CN111555824A - 一种用于LoRa定位系统的不良锚节点检测与消除方法 - Google Patents

一种用于LoRa定位系统的不良锚节点检测与消除方法 Download PDF

Info

Publication number
CN111555824A
CN111555824A CN202010338695.XA CN202010338695A CN111555824A CN 111555824 A CN111555824 A CN 111555824A CN 202010338695 A CN202010338695 A CN 202010338695A CN 111555824 A CN111555824 A CN 111555824A
Authority
CN
China
Prior art keywords
anchor
node
target node
anchor nodes
nodes
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
Application number
CN202010338695.XA
Other languages
English (en)
Inventor
冯李航
陈伟
董正伟
王春海
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech 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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN202010338695.XA priority Critical patent/CN111555824A/zh
Publication of CN111555824A publication Critical patent/CN111555824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • 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

本发明公开一种用于LoRa定位系统的不良锚节点检测与消除方法，步骤如下：1、在地面上铺设锚节点，假设LoRa接收器在当前时刻接收到的锚节点数为N(Γ)，记录每个锚节点的RSSI值；2、利用平面上两点间距离关系建立用于解算目标节点位置的方程，再利用线性最小二乘法(LLS)，得到目标节点的估计位置；3、利用目标节点估计位置与锚节点之间距离和RSSI的关系，反推每个锚节点的RSSI值，并计算每个锚节点的BRE；4、用K均值聚类来消除“不良”锚节点，并将删除坏锚节点后剩余的3个实测的RSSI值输入位置方程，得到精确的位置估计。在定位过程中删除不良锚节点以降低LoRa网络中高斯噪声和非高斯噪声的影响。

