💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥
✅博主简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,Matlab项目合作可私信。
🍎个人主页:Matlab仿真科研站博客之家
🏆代码获取方式:
💥扫描文章底部QQ二维码💥
⛳️座右铭:行百里者,半于九十;路漫漫其修远兮,吾将上下而求索。
⛄更多Matlab信号处理(仿真科研站版)仿真内容点击👇
Matlab信号处理(仿真科研站版)
⛄一、RSSI无线定位简介
1 引言
随着移动通信技术的飞速发展,利用蜂窝网络对移动台进行定位将逐渐成为蜂窝网络的一项重要的基本功能,美国联邦通信委员会(FCC)早在1996年就公布了E一911定位服务标准川。目前,国内的联通公司已经在某些城市试验开通了此项业务。因此,无线定位技术成为近年来的一个研究热点、利用用户的位置信息,不但能为移动用户提供安全保障,还可以增加移动通信系统性能、有效管理网络资源、调节系统容量、实现灵活收费、提供信息服务等、室内定位技术近几年发展比较迅速。
无线传感器节点定位服务在当今社会中正在扮演着越来越重要的角色,它逐渐取代了传统高额费用的定位系统,是一种全新的定位信息获取平台.定位难点在于硬件资源有限性、能源有限性与精度.目前无线定位根据采用的定位参量(或者位置线)不同可以分为基于测距算法(圆位置线定位)和无需测距算法(双曲线位置线定位)、测距和定位(椭圆位置线定位)、测角定位(直线位置线定位)和混合定位(混合位置线定位)几种类型。根据对定位参数的处理办法不同,无线电定位算法可分为基于集合结构的位置线交叉定位方法和统计定位定位方法;根据应用场合不同可以分为视距定位算法和非视距定位算法。基于测距算法通过测量节点间的距离或角度信息,使用三边测量、三角测量或最大似然估计定位法计算节点位置.无需测距定位算法则不需要距离和角度信息,算法根据网络连通性等信息来实现节点定位.
2 RSSI均值定位技术
理想环境下比较常用的定位算法为加权质心定位算法.实际应用中定位信息随机性较大,极容易受到外界干扰,故在定位算法的基础上,对RSSI信号强度指.a值的处理显得尤为重要.
基于RSSI的测距方法中,己知发射节点的发射信号强度,接收节点根据收到信号的强度,计算出信号的传播损耗,利用理论和经验模型将传输损耗转化为距离。RADAR就是一个基于RSSI的室内定位系统。由于传感器节点本身具有尤线通信能力,所以基于RSSI的测距尤击额外的硬件设备,是一种低功率、廉价的测距技术,但是因为尤线信号受反射、多径传播、非视距传播等问题影响,使得相同距离产生显著不同的传播损耗,是一种较粗糙的测距技术.
2.1.1传统模型分析RSSI
随机数模型表格是指当信标节点采集到一个RSSI值则马上进行定位计算.该模型优点在于定位实时、运算量小,适用于处理速率较低的硬件平台.该模型容易受到外界干扰。
统计均值模型是信标节点采集一组n个RSSI值,然后求这些数据的均值.该模型可以通过调节n来平衡实时性与精确性,当n很大时可以有效解决定位数据随机性,但计算量会相应增加.该模型在处理大扰动时效果不是很好。
2.1.2 高斯模型分析RSSI
RSSI是一种指小当前介质中电磁波能量大小的数值,单位为dm-m. RSSI值随距离增加而减小,信标节点可以通过RSSI值计算出未知节点与它的距离.电磁波能量尸与路径:的关系模型为
P=a(1/r)(1/r) ( 1 )
其中,a为待定系数,p为能量值,r为距离。
在实际应用环境中,由于多径、绕射、障碍物等因素,RSSI值与理论值有些差异,所以式(1)中的待定系数随不同应用环境会有所变化.在实际测量过程中RSSI有一个随机分量x o,即实际测量的数值在一个稳定值附近变动,本文得出了高
斯模型:
Po=P+X0 ( 2 )
其中,po服从高斯分布,即po~[m,℮],密度函数为
本文在每个距离点上采集20次RSSI值,并以这20个RSSI值中的最大值、最小值、平均值做出3条曲线,如图1所小.从图中可以看出曲线变化规律符合式(( 1),并民可以看出未知节点到信标节点的距离越近,RSSI的最大值和最小值相差越小,即距离与RSSI值的对应关系越好;从图2中可以看出,RSSI值的方差随着距离的增加而增加·当方差大到一定程度时,测得的数据随机偏差很大,RSSI值变得非常敏感,这个时候采集到的数据儿乎不可用.基于以上分析,本文提出RSSI敏感区与RSSI非敏感区的概念
高斯分布处理数据原则:一个信标节点在同一位置可能收到n个RSSI,其中必然存在着小概率事件.通过高斯模型选取高概率发生区的RSS I值,然后再取其儿何均值,这种做法减少了一些小概率、大干扰事件对整体测量的影响,增强了定位信息的准确性。
高斯模型解决了RSSI在实际测试中易受干扰、稳定性差等问题,提高了定位精度·但是高斯模型只能消除小概率短暂的扰动,而对室内定位墙壁对RSS I的能量反射等长时间干扰问题效果就会受到影响。
2 等边三角形定位算法
若末知节点在信标节点的敏感区内则只要RSSI值一次小小的随机变化就会造成测距结果的偏差.为了确保定位精度,本文提出等边三角形定位算法,保证了未知节点运动轨迹始终在信标节点的非敏感区内,从而在定位算法上使测量精度得到提高.
