高斯-牛顿法在基于能量的目标定位中的运用

将基于能量的最大似然法的目标定位问题转化为求解非线性最小二乘问题,并引入高斯-牛顿法来求解目标函数最小值,通过分析目标函数的特点,提出了能量法定位中高斯牛顿迭代的初始值和步长的选取原则,防止了迭代算法进入局部最小。这种算法在保证搜索法的定位精度的前提下,提高了定位速度,实现了精度与速度的结合。     

利用时差的单站无源相干定位最大似然算法

针对利用单个观测站接收多个第三方辐射源信号来估计目标位置的无源相干定位问题,提出了一种基于最大似然的时差定位算法。首先根据时差测量与目标位置之间的函数关系,构建目标位置的似然函数;然后采用牛顿迭代算法求解非线性似然函数的全局极大值,从而得到目标位置估计;推导了目标位置的最小二乘解,并将其作为牛顿迭代的初始解,从而保证算法的收敛性;最后还推导了算法的理论误差和克拉美罗界,并证明两者相等。仿真结果表明,算法的定位精度优于现有算法,且在测量误差适中时,定位精度可以达到克拉美罗界。通过几何精度因子图,分析了目标位置、外辐射源数量和位置等因素对定位精度的影响。     

利用外辐射源的TDOA和FDOA目标定位算法

针对单站外辐射源条件下的目标定位问题,提出了一种基于最大似然的时差-频差联合定位算法。首先根据时差和频差的观测方程,构建目标位置和速度的最大似然估计模型。然后采用牛顿迭代算法对最大似然估计模型求解,得到目标位置和速度估计。最后,推导了算法的克拉美罗界和理论误差,并证明了二者相等。仿真结果表明,算法定位精度高于两步加权最小二乘算法和约束总体最小二乘算法,在测量误差较高时仍能达到克拉美罗界。通过对系统几何精度因子图的分析,确定目标及外辐射源数量和位置也是影响定位精度的重要因素。     

扫描辐射源的最大似然定位算法

针对运动扫描辐射源的扫描速率未知的情况,提出一种最大似然定位算法.该算法将各个时差量测分别投影到目标状态空间,通过对目标状态进行修正、迭代和融合实现对扫描速率和目标状态的最大似然估计,同时避免联合估计方法对运动目标的定位精度不足的问题.此外,针对扫描辐射源定位的特点,重新推导分析误差项,从而改进瞬时定位算法.仿真结果表明,所提出的最大似然定位算法及其改进方法是有效的,后者的定位精度接近CRLB.     

基于AIUKF的WSN节点定位算法

针对无线传感器网络节点定位精度不足的问题,在无迹卡尔曼滤波( UKF)的基础上,结合迭代约束条件和自适应因子,提出了一种自适应迭代无迹卡尔曼滤波( AIUKF)算法。根据基于测距的节点定位模型,采用RSSI进行测距,以极大似然估计法进行节点初步定位,利用AIUKF算法对节点进行精确定位,并且直接以RSSI作为系统的观测量。仿真结果表明,本文提出的基于AIUKF的定位算法相比EKF和UKF算法具有更高的定位精度。     

基于粒子群算法的传感器网络室内定位系统优化

通过接收信号强度指示(RSSI)和欧氏距离的非线性函数映射关系来进行弱移动目标的距离估计.以最大似然估计(MLE)法为基础,结合电磁波在自由空间中的传播特性,重新构建基于粒子群优化(PSO)定位算法的适应度函数来提高无线定位精度.并提出了一种惯性权重优化的自适应学习机制来优化全局搜索能力和局部搜索精度,提升定位算法的容错能力.测试结果表明:本室内定位算法具有抗干扰强、鲁棒性好和无线定位精度高等优点.     

基于遗传算法和模拟退火算法的TDOA定位技术

提出一种基于遗传算法与模拟退火算法的TDOA定位估计算法,该算法通过对求解定位坐标计算时的最大似然函数进行求解,实现了利用所有TDOA测量值对移动台的定位估计。该算法采用实数编码,自适应交叉率和变异率实现遗传算法的全局搜索,引入模拟退火的Boltzmann机制,解决遗传算法容易陷入局部最优的问题。实验结果表明,该算法定位精度高、收敛速度快。     

非均匀环境下传感器网络节点精确定位算法

传统的最大似然算法定位精度不高,不对称链路对距离矢量算法复杂度较高且节点的定位精度较低。针对传统的无线传感器节点定位算法的精度不高和计算较复杂等因素,结合二维传感网络建立了定向节点扩散机制,考虑了均方根误差与衰减系数、未知节点与定位误差之间的定量关系以及自由空间中的信号衰减,基于非均匀环境下的无线传感器网络,提出了一种节点精确定位算法。仿真结果表明,提出算法的节点定位精度要优于传统的最大似然算法和不对称链路对距离矢量算法。     

基于MCMC的无线传感器网络目标定位算法

为解决基于时延和多普勒频率的无线传感器网络运动目标定位问题,提出一种基于马尔科夫链-蒙特卡罗(Markov-chainMonte-Carlo,MCMC)的直接定位算法。基于最大似然准则从各传感器节点接收信号模型中推导目标位置和速度估计的优化函数;针对该优化函数难以得到闭式解的问题,将优化函数转化为马尔科夫链的稳态分布,利用MCMC方法对目标位置和速度参数分布进行抽样,得到目标位置和速度参数的样本,通过统计样本均值得到目标位置和速度的估计值。实例仿真计算结果表明,该算法比现有算法具有更高的定位精度、稳健性和计算效率,在一般信噪比条件下,性能逼近克拉美罗界。     