Description

一种用于LoRa定位系统的不良锚节点检测与消除方法
技术领域
本发明涉及一种用于LoRa定位系统的不良锚节点检测与消除方法，属于低功耗广域网通信技术室内外定位研究领域。
背景技术
随着物联网技术的蓬勃发展，基于位置信息的服务(Location Based Services，LBS)已经成为移动终端的必备功能之一。目前，各种不同的无线技术已应用于定位系统，其中蓝牙、ZigBee、RFID和WiFi是常见的室内定位技术。然而，由于技术的限制，上述几种方法的有效范围较小，通常只有几米。对于室外环境，蜂窝网络技术和卫星定位系统是常用的定位技术，后者更加流行，因为蜂窝网络的定位准确性远低于卫星定位系统。此外，基于卫星的定位系统几乎覆盖了地球的100％，并且经常更新。但是，卫星定位系统不能用于室内环境，并且功耗很高。
部署大规模物联网要求节点设备价格低廉且功耗较低，这种需求促使研究者们寻找更适合的定位方式对物联网中的目标设备进行定位。LoRa技术就在这种情况下应运而生，该技术具有远距离(最长15公里)、低功耗(电池寿命长达5年)和低成本(低成本芯片组)的优点，现已被广泛用于低功耗广域网的开发和设计以支持物联网应用，因此LoRa技术是一种具有较大潜力的物联网定位替代解决方案。
虽然LoRa技术具有诸多的优点，但是当LoRa基站接收到的信号强度值RSSI(Received Signal Strength Indication)较小时，无法识别该基站接收信号是否受到非高斯噪声的影响。如果将被非高斯噪声污染的接收信号用于融合定位，将会导致较大的定位误差。因此，要使用LoRa技术进行有效的定位，就必须要检测和识别出这些受污染的不良锚节点，将其从融合算法中剔除，才能提高LoRa定位的精度，为LoRa系统的大规模应用提供基础。
发明内容
针对现有技术的不足，本发明提供了一种用于LoRa定位系统的不良锚节点检测与消除方法，并将剩余的“好”锚节点用来融合定位，得到较为精确的位置估计。
为了解决上述问题，本发明采取的技术方案为：
一种用于LoRa定位系统的不良锚节点检测与消除方法，包括如下步骤：
步骤1，在地面上铺设锚节点，假设LoRa接收器在当前时刻接收到的锚节点数为N(Γ)，记录每个锚节点的RSSI值；
步骤2，利用平面上两点间平面距离
Figure BDA0002467566560000021
建立用于解算目标节点位置的方程，再利用线性最小二乘法(Linear Least Squares,LLS)，得到目标节点的估计位置；
步骤3，利用目标节点的估计位置与锚节点之间距离和RSSI之间的关系，反推每个锚节点的RSSI值，并计算每个锚节点的BRE(Back RSSI Error)；
步骤4，用K均值聚类来消除“不良”锚节点，并将删除坏锚节点后剩余的3个实测的RSSI值输入位置方程，得到精确的位置估计。
作为改进的是，步骤1中有一个目标节点，其在平面上的位置用pt表示，其平面坐标(xt,yt)是未知的，并且在水平地面上铺设一组锚节点
Figure BDA0002467566560000022
各个锚节点的位置已知，其中N(Γ)是Γ中锚节点的总数，
Figure BDA0002467566560000023
是Γ中的第n个锚节点的位置坐标，即
Figure BDA0002467566560000024
n＝1,2,…,N(Γ)。
作为改进的是，步骤2中的具体步骤如下，设目标节点与锚节点之间的平面距离为
Figure BDA0002467566560000025
即
Figure BDA0002467566560000026
其中
Figure BDA0002467566560000027
表示目标节点pt与第n个锚点之间的平面距离，n＝1,2,…,N(Γ)；目标节点与锚节点之间平面距离
Figure BDA0002467566560000028
和RSSI值
Figure BDA0002467566560000029
之间的关系为
Figure BDA0002467566560000031
式中，
Figure BDA0002467566560000032
是测得的路径损耗指数，
Figure BDA0002467566560000033
是在参考距离处测得的参考RSSI值，且
Figure BDA0002467566560000034
和
Figure BDA0002467566560000035
的取值和LoRa芯片的参数有关，
