ZigBee网络中RSSI的测距模型分析

本文在分析常规的RSSI对数模型下,提出一个新的路径损耗因子动态变化模型(N-Model):在室外空旷地带用ZigBee节点获取RSSI数据,分别用对数模型、多项式模型以及本模型做曲线拟合,结果表明在短距离(15m)情况本模型优于另两种模型。在中长距离(15m～110m)的情况下,多项式模型能达到较好的效果。     

一种改进的RSSI室内加权质心定位算法

针对现有基于信号强度的质心算法定位精度不能满足特定场景下对高精度室内定位需求的问题,该文提出了一种改进的接收信号强度(RSSI)室内加权质心定位算法。该算法通过RSSI测距得出4个已知锚节点到待测点的距离,以相应的锚节点为圆心画圆弧,得到由4段圆弧相交的四边形,其任取3个顶点可以组成一个三角形,然后以距离平方倒数之和作为权值计算4个三角形质心坐标,再以4个三角形质心坐标作为初始值以信号强度之和作为权值求解待测点坐标。实验结果表明:该算法最大误差值为1.02m,最小误差值为0.21m,平均误差值为0.68m;该算法室内定位精度比基于RSSI的质心算法最大提高24cm,最小提高12cm,平均提高了18cm;比加权质心算法最大提高10cm,最小提高3cm,平均提高了8cm。     

一种改进的RSSI加权质心定位算法

针对现有加权质心定位算法易受环境因素影响、权重确定不合理导致的室内定位精度低的问题,该文提出了一种基于RSSI的改进加权质心定位算法,该方法在原算法基础上对权重的确定进行了改进,以RSSI值解算的距离值的倒数和作为权重,有效降低了较远距离在权值中所占的比重,提高了室内定位精度;针对权值修正系数n的取值对定位精度的影响,通过实例得出n=6时定位精度最高的结论,同时证明了本文算法优于现有的质心定位算法及加权质心定位算法。本文算法降低了室内复杂环境因素的影响,提高了利用无线传感网络的定位精度,可为智慧城市、智能交通、矿井及灾害救援等领域精确的位置估计提供帮助。     

室内定位无线接收信号强度测距模型的研究

接收信号强度测距法易受室内复杂环境的影响,在许多研究和实际应用中,通常将路径损耗因子作为固定不变常量,增加了系统误差。分析了室内无线信号的传播特性,介绍了对接收信号强度测距模型,推导了最优拟合当前室内环境对数路径损耗模型参数的计算公式,将自主建模的思想引入到基于接收信号强度的测量中进行了可行性探究。     

小波分析与傅里叶变换相结合在探测周期性变形中的应用

变形观测时间序列既含有趋势性成分,又含有周期性成分时,对趋势性分量用多项式进行拟合,再对剩余残差是否含有周期性成分进行分析,选用拟合趋势性分量的多项式形式受主观性影响;引入小波变换,将变形序列分解为趋势性平滑分量和细节分量两部分,然后傅里叶变换对细节分量是否含有周期性分量进行分析,研究实例表明应用效果良好.     

融合CNN和CapsNet的Wi-Fi室内定位方法

针对基于位置指纹的Wi-Fi室内定位方法定位精度低的问题,本文提出了一种融合卷积神经网络(CNN)和胶囊网络(CapsNet)的Wi-Fi室内定位算法模型,记为CNN-CapsNet。首先将采集的RSSI时间序列信息,生成位置指纹图像数据集;然后通过由卷积层和池化层构成的CNN初级特征提取器,完成定位图像到初级特征图的转换;最后将初级特征图输入到CapsNet中,获得最终的分类结果。试验结果表明,在不同的向量维度,迭代次数等参数下,该模型的准确率高达99.99%,损失函数值低至0.009 91,优于其他的传统定位方法。     

基于GF-KF修正RSSI的室内指纹定位方法

针对Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收信号强度指示（RSSI）与真实值存在偏差而导致定位精度不高的问题,本文提出了一种基于GF-KF修正RSSI的室内指纹定位方法．由于采集的RSSI不稳定,该方法利用RSSI类高斯分布的特性,对RSSI数据进行高斯拟合,以得到较为确定的RSSI值．在此基础上,引入卡尔曼滤波算法对拟合后的RSSI数据进行误差修正,结合加权K近邻（WKNN）匹配算法进行定位．实验结果表明:本文方法的平均定位误差为1.5 m,2.0 m以内的误差累积分布概率为90.06％,定位效果优于同类方法．      

