无传感器网络目标定位与轨迹跟踪仿真系统

资 源 简 介

本项目专注于研究并实现一般被称为Device-free Passive Localization（设备非依赖无源定位）的技术，即在目标不携带任何电子标签或传感器的情况下，利用无线传感器网络本身射频信号（如RSSI接收信号强度）受物理阻挡、反射或散射产生的变化来感知目标位置。在MATLAB环境中构建完整的仿真系统，具体涵盖以下功能模块：1. 网络环境搭建：模拟生成监测区域，支持随机或规则布置无线收发节点，构建密集的无线链路网络；2. 信号扰动建模：基于对数正态阴影模型（Log-normal Shadowing Model）及衍射理论，模拟目标物体进入监测区域时对特定链路信号造成的衰减（Shadowing Effect）；3. 异常链路检测：通过滑动平均或方差分析算法，实时识别并提取受目标影响的链路集合；4. 定位核心算法：实现基于几何的定位方法（如加权质心算法、椭圆交叉定位法）或基于无线电层析成像（Radio Tomographic Imaging, RTI）的图像重建算法，计算目标的坐标位置；5. 轨迹平滑与跟踪：集成卡尔曼滤波（Kalman Filter）或粒子滤波算法，对离散的定位结果进行时域平滑，提高移动目标的跟踪精度；6. 性能评估与可视化：提供图形化界面展示节点分布、受扰动链路、真实轨迹与估计轨迹的动态对比，并自动计算均方根误差（RMSE）及生成累积分布函数（CDF）图以量化评估算法性能。

详 情 说 明

无传感器网络目标定位算法研究与实现

项目简介

本项目旨在MATLAB环境中构建一个完整的无传感器（Device-free）无源定位仿真系统。该系统利用无线传感器网络本身射频信号（RSSI）受物理阻挡产生的阴影效应（Shadowing Effect），在目标不携带任何电子标签的情况下感知其位置。

核心技术基于无线电层析成像（Radio Tomographic Imaging, RTI）理论，结合卡尔曼滤波（Kalman Filter）对移动目标进行轨迹跟踪和平滑，并提供可视化的性能评估工具。

功能特性

• 无线网络环境构建：模拟10x10米监测区域，支持由20个无线节点构成的密集全连接网络，节点均匀分布在区域四周。
• 信号扰动与阴影建模：基于对数正态阴影模型，通过几何计算模拟目标物体遮挡“发射机-接收机”链路时产生的信号衰减。
• RTI 图像重建：采用基于椭圆模型的权重计算方法，利用带正则化的最小二乘法重建监测区域的信号衰减热力图。
• 高精度轨迹跟踪：集成CV（恒速）模型的卡尔曼滤波器，有效地融合观测数据，平滑定位轨迹并降低噪声干扰。
• 多维度性能评估：自动计算均方根误差（RMSE）和累积分布函数（CDF），并通过多子图界面实时展示RTI成像效果、链路状态及轨迹对比。

系统要求

• MATLAB R2016a 或更高版本
• Statistics and Machine Learning Toolbox（用于绘制CDF图）

使用方法

1. 确保MATLAB路径中包含本项目脚本。
2. 直接运行主函数。
3. 系统将自动清理工作区，开始仿真循环，并在计算结束后弹出可视化窗口和在命令行输出RMSE评估结果。

核心算法与实现细节

本项目代码完全在一个主函数中实现，逻辑流程如下：

1. 网络拓扑与环境初始化

• 区域定义：设定10x10米的仿真空间。
• 节点部署：代码通过逻辑计算，将20个传感器节点均匀排列在矩形区域的四条边上（上、下、左、右）。
• 链路构建：生成全网络拓扑，即所有节点两两互联（Full Mesh），计算总链路数 $N(N-1)/2$。

2. RTI 权重矩阵预计算（基于椭圆模型）

• 网格划分：将监测区域划分为0.5x0.5米的像素网格。
• 权重计算：遍历所有链路与所有像素点。采用椭圆模型判断像素是否在于特定链路的菲涅尔区（Fresnel Zone）内。
• 判定条件：若 $d_{Tx, pixel} + d_{Rx, pixel} < d_{link} + lambda$，则认为该像素影响该链路信号。权重值设为链路长度的倒数平方根，并构建稀疏矩阵 $W$。

3. 目标运动与信号测量仿真

• 真实轨迹：生成“8”字形的连续移动轨迹模拟目标运动。
• 阴影效应判定：在每一仿真步，计算目标坐标到每条链路（线段）的垂直距离以及投影点位置。仅当目标位于链路之间且距离小于目标半径时，判定为“遮挡”。
• RSSI生成：

* 基准信号：基于对数距离路径损耗模型计算空载RSSI。 * 测量信号：若判定遮挡，在基准信号基础上减去固定衰减值（6dB）并叠加高斯白噪声；若无遮挡，仅叠加噪声。 * 差分提取：计算 $|RSSI_{测量} - RSSI_{基准}|$，并设置阈值（1.0）滤除微小噪声，提取显著受扰动的差分向量 $y$。

4. 图像重建与坐标定位

• 线性反演：构建线性方程组 $y = Wx + n$。
• 正则化求解：由于问题具有病态性（Ill-posed），代码使用 Tikhonov 正则化求解图像向量 $x$。公式实现为 $x = (W^TW + alpha I)^{-1} W^T y$。
• 坐标提取：将求解出的图像向量重塑为二维矩阵，寻找灰度值最大的像素中心作为RTI估算的原始目标位置。

5. 卡尔曼滤波跟踪

• 状态空间模型：建立常速（CV）模型，状态向量包含 $[x, y, v_x, v_y]$。
• 参数配置：设定状态转移矩阵 $F$、观测矩阵 $H$（仅观测位置）、过程噪声 $Q$ 和观测噪声 $R$。
• 迭代更新：在每一步利用RTI解算的坐标作为观测值，执行“预测-校正”循环，输出平滑后的估计坐标。

可视化与结果展示

仿真结束后生成的图形窗口包含四个子图：

1. RTI成像热力图：展示仿真中间时刻的信号衰减分布成像，并标记真实目标位置与传感器节点，直观反映算法对目标位置的响应。
2. 网络链路状态：动态绘制网络拓扑，将判定为受目标遮挡（扰动）的链路用红色高亮显示，展示阴影效应的几何分布。
3. 轨迹跟踪对比：在同一坐标系下绘制真实轨迹（黑色实线）、RTI原始估计轨迹（绿色虚线）和卡尔曼滤波后轨迹（红色点线），直观对比跟踪效果。
4. 定位误差CDF：绘制“RTI原始误差”与“滤波后误差”的累积分布函数曲线，用于量化分析定位精度的概率分布情况。

命令行窗口将同步输出两种方法的均方根误差（RMSE）数值统计。