar Documents

Publication Publication Date Title
CN103249144A (zh) 一种基于c型的无线传感器网络节点定位方法
CN108716918B (zh) 一种基于网格聚类的rssi室内定位算法
CN103402258B (zh) 一种基于Wi‑Fi的室内定位系统和方法
KR102116824B1 (ko) 딥러닝 기반 측위 시스템 및 이의 구축 방법
CN108696932A (zh) 一种利用csi多径及机器学习的室外指纹定位方法
CN105611623B (zh) 移动终端的定位方法及定位装置
CN104038901A (zh) 一种减少指纹数据采集工作量的室内定位方法
CN102291817B (zh) 移动通信网络中的基于位置测量样本的群定位方法
CN102158956A (zh) 一种在无线传感器网络中基于rssi的改进加权三边定位方法
JP2013221943A (ja) 測位方法、装置、及びシステム
CN106162555A (zh) 室内定位方法及系统
CN101191832A (zh) 一种基于测距的无线传感器网络节点定位方法
CN104396321B (zh) 终端定位方法及定位装置
CN103957505A (zh) 一种基于ap的行为轨迹检测分析与服务提供系统及方法
CN102325370A (zh) 一种高精度的无线传感器网络节点的三维定位器
CN101363909A (zh) 一种基于单元格的无线传感器网络定位方法
CN100407852C (zh) 一种移动通讯中移动终端的定位方法
CN102253365B (zh) 基于无线信号源参数估计的室内定位方法
CN105208651A (zh) 基于地图结构的Wi-Fi位置指纹非监督训练方法
CN104507097A (zh) 一种基于WiFi位置指纹的半监督训练方法
CN107884746B (zh) 一种无线电网格化中多站无源时差定位技术自动选站方法
CN109547929A (zh) 基于共轭梯度法的分布式传感器节点定位方法
Arai et al. Color radiomap interpolation for efficient fingerprint wifi-based indoor location estimation
CN104101861B (zh) 测距定位方法及系统
CN104635206A (zh) 一种无线定位的方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160511

Termination date: 20170527