CN105430745A - 一种基于rssi无线网络定位方法 - Google Patents
一种基于rssi无线网络定位方法 Download PDFInfo
- Publication number
- CN105430745A CN105430745A CN201510999040.6A CN201510999040A CN105430745A CN 105430745 A CN105430745 A CN 105430745A CN 201510999040 A CN201510999040 A CN 201510999040A CN 105430745 A CN105430745 A CN 105430745A
- Authority
- CN
- China
- Prior art keywords
- rssi
- wireless network
- value
- rssi value
- coordinate
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Abstract
本发明涉及无线网络管理定位技术,其公开了一种基于RSSI无线网络定位方法,减小无线网络管理系统中基于RSSI无线网络定位算法的误差,得到STA的精确位置。该方法包括以下步骤:a.在某一平面的无线网络区域建立坐标系,确定所有AP的位置;b.计算无线信号衰减模型中的信号衰减指数λ值,获得优化后的无线信号衰减模型;c.筛选目标STA在不同AP的最优RSSI值,并结合优化后的无线信号衰减模型求解目标STA的位置。本发明适用于无线网络定位。
Description
技术领域
本发明涉及无线网络管理定位技术,具体涉及一种基于RSSI无线网络定位方法。
背景技术
无线网络管理系统,作为迎客无线方案、医疗、教育WLAN方案的必要配套产品,无论从招投标,还是客户的实际使用上来说都具有极大的价值。从无线网络管理应用角度来看,用户最关注和市场最紧迫的功能有无线监控,无线资源管理,无线安全等。而精确的无线定位会使各功能更加有扩展性及商业机遇。
当前无线定位主要依赖于无线传感器网络。无线传感器网络(WirelessSensorNetwork,WSN)由部署在监测区域内大量的微型传感器节点组成,通过无线通信方式形成一个多跳的自组织网络系统,其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息。目前传感器信息获取技术已经从过去的单一化向集成化、微型化和网络化方向发展,传感器产品的应用越来越广泛。尤其在工业自动化控制领域,各种各样的无线传感器网络几乎无处不在,已经成为工业自动化系统中不可或缺的重要组成部分。在无线传感器网络中,节点的位置信息对无线传感器网络应用的监测活动至关重要,它是传感器节点监测消息中包含的重要信息,同时也是基于位置信息的路由算法的基础。因此,无线传感器网络的定位技术广泛应用于仪器仪表、工业控制、医疗、军事、航空、航天等领域。
目前无线传感器网络领域定位算法主要分两大类:基于测距(Range-based)的定位算法和无需测距(Range-free)的定位算法。基于测距的定位算法主要通过测量节点间的距离或角度信息,用三边测量、三角测量或最大似然估计定位法计算节点位置。常用的测距技术有RSSI,TOA(Timeofarrival),TDOA(Timedifferenceofarrival)和AOA(Angleofarrival);无需测距定位算法无需距离和角度信息,仅根据网络连通性等信息来实现节点定位。相比之下,基于距离的定位算法测量精确度较高,无需测距的定位算法对硬件要求较低。
信号强度会受到比如反射、多径传播、非视距、天线增益等问题的影响而产生传播损耗。因为理论和经验模型的估测性质,故而RSSI具有较大定位误差,如何提高于RSSI的定位精度是一个比较有意义的问题。
当前技术领域研究成果中,无线信号衰减模型的基本模型是:
其中RSSId表示目标物体在距离APd处的信号强度,RSSId0表示参考物体在距离APd0处的信号强度,λ是一个信号衰减指数,一般根据具体的环境情况而设定,属于经验值,一般取(2,5)之间。在已知目标物体的信号强度RSSId,可以得到目标结点离AP的距离d。
