CN106842130A - 基于伪随机码相关性检测的节点定位方法 - Google Patents
基于伪随机码相关性检测的节点定位方法 Download PDFInfo
- Publication number
- CN106842130A CN106842130A CN201710095533.6A CN201710095533A CN106842130A CN 106842130 A CN106842130 A CN 106842130A CN 201710095533 A CN201710095533 A CN 201710095533A CN 106842130 A CN106842130 A CN 106842130A
- Authority
- CN
- China
- Prior art keywords
- nodes
- node
- distance
- positioning
- correlation detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 6
- 238000000691 measurement method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000004088 simulation Methods 0.000 abstract description 8
- 238000005070 sampling Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于伪随机码相关性检测的节点定位方法，用于实现无线传感器网络内节点的精准定位，该方法包括步骤：1)基于超声波伪随机码TDOA检测方法，测量无线传感器网络内节点对之间的距离值；2)构建节点的空间距离矩阵，对于未能测量到距离的节点对，使用Euclidean和最短路径融合方法进行处理；3)将节点的空间距离矩阵处理成所有节点的空间相对坐标系统；4)利用平面转换模型将所有节点的空间相对坐标系统转换成绝对坐标。本发明利用伪随机码相关检测技术，对节点发射出的超声信号进行编码，有效地增加了节点的测距距离和测量精度。仿真实验结果表明，本发明在不同网络规模和测距误差条件下均能够获得更高的定位精度和较小的定位误差。
Description
技术领域
本发明属于无线通讯技术领域，涉及无线传感器网络的节点定位方法，具体涉及一种基于伪随机码相关性检测的节点定位方法。本发放可有效地增加节点的测距距离和测量精度。
背景技术
随着无线传感器网络(Wireless Sensor Network，WSN)的不断研究和发展，WSN已经广泛应用于军事国防、环境监测、反恐、危险区域监视等诸多领域。尤其在目前日益紧张的国际和国内反恐形势背景下，当WSN应用在战场目标打击任务中，其节点通过抛洒的方式布置在工作地域内，节点的初始位置不可知。传感器节点在工作区域内首先需要通过定位网络系统来确定自身在网络中的位置，以及自身与其他节点之间的位置关系。当传感器网络在工作区域内感知到目标对象的时候，根据感知到的目标对象的位置、移动方向以及速度等信息，预估计出对目标对象进行攻击的最佳攻击位置，选取当前网络中的若干个节点对目标对象进行打击。而节点定位性能的优劣，对任务如何分配有着重要的影响。因此，实现节点定位具有十分重要的研究意义与使用价值。
在WSN中，依据节点是否知道自身的具体位置，可以将节点分为锚节点和未知节点两种。由于未知节点在实际应用中对硬件的要求高，实际操作复杂度大，而针对基于锚节点定位的研究相对易于操作。近年来，国内外学者已经提出了很多WSN节点定位相关方法，每种方法均具有优缺点，截止目前，还没有一个统一的标准对这些定位方法进行分类。根据节点的定位过程是否需要测量节点对的距离或者角度信息，分为基于测距和基于距离无关的定位。基于测距的定位技术需要测量两个相邻的节点间的距离值或者角度值，利用实际测得的距离值来计算未知节点的坐标。现有的测距技术有很多种，常用的测距技术包括信号强度(Radio Signal Strength Indicator，RSSI)测量法、到达角(Angel of Arrival，AOA)测量法、到达时间(Time of Arrival，TOA)测量法以及到达时间差(Time Difference ofArrival，TDOA)测量法等。基于距离无关的定位技术主要是利用节点的连通性信息等方法来估测节点之间的距离值，实现节点的位置估计。此类测距技术主要有DV-Hop定位、质心定位及APIT定位等，这些方法无需直接测量节点间的真实距离，只需要进行距离估算即可，大大降低了定位节点对硬件的要求，但是定位精度较差。
