论文部分内容阅读
随着物联网的广泛应用,越来越多的无线传感器被部署,众所周知,传感器除感知被测参数外,还需明确其位置信息,没有位置信息的感知信息是没有意义的,因此无线传感器的精确定位已成为物联网技术发展中的共性关键技术问题。在众多无线定位方法中,基于接收信号强度RSS(Received Signal Strength)指纹模型的定位方法因其部署简单、硬件成本低、适用范围广等特点受到研究者的关注。但该方法存在定位误差分布不均匀、RSS指纹建模工作量大和精度低、定位精度不高的问题,本论文围绕解决以上问题展开研究,研究内容主要包括:针对定位误差分布不均匀问题。研究RSS指纹模型定位方法的定位误差分布模型,得到误差分布规律。利用该误差分布规律得到不同精度区域的划分,为基于超分辨率原理的低分辨率区域划分奠定基础,同时利用该规律亦可进一步提高定位方法的定位精度。针对传统RSS指纹建模方法工作量大、精度低的问题。提出一种基于Kriging的RSS指纹生成算法,该算法首先对定位区域的信号强度空间场进行结构分析,在充分了解该场的性质前提下,选择理论变差函数模型;然后,在无偏估计和最小估计方差的准则下,利用观测值求解理论变差函数,得到相应的权值系数;最后对待估点上的RSS指纹利用Kriging估计器进行计算。相比传统逐点采集RSS指纹的方法,只需在定位区域内采集少量点的RSS指纹,就能准确估计出其它待估点的RSS指纹,解决传统RSS指纹建模工作量大、精度低的问题。针对RSS指纹定位算法定位精度不高的问题。提出了一种基于模糊核聚类FKC(fuzzy kernel clustering)支持向量机SVM(Support Vector Machine)的定位算法,在不提高定位算法计算复杂度的前提下,采用支持SVM升维技术,提高指纹分辨率,从而提升算法的定位精度,采用模糊技术加快支持向量机的训练过程。为进一步提高定位算法的定位精度,在上述定位算法的基础上,根据定位误差模型将定位区域划分成若干个低分辨率LR(Low-Resolution)区域方案,提出了利用超分辨原理的新的定位算法,使定位算法的定位精度最高可提升50%。以上的研究成果解决了传统基于RSS指纹模型定位方法存在的问题,不仅为物联网中无线传感器的精确定位提供技术支撑,还为无线精确定位方法的研究提供了新思路。