已知目标点T(x、y)到三个APA1(x1、y1)、A2(x2、y2)、A3(x3、y3)的距离分别为d1、d2、d3,如图3所示:
则下列方程组成立:
解该方程组(2)(3)(4)可得到目标点T的x、y坐标,此计算目标点T的方法为三边测量法。
《无线网络定位技术研究》主要针对RSSI定位算法的距离容易受影响而导致定位精度低的问题,提出了在RSSI定位算法的基础上,利用高斯滤波,选取合适范围内的RSSI值,对这些RSSI值进行几何平均,最终得到最优的RSSI值。通过高斯滤波过滤掉噪音数据的方式是可取的,但将通过过滤的数据只做几何平均的结果,有可能会产生误差。同时,该方案中没有明确说明信号衰减模型的参数λ如何确定,只是凭借经验来随机取值,这也会导致后面计算结果的偏差。
专利《基于RSSI校正的无线传感器网络质心定位算法》在RSSI定位算法的基础上,通过校正RSSI测距技术测量节点间点到点的距离,采用三角形质心算法进行定位,减小RSSI的测量误差。该算法在最后一步只根据三个节点坐标,利用质心算法,得到目标点的坐标,如果在三个节点相距较远的情况下,会产生较大的误差。当然专利中提到,该方案适用于野外,只需要知道节点的大概区域就可以满足需求,并不适合室内定位。同样,该方案也存在参数λ取值的问题。
为便于理解,下面对本发明中可能涉及的技术术语进行说明:
1、STA(Station),即WLAN中的站;STA在WLAN中一般为客户端,可以是装有无线网卡的计算机,也可以是WiFi模块的智能手机。STA可以是移动的,也可以是固定的,是无线局域网的最基本组成单位元。
2、NMS(NetworkManagementSystem),网络管理系统;NMS是移动通信网中的网络管理系统,它的管理对象可以包括网络中所有的实体,如:网络设备、应用程序、服务器系统、路由器、交换机、HUB、辅助设备等,给网络系统管理员提供一个全系统的网络视图。
3、AP(WirelessAccessPoint),即无线访问接入点;AP相当于一个连接有线网和无一网的桥梁,其主要作用是将各个无线网络客户端连接到一起,然后将无线网络接入以太网。
4、AC(AccessController或AccessPiontController),即无线控制器,是一种网络设备,负责管理某个区域内无线网络中的AP。
5、RSSI(ReceivedSignalStrengthIndication),接收信号强度指示;通过接收到的信号强弱测定信号点与接收点的距离,进而根据相应数据进行定位计算的一种定位技术。
STA(如手机等无线终端)通过接收AP发射的无线信号而接入网络,所接收的信号强度单位为分贝(DB),分贝值越大,信号越强,AP可以检测到其覆盖范围内所有STA的RSSI值,网管系统可以通过AC获取所有AP下所有STA的RSSI值。
发明内容
本发明所要解决的技术问题是:提出一种基于RSSI无线网络定位方法,减小无线网络管理系统中基于RSSI无线网络定位算法的误差,得到STA的精确位置。
本发明解决上述技术问题所采用的方案是,一种基于RSSI无线网络定位方法,该方法包括以下步骤:
a.在某一平面的无线网络区域建立坐标系,确定所有AP的位置;
b.计算无线信号衰减模型中的信号衰减指数λ值,获得优化后的无线信号衰减模型;
c.筛选目标STA在不同AP的最优RSSI值,并结合优化后的无线信号衰减模型求解目标STA的位置。
进一步的,步骤b具体包括:
b1.在无线网络区域中确定已知位置的两个STA和1个AP:
假设两个STA的坐标分别为STA1(xa,ya),STA2(xb,yb),AP的坐标为(xr,yr);
b2.计算STA到AP之间的距离:
其中,da、db分别为STA1、STA2到AP的距离;
b3.在一段时间内,从AP中获取STA1、STA2的RSSI值集合:
{Ra1,Ra2…Ran}
{Rb1,Rb2…Rbn}
b4.分别对STA1和STA2的RSSI值集合进行高斯过滤;
b5.分别对经过高斯过滤后的STA1和STA2的RSSI值集合进行聚类计算,获得对应的最优均值