其中，TDOA测距法是基于超声波硬件进行测距，无需同步节点之间的系统时间，测距精度较高，抗干扰能力强，易于实现，且能够提供厘米级甚至毫米级的测距精度，在WSN定位方案中使用较为广泛，但是当前的超声波设备由于硬件条件限制，测距距离较短。采用多维定标技术(Multidimensional Scaling，MDS)可建立MDS-MAP超声波定位方法，但是定位精度优势并不明显。
发明内容
本发明针对上述MDS-MAP超声波定位精度不高的技术缺陷，提供一种基于伪随机码相关性检测的节点定位方法。本发明基于伪随机码TDOA测距技术，通过节点定位的优化改进，有效地实现了网络高精度相对定位和绝对定位，从而为WSN提供更好地节点定位服务支持。
具体而言，为了解决上述问题，本发明采取如下的技术方案：基于伪随机码相关性检测的节点定位方法，用于实现无线传感器网络内节点的精准定位，所述节点定位方法包括下述步骤：
1)基于超声波伪随机码TDOA检测方法，测量无线传感器网络内节点对之间的距离值；
2)构建节点的空间距离矩阵；
3)将节点的空间距离矩阵处理成所有节点的空间相对坐标系统；
4)利用平面转换模型将所有节点的空间相对坐标系统转换成绝对坐标。
作为本发明所述技术方案的优选方式之一，所述步骤1)中，依据线性反馈移位寄存器原理生成生成m序列，使用2ASK调制方法生成m序列调制信号，利用RF信号作为时间同步信号，超声波发射端发出调制信号，超声波接收端采集携带伪随机序列的超声信号。
作为本发明所述技术方案的优选方式之一，所述步骤2)中，节点的空间距离矩阵包括直接可测的节点间的距离值，对于节点间的距离小于最大测距范围，节点间的距离直接可测，以真实的节点间距离值构建节点的空间距离矩阵。
进一步地，所述节点的空间距离矩阵还包括不能直接测量的节点间的距离值，若两节点间的距离超出最大测距范围，利用Euclidean测距方法获取所述两节点间的距离值。
进一步地，对经Euclidean测距方法仍不能获取距离值的节点对，采用最短路径融合方法获取所述节点对的距离值。
作为本发明所述技术方案的优选方式之一，所述步骤4)中，所述平面转换模型的坐标转换参数包括两个平移参数、一个旋转参数和一个尺度参数。
与现有技术相比，本发明所述基于伪随机码相关性检测的节点定位方法至少具有下述的有益效果或优点：
本发明研究了基于伪随机码相关检测MDS-MAP的WSN网络节点定位技术。针对超声波阈值检测方法的不足，采用相关检测的方法来实现节点之间信号传输时间的检测。在此基础上，本发明提出一种改进的基于伪随机码相关性检测的节点定位方法，以实现WSN精确定位。通过仿真实验证实，本发明所述节点定位方法比迭代三边定位、迭代多点定位、现有MDS-MAP超声波定位方法等的定位精度更高,定位误差显著降低，可满足较大范围的定位需求。
附图说明
图1是实施例所述线性反馈移位寄存器原理方框图。
图2是实施例所述超声波接收端接收到的信号图形。
图3是实施例所述m序列超声波接收信号。
图4是对图3所示m序列超声波接收信号进行相关处理后的结果图。
图5是利用Euclidean测距方法获取两节点间的距离值的示意图。
图6是仿真实验的定位结果误差对比图，其中，a图的平均相对误差设置为0.25％，b图的平均相对误差设置为0.45％。
具体实施方式
为了便于理解本发明的目的、技术方案及其效果，现将结合实施例对本发明做进一步详细阐述。
超声波测距的关键技术之一是对超声波信号传播时间的检测，对超声信号的处理方法直接关系到节点的测距范围和测距精度。对于信号传输时间的检测方法，针对不同的硬件条件和系统需求，目前已有多种检测方法，其中实际应用最为广泛的是阈值检测法和相关检测法。阈值检测方法是最简单的测距方法，其根据接收信号的强度幅值是否超过阈值来判断信号的到达时刻，接收信号的强度幅值设定不同，检测到的信号到达时刻就不同，收发节点之间的距离也随之改变。该方法具有实现简单、速度快等优点，但是对噪声的抗干扰能力较弱，当接收信号受到严重干扰或者测量距离较远时，有效信号可能被噪声所“淹没”，阈值检测将无法正确判定出信号的到达时刻。
针对阈值检测方法的不足，本实施例采用相关检测的方法来实现节点之间信号传输时间的检测。相关检测法是一种对时域信号进行处理的方法，根据超声波信号的有规律性和噪声的随机性，对接收信号与本地信号进行互相关计算处理，找到相关结果峰值出现时刻，便可以确定超声波的到达时间，进而算出距离值。相比于单脉冲信号而言，使用伪随机码对超声波信号编码有优势，有更强的抗干扰能力和抑制信号“拖尾”现象。
为了实现节点的精确定位，本实施例提出一种改进的基于伪随机码相关性检测的节点定位方法。该方法首先基于超声波伪随机码相关检测的方法测量传感器网络内节点对之间的距离值，利用Euclidean测距方法及最短路径融合方法计算其它超出测距范围的节点对之间的距离，然后优化处理空间距离矩阵转换过程，最后利用平面四参数转换模型生成绝对坐标值。
1、伪随机码相关的TDOA检测技术
1.1 m序列的生成