Figure BDA0002467566560000036
表示第n个锚节点处接收到的目标节点pt的信号强度RSSI值，n＝1,2,…,N(Γ)；
将式(1)至式(2)结合起来以得到矢量形式的一组方程，即
Aθ＝b (3)
Figure BDA0002467566560000037
Figure BDA0002467566560000038
Figure BDA0002467566560000039
Figure BDA00024675665600000310
通过应用LLS方法，可以得到
Figure BDA00024675665600000311
Figure BDA00024675665600000312
A+＝(ATA-1AT (10)
式中上标“^”表示对应变量的估计值，上标“T”是矩阵的转置运算，上标“-1”表示矩阵的求逆运算，
Figure BDA00024675665600000313
表示通过使用具有Γ和
Figure BDA00024675665600000314
的LLS估计得到的目标节点的位置。
作为改进的是，步骤3中，利用公式(11)计算目标节点的估计位置
Figure BDA00024675665600000315
与锚节点
Figure BDA00024675665600000316
之间的反推RSSI值
Figure BDA00024675665600000317
即
Figure BDA0002467566560000041
其中
Figure BDA0002467566560000042
表示上一步估计得到的目标节点位置，其坐标为
Figure BDA0002467566560000043
将目标节点pt实测接收到的锚节点pn的RSSI值
Figure BDA0002467566560000044
与目标节点估计位置
Figure BDA0002467566560000045
与锚节点pn之间的反推RSSI值
Figure BDA0002467566560000046
做差取绝对值定义为锚节点
Figure BDA0002467566560000047
的后向接收信号强度误差(Backward RSSI Error，BRE)，即
Figure BDA0002467566560000048
定义后向接收信号强度误差的平均值为MBRE(Mean Backward RSSI Error，)，由于可以接收到N(Γ)个锚节点，所以可以得到N(Γ)个BRE，将这N(Γ)个BRE做平均就得到此时的MBRE，即
Figure BDA0002467566560000049
作为改进的是，步骤4中使用K均值聚类来消除“不良”锚节点，并使用其余“好”锚节点来计算目标节点的位置，具体步骤如下：
步骤4.1，将接受器接收到的N(Γ)个锚节点实测的RSSI值用R表示
Figure BDA00024675665600000410
步骤4.2，每次从N(Γ)个锚节点中取出3个，共计
Figure BDA00024675665600000411
种组合，取出的点带入矢量方程(3)中，得到目标节点的M个估计的位置；
步骤4.3，将M个估计的位置，利用K均值法进行聚类，假设分为K类，然后再计算每类的质心位置；
步骤4.4，通过检查每个群集中心的MBRE来找到最佳群集，并通过检查“其他群集”中所有锚节点的出现次数来找到“坏”锚节点，计算每类的MBRE,比较大小，最小的MBRE认为这一组定位是最准确的，假设最小MBRE的类为Kmin；
步骤4.5，将Kmin组排除，统计其余K-1类中每个锚节点出现的次数，出现最多的锚点就认为是坏锚节点，将其排除；
步骤4.6，将R清空，再将剩余的锚节点的RRSI放入R中，此时跳转到步骤4.1，直到删除坏点后剩余锚节点的个数为3；
步骤4.7，将保持下来的3个优质锚节点输入位置方程(3)，解算出准确的目标位置。
有益效果：
本发明提供了一种用于LoRa定位系统的不良锚节点检测与消除方法，在定位过程中删除不良锚节点以降低LoRa网络中高斯噪声和非高斯噪声的影响。本发明提出的方法可以大幅度提高基于RSSI的LoRa定位系统的精度，并且在大型室内外环境中均能正常使用，具有成本低、方便快捷、鲁棒性高的优点。
附图说明
图1为本发明一种用于LoRa定位系统的不良锚节点检测与消除方法的流程图。
具体实施方式
如图1所示，一种用于LoRa定位系统的不良锚节点检测与消除方法，包括如下步骤：