b6.将da、db代入无线信号衰减模型的基本模型中计算信号衰减指数λ值,获得优化后的无线信号衰减模型。
进一步的,步骤b4中,对STA1的RSSI值集合进行高斯过滤的方法是:
首先,假设STA1的RSSI值集合中的RSSI值满足高斯分布,其高斯分布密度函数为:
其中,μ是{Ra1,Ra2…Ran}的几何平均值,
δ是标准差,
然后,选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值,得到STA1新的RSSI集合
进一步的,步骤b4中,对STA2的RSSI值集合进行高斯过滤的方法是:
首先,假设STA2的RSSI值集合中的RSSI值满足高斯分布,其高斯分布密度函数为:
其中,μ是{Rb1,Rb2…Rbn}的几何平均值,
δ是标准差,
然后,选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值,得到STA2新的RSSI集合
进一步的,步骤b5中,对经过高斯过滤后的STA1的RSSI值集合进行聚类计算,获得对应的最优均值的方法是:
1)随机在集合中取k个种子点,作为初始聚类中心
2)计算集合到每一个聚类中心的距离,将集合中的RSSI值划分到距离聚类中心最近的类中去,形成新的聚类群;
3)重新计算每个聚类的均值聚类中心并进行均值估计,获得平均RSSI值;
4)采用均方差作为标准测度函数,不断重复2)、3)步,直至标准测度函数开始收敛;
5)对最新的聚类集合作几何平均,获得的最优平均值
进一步的,步骤b5中,对经过高斯过滤后的STA2的RSSI值集合进行聚类计算,获得对应的最优均值的方法是:
1)随机在集合中取k个种子点,作为初始聚类中心
2)计算集合到每一个聚类中心的距离,将集合中的RSSI值划分到距离聚类中心最近的类中去,形成新的聚类群;
3)重新计算每个聚类的均值聚类中心并进行均值估计,获得平均RSSI值;
4)采用均方差作为标准测度函数,不断重复2)、3)步,直至标准测度函数开始收敛;
5)对最新的聚类集合作几何平均,获得的最优平均值
进一步的,步骤b6中,所述无线信号衰减模型的基本模型为:
令再代入da、db的值,计算出信号衰减指数λ值,所述λ值即为当前无线环境下的信号衰减指数。
进一步的,步骤c具体包括:
c1.在一段时间内,获取n个AP上目标STA的RSSI值,将每一个AP的RSSI值作为一个集合D:
D1:{R11,R12…R1m}
D2:{R21,R22…R2m}…
Dn:{Rn1,Rn2…Rnm}
c2.对每一个AP的RSSI集合D进行高斯过滤及聚类计算,得到每一个集合D的最优RSSI值,形成新的集合R{R1,R2…Rn},其中Rn为集合Dn中的最优RSSI值;
c3.从集合R中获取最大的五个RSSI值,其对应五个AP的坐标值;基于优化后的无线信号衰减模型获得目标STA与对应AP之间的距离d1,d2,d3,d4,d5;
c4.从五个AP中每次选取三个节点,结合此三个节点的坐标数据以及分别与目标STA对应的距离,利用三边测量法计算获得目标STA的坐标集合;
c5.对所述目标STA的坐标集合求平均值获得目标STA的最终位置。
进一步的,步骤c4具体包括:
假设五个AP的坐标值分别为(xr1,yr1)、(xr2,yr2)、(xr3,yr3)、(xr4,yr4)、(xr5,yr5);
若选取的三个节点坐标值分别为(xr1,yr1)、(xr2,yr2)、(xr3,yr3),此三个节点与目标STA的距离分别为d1,d2,d3,根据下列公式获得目标STA的第一组坐标值T(x1,y1):
(xr1-x1)2+(yr1-y1)2=d1 2
(xr2-x1)2+(yr2-y1)2=d2 2
(xr3-x1)2+(yr3-y1)2=d3 2
若选取的三个节点坐标值分别为(xr1,yr1)、(xr2,yr2)、(xr4,yr4),此三个节点与目标STA的距离分别为d1,d2,d4,根据下列公式获得目标STA的第二组坐标值T(x2,y2):
(xr1-x2)2+(yr1-y2)2=d1 2
(xr2-x2)2+(yr2-y2)2=d2 2
(xr4-x2)2+(yr4-y2)2=d4 2
...