伪随机二进制序列(Pseudo-Random Binary Sequence，PRBS)是一种周期性的二进制序列。线性反馈移位寄存器原理方框图如图1所示。在图1中，ai表示移位寄存器的状态，ai的状态为0或者1，i为整数。ci表示反馈线连接状态，ci＝1表示参加反馈，ci＝0表示不参加反馈。移位寄存器是否参与反馈，都可能改变序列的周期。
假设一个n级移位寄存器的起始状态是：a-1a-2…a-n，经过i次移位之后，移位寄存器状态变化为a-1+ia-2+i…a-n+i。根据图2中的线路连接关系，对响应状态进行模2加，
可得
一般的，对任意输入am，有
ci表示反馈线连接状态，将其使用方程表示为：
式(3)称为特征方程。可以依据递推方程和特征方程，直接计算生成m序列。
1.2 2ASK调制m序列
将m序列使用超声波进行二进制振幅键控(2ASK)调制生成超声发射信号。m序列调制信号使用2ASK调制方法来生成。使用2ASK作为信号的调制方式，当m序列的码元为高电平“1”码时，硬件电路发送超声波脉冲，当m序列的码元为低电平“0”码时，硬件电路不发送超声波脉冲。超声波换能器的收发探头的中心频率均为40.0±1.0KHz，接收探头可视为中心频率为40KHz，带宽为2KHz的带通滤波器。使用频率为40KHz的脉冲信号作为载波信号，对m序列进行调制，然后通过硬件电路发射出去。
利用RF信号作为时间同步信号，超声波发射端将调制信号发出，接收端将携带伪随机序列的超声信号进行采集。使用3级移位寄存器生成的m序列码作为调制信号，码值为“1001011”。受超声波探头硬件自身属性的影响，硬件探头起振到振动停止时间较长。为了接收信号可以较好的区分出“0”码和“1”码，在调制的过程中将“0”码的持续时间设置为“1”码宽度的4倍，更好的区分出信号包络。使用示波器对超声波接收端的信号进行显示，接收到的信号图形如图2所示。
同时，采样模块对超声信号进行AD采样，然后得到信号强度的数字化量值。数字量化值(Value)与信号电压值(U)之间的转换关系为：
Value＝32768×U÷5.0 (4)
将采集到的数字量化值转换为电压值并使用Matlab进行处理显示，可得到采样的m序列超声信号如图3所示。可以看到，采集到的信号与示波器显示的超声信号相似，幅度大小不同。将采集到的超声信号进行归一化处理，然后与本地序列进行相关处理，为了更加清楚的显示结果，将相关结果再次进行归一化处理。实验时，两节点之间的距离为1.0m，环境温度为15℃，AD采样频率为100KHz。相关结果如图4所示，相关处理后的波形具有突出的峰值点，与单脉冲信号相比，在接收到的信号较弱的情况下，更加容易得到和信号重合的采样点时刻。
设用于相关的本地序列的长度为M，互相关函数的峰值对应的采样点为L，采样周期为Ts，此时需要减去发送信号的持续时间，对超声波的传播时间进行修正：
t＝Ts×(L-M) (5)
此时，收发节点之间的距离值为：
d＝v×t (6)
式中，v为当前环境中的声波速度。
假设在一个二维空间区域中，随机部署若干个超声波传感器节点，节点通过无线网络协议加入至一个网络中，实现网络通信。此时，节点开始进行定位。
2、定位过程描述
2.1构建实对称距离矩阵
节点在实现组网功能之后，Sink节点为网络中的所有节点生成一个网络拓扑连通图，为连通图中任意两个不同的节点构成的边赋予一个距离值dij(i,j分别表示节点i和节点j)，根据节点的实际测距情况，网络拓扑图的完善由三部分构成：
1)如果节点之间的距离小于最大测距范围，节点之间的距离直接可测，则将真实的节点间测距值直接记录dij；
2)如果两节点之间的距离超出最大测距范围不能直接测出，而这两个节点具有共同的邻居节点且除这两个节点外其他节点之间的距离均已知，如图5所示，采用Euclidean测距方法进行计算并赋值给对应的dij。
设A、B、C、N为网络中的四个节点，节点A、B、C两两间距在节点的测距范围之内，节点B、C、N两两间距也在节点的测距范围之内，其中，A、B的间距为lab，A、C的间距为lac，B、C的间距为lbc，B、N的间距为lbn，C、N的间距为lcn，∠ACB记作α，∠NCB记作β。而A、N的间距超出了节点的测距最大测距范围，且距离未知，记为lx。利用三角形余弦定理有：
此时，直接利用式(7)、(8)和(9)计算出节点A、N的距离。
3)经过采用Euclidean测距方法计算节点距离值之后，仍存在距离无法获取的节点对，使用最短路径融合方法获取节点之间的距离值并赋值给对应的dij。根据最终获得的距离数据，Sink节点构建出一个完整的距离矩阵D＝(dij)n×n。
2.2定位估计
节点i，j之间的Euclidean距离可以表示为：
当i＝j时，dij表示节点到自身的距离，此时dij＝0。(Xi1,Xi2)，(Xj1,Xj2)分别表示节点i，j的坐标值，则(10)式可以表示为