2. 1 三边测量法
节点定位算法很多,三边测量法[6]是最典型的一种.通过RSSI值得出未知节点到3个信标节点的距离,通过这3个距离值计算出未知节点的位置.
如图3所小,当信标节点p 1, p2, p3收到未知节点P发出的定位信号时,根据RSSI值,可以得到P1到P,P2到P,P3到P的距离d1i, d2, d3;分别以P1,p2,P3为圆心,d1,d2, d3为半径作圆,通过这3个圆可以定出未知节点。
2. 2 等边三角形定位算法模型
通常室内RSSI的敏感区出现在节点5m以外,故本文需要布置信标节点,使未知节点出现在信标节点非敏感区内,信标节点分布模型如图4
⛄二、部分源代码
%reader1 (0 0) 0 reader2 (10 0) reader3(0 10) reader4(10 10)
%tag 被追踪的目标tag(tag_x,tag_y) 为区域内随机分配的20个点
clear all
reader_x=[0 10 0 10];% 信号接收端横坐标
reader_y=[0 0 10 10];%纵坐标
BorderLength=10;
C=BorderLength.rand(2,20); %随机分布的移动节点坐标
Sxy=[1:20;C];
UN=[Sxy(2,1:20);Sxy(3,1:20)];
plot(Sxy(2,1:20),Sxy(3,1:20),‘ro’);
hold on
matrix(3,4,20)=1; %定义三维数据组 matrix(a,b,:) reader_a接收到reader_b的信号窗口中的随机变量,即3行4列的20个矩阵
% matrix(i,j,:)=a(i)-10n(i)log10(dist(i,j))-random(‘norm’,0,9,1,20);
% random(‘norm’,0,9,1,20)中的’norm’指定是正态分布,后面的0,9,1,20则是正态分布需要的参数,分别是均值、方差、行、列
dist(3,4)=1; %定义距离数组
mean_rssi(3,4)=1; %每一个窗口的平均值
st_de=3; %定义方差
r=1; %迭代次数为50
while(1)
if(r>50)
break;
end
st_de1=0;
for i=1:3
for j=1:4
dist(i,j)=sqrt((reader_x(i)-tag_x(j))2+(reader_y(i)-tag_y(j))2);
matrix(i,j,:)=a(i)-10n(i)log10(dist(i,j))-random(‘norm’,0,9,1,20);
mean_rssi(i,j)=mean(matrix(i,j,:));
st_de1=st_de1+(std(matrix(i,j,:)))^2;
end
end %maxrix(i,j,:)表示第i个reader 与第j个tag的p阵 dist(i,j)的距离
st_de1=sqrt(st_de1/Nr/Ni);%方差
for i=1:3
for j=1:3
if(j~=i)
n(i,j)=(mean_rssi(i,i)-mean_rssi(i,j))/(10log10(dist(i,j)/dist(i,i)));
a(i,j)=mean_rssi(i,j)+10*n(i,j)*log10(dist(i,j));
else
n(i,j)=0;
a(i,j)=0;
end
end
mean_n(i)=mean(n(i,:))*3/2; %得到reader的n和a值
mean_a(i)=mean(a(i,:))*3/2;
end
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]于泉,徐保国.无线传感器网络中改进的 DV-Hop 算法[J].计算机工程与应用. 2015
3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化
2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类
2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测
2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测
3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别
3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建
4 路径规划方面
4.1 旅行商问题(TSP)
4.1.1 单旅行商问题(TSP)
4.1.2 多旅行商问题(MTSP)
4.2 车辆路径问题(VRP)
4.2.1 车辆路径问题(VRP)
4.2.2 带容量的车辆路径问题(CVRP)
4.2.3 带容量+时间窗+距离车辆路径问题(DCTWVRP)
4.2.4 带容量+距离车辆路径问题(DCVRP)
4.2.5 带距离的车辆路径问题(DVRP)
4.2.6 带充电站+时间窗车辆路径问题(ETWVRP)
4.2.3 带多种容量的车辆路径问题(MCVRP)
4.2.4 带距离的多车辆路径问题(MDVRP)
4.2.5 同时取送货的车辆路径问题(SDVRP)
4.2.6 带时间窗+容量的车辆路径问题(TWCVRP)
4.2.6 带时间窗的车辆路径问题(TWVRP)
4.3 多式联运运输问题
4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划
4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划
4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配
5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏
6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏
7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断
7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真
7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真
7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰
7.5 无人机通信
7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置