若选取的三个节点坐标值分别为(xr3,yr3)、(xr4,yr4)、(xr5,yr5),此三个节点与目标STA的距离分别为d3,d4,d5,根据下列公式获得目标STA的第十组坐标值T(x10,y10):
(xr3-x10)2+(yr3-y10)2=d3 2
(xr4-x10)2+(yr4-y10)2=d4 2
(xr5-x10)2+(yr5-y10)2=d5 2
由此计算获得目标STA的坐标集合{T(x1,y1),T(x2,y2),...,T(x10,y10)}。
进一步的,步骤c5中对所述目标STA的坐标集合求平均值获得目标STA的最终位置的方法是:
为加权因子,其值为每次选取的三个AP节点与目标STA对应的距离之和的倒数。
本发明的有益效果是:对信号衰减模型的精确确定,可以对后期估算目标点的距离更有利;对大量的数据进行高斯过滤,可以对噪声数据进行过滤,对剩余的数据进行分析将更有说服力;对数据进行聚类操作,会更精确地获得平均值;加权质心算法在也是利用大量数据的特点,来精确定位;因而,本发明的方案会更好地减小基于RSSI无线网络定位算法的误差,得到更精确的定位结果,使得网络管理系统准确调度服务推送信息,提高系统的有效性。
附图说明
图1为无线传感器网络环境示意图;
图2为无线网络管理系统用例示意图;
图3为三边测量法定位示意图;
图4为计算获得精确衰减模型流程图;
图5为获取目标精确坐标值流程图。
具体实施方式
本发明中的定位方法应用于无线传感器网络环境中,如图1所示,STA通过无线网络接入AP,AC对某个区域内的AP进行管理,NMS(网络管理系统)对AC进行综合控制管理;网络管理系统控制管理用例如图2所示,网管人员可以进行无线资源管理,无线监控。其中无线资源管理包括AP管理,AC管理,活动客户端管理;无线监控包括实时资源变化监控,无线资产查看,活动客户端轨迹,资源定位。
本发明中的基于RSSI无线网络定位方法包括以下步骤:
a.在某一平面的无线网络区域建立坐标系,确定所有AP的位置;
b.计算无线信号衰减模型中的信号衰减指数λ值,获得优化后的无线信号衰减模型;
c.筛选目标STA在不同AP的最优RSSI值,并结合优化后的无线信号衰减模型求解目标STA的位置。
实施例:
以对某一大楼中的STA进行无线定位为例,其包括以下实现步骤:
一、在大楼某一楼层的平面建立无线区域的坐标系,确定所有AP的位置;在网络管理系统中建立缩略图,根据比例标识出楼层的所有AP位置。
二、精确计算衰减模型中的λ值,获得精确衰减模型,其计算流程如图4所示:
无线信号衰减模型的基本模型是:
在室内环境中,确定两个STA坐标点STA1(xa,ya),STA2(xb,yb),选择一个AP的位置(xr,yr),可以得到STA1、STA2与AP的距离:
在一段时间内,从AP中获取STA1,及STA2的RSSI值集合:
{Ra1,Ra2…Ran}(8)
{Rb1,Rb2…Rbn}(9)
对于集合{Ra1,Ra2…Ran},由于n个RSSI值是随机离散的变量,这些值服从或近似服从高斯分布(正态分布),选取那些高概率,即分布密度比较大的区域(一般经验值在大于等于0.6的区域),测量结果关于x的密度函数f(x)如式(10)所示:
其中,μ是{Ra1,Ra2…Ran}的几何平均值,δ是标准差,具体表达式如下:
经过高斯滤波后,选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值,得到STA1新的RSSI集合做聚类计算最优RSSI值,聚类计算步骤为以下步骤1)-5):
1)随机在集合中取k个种子点(k值可任意取整数值),作为初始聚类中心
2)计算集合到每一个聚类中心的距离,将集合中的RSSI值划分到距离聚类中心最近的类中去,形成新的聚类群。
3)重新计算每个聚类的均值聚类中心,并进行均值估计,获得平均的RSSI值。
4)不断重复2)、3)步,直到标准测度函数开始收敛为止。这里我们采用均方差作为标准测度函数。
5)对最新的聚类集合作几何平均,获得的最优平均值
对于集合{Rb1,Rb2…Rbn},我们可以利用相同的方法,获得最优平均值
根据式(5),令再代入da、db的值,可以得到精确的λ值。λ值确定即当前环境的无线信号衰减模型是确定的。
三、筛选目标STA在不同AP的最优RSSI值,并结合优化后的无线信号衰减模型求解目标STA的位置,其计算流程如图5所示:
在一段时间内,获取n(n值可依环境而定,任意取整数值)个AP上目标点T的RSSI值,每一个AP的RSSI值作为一个集合D。
D1:{R11,R12…R1m}(13)
D2:{R21,R22…R2m}(14)
…
Dn:{Rn1,Rn2…Rnm}(15)
对每一个AP的RSSI集合D进行高斯过滤及聚类操作(具体操作方法与步骤二中的高斯过滤及聚类操作相同),得到每一个集合D的最优RSSI值,形成新的集合R{R1,R2…Rn}其中Rn为集合Dn中的最优RSSI值。
从集合R中获取最大的五个RSSI值,由无线信号衰减模型,可获得相对应的距离d1,d2,d3,d4,d5。由于最大五个RSSI对应的AP的坐标已知,我们设为(xr1,yr1)、(xr2,yr2)、(xr3,yr3)、(xr4,yr4)、(xr5,yr5),同时,我们设未知目标点坐标为T(x,y)。我们每次取三组AP坐标数据及对应的距离d,总共有10个组合坐标,分别与坐标点T进行三角质心算法,比如:第一次取三组AP坐标数据(xr1,yr1)、(xr2,yr2)、(xr3,yr3)及三个AP对应的距离d1,d2,d3;
