基于小波变换的AOA定位算法

提出了一种在非视距(NLOS)环境下对移动台的定位算法。首先利用小波分析对AOA的测量值中的NLOS进行修正,再利用最小二乘(LS)算法确定移动台的位置。仿真结果表明,该算法能够有效地降低非视距环境误差的影响,性能优于基于AOA的LS算法以及神经网络算法。     

非视距传播下LTE的频率定位算法

基于单次反射信道模型,针对LTE通信网络在非视距传播环境下提出了一种基于频率的定位算法。首先根据信道传输模型计算路径损耗,再由路径损耗计算移动台与基站之间的距离,然后利用BP神经网络修正NLOS误差,最后利用最小二乘LS定位算法进行移动台定位。仿真结果表明,该基于频率的移动台定位算法定位精确,效果良好。     

非视距传播环境下的AOA定位跟踪算法

基于几何结构的单次反射统计信道模型,提出了一种在非视距(NLOS)传播环境下对移动台的到达角(AOA)的定位与跟踪算法.首先利用径向基函数(RBF)神经网络对NLOS误差进行修正,再利用最小二乘(LS)算法进行移动台位置估计,然后配合相关检测距离门对移动台进行跟踪.仿真结果表明,该跟踪算法能够有效地实现移动台的静态定位...     

基于BP神经网络的定位跟踪算法

提出了一种在NLOS环境下对移动台的定位与跟踪算法。利用BP神经网络对TDOA测量值中NLOS误差进行修正,再利用Chan算法进行移动台位置估计,配合相关检测距离门对移动台进行跟踪。仿真结果表明,该跟踪算法能够有效地实现移动台的静态定位与动态跟踪,性能优于基于Chan算法、LS算法、Taylor算法的静态定位与动态跟踪。     

基于粒子群优化神经网络的无线定位算法

对于传统的对移动台的定位,提出了一种基于粒子群(PSO)优化神经网络的算法。这一PSO-BP算法首先利用PSO对神经网络传统的目标函数及参数进行优化,再利用改进后的BP神经网络对非视距误差(NLOS)进行修正,最后利用算法LS进行移动台的定位。仿真结果表明,该基于PSO的神经网络定位算法寻优效果稳定,预测误差小,具有可行性。     

一种智能化区域无线网络的移动台动态定位算法

无线网络影响因素较多,总是无法避免地产生定位误差,为取得更好的可靠性与精准度,针对智能化区域无线网络,提出一种移动台动态定位算法.构建基于到达时延差的约束加权最小二乘算法,获取到达时延差信息,根据移动台对应服务基站获取的移动台到达时延差与到达角度数据,利用约束加权最小二乘算法多次更新定位估计,结合小波变换,架构到达时延差/到达角度混合定位算法,依据智能化区域无线网络环境的到达时延差数据采集情况,将估算出的移动台大致位置设定为不同种类定位结果,通过多次估算实现移动台动态定位.选取不同无线网络环境展开移动台动态定位仿真,分别从到达时延测量偏差、区域半径以及移动台与其服务基站间距等角度验证算法定位效果,由实验结果可知,所提算法具有理想的干扰因素抑制能力,且定位精准度较高.     

一种基于AHP的数据融合无线定位算法

针对LTE网络,在非视距传播环境下提出了一种基于层次分析法的混合定位算法以提高定位的鲁棒性。利用AOA、TDOA、PDOA得到相应测量值,利用得到的测量值分别估算出移动台的位置;再针对三种算法各自特点利用层次分析法构造对比矩阵,计算出权重向量;最后根据层次分析法进行数据融合得到移动台最后的估计位置。仿真结果表明,该基于层次分析法数据融合的移动台定位算法准确,提高了定位鲁棒性。     

无线蜂窝系统中的定位与技术研究

无线网络中的定位现今主要是由基于移动台的定位技术、基于移动网络的定位技术、基于GPS定位技术三种类型来实现。本文将重点介绍移动台的定位和移动网络的定位两种定位技术。移动台定位包括估计定位参数,根据参数选择合适的算法求出移动台的位置。移动网络定位主要是根据利用信号到达的方位角(AOA)进行无线定位,根据利用信号到达时间(TOA)进行无线定位,根据利用信号到达时间差(TDOA)进行无线定位。     

基于RBF神经网络的AOA定位算法

基于几何结构的单次反射统计信道模型,提出了基于RBF神经网络的AOA定位算法。应用RBF神经网络对非视距传播（NLOS）误差进行修正,然后利用最小二乘（LS）算法进行定位。仿真结果表明：该算法减小了NLOS传播的影响,提高了系统的定位精度,性能优于LS算法。     

基于小波神经网络的人脸识别

利用最近在小波变换、人工神经网络和证据理论上取得的进展来进行人脸图像的识别.由于小波变换在时间和频率空间具有良好的定位特性,使小波神经网络可对输入、输出数据进行多分辨的学习训练.将小波变换和反向传播神经网络理论结合,设计一种小波神经网络结构,介绍了神经网络的数学框架和该网络的学习算法,把此算法用到人脸识别中, 实验结果证明小波神经网络在人脸识别中收敛速度快、识别率高.