基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用

监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。     

小波变换保持光谱特型融合算法

对遥感图像融合Brovey变换法存在颜色失真的现象,本文提出了一种小波比值融合法,该融合法首先对高几何分辨率的全色波段进行小波变换提取其低频分量,并对其进行三次卷积法重构得到与原分辨率相同的图像,而后将低分辨率多光谱图像与全色波段图像相乘,再除以重构后的全色波段图像,便得到融合图像。并从目视评价、GVI、统计评价证实了该小波比值融合法优于Brovey变换法,该比值融合法是一种能较好地保全低分辨率多光谱图像颜色的融合方法。     

基于小波变换的土壤重金属铬含量定量反演

耕地污染日益严重,耕地土壤的重金属高光谱信息属于非线性的微弱信号。小波变换作为常用的非线性微弱信号处理手段,在保留更多微弱信号的基础上可以更好的提取出土壤重金属的微弱光谱信息。文中研究在Db4小波对土壤原始光谱进行分解与重构的基础上提取特征波段,利用特征波段与重金属含量的相关性建立偏最小二乘模型反演土壤重金属铬含量。研究表明,利用Db4小波函数对原始光谱进行分解和重构可以有效提取土壤重金属铬的特征光谱信息;利用小波分解与重构所提取的特征光谱信息与重金属铬含量之间的相关性所建立的PLS模型的决定系数明显高于基于传统一阶微分处理土壤光谱所建立的PLS模型的决定系数。     

基于小波变换和神经网络的卫星钟差预报分析

目前IGS提供的实时钟差精度不够,事后精密钟差也有13d的延迟,有必要对钟差预报进行研究。文中利用小波神经网络模型进行钟差预报,首先利用小波对原始钟差序列进行分解、降噪,然后利用神经网络进行建模并预报,将得到的结果同灰色模型和二次多项式模型的结果进行对比分析,得出小波神经网络模型可以更好地进行钟差预报的结论。     

基于小波神经网络的GPS可降水量预测研究

针对传统的BP神经网络存在的不足及局限性,文章提出了利用小波分析和神经网络相结合的方法应用于GPS可降水量预测中。小波神经网络是将小波基函数来替代传统神经网络中的激活函数,它将小波分析和神经网络有机融合在了一起,同时具备小波分析和神经网络的良好特性。通过相同样本数据训练和学习以及对预测结果的对比分析,表明小波神经网络在可降水量预测中比BP神经网络具有更好的容错能力和逼近能力,且其收敛速度快,预测精度高。     

基于小波神经网络的某边坡预测研究

边坡地表位移监测是滑坡安全监控中的重要内容,对监测资料进行及时、合理、有效的分析,获取滑坡变形规律和安全状况是滑坡监测的重要工作之一。文中将基于BP算法的小波神经网络预测模型引入变形监测预报中,对工程实例进行预测。结果表明小波神经网络预测可以取得良好的效果,且自适应预测能力较强。     

一种基于RSSI的三维加权质心定位算法

定位技术是无线传感器网络的重要支撑技术.基于RSSI的定位技术以其不需额外的硬件、成本低廉而成为无线传感器网络的首选之一.本文在分析一些常用的算法基础上,提出了一种适用于RSSI技术的三维加权质心定位算法,在室外用ZigBee硬件平台进行实验,结果表明定位误差在4m以内,相对定位误差在20％以内的概率到达70％.     

灰色-小波神经网络支持下对地铁工程沉降变形的预测

变形监测是安全化工程施工和管理的重要内容,贯穿于项目的设计、施工和运行,对监测的沉降数据进行处理,并预测沉降量,提前对工程作出安全预警,有很重要的实际意义。本文基于GM(1,1)灰色模型、小波分析和神经网络结合的相关理论,借助Matlab软件编程,建立了灰色-小波神经网络变形预测网络模型。结合工程实例,将建立的变形预测网络模型应用于累积沉降量观测数据,结果表明组合模型具有很稳定的预测效果,比单独的GM(1,1)灰色模型预测准确度高,且训练样本越多,预测越符合实际情况。     

基于MCS-SCKF的超宽带室内定位算法

针对传统超宽带（UWB）室内定位中非线性跟踪问题,基于当前统计（CS）模型和容积卡尔曼滤波（CKF）,本文提出了一种新的定位算法。即采用奇异值分解（SVD）代替标准CKF算法中的Cholesky分解,提高了算法的稳定性,构造了奇异值分解容积卡尔曼滤波器（SCKF）。首先在CS模型的基础上改进了先验参数的函数形式,得到改进的CS模型（MCS）,实现模型参数的自适应调整;然后将MCS模型引入SCKF滤波器,实现滤波算法的自适应调整;最后利用MCS-SCKF算法对UWB定位系统模型进行解算,从而得到移动目标位置。仿真和试验结果表明,该算法优于CS模型-卡尔曼滤波算法（CS-KF）和CS模型-SCKF算法（CS-SCKF）,提高了UWB室内定位的定位精度。