(xr1-x)2+(yr1-y)2=d1 2(16)
(xr2-x)2+(yr2-y)2=d2 2(17)
(xr3-x)2+(yr3-y)2=d3 2(18)
根据公式(16)、(17)、(18),可以算出T点的一组坐标T(x1,y1);同理可以得到另外9组目标点坐标T(x2,y2),T(x3,y3),…,T(x10,y10);
从而形成目标T点的10组坐标集合{T(x1,y1),T(x2,y2),...,T(x10,y10)}
接着,将通过对10组坐标求平均值来求得未知节点T的坐标,在求取最终坐标时引入了加权因子,该加权因子是每次选取的三个节点与未知节点T之间距离之和的倒数,如下式所示:
T(x1,y1)的加权因子为:
T(x2,y2)的加权因子为:
…
T(x10,y10)的加权因子为:
最终得到的未知节点的坐标信息为T(x,y)为,如下式(22)所示:
在网络管理系统的监控平面图中,根据网络管理系统中缩略图与实际的比例,标识出具体的未知节点T的位置,一段时间内,就会描绘出具体的运动轨迹。网络管理员可以在监控系统中查看某一楼层的所有终端分布图,也可以查看某一终端的运动轨迹,并且根据STA的当前位置,选出离它最近的AP,查看终端的信息,推送感兴趣的信息,如通知、宣传信息、广告等信息,提供商业经济平台。
Claims (10)
1.一种基于RSSI无线网络定位方法,其特征在于,包括以下步骤:
a.在某一平面的无线网络区域建立坐标系,确定所有AP的位置;
b.计算无线信号衰减模型中的信号衰减指数λ值,获得优化后的无线信号衰减模型;
c.筛选目标STA在不同AP的最优RSSI值,并结合优化后的无线信号衰减模型求解目标STA的位置。
2.如权利要求1所述的一种基于RSSI无线网络定位方法,其特征在于,
步骤b具体包括:
b1.在无线网络区域中确定已知位置的两个STA和1个AP:
假设两个STA的坐标分别为STA1(xa,ya),STA2(xb,yb),AP的坐标为(xr,yr);
b2.计算STA到AP之间的距离:
其中,da、db分别为STA1、STA2到AP的距离;
b3.在一段时间内,从AP中获取STA1、STA2的RSSI值集合:
{Ra1,Ra2…Ran}
{Rb1,Rb2…Rbn}
b4.分别对STA1和STA2的RSSI值集合进行高斯过滤;
b5.分别对经过高斯过滤后的STA1和STA2的RSSI值集合进行聚类计算,获得对应的最优均值
b6.将da、db代入无线信号衰减模型的基本模型中计算信号衰减指数λ值,获得优化后的无线信号衰减模型。
3.如权利要求2所述的一种基于RSSI无线网络定位方法,其特征在于,步骤b4中,对STA1的RSSI值集合进行高斯过滤的方法是:
首先,假设STA1的RSSI值集合中的RSSI值满足高斯分布,其高斯分布密度函数为:
其中,μ是{Ra1,Ra2…Ran}的几何平均值,
δ是标准差,
然后,选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值,得到STA1新的RSSI集合
4.如权利要求2所述的一种基于RSSI无线网络定位方法,其特征在于,步骤b4中,对STA2的RSSI值集合进行高斯过滤的方法是:
首先,假设STA2的RSSI值集合中的RSSI值满足高斯分布,其高斯分布密度函数为:
其中,μ是{Rb1,Rb2…Rbn}的几何平均值,
δ是标准差,
然后,选取范围在[0.15δ+u,3.09δ+u]范围内的RSSI值,得到STA2新的RSSI集合
5.如权利要求2所述的一种基于RSSI无线网络定位方法,其特征在于,步骤b5中,对经过高斯过滤后的STA1的RSSI值集合进行聚类计算,获得对应的最优均值的方法是:
1)随机在集合中取k个种子点,作为初始聚类中心
2)计算集合到每一个聚类中心的距离,将集合中的RSSI值划分到距离聚类中心最近的类中去,形成新的聚类群;
3)重新计算每个聚类的均值聚类中心并进行均值估计,获得平均RSSI值;
4)采用均方差作为标准测度函数,不断重复2)、3)步,直至标准测度函数开始收敛;
5)对最新的聚类集合作几何平均,获得的最优平均值
6.如权利要求2所述的一种基于RSSI无线网络定位方法,其特征在于,步骤b5中,对经过高斯过滤后的STA2的RSSI值集合进行聚类计算,获得对应的最优均值的方法是:
1)随机在集合中取k个种子点,作为初始聚类中心
2)计算集合到每一个聚类中心的距离,将集合中的RSSI值划分到距离聚类中心最近的类中去,形成新的聚类群;
3)重新计算每个聚类的均值聚类中心并进行均值估计,获得平均RSSI值;
4)采用均方差作为标准测度函数,不断重复2)、3)步,直至标准测度函数开始收敛;
5)对最新的聚类集合作几何平均,获得的最优平均值
7.如权利要求2所述的一种基于RSSI无线网络定位方法,其特征在于,步骤b6中,所述无线信号衰减模型的基本模型为:
令再代入da、db的值,计算出信号衰减指数λ值,所述λ值即为当前无线环境下的信号衰减指数。
8.如权利要求1所述的一种基于RSSI无线网络定位方法,其特征在于,
步骤c具体包括:
c1.在一段时间内,获取n个AP上目标STA的RSSI值,将每一个AP的RSSI值作为一个集合D:
D1:{R11,R12…R1m}
D2:{R21,R22…R2m}…
