基于DOA和TDOA的井下定位算法研究

针对目前井下定位系统对环境变化敏感、定位准确度较低的问题,介绍了基于DOA和TDOA的井下定位算法。该算法利用TDOA算法的高精度化和DOA算法的高信号角度分辨率,以DOA和TDOA算法中各自方向角度的加权平均作为信号角度,结合用TDOA算法得到的位置半径计算出移动终端坐标。仿真结果表明,该算法在复杂的环境中能够取得较稳定的性能,且定位精度较高。     

基于多传感器的水声定位精度研究

针对TDOA定位算法中几何不确定性对定位精度的负面影响,提出一种基于多传感器信息融合的水声定位算法;该算法首先对多传感器合理布阵,确定若该个TDOA定位子系统,再对每个定位子系统用TDOA算法求得目标位置信息,最后依据几何精度因子(GDOP)对得到的若干个目标位置信息进行加权融合,得到最终定位结果;利用软件仿真对算法可行性进行了验证,结果表明,与基本的五元阵定位系统相比,该算法有效消除了因几何不确定性引起的误差,大大提高了定位精度。     

一种NLOS环境下的TDOA/AOA定位算法

在LOS环境下,Chan算法有着较好的定位精度,基于Chan算法的到达时间差/到达角(TDOA/AOA)算法比Chan算法有了进一步提高。但是在NLOS环境下,这些算法的精度都将大大下降,由于AOA的测量值有较大误差,TDOA/AOA方法的精度甚至低于Chan算法。并且这些算法的主要缺点是在第一次加权最小二乘法(WLS)中把移动台的横坐标、纵坐标与移动台到服务基站的距离作为三个相互独立的变量,忽略了三者之间的相关性,因此要进行第二次WLS才能得到定位结果,且最终的解为二值根。对误差的均值和方差进行了估计,修正了TDOA与AOA测量值,用Kalman滤波算法对AOA的值进行了估计,利用移动台坐标与AOA之间的关系将三个变量简化为一个,只需一次WLS即可求得唯一解,减少了计算量,消除了根的模糊性。仿真结果表明,该方法简单,计算量小,有较高的定位精度和较好的稳健性,性能优于Chan算法和基于Chan算法的TDOA/AOA算法。     

基于RBF神经网络的TDOA/AOA定位算法

为了减小NLOS传播的影响,提出基于RBF网络的TDOA/AOA算法。利用RBF神经网络对NLOS传播的误差进行修正,使用TDOA/AOA算法进行定位。仿真结果表明该算法减小了NLOS传播的影响,在NLOS环境下有较高的定位精度,性能优于TDOA/AOA算法、Taylor算法、Chan算法和最小二乘(LS)算法。     

TDOA/AOA数据融合算法在铁路场景下的定位应用

在铁路场景下,基于通信的无线网络定位技术中的定位误差主要来自系统测量误差,且参与定位的基站数目有限。文中结合TDOA算法和AOA算法中系统测量误差在定位误差中影响的互异特性,并利用铁轨路径方程,采用TDOA/AOA数据融合算法,有效地减小了系统测量误差带来的定位影响,提高了定位精度。在仿真实验中,用定位均方根误差作为评价指标,对TDOA算法、AOA算法和TDOA/AOA数据融合算法分别在不同条件下进行仿真分析。结果表明,在铁路场景下,本算法的定位均方根误差要小于TDOA算法和AOA算法,即该数据融合算法具有更好的定位性能。     

改进粒子群优化算法在TDOA定位中的应用

针对TDOA定位估计中的非线性最优化问题,提出了一种基于改进粒子群优化的TDOA定位算法。该算法在自适应粒子群优化算法的基础上,引入禁忌搜索策略,有效地解决了粒子群优化算法容易陷入局部最优的问题,使算法快速收敛到全局最优解。仿真结果表明:该算法性能稳定,定位精度高。     

