论文部分内容阅读
室内定位技术在诸多领域中得到了广泛应用,成为重要的研究对象之一。准确获取室内节点位置信息,是完成其它各项工作的基础。优化的定位算法可以有效地降低无线信道的影响,并利用较少的网络资源获取较高的定位精度。本文主要研究基于人工神经网络(ANN)和Heron公式的室内节点定位算法,仿真实验环境是由Python语言搭建。(1)针对RSSI测距受室内环境影响的问题,结合ANN有良好数据拟合能力,较强的去噪声性能和支持并行计算等特点,研究基于ANN的测距方法。首先分析了无线信号传播与无线信道的特性和ANN网络的参数结构以及训练方案;然后实验对比不同网络结构对收敛速度和时间开销的影响,确定网络的参数;最后利用WSN中部署的锚节点训练ANN模型,并利用模型完成测距功能。仿真实验证明,该方法能够有效的抑制噪声对测距的影响,并且有较好的拟合能力。(2)基于Heron公式的定位方法,首先是利用Heron公式测试未知节点是否在邻居节点所围成的三角形内,然后将判定结果记录到网格数组中,通过Heron测试遍历邻居节点所组成的三角形,最后计算网格最大值区域的质心作为估计坐标。该算法有较好的定位精度,且鲁棒性较好。(3)将ANN测距与Heron定位所结合,提出了 ANN-H的室内定位算法。通过仿真实验证明了该算法的可行性,且克服了传统定位算法受网络拓扑结构和部署环境的影响,降低了传统RSSI测距所带来的误差。该方法有很好的鲁棒性与自适应能力,同时提高了抗干扰能力,定位精度优于传统的质心算法。