Dn:{Rn1,Rn2…Rnm}
c2.对每一个AP的RSSI集合D进行高斯过滤及聚类计算,得到每一个集合D的最优RSSI值,形成新的集合R{R1,R2…Rn},其中Rn为集合Dn中的最优RSSI值;
c3.从集合R中获取最大的五个RSSI值,其对应五个AP的坐标值;基于优化后的无线信号衰减模型获得目标STA与对应AP之间的距离d1,d2,d3,d4,d5;
c4.从五个AP中每次选取三个节点,结合此三个节点的坐标数据以及分别与目标STA对应的距离,利用三边测量法计算获得目标STA的坐标集合;
c5.对所述目标STA的坐标集合求平均值获得目标STA的最终位置。
9.如权利要求8所述的一种基于RSSI无线网络定位方法,其特征在于,
步骤c4具体包括:
假设五个AP的坐标值分别为(xr1,yr1)、(xr2,yr2)、(xr3,yr3)、(xr4,yr4)、(xr5,yr5);
若选取的三个节点坐标值分别为(xr1,yr1)、(xr2,yr2)、(xr3,yr3),此三个节点与目标STA的距离分别为d1,d2,d3,根据下列公式获得目标STA的第一组坐标值T(x1,y1):
(xr1-x1)2+(yr1-y1)2=d1 2
(xr2-x1)2+(yr2-y1)2=d2 2
(xr3-x1)2+(yr3-y1)2=d3 2
若选取的三个节点坐标值分别为(xr1,yr1)、(xr2,yr2)、(xr4,yr4),此三个节点与目标STA的距离分别为d1,d2,d4,根据下列公式获得目标STA的第二组坐标值T(x2,y2):
(xr1-x2)2+(yr1-y2)2=d1 2
(xr2-x2)2+(yr2-y2)2=d2 2
(xr4-x2)2+(yr4-y2)2=d4 2
...
若选取的三个节点坐标值分别为(xr3,yr3)、(xr4,yr4)、(xr5,yr5),此三个节点与目标STA的距离分别为d3,d4,d5,根据下列公式获得目标STA的第十组坐标值T(x10,y10):
(xr3-x10)2+(yr3-y10)2=d3 2
(xr4-x10)2+(yr4-y10)2=d4 2
(xr5-x10)2+(yr5-y10)2=d5 2
由此计算获得目标STA的坐标集合{T(x1,y1),T(x2,y2),...,T(x10,y10)}。
10.如权利要求9所述的一种基于RSSI无线网络定位方法,其特征在于,步骤c5中对所述目标STA的坐标集合求平均值获得目标STA的最终位置的方法是:
为加权因子,其值为每次选取的三个AP节点与目标STA对应的距离之和的倒数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510999040.6A CN105430745A (zh) | 2015-12-28 | 2015-12-28 | 一种基于rssi无线网络定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510999040.6A CN105430745A (zh) | 2015-12-28 | 2015-12-28 | 一种基于rssi无线网络定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105430745A true CN105430745A (zh) | 2016-03-23 |
Family
ID=55508608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510999040.6A Pending CN105430745A (zh) | 2015-12-28 | 2015-12-28 | 一种基于rssi无线网络定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105430745A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105828435A (zh) * | 2016-05-30 | 2016-08-03 | 天津大学 | 基于接收信号强度优化的距离修正加权质心定位方法 |
CN105960012A (zh) * | 2016-04-27 | 2016-09-21 | 上海斐讯数据通信技术有限公司 | Ap位置的显示方法及系统 |
CN106131796A (zh) * | 2016-08-30 | 2016-11-16 | 潘重光 | 位置获取方法及装置 |
CN106375936A (zh) * | 2016-08-25 | 2017-02-01 | 广东工业大学 | 一种rssi拟合系统 |
CN106646352A (zh) * | 2017-01-17 | 2017-05-10 | 武汉联图时空信息科技有限公司 | 基于传感器空间模式的蓝牙定位精度优化方法 |
CN107607935A (zh) * | 2017-08-24 | 2018-01-19 | 南京邮电大学 | 一种基于共轭梯度法的室内定位方法 |
CN107708068A (zh) * | 2017-09-29 | 2018-02-16 | 深圳奇迹智慧网络有限公司 | 室内定位方法、系统、计算机存储介质及服务器 |
CN107801168A (zh) * | 2017-08-17 | 2018-03-13 | 龙岩学院 | 一种室外自适应的被动式目标的定位方法 |