或
设D2(X)为元素为的矩阵，表示n个节点对间距离的平方，记为
对D2(X)进行双中心化处理，用B表示D2(X)的双中心形式，即：
其中，E为n阶单位矩阵，I为n阶全1矩阵。已知节点坐标为X，且有X＝[X1，X2，…，Xn]T，则矩阵B也可以表示为
B＝XXT (15)
此时对B应用奇异值分解，设Λ表示B奇异值分解后的特征值所构成的矩阵，Q表示其对应的特征向量所构成的矩阵，则有
B＝QΛQT＝Q(Λ1/2×Λ1/2)QT＝(QΛ1/2)×(QΛ1/2)T (16)
所以，根据式(15)、(16)得
X＝QΛ1/2 (17)
2.3坐标转换
经过上述步骤，已经可以得出网络中所有节点的相对坐标，但是其方向、角度等均与实际位置不同，是节点真实位置经过平移、旋转及尺度变换之后的结果。
为了获取节点真实的位置，利用平面转换模型对坐标位置进行转换。一般而言，平面转换模型的坐标转换的参数有四个。两个平移参数主要是为了解决两个坐标系的原点不重合问题，一个旋转参数是为了解决两个坐标系的坐标轴不平行问题，一个尺度参数是为了解决两个坐标系之间尺度不一致问题。
设(xA,yA)为在空间A的坐标系下某一点的坐标，(xB,yB)为在空间B的坐标系下对应的该点的坐标。(Δx,Δy)为该点从空间A转换到空间B中所需要的两个平移参数，θ为该点从空间A转换到空间B中所需要的一个旋转参数，m为该点从空间A转换到空间B中所需要的一个尺度参数。则一个点从空间A转换到空间B的模型为：
令
可以直接看出α1＝α2＝(1+m)·cosθ，α2＝-α3＝(1+m)·sinθ，利用变量间的内在关系，减少变量个数，重新定义α为
令
则式(18)整理表示为
选择三个参考节点M(m1,m2,m3)，将其在两个坐标系统下的坐标值代入式(22)，求解方程组，可得系数矩阵α和常数矩阵β的值。根据已知的系数矩阵及参考节点，利用式(22)将网络中所有节点的相对坐标值转换为以某几个点为参考点的绝对坐标值。
3、仿真实验与分析
在Matlab平台对本实施例所述节点定位方法进行了仿真实验，以验证本实施例所述节点定位方法的有效性。将节点随机部署在30m×30m的平面空间中，假设节点间的测距长度为20m，测距过程的噪声为均值为零的高斯白噪声。将本实施例所述节点定位方法与经典的三边定位算法和迭代定位算法，以及现有MDS-MAP方法进行仿真实验对比。
使用平均定位误差来对算法的性能进行评价：
其中，表示n表示网络内节点的个数，N表示锚节点的数量，表示第i个节点的估计位置，表示第i个节点的真实位置。误差值越小，算法的定位性能就越好。
仿真实验的平均相对误差σ设置为0.25％和％0.45％分别进行实验。按照不同的节点数量对三种定位方法进行研究，计算节点的定位误差并进行对比，结果如图6所示。
仿真结果表明，在平均相对误差σ相同的情况下，随着节点数量的增加，三种定位方法的定位误差均有所下降；在平均相对误差σ不同的情况下，σ越小，定位误差越小。本实施例所述节点定位方法与另外两种算法相比，具有更高的定位精度。在本实施例所述节点定位方法下，当节点数量较少时，节点分布较为稀疏，部分节点对需要通过最短路径融合方法才能构建出完整的距离矩阵，无法获得较为准确的距离数据，会产生一定的距离误差，影响系统的定位精度；当节点数量较多时，节点分布较为密集，可以获取到更多的距离信息，更加精准的构建节点距离矩阵，降低系统的定位误差。
上面结合实施例对本发明做了进一步的叙述，但本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.基于伪随机码相关性检测的节点定位方法，用于实现无线传感器网络内节点的精准定位，所述节点定位方法包括下述步骤：
1)基于超声波伪随机码TDOA检测方法，测量无线传感器网络内节点对之间的距离值；
2)构建节点的空间距离矩阵；
3)将节点的空间距离矩阵处理成所有节点的空间相对坐标系统；
4)利用平面转换模型将所有节点的空间相对坐标系统转换成绝对坐标。
2.根据权利要求1所述基于伪随机码相关性检测的节点定位方法，其特征在于，所述步骤1)中，依据线性反馈移位寄存器原理生成生成m序列，使用2ASK调制方法生成m序列调制信号，利用RF信号作为时间同步信号，超声波发射端发出调制信号，超声波接收端采集携带伪随机序列的超声信号。
3.根据权利要求1所述基于伪随机码相关性检测的节点定位方法，其特征在于，所述步骤2)中，节点的空间距离矩阵包括直接可测的节点间的距离值，对于节点间的距离小于最大测距范围，节点间的距离直接可测，以真实的节点间距离值构建节点的空间距离矩阵。
4.根据权利要求3所述基于伪随机码相关性检测的节点定位方法，其特征在于，所述节点的空间距离矩阵还包括不能直接测量的节点间的距离值，若两节点间的距离超出最大测距范围，利用Euclidean测距方法获取所述两节点间的距离值。
