融合小波变换与神经网络的RSSI室内测距算法

发布时间：2021-11-17 03:36

　　提出一种融合小波变换与神经网络的基于Wi Fi的RSSI室内测距算法,该方法通过小波变换与神经网络对RSSI数据、路径损耗模型进行修正。利用小波分解与单支重构方法,只对低频的近似部分进行单支重构,舍弃高频细节部分,同时使用神经网络训练特定环境下的路径损耗模型。通过实例验证表明,该算法最大测距误差、最小测距误差、平均测距误差分别为1.206、0.037、0.692 m;平均测距误差比路径损耗模型、BP神经网络模型分别提高了1.846、0.469 m。 

【文章来源】：测绘通报. 2020,(01)北大核心CSCD

【文章页数】：5 页

【部分图文】：

3层BP神经网络模型

为验证本文算法的有效性，选择一间典型实验室作为试验场，实验室长、宽分别为10.5、7.5 m。该试验场人员走动频繁，桌椅、电脑较多，因此环境复杂多变，信号易受干扰，适合验证本文算法的环境适应能力。试验场中共布设3个无线锚节(anchor point,AP)点，试验时选择FAST-AC0C无线锚节点进行。本文算法试验MAC地址、频道为:0CD86C87AC0C、13，以构建的Wi Fi试验场中固定的AP作为信号发射器，手机作为信号接收器，利用自编的RSSI数据采集软件，对试验场中固定AP每隔1 m采集一次数据，在1～9 m范围内采集的RSSI数据如图2所示。3.2 对数路径损耗模型试验

对AP取d0=1 m、Pr(d0)=-28 dBm，将采集的数据代入式(2)计算得到参数n=-1.535、m=-0.024，据此建立对数路径损耗模型(如图3所示)。图4为由构建路径损耗模型计算的RSSI数据与实测RSSI数据的差异。由图3、图4可知，对数路径损耗模型误差较大，不能很好地反映信号传播时衰减的真实情况。距离AP点较近时，路径损耗模型计算结果与真实值接近;随着距离的增加，信号强度逐渐减弱，路径损耗模型的计算结果偏离真实值。图4 实测信号强度与对数路径损耗模型的差异

【参考文献】：
期刊论文
[1]基于改进粒子滤波的室内自适应定位算法[J]. 胡东海,邵元,陈莹,夏士雄.  计算机工程与应用. 2019(09)
[2]联合区域叠加滤波法与小波变换去除GPS站坐标时间序列噪声[J]. 马俊,周晓慧,朱兆涵.  测绘通报. 2017(12)
[3]基于智能手机的室内定位技术的发展现状和挑战[J]. 陈锐志,陈亮.  测绘学报. 2017(10)
[4]和声搜索算法优化神经网络的无线网络室内定位[J]. 付思源,王华东.  南京理工大学学报. 2017(04)
[5]基于GRNN神经网络的ZigBee室内定位算法研究[J]. 邓胡滨,许峰,周洁.  华东交通大学学报. 2017(04)
[6]LM-BP神经网络在泥页岩地层横波波速拟合中的应用[J]. 吕晶,谢润成,周文,刘毅,尹帅,张冲.  中国石油大学学报(自然科学版). 2017(03)
[7]基于灰色-RBF神经网络的传播损耗模型训练[J]. 李丽娜,梁德骕,马俊,涂志.  计算机应用与软件. 2016(08)
[8]基于改进BP神经网络的室内无线定位方法[J]. 刘晓晨,张静.  计算机应用与软件. 2016(06)
[9]北斗高精度无人机航测技术在农村土地承包经营权确权项目中的应用[J]. 胡龙华,王向忠,崔贵彦.  测绘通报. 2016(04)
[10]基于RSSI抗差滤波的WiFi定位[J]. 李桢,黄劲松.  武汉大学学报(信息科学版). 2016(03)



本文编号：3500117