步骤一，在地面上铺设锚节点，假设LoRa接收器在当前时刻接收到的锚节点数为N(Γ)，记录每个锚节点的RSSI值。
步骤二，利用平面上两点间的平面距离
Figure BDA0002467566560000051
建立用于解算目标节点位置的方程，再利用线性最小二乘法(Linear Least Squares,LLS)，得到目标节点的估计位置。
步骤三，利用目标节点估计位置与锚节点之间距离和RSSI之间的关系，反推每个锚节点的RSSI值，并计算每个锚节点的BRE(Back RSSI Error)。
步骤四，用K均值聚类来消除“不良”锚节点，并将删除坏锚节点后剩余的3个实测的RSSI值输入位置方程，得到精确的位置估计。
所述步骤一中有一个目标节点，其坐标pt＝(xt,yt)未知，并且在水平地面上铺设一组锚节点
Figure BDA0002467566560000052
锚节点的位置已知，其中N(Γ)是Γ中锚节点的总数，，
Figure BDA0002467566560000053
是Γ中的第n个锚节点的位置坐标，即
Figure BDA0002467566560000061
n＝1,2,…,N(Γ)。
所述步骤二中设目标节点与锚节点之间的平面距离为
Figure BDA0002467566560000062
即
Figure BDA0002467566560000063
其中
Figure BDA0002467566560000064
表示目标节点pt与第n个锚点之间的平面距离，n＝1,2,…,N(Γ)，目标节点与锚节点之间平面距离
Figure BDA0002467566560000065
和RSSI值
Figure BDA0002467566560000066
之间的关系为
Figure BDA0002467566560000067
式中，
Figure BDA0002467566560000068
是测得的路径损耗指数，
Figure BDA0002467566560000069
是在参考距离处测得的参考RSSI值，且
Figure BDA00024675665600000610
和
Figure BDA00024675665600000611
的取值和LoRa芯片的参数有关，
Figure BDA00024675665600000612
表示第n个锚节点处接收到的目标节点pt的信号强度RSSI值，n＝1,2,…,N(Γ)。
将(1)至(2)结合起来以得到矢量形式的一组方程，即
Aθ＝b (3)
Figure BDA00024675665600000613
Figure BDA00024675665600000614
Figure BDA00024675665600000615
Figure BDA00024675665600000616
通过应用LLS方法，可以得到
Figure BDA0002467566560000071
Figure BDA0002467566560000072
Figure BDA00024675665600000717
式中上标“^”表示对应变量的估计值，上标“T”是矩阵的转置运算，上标“-1”表示矩阵的求逆运算，
Figure BDA0002467566560000073
表示通过使用具有Γ和
Figure BDA0002467566560000074
的LLS估计得到的目标节点的位置。
所述步骤三中，利用公式(11)计算目标节点估计位置
Figure BDA0002467566560000075
与锚节点pn之间的反推RSSI值
Figure BDA0002467566560000076
即
Figure BDA0002467566560000077
其中
Figure BDA0002467566560000078
表示上一步估计得到的目标节点位置，其坐标为
Figure BDA0002467566560000079
将目标节点pt实测接收到的锚节点pn的RSSI值
Figure BDA00024675665600000710
与目标节点估计位置
Figure BDA00024675665600000711
与锚节点pn之间的反推RSSI值
Figure BDA00024675665600000712
做差取绝对值定义为锚节点
Figure BDA00024675665600000713
的后向接收信号强度误差(Backward RSSI Error，BRE)，即
Figure BDA00024675665600000714