CN108169734A (zh) * | 2017-12-07 | 2018-06-15 | 国网山东省电力公司烟台供电公司 | 一种基于光纤模式下的终端定位方法及系统 |
CN108680897A (zh) * | 2018-05-07 | 2018-10-19 | 北京邮电大学 | 一种室内定位方法、装置、电子设备及存储介质 |
CN108882154A (zh) * | 2018-07-09 | 2018-11-23 | 上海麦士信息技术有限公司 | 一种利用机器学习优化蓝牙室内定位精度的方法 |
CN111356072A (zh) * | 2018-12-21 | 2020-06-30 | 珠海格力电器股份有限公司 | 一种室内定位的位置估计方法、装置及可读存储介质 |
CN112732850A (zh) * | 2020-12-30 | 2021-04-30 | 武汉天之域网络技术有限公司 | 一种苗木定位修正方法 |
CN115134815A (zh) * | 2022-06-08 | 2022-09-30 | 深圳市三旺通信股份有限公司 | 无线ap部署优化方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011019125A1 (ko) * | 2009-08-12 | 2011-02-17 | 한국과학기술원 | 무선랜 수신강도를 이용한 참여형 장소 인식 방법 및 무선 단말의 동작 방법 |
CN102761913A (zh) * | 2011-04-26 | 2012-10-31 | 航天信息股份有限公司 | 基于区域划分的无线信号传输参数确定的定位方法 |
CN104469940A (zh) * | 2014-12-16 | 2015-03-25 | 上海斐讯数据通信技术有限公司 | 一种基于无线路由器的无线终端设备的定位方法和系统 |
-
2015
- 2015-12-28 CN CN201510999040.6A patent/CN105430745A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011019125A1 (ko) * | 2009-08-12 | 2011-02-17 | 한국과학기술원 | 무선랜 수신강도를 이용한 참여형 장소 인식 방법 및 무선 단말의 동작 방법 |
CN102761913A (zh) * | 2011-04-26 | 2012-10-31 | 航天信息股份有限公司 | 基于区域划分的无线信号传输参数确定的定位方法 |
CN104469940A (zh) * | 2014-12-16 | 2015-03-25 | 上海斐讯数据通信技术有限公司 | 一种基于无线路由器的无线终端设备的定位方法和系统 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105960012A (zh) * | 2016-04-27 | 2016-09-21 | 上海斐讯数据通信技术有限公司 | Ap位置的显示方法及系统 |
CN105828435A (zh) * | 2016-05-30 | 2016-08-03 | 天津大学 | 基于接收信号强度优化的距离修正加权质心定位方法 |
CN106375936B (zh) * | 2016-08-25 | 2019-11-08 | 广东工业大学 | 一种rssi拟合系统 |
CN106375936A (zh) * | 2016-08-25 | 2017-02-01 | 广东工业大学 | 一种rssi拟合系统 |
CN106131796A (zh) * | 2016-08-30 | 2016-11-16 | 潘重光 | 位置获取方法及装置 |
CN106646352A (zh) * | 2017-01-17 | 2017-05-10 | 武汉联图时空信息科技有限公司 | 基于传感器空间模式的蓝牙定位精度优化方法 |
CN107801168A (zh) * | 2017-08-17 | 2018-03-13 | 龙岩学院 | 一种室外自适应的被动式目标的定位方法 |
CN107801168B (zh) * | 2017-08-17 | 2020-12-29 | 龙岩学院 | 一种室外自适应的被动式目标的定位方法 |
CN107607935A (zh) * | 2017-08-24 | 2018-01-19 | 南京邮电大学 | 一种基于共轭梯度法的室内定位方法 |
CN107708068A (zh) * | 2017-09-29 | 2018-02-16 | 深圳奇迹智慧网络有限公司 | 室内定位方法、系统、计算机存储介质及服务器 |
CN108169734A (zh) * | 2017-12-07 | 2018-06-15 | 国网山东省电力公司烟台供电公司 | 一种基于光纤模式下的终端定位方法及系统 |
CN108680897B (zh) * | 2018-05-07 | 2020-05-29 | 北京邮电大学 | 一种室内定位方法、装置、电子设备及存储介质 |
CN108680897A (zh) * | 2018-05-07 | 2018-10-19 | 北京邮电大学 | 一种室内定位方法、装置、电子设备及存储介质 |