基于目标驱动的多层MLLR自适应算法

本文在对语音识别中基于自适应回归树的极大似然线性变换(MLLR)模型自适应算法深刻分析的基础上,提出了一种基于目标驱动的多层MLLR自适应(TMLLR)算法。这种算法基于目标驱动的原则,引入反馈机制,根据目标函数似然概率的增加来动态决定MLLR变换的变换类,大大提高了系统的识别率。并且由于这种算法的特殊多层结构,减少了许多中间的冗余计算,算法在具有较高的自适应精度的同时还具有较快的自适应速度。在有监督自适应实验中,经过此算法自适应后的系统识别率比基于自适应回归树的MLLR算法自适应后系统的误识率降低了10% ,自适应速度也比基于自适应回归树的MLLR算法快近一倍。     

基于加强学习与联想记忆粒子群优化算法的节点定位

提出了加强学习与联想记忆的粒子群优化算法,并将该算法应用到无线传感器网络的节点定位中。在RSSI模型测距产生的不同误差情况下,分别比较极大似然估计法和加强学习与联想记忆的粒子群优化算法产生的定位误差、定位方差,证明了加强学习与联想记忆的粒子群优化算法是一种收敛快、精度高、稳定性好的优化算法,适合应用在无线传感器网络节点定位中。     

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

基于帝国主义竞争算法的WSNs定位方案

遗传算法(GA)在无线传感器网络(WSNs)定位时存在收敛速度慢、精度低等弊端,针对以上问题,提出了一种利用帝国主义竞争算法(ICA)优化WSNs定位的方案。首先,使用了采样的方法来估计未知节点的初始位置;其次,依靠信标节点和相邻节点的相关信息建立了以最小化全局误差的三维空间的数学定位模型;最后,使用了最新的社会启发算法—ICA来进行定位优化。实验结果表明:与GA定位相比,ICA在WSNs定位上具有定位精度高、收敛迅速的优势。     

优化混合蛙跳算法的WSN三维定位方法

根据传统混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）收敛速度较慢、局部最优的不足,提出了优化混合蛙跳算法（Optimized Shuffled Frog Leaping Algorithm,OSFLA）,并将其应用于无线传感器网络（WSN）节点三维定位。在三维定位中运用极大似然法进行粗略定位,对锚节点进行加权处理,设定搜索区域,再使用优化蛙跳算法进行迭代求精。仿真实验结果表明：优化混合蛙跳算法（OSFLA）比混合蛙跳算法（SFLA）具有更高的收敛速度和定位精度,同时更加适合于锚节点数较少场合。且在三维定位中与常用的几种算法相比OSFLA算法在定位精确度和稳定性方面都具有一定的提高。     

基于蝙蝠拟牛顿混合算法的无线传感器网络节点定位

针对距离矢量-跳数(DV-Hop)算法第三阶段中最小二乘法定位精度低的问题,提出一种蝙蝠-拟牛顿混合算法与DV-Hop算法融合的定位算法.首先对蝙蝠算法进行两点改进:1)根据蝙蝠个体的适应度值自适应调节随机向量β,使得脉冲频率具有自适应能力;2)利用当前迭代之前所有最优个体的平均位置来引导蝙蝠移动,使得速度具有变异性能;然后在DV-Hop算法第三阶段采用改进蝙蝠算法得出节点的估计位置,再利用拟牛顿算法以估计位置为初始点继续搜索节点位置.仿真结果表明:相比传统DV-Hop算法和基于蝙蝠算法的DV-Hop改进算法(BADV-Hop),该算法的定位精度大约提高了16.5%、5.18%,且稳定性更好,适用于定位精度和稳定性要求较高的场合.     

无线传感器网络定位优化算法及其仿真

无线传感器网络节点定位是节点信息的重要话题,针对节点定位问题,在基于距离的极大似然估计法定位基础上,为了弥补其受测距误差影响较大的缺点,利用粒子群优化算法实现无线传感器网络节点定位。在论述粒子群算法的基础上,详细论述了基于粒子群优化的极大似然估计法进行节点定位过程。通过MATLAB实验对算法进行了验证,实验表明基于粒子群优化算法的节点定位精度要比极大似然估计法的精度要高,定位性能要比其优越。     

基于RSSI校正的无线传感器网络定位算法

为了使接收信号强度指示（RSSI）的测量误差对节点定位精度的影响程度达到最小化,提出一种基于RSSI高斯加权校正的质心定位算法.首先通过高斯函数滤去偏差较大的RSSI值,然后再对余下的RSSI值加权计算得到优化的RSSI测量值,并利用测量到的RSSI值计算出锚节点与未知节点之间的距离,然后根据计算出的距离对锚节点坐标加权,并通过质心定位算法求出未知节点的位置坐标.仿真实验表明：该算法相比基于RSSI的质心定位算法,定位覆盖率提升3％～6％,平均定位误差至少减少4％,是一种定位精度更高的算法.     

引入虚拟节点的无线传感器网络ELM定位算法

基于大部分距离无关算法能以改善锚节点比例提高无线传感器网络定位精度,提出了一种引入虚拟节点的无线传感器网络极限学习机(ELM)定位算法.通过引入的虚拟节点,寻找合适的未知节点升级为次锚节点,以增加锚节点比例,提高了定位精度.将ELM应用于节点定位,有效提高了定位的速度和精度,并因其强大的泛化性能,为无线传感器网络节点定位提供了新的思路.仿真结果表明:引入ELM定位算法和虚拟节点,有效提高了定位精度.