考虑锚点位置误差的井下TDOA改进算法

针对井下TDOA定位算法未考虑锚点位置误差、在测量噪声较大时定位精度严重下降的问题,提出一种考虑锚点位置误差的井下TDOA改进算法。将锚点位置误差作为参数,对TDOA定位模型进行改进,并采用基于凸优化的迭代TDOA算法对模型进行求解。仿真结果表明,当锚点位置误差为1cm时,算法定位精度可达到5cm;即使在测量噪声较大时,该算法仍可有效逼近克拉美罗下限(CRLB),优于现有的TSWLS、改进TSWLS算法。     

基于WSMO服务质量的语义Web服务发现框架

当前对Web服务进行语义描述最流行的两个框架是OWL-S和WSMO,但它们主要都是从服务功能的角度对服务进行描述,缺乏对服务质量的明确刻画,导致服务请求者难以得到最佳服务.针对此问题,对WSMO规范进行了扩展,定义了一个服务质量(QoS)的元模型--WSMO-QoS,给出了QoS的本体词汇.在此基础上提出了基于QoS的语义Web服务发现框架,并给出一个从基本描述、IOPE、QoS三个层次实现服务匹配的算法.最后,实验结果验证了该服务匹配算法的有效性.     

移动台抗NLOS定位算法研究

在CDMA的网络环境下,TDOA/AOA混合定位算法能够比Chan算法有较高的定位精度。然而随着AOA测量误差精度的下降,定位精度逐渐下降,甚至低于Chan算法的定位精度。提出了一种既能继承原算法的优良性能,又可充分利用AOA测量值信息提高定位性能的TDOA/AOA混合定位算法。实验证明,该方法的定位误差性能优于单纯的TDOA定位方法。     

未知信号传播速度的TDOA测量远近场统一定位方法

到达时间差(TDOA)测量无法根据测量值判断当前定位过程是处于近场还是远场,因此设计远近场统一解形式的TDOA定位算法对于提高源目标位置参数估计性能具有重要意义。通过建立远近场都适用的统一形式TDOA测量方程,本文提出了一种信号传播速度未知情况下远近场统一解形式的非约束最小二乘(UWLS)定位方法,该方法既适用于近场,又适用于远场,同时利用优化模型中的约束条件,设计了约束最小二乘(CWLS)定位方法,减少了估计误差,对算法的仿真结果分 析表明?所设计UWLS及CWLS算法既适用于近场?又适用于远场情况下的位置参数估计问题,随着远场距离的增加,UWLS及CWLS算法的估计误差基本保持不变,并且非常接近于克拉美罗(CRLB)下界值。     

基于SRUKF的TSOA/TDOA单站跟踪技术研究

阐述了蜂窝网系统中单台定位设备TSOA/TDOA被动式新型混合定位技术的原理.利用TSOA/TDOA混合定位的数学模型建立系统观测方程,采用受随机加速影响的匀速运动状态模型,描述了移动台的位移和速度.在此基础上推导了基于平方根无迹卡尔曼滤波的跟踪算法,并通过仿真实现了对移动台位置和速度的同时跟踪.仿真结果表明,与扩展卡尔曼滤波及无迹卡尔曼滤波算法相比,平方根无迹卡尔曼滤波算法的跟踪性能更优.     

基于高斯和滤波的高轨双星高超音速目标跟踪

针对基于高轨双星时频差观测的无源跟踪问题,提出一种适用于跟踪高超音速巡航目标GMM-AEKF算法,该算法使用基于Euler采样建立的WGS-84椭球下的目标离散时间运动方程,在已有的GMM-EKF跟踪框架的基础上引入时差均匀高斯混合（GMM）表示、替代扩展卡尔曼滤波（AEKF）和基于Kullback-Leibler散度的高斯分量管理。仿真实验结果表明,AEKF的引入使得跟踪算法的状态更新运算变为线性,其估计精度收敛速度较快,适用于高超音速目标跟踪。     

Comparative analysis of backpropagation and the extended Kalmanfilter for training multilayer perceptrons