定义后向接收信号强度误差的平均值为MBRE，由于可以接收到N(Γ)个锚节点，所以可以得到N(Γ)个BRE，将这N(Γ)个BRE做平均就得到此时的MBRE，即
Figure BDA00024675665600000715
所述步骤四中使用K均值聚类来消除“不良”锚节点，并使用其余“好”锚节点来计算目标节点的位置，具体步骤如下：
步骤4.1，将接受器接收到的N(Γ)个锚节点实测的RSSI值用R表示
Figure BDA00024675665600000716
步骤4.2，每次从N(Γ)个锚节点中取出3个，共计
Figure BDA0002467566560000081
种组合，取出的点带入矢量方程(3)中，得到目标节点的M个估计的位置；
步骤4.3，将M个估计的位置，利用K均值法进行聚类，假设分为K类，然后再计算每个类的质心位置；
步骤4.4，通过检查每个群集中心的MBRE来找到最佳群集，并通过检查“其他群集”中所有锚节点的出现次数来找到“坏”锚节点。这里，计算每一个类的MBRE,比较大小，最小的MBRE认为这一组定位是最准确的，假设最小MBRE的类为Kmin；
步骤4.5，将Kmin组排除，统计其余K-1类中每个锚节点出现的次数，出现最多的锚点就认为是坏锚节点，将其排除；
步骤4.6，将R清空，再剩余的锚节点的RRSI放入R中，此时跳转到步骤4.1，直到删除坏点后剩余锚节点的个数为3；
步骤4.7，将保持下来的3个优质锚节点输入位置方程(3)，解算出准确的目标位置。
实施例2
在步骤二的计算过程中，列举具体节点进行验证环境嘈杂会使LLS不够好。假设有一个网络中目标节点为(35，60)和四个锚节点为别为(0，0)，(0，100)，(100，100)和(100，0)(以米为单位)。假设
Figure BDA0002467566560000082
和
Figure BDA0002467566560000083
为2.5和-25dB，这四个锚节点测量的RSSI读数的平均值分别是-71.04dB，-68.14dB，-72.07dB和-73.67dB。为了表现比较，本发明中将定位误差(LE)定义为目标节点实际位置与估计位置之间的距离。如果第四个锚节点受噪声影响，RSSI读数为-82.63dB，而不是-73.67dB，LLS目标节点估计位置为(46.30，144.24)，距离实际位置非常远，LE为117.08m。如果第四个锚节点可以被识别为受到噪声的强烈影响并从定位版本中删除，这次使用前三个锚节点用于估计目标节点位置，则目标节点估计位置变为(27.69，70.26)，LE变为12.59m。
其余步骤按照实施例1中的步骤进行。
实施例3
在步骤四的计算过程中，列举具体节点进行验证，假设有一个目标节点(46.00，49.00)和一组八个锚节点，分别命名为a、b、c、d、e、f、g和h，这些锚节点的RSSI值已测量，即
Figure BDA0002467566560000091
Figure BDA0002467566560000092
在
Figure BDA0002467566560000093
中，除最后一个值外，所有其他值均以dB为单位，最后两个值分别是
Figure BDA0002467566560000094
和
Figure BDA0002467566560000095
在这种情况下，使用LLS估计目标节点的位置为(44.64，119.40)，其定位误差为70.41m。当在K＝3的情况下应用K均值聚类法，R＝3且
Figure BDA0002467566560000096
将56个估计的位置分为三个群集。这三个群集中的采样点数分别为4、49和3，它们的质心分别为(410.15，81.16)，(13.82，91.65)和(65.36，598.97)，它们对应的MBRE值分别为17.87、5.07和22.08，则第二类质心为最佳集群。第一和第三集群中每个锚节点的出现次数分别为2、1、1、1、1、2、7和6。g出现的次数最多，因此，在定位中删除了锚节点g，其余节点再次循环上述流程，直到剩余三个优质锚节点。最终，目标节点的估计位置为(44.64，58.96)，定位误差为10.06，从结果可以看出本发明提出的方法可以有效地删除“错误的”锚节点，并提高定位精度。
其余步骤按照实施例1中的步骤进行。
以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (5)