5.根据权利要求4所述基于伪随机码相关性检测的节点定位方法，其特征在于，对经Euclidean测距方法仍不能获取距离值的节点对，采用最短路径融合方法获取所述节点对的距离值。
6.根据权利要求1所述基于伪随机码相关性检测的节点定位方法，其特征在于，所述步骤4)中，所述平面转换模型的坐标转换参数包括两个平移参数、一个旋转参数和一个尺度参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710095533.6A CN106842130A (zh) | 2017-02-22 | 2017-02-22 | 基于伪随机码相关性检测的节点定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710095533.6A CN106842130A (zh) | 2017-02-22 | 2017-02-22 | 基于伪随机码相关性检测的节点定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106842130A true CN106842130A (zh) | 2017-06-13 |
Family
ID=59133843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710095533.6A Pending CN106842130A (zh) | 2017-02-22 | 2017-02-22 | 基于伪随机码相关性检测的节点定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106842130A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104968047A (zh) * | 2015-06-30 | 2015-10-07 | 中国地质大学（武汉） | 一种面向移动网络中节点网络距离的预测方法 |
| CN105572639A (zh) * | 2016-01-06 | 2016-05-11 | 南昌大学 | 一种室内超声波差分定位方法 |
| CN105792348A (zh) * | 2014-12-23 | 2016-07-20 | 中国民用航空总局第二研究所 | 一种无线传感网节点间的节点定位方法 |
-
2017
- 2017-02-22 CN CN201710095533.6A patent/CN106842130A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105792348A (zh) * | 2014-12-23 | 2016-07-20 | 中国民用航空总局第二研究所 | 一种无线传感网节点间的节点定位方法 |
| CN104968047A (zh) * | 2015-06-30 | 2015-10-07 | 中国地质大学（武汉） | 一种面向移动网络中节点网络距离的预测方法 |
| CN105572639A (zh) * | 2016-01-06 | 2016-05-11 | 南昌大学 | 一种室内超声波差分定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘洲洲等: "伪随机码相关检测的MDS-MAP 定位算法", 《电子测量与仪器学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| De Angelis et al. | Design and characterization of a portable ultrasonic indoor 3-D positioning system | |
| Jondhale et al. | Issues and challenges in RSSI based target localization and tracking in wireless sensor networks | |
| Wang et al. | Robust chinese remainder theorem ranging method based on dual-frequency measurements | |
| Chang et al. | Object tracking in a 2D UWB sensor network | |
| Khyam et al. | Multiple access chirp-based ultrasonic positioning | |
| Alippi et al. | A RF map-based localization algorithm for indoor environments | |
