论文部分内容阅读
随着社会进步及信息技术的快速发展,人们对基于位置服务的需求越来越迫切。对于室内复杂环境来说,适用于室外定位的GPS系统和蜂窝移动网络在室内中的定位精度明显恶化,无法满足室内用户精确定位的需求。因此,研究一种适用于室内复杂环境的高精度、环境自适应性强的定位算法成为近年来该领域的热点。无线传感器网络以其成本低廉、易于布署且能够自主组网等特点在室内定位中得到了广泛应用。基于射频指纹的无线传感器网络室内定位技术利用易于测量的节点RSSI值,将目标实时接收到的RSSI信号与离线射频指纹进行匹配得到目标位置。此种方法既不用额外附加硬件设备,也无需考虑各建筑物的详细模型,以简单、高效等优点受到了学术界的关注。本文对基于射频指纹的无线传感器网络室内定位技术进行研究,主要工作如下:(1)对RSSI值的时空关联特性进行了深入研究和分析。基于IRIS节点和MoteWorks无线传感器网络试验平台对RSSI值的时空关联特性进行了验证与分析,提出了基于无线传感器网络信标节点来实时监测时空环境变化的动态地图更新机制,同时分析了采样样本数量对RSSI分布特性的影响。(2)基于上述机制,给出了基于线性回归模型和GABP神经网络两种自适应射频指纹地图构建算法。基于线性回归模型算法是假设节点在不同位置接收到的来自同一信标节点的RSSI值近似服从线性相关性,利用该相关性来构建它们间的关联性矩阵,从而实时更新射频指纹;基于GABP神经网络的算法,则是利用遗传算法优化后的BP神经网络来估计不同位置信号强度间的非线性空间关联性实现实时射频指纹的更新。仿真结果表明,基于GABP神经网络的算法能进一步增强神经网络的非线性函数拟合度,具有较强的环境适应性。(3)在线定位阶段,针对室内移动节点定位易受环境干扰等问题,给出了基于最大后验概率的贝叶斯估计+有限状态自动机(Bayes-MAP+FSM)的复合定位算法。在该算法中,利用Bayes-MAP估计目标的初始位置,FSM计算模型则对可移动空间网格进行限制,从而减少了因室内环境布局等因素造成的不可能的位置跳变,大大提高了定位精度。最后的仿真结果表明,此复合算法能以85%的概率达到2m,100%的概率获得3m以内的定位误差,且平均定位精度可达到1.2米。