CN108882154A (zh) * | 2018-07-09 | 2018-11-23 | 上海麦士信息技术有限公司 | 一种利用机器学习优化蓝牙室内定位精度的方法 |
CN111356072A (zh) * | 2018-12-21 | 2020-06-30 | 珠海格力电器股份有限公司 | 一种室内定位的位置估计方法、装置及可读存储介质 |
CN111356072B (zh) * | 2018-12-21 | 2020-12-11 | 珠海格力电器股份有限公司 | 一种室内定位的位置估计方法、装置及可读存储介质 |
CN112732850A (zh) * | 2020-12-30 | 2021-04-30 | 武汉天之域网络技术有限公司 | 一种苗木定位修正方法 |
CN115134815A (zh) * | 2022-06-08 | 2022-09-30 | 深圳市三旺通信股份有限公司 | 无线ap部署优化方法、系统、设备及存储介质 |
CN115134815B (zh) * | 2022-06-08 | 2024-02-09 | 深圳市三旺通信股份有限公司 | 无线ap部署优化方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105430745A (zh) | 一种基于rssi无线网络定位方法 | |
Koo et al. | Localizing WiFi access points using signal strength | |
US8279840B2 (en) | Systems and methods for providing location based services (LBS) utilizing WLAN and/or GPS signals for seamless indoor and outdoor tracking | |
US9451404B2 (en) | System and method for determining a position of a mobile unit | |
CN102123495A (zh) | 基于rssi校正的无线传感器网络质心定位算法 | |
CN102364983B (zh) | 无线传感网中基于rssi测距的wls节点自定位方法 | |
JP2011523454A (ja) | ポジションロケーション転送のシステムおよび方法 | |
CN101860959A (zh) | 基于rssi的无线传感器网络的定位方法 | |
Altoaimy et al. | Weighted localization in vehicular ad hoc networks using vehicle-to-vehicle communication | |
KR101163335B1 (ko) | 수신신호강도의 거리 추정 방식에 의거한 실내 무선 측위 방법 및 이 방법을 실시하기 위한 프로그램이 기록된 기록매체 | |
CN104902567A (zh) | 基于最大似然估计的质心定位方法 | |
CN103415072B (zh) | 一种无线传感网络中基于估距的定位方法 | |
CN103491506A (zh) | 基于wlan和wsn的异构网络协同定位方法及系统 | |
CN104125537A (zh) | 一种基于cc2530的多方式协同定位系统和定位方法 | |
Ahmadi et al. | Range free localization in wireless sensor networks for homogeneous and non-homogeneous environment | |
US20220113368A1 (en) | Estimating user risk based on wireless location determination | |
Benaissa et al. | Phone application for indoor localization based on Ble signal fingerprint | |
CN107509165A (zh) | 一种基于大数据计算、确定ap位置的方法 | |
CN107396280A (zh) | 一种基于rssi的室内定位系统和方法 | |
Gupta et al. | An improved DV-maxHop localization algorithm for wireless sensor networks | |
CN101114019A (zh) | 基于三角插值的射频电子标签定位系统 | |
CN106353724B (zh) | 一种基于无线传感器网络的精确室内定位方法 | |
CN107703484A (zh) | 无线传感器网络的精确定位算法 | |
Arai et al. | Color radiomap interpolation for efficient fingerprint wifi-based indoor location estimation | |
CN103402255B (zh) | 一种基于校正值误差加权的改进DV-Hop定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160323 |