The relationship between backpropagation and extended Kalman filtering for training multilayer perceptrons is examined. These two techniques are compared theoretically and empirically using sensor imagery. Backpropagation is a technique from neural networks for assigning weights in a multilayer perceptron. An extended Kalman filter can also be used for this purpose. A brief review of the multilayer perceptron and these two training methods is provided. Then, it is shown that backpropagation is a degenerate form of the extended Kalman filter. The training rules are compared in two examples: an image classification problem using laser radar Doppler imagery and a target detection problem using absolute range images. In both examples, the backpropagation training algorithm is shown to be three orders of magnitude less costly than the extended Kalman filter algorithm in terms of a number of floating-point operations     

非线性动态滤波的迭代算法

阐述了标称状态的线性化方法和扩展的卡尔曼滤波公式及迭代卡尔曼滤波，探讨了非线性动态滤波的近似处理方法，围绕标称状态将非线性模型进行线性化，将标准的卡尔曼滤波扩展到非线性模型，得到扩展的卡尔曼滤波公式，研究了迭代滤波计算方法。扩展的卡尔曼滤波方法已经有效地用于非线性模型。     

一种基于Taylor和Kalman的室内协同定位方法

结合Chan算法、Taylor算法及Kalman算法三种TDOA算法的优点,提出一种能应用于室内实时定位的协同方法。首先基于Chan与Taylor的协同定位方法估算位置信息,并通过对估计结果的残差设置阈值来鉴别NLOS,从而抛弃受到NLOS污染严重的测量数据。其次,再对符合条件的测量数据,利用Kalman方法计算定位结果,与Taylor方法的定位结果通过设置判别条件进行比较,以此进一步抑制NLOS干扰。对符合判别条件的定位结果,进行残差加权及移动平均加权处理,从而完成最终定位结果的更新。最后,利用室内实时定位实验,证明该方法能有效过滤受到NLOS污染严重的测距数据,提高定位精度,并且具有良好的稳定性。     

基于卡尔曼滤波的TDOA/AOA混合定位算法

提出了一种利用两次卡尔曼滤波实现非视距环境中TDOA/AOA混合定位方法。根据类正态分布密度曲线是最小二乘意义下对指数分布密度曲线的最优拟合的思想建立TDOA误差模型,先利用卡尔曼滤波对TOA测量值进行预处理以消除NLOS误差,再把经过预处理的TOA测量值输入到卡尔曼滤波器来实现TDOA/AOA混合定位。仿真结果表明,该方法的定位误差性能明显优于单纯的TDOA定位方法以及服从指数分布误差模型下的TDOA定位方法。     

基于EKF的多小波神经网络综合模型在变形预测中的应用

为了及时有效地对建筑物的变形进行预测,在对多小波、Kalman滤波与神经网络这三种变形预测和建模的有力工具研究的基础上,将多小波分析、神经网络强有力的逼近能力以及Kalman滤波的迭代计算和最优估计的优点有机地结合起来,建立了一种新的变形预测方法:基于扩展Kalman滤波(简称为EKF)的多小波神经网络变形预测模型;通过变形预测实验表明该方法具有较高的精度,较快的速度,是一种能快速高效精确预测变形体变形的方法。     

基于双扩展卡尔曼滤波的电池荷电状态估计

以磷酸铁锂动力电池为研究对象,以精确估算电动汽车动力锂电池组在实际运行工况中的SOC为目的,基于Thevenin等效电路模型和扩展卡尔曼滤波算法,结合脉冲功率特性实验（HPPC Test）对模型参数进行辨识,采用双扩展卡尔曼滤波对SOC和模型参数进行在线估算,并分析算法在不同温度下的适应性和不同SOC初始值条件下的收敛特性。仿真结果表明,在不同的工况下,相比于单扩展卡尔曼滤波该算法具有更高的精度、更好的环境适应度和对初始误差的收敛性。     

一种鲁棒自适应推广Kalman滤波及其在飞行状态估计中的应用

本文在自适应推广Kalman滤波基础上，为了防止滤波发散，改善自适应Kalman滤波的数值稳定性和计算效率，利用U－D分解滤波，并引进滤波发散的判据等，提出一种鲁棒自适应推广Kalman滤波新算法，并把该算法应用于飞行器飞行状态估计问题，仿真及实际计算结果证明了本文方法的有效性。