采用0.18μm RF CMOS工艺设计了一种具有宽输入动态范围的接收信号强度指示器(RSSI)。采用逐级检波式对数放大器结构,以分段线性近似法实现对数传输特性,使RSSI输出电压正比于输入功率的对数值。电路采用直流耦合方式以降低寄生参数并...采用0.18μm RF CMOS工艺设计了一种具有宽输入动态范围的接收信号强度指示器(RSSI)。采用逐级检波式对数放大器结构,以分段线性近似法实现对数传输特性,使RSSI输出电压正比于输入功率的对数值。电路采用直流耦合方式以降低寄生参数并减少电路面积,并采用直流失调消除环路(DCOC)解决直流耦合方式所带来的直流偏移电压影响,有效降低直流失调和低频噪声。仿真结果显示,该RSSI可检测输入信号动态范围大于60 d B,对数精度小于±1 d B。采用1.8 V电源电压供电,电路总电流消耗为11 m A,芯片核心面积为0.23 mm2。展开更多
针对基于ZigBee网络的节点接收信号强度指示(received signal strength indication,RSSI)在复杂环境测量会产生偏差的问题,提出一种基于混合滤波的无线网络测距算法。该方法在运用卡尔曼滤波的基础上融合了基于中值自适应加权高斯滤波...针对基于ZigBee网络的节点接收信号强度指示(received signal strength indication,RSSI)在复杂环境测量会产生偏差的问题,提出一种基于混合滤波的无线网络测距算法。该方法在运用卡尔曼滤波的基础上融合了基于中值自适应加权高斯滤波的混合滤波,首先用卡尔曼滤波算法去除波动性较大的RSSI值,再利用中位值抗差性原理和自适应函数降低RSSI数据的波动。仿真实验结果表明,混合滤波无线网络测距算法能够较大程度减小异常值带来的波动,有效提高RSSI采样精度。展开更多
LoRa无线通信技术因其传输距离较远、功耗较低,满足了混交林中大规模节点传输汇聚的要求,可作为林业物联网数据采集的主要通信方式来使用。利用接收信号强度指示(Received Signal Strength Indication,RSSI)分析了470 MHz无线信号传输...LoRa无线通信技术因其传输距离较远、功耗较低,满足了混交林中大规模节点传输汇聚的要求,可作为林业物联网数据采集的主要通信方式来使用。利用接收信号强度指示(Received Signal Strength Indication,RSSI)分析了470 MHz无线信号传输中的电波路径损耗问题,通过对测得的叶面积指数(Leaf Area Index,LAI)、降雨率(Rain Rate)和距离(Distance)等特征变量进行训练学习,分析了基于机器学习的林间信号衰减预测模型。通过对基于BP神经网络、支持向量机和随机森林3种模型的比较,得出最优结果是随机森林,拟合的决定系数(R^(2))为0.928,均方根误差(RMSE)为3.17,具有很好的稳定性。通过构建的模型,可为混交林的无线网络路由节点布局规划提供重要参考。展开更多
文摘采用0.18μm RF CMOS工艺设计了一种具有宽输入动态范围的接收信号强度指示器(RSSI)。采用逐级检波式对数放大器结构,以分段线性近似法实现对数传输特性,使RSSI输出电压正比于输入功率的对数值。电路采用直流耦合方式以降低寄生参数并减少电路面积,并采用直流失调消除环路(DCOC)解决直流耦合方式所带来的直流偏移电压影响,有效降低直流失调和低频噪声。仿真结果显示,该RSSI可检测输入信号动态范围大于60 d B,对数精度小于±1 d B。采用1.8 V电源电压供电,电路总电流消耗为11 m A,芯片核心面积为0.23 mm2。
文摘针对基于ZigBee网络的节点接收信号强度指示(received signal strength indication,RSSI)在复杂环境测量会产生偏差的问题,提出一种基于混合滤波的无线网络测距算法。该方法在运用卡尔曼滤波的基础上融合了基于中值自适应加权高斯滤波的混合滤波,首先用卡尔曼滤波算法去除波动性较大的RSSI值,再利用中位值抗差性原理和自适应函数降低RSSI数据的波动。仿真实验结果表明,混合滤波无线网络测距算法能够较大程度减小异常值带来的波动,有效提高RSSI采样精度。
文摘LoRa无线通信技术因其传输距离较远、功耗较低,满足了混交林中大规模节点传输汇聚的要求,可作为林业物联网数据采集的主要通信方式来使用。利用接收信号强度指示(Received Signal Strength Indication,RSSI)分析了470 MHz无线信号传输中的电波路径损耗问题,通过对测得的叶面积指数(Leaf Area Index,LAI)、降雨率(Rain Rate)和距离(Distance)等特征变量进行训练学习,分析了基于机器学习的林间信号衰减预测模型。通过对基于BP神经网络、支持向量机和随机森林3种模型的比较,得出最优结果是随机森林,拟合的决定系数(R^(2))为0.928,均方根误差(RMSE)为3.17,具有很好的稳定性。通过构建的模型,可为混交林的无线网络路由节点布局规划提供重要参考。