1.一种用于LoRa定位系统的不良锚节点检测与消除方法，其特征在于，包括以下步骤：步骤1，在地面上铺设锚节点，假设LoRa接收器在当前时刻接收到的锚节点数为N(Γ)，记录每个锚节点的RSSI值；步骤2，利用平面上两点间平面距离
Figure FDA0002467566550000011
建立用于解算目标节点位置的方程，再利用线性最小二乘法LLS，得到目标节点的估计位置；步骤3，利用目标节点的估计位置与锚节点之间距离和RSSI之间的关系，反推每个锚节点的RSSI值，并计算每个锚节点的BRE；用K均值聚类来消除“不良”锚节点，并将删除坏锚节点后剩余的3个实测的RSSI值输入位置方程，得到精确的位置估计。
2.根据权利要求1所述的一种用于LoRa定位系统的不良锚节点检测与消除方法，其特征在于，步骤1中有一个目标节点，其在平面上的位置用pt表示，其平面坐标(xt,yt)是未知的，并且在水平地面上铺设一组锚节点
Figure FDA0002467566550000012
各个锚节点的位置已知，其中N(Γ)是Γ中锚节点的总数，
Figure FDA0002467566550000013
是Γ中的第n个锚节点的位置坐标，即
Figure FDA0002467566550000014
n＝1,2,…,N(Γ)。
3.根据权利要求1所述的一种用于LoRa定位系统的不良锚节点检测与消除方法，其特征在于，步骤2中的具体步骤如下，设目标节点与锚节点之间的平面距离为
Figure FDA0002467566550000015
即
Figure FDA0002467566550000016
其中
Figure FDA0002467566550000017
表示目标节点pt与第n个锚点之间的平面距离，n＝1,2,…,N(Γ)；
目标节点与锚节点之间平面距离
Figure FDA0002467566550000018
和RSSI值
Figure FDA0002467566550000019
之间的关系为
Figure FDA0002467566550000021
式中，
Figure FDA0002467566550000022
是测得的路径损耗指数，
Figure FDA0002467566550000023
是在参考距离处测得的参考RSSI值，且
Figure FDA0002467566550000024
和
Figure FDA0002467566550000025
的取值和LoRa芯片的参数有关，
Figure FDA0002467566550000026
表示第n个锚节点处接收到的目标节点pt的信号强度RSSI值，n＝1,2,…,N(Γ)；
将式(1)至式(2)结合起来以得到矢量形式的一组方程，即
Aθ＝b (3)
Figure FDA0002467566550000027
Figure FDA0002467566550000028
Figure FDA0002467566550000029
Figure FDA00024675665500000210
通过应用LLS方法，可以得到
Figure FDA00024675665500000211
Figure FDA00024675665500000212
Figure FDA00024675665500000213
式中上标“^”表示对应变量的估计值，上标“T”是矩阵的转置运算，上标“-1”表示矩阵的求逆运算，
Figure FDA00024675665500000214
表示通过使用具有Γ和
Figure FDA00024675665500000215
的LLS估计得到的目标节点的位置。
4.根据权利要求1所述的一种用于LoRa定位系统的不良锚节点检测与消除方法，其特征在于，步骤3中，利用公式(11)计算目标节点的估计位置
Figure FDA0002467566550000031
与锚节点
Figure FDA0002467566550000032
之间的反推RSSI值
Figure FDA0002467566550000033
即
Figure FDA0002467566550000034
其中
Figure FDA0002467566550000035
表示上一步估计得到的目标节点位置，其坐标为
Figure FDA0002467566550000036
将目标节点pt实测接收到的锚节点pn的RSSI值
Figure FDA0002467566550000037
与目标节点估计位置
Figure FDA0002467566550000038
与锚节点pn之间的反推RSSI值
Figure FDA0002467566550000039
做差取绝对值定义为锚节点
Figure FDA00024675665500000310
的后向接收信号强度误差BRE，即
Figure FDA00024675665500000311
定义后向接收信号强度误差的平均值为MBRE，由于可以接收到N(Γ)个锚节点，所以可以得到N(Γ)个BRE，将这N(Γ)个BRE做平均就得到此时的MBRE，即
Figure FDA00024675665500000312
5.根据权利要求1所述的一种用于LoRa定位系统的不良锚节点检测与消除方法，其特征在于，步骤4中使用K均值聚类来消除“不良”锚节点，并使用其余“好”锚节点来计算目标节点的位置，具体步骤如下：
步骤4.1，将接受器接收到的N(Γ)个锚节点实测的RSSI值用R表示
Figure FDA00024675665500000313
步骤4.2，每次从N(Γ)个锚节点中取出3个，共计M
Figure FDA00024675665500000314
种组合，取出的点带入矢量方程(3)中，得到目标节点的M个估计的位置；
步骤4.3，将M个估计的位置，利用K均值法进行聚类，假设分为K类，然后再计算每个类的质心位置；
步骤4.4，通过检查每个群集中心的MBRE来找到最佳群集，并通过检查“其他群集”中所有锚节点的出现次数来找到“坏”锚节点，计算每类的MBRE,比较大小，最小的MBRE认为这一组定位是最准确的，假设最小MBRE的类为Kmin；
步骤4.5，将Kmin组排除，统计其余K-1类中每个锚节点出现的次数，出现最多的锚点就认为是坏锚节点，将其排除；
步骤4.6，将R清空，再将剩余的锚节点的RRSI放入R中，此时跳转到步骤4.1，直到删除坏点后剩余锚节点的个数为3；
步骤4.7，将保持下来的3个优质锚节点输入位置方程(3)，解算出准确的目标位置。
CN202010338695.XA 2020-04-26 2020-04-26 一种用于LoRa定位系统的不良锚节点检测与消除方法 Pending CN111555824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010338695.XA CN111555824A (zh) 2020-04-26 2020-04-26 一种用于LoRa定位系统的不良锚节点检测与消除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010338695.XA CN111555824A (zh) 2020-04-26 2020-04-26 一种用于LoRa定位系统的不良锚节点检测与消除方法