| Gong et al. | A machine learning-based approach for auto-detection and localization of targets in underwater acoustic array networks | |
| KR101280513B1 (ko) | TDOA/FDOA를 이용한 Gauss-Newton기법기반 신호원 위치추정방법 및 이를 이용한 신호원 위치추정장치 | |
| Yavari et al. | System-on-Chip based Doppler radar occupancy sensor | |
| Zhang et al. | Ultra wideband positioning technology for accident ships under adverse sea condition | |
| Hamdollahzadeh et al. | Moving target localization in bistatic forward scatter radars: Performance study and efficient estimators | |
| Hao et al. | A method for improving UWB indoor positioning | |
| Wang et al. | High-accuracy localization using single-anchor ultra-wide bandwidth systems | |
| Chowdhury et al. | Effect of sensor number and location in cross-correlation based node estimation technique for underwater communications network | |
| CN109765555A (zh) | 通过构建虚拟sar图像实现wsn节点定位的方法及装置 | |
| De Angelis et al. | Design and characterization of an ultrasonic indoor positioning technique | |
| Zheng et al. | Semidefinite relaxation method for moving object localization using a stationary transmitter at unknown position | |
| Wei et al. | Detection and localization of high speed moving targets using a short-range UWB impulse radar | |
| Hu et al. | Coherent TDOA/FDOA estimation method for frequency-hopping signal | |
| Bocus et al. | Low cost localisation in residential environments using high resolution CIR information | |
| Rahman et al. | Coordinates determination of submerged sensors using cayley-menger determinant | |
| CN106842130A (zh) | 基于伪随机码相关性检测的节点定位方法 | |
| Tian et al. | Mfpl: Multi-frequency phase difference combination based device-free localization | |
| Wang et al. | A learning-based nlos mitigation method for single-anchor slam | |
| Duan et al. | CFAR-based TOA estimation and node localization method for UWB wireless sensor networks in weibull noise and dense multipath |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |
|
| RJ01 | Rejection of invention patent application after publication |