Publications (1)

Publication Number Publication Date
CN111555824A true CN111555824A (zh) 2020-08-18

Family

ID=72004439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010338695.XA Pending CN111555824A (zh) 2020-04-26 2020-04-26 一种用于LoRa定位系统的不良锚节点检测与消除方法

Country Status (1)

Country Link
CN (1) CN111555824A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103401922A (zh) * 2013-07-31 2013-11-20 东北大学 无线传感器网络中基于博弈方法的分布式定位装置与方法
CN104684081A (zh) * 2015-02-10 2015-06-03 三峡大学 基于距离聚类遴选锚节点的无线传感器网络节点定位算法
US20160327629A1 (en) * 2014-01-07 2016-11-10 Philips Lighting Holding B.V. Positioning system for determining the location of a device
CN108413966A (zh) * 2018-05-16 2018-08-17 国网辽宁省电力有限公司大连供电公司 基于多种传感测距技术室内定位系统的定位方法
CN108459298A (zh) * 2018-03-16 2018-08-28 重庆邮电大学 一种基于LoRa技术的室外定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103401922A (zh) * 2013-07-31 2013-11-20 东北大学 无线传感器网络中基于博弈方法的分布式定位装置与方法
US20160327629A1 (en) * 2014-01-07 2016-11-10 Philips Lighting Holding B.V. Positioning system for determining the location of a device
CN104684081A (zh) * 2015-02-10 2015-06-03 三峡大学 基于距离聚类遴选锚节点的无线传感器网络节点定位算法
CN108459298A (zh) * 2018-03-16 2018-08-28 重庆邮电大学 一种基于LoRa技术的室外定位方法
CN108413966A (zh) * 2018-05-16 2018-08-17 国网辽宁省电力有限公司大连供电公司 基于多种传感测距技术室内定位系统的定位方法

Similar Documents

Publication Publication Date Title
Zhuang et al. Autonomous smartphone-based WiFi positioning system by using access points localization and crowdsourcing
Wann et al. Hybrid TDOA/AOA indoor positioning and tracking using extended Kalman filters
Cong et al. Non-line-of-sight error mitigation in TDOA mobile location
US9369986B2 (en) Wireless communication network for estimating the accuracy of fingerprinting positioning algorithms
CN108307301B (zh) 基于rssi测距和轨迹相似性的室内定位方法
KR101019954B1 (ko) Ｗｌａｎ ａｐ의 위치 추정 방법 및 시스템
CN109945865B (zh) 基于WiFi与地磁融合的室内定位方法
Ma et al. A nonline-of-sight error-mitigation method for TOA measurements
CA2903460A1 (en) Techniques to improve the performance of a fixed, timing-based radio positioning network using external assistance information
US9964647B2 (en) Directional pruning of transmitters to improve position determination
US10848918B2 (en) Method and server for positioning user equipment
CN111238480B (zh) 基于距离残差的nlos识别方法及在室内定位中的应用
Elbakly et al. Cone: Zero-calibration accurate confidence estimation for indoor localization systems
CN111555824A (zh) 一种用于LoRa定位系统的不良锚节点检测与消除方法
Ho et al. BluePrint: BLE positioning algorithm based on NUFO detection
Fukuda et al. Performance improvement of TOA localization using IMR-based NLOS detection in sensor networks
Yin et al. Robust positioning in NLOS environments using nonparametric adaptive kernel density estimation
CN110856251B (zh) 一种超密集网络中的终端定位方法
CN110139211B (zh) 一种协同定位方法及系统
CN110944293B (zh) 基于路径衰减和卡尔曼滤波融合的无线电搜索定位方法
CN114548159A (zh) 信号干扰下的超宽带精确定位方法
JP6185804B2 (ja) 判定装置、ネットワークノード、判定方法、及びプログラム
Üreten et al. Iterative grid search for RSS-based emitter localization
CN112714395B (zh) 一种室内定位方法和存储设备
Chuku et al. Wireless Sensor Localization Using Outlier Detection

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: 20200818

RJ01 Rejection of invention patent application after publication