NLOS环境中的线性回归最小二乘三维定位算法

针对室内非视距无线环境中移动终端的三维定位问题,提出了一种非视距无线环境中基于线性回归与最小二乘法的三维定位算法。首先,基于无线通信环境中波达时间(TOA)的测量误差具有正偏置的特性,运用线性回归估计测试终端到基站之间的非视距测量距离误差与真实距离之间的线性关系;然后,根据该线性关系运用最小二乘原理对移动终端进行三维几何定位。实验结果表明,算法具有较高的定位精度,最大定位误差不超过2 m,且在非视距环境下,所提出的定位算法不仅不需要TOA的时延分布先验知识,而且定位精度优于其他基于TOA的两阶段最小二乘定位算法的定位精度。     

基于RSSI的改进泰勒级数室内定位算法

室内定位算法的定位范围有限,对定位精度的要求比较严格.泰勒级数展开的定位算法,在研究分析基于信号接收强度(RSSI)的测量距离时,计算接收信号强度转换为距离并不可靠,影响最终定位精度.通过对节点接收信号强度进行采样并分析,滤除过大误差,来进一步减小测量误差以达到提高定位精度.泰勒级数展开的初值可以通过传统加权质心定位算法获得.通过MATLAB仿真实验结果验证了该改进型算法的可行性和有效性,复杂度低且提高了泰勒级数定位算法的定位精度.     

自适应蒙特卡罗无线传感器网络移动节点定位算法

针对无线传感器网络中蒙特卡罗定位算法在节点的无线射程为非理想条件下定位精度不高、采样率低等缺点,提出一种自适应蒙特卡罗移动节点定位算法。该算法利用不同区域的采样粒子对未知节点的定位精度影响不同,自适应地调整不同区域的采样粒子的影响权重,对未知节点进行定位;同时,利用上一时刻采样粒子增加限定条件,提高定位精度。仿真结果表明,本算法在规则度不同的条件下节点的定位误差平均下降了约13%,在速度不同的条件下定位误差平均下降了约10%,网络覆盖率可达到99.19%。     

基于随机游走的无线传感器网络节点定位方法

为提高无线传感器网络中的节点定位精度,提出一种自适应随机游走模型的节点定位算法.首先将随机游走应用于网络拓扑结构连通性中,构建节点间相对距离模型,并设计自适应算法,提高该模型有效性;然后通过将该模型嵌入经典定位算法distance vector-hop（DV-Hop）中实现系统节点定位工作.仿真和实验结果表明,该算法具有良好的鲁棒性和定位精度,误差比DV-Hop算法减少了20%~30%.     

基于RSSI修正的近似三角形加权质心定位算法

节点的自身定位技术是无线传感器网络研究的核心技术,具有广泛的应用前景.针对基于RSSI测距技术的节点定位算法存在测量误差相对较大的缺陷,提出一种基于RSSI修正的近似三角形加权质心定位算法.该算法针对RSSI测距易受环境干扰,对测距数据进行高斯拟合和求均值,并以此作为节点的RSSI测量值.在此基础上,利用排序算法对测距结果进行排序,优选信标节点做三角形内点测试,最后采用加权质心定位算法来确定未知节点的坐标.仿真结果表明,改进算法改善了节点的定位精度.     

基于正交多项式拟合的非视距定位优化算法

提出一种非视距环境中基于到达时间的移动定位优化算法。首先在基站端利用系统测量误差的先验知识判断到达时间测量值中是否存在非视距误差;然后通过加权正交多项式拟合对含有非视距误差的测量值进行修正,并利用有约束的加权优化算法对移动用户进行位置估计;最后对算法的定位误差性能进行仿真分析,并与视距环境中的最小二乘算法和有约束加权最小二乘算法的平均定位误差以及定位误差的克拉默·劳下界进行了比较。计算结果表明,提出的算法在非视距环境中能够得到较好的定位精度。     

基于最小化测量误差的被动定位算法

借助传感器各自的坐标位置及其三角函数关系,推导出了各个传感器之间测量值的约束关系式．然后将传感器测量误差作为变量构造目标函数,通过拉格朗日-牛顿最优化方法最小化测量误差．使用这些误差修正测量值,取得了较好的目标定位结果．该算法不需要设置目标位置初值,定位结果不会发散,并且具有较高的定位精度．仿真实验结果验证了该算法的有效性．     

基于粒子群进化的输电网络WSN节点定位算法

为了提升WSN的定位精度,提出了一种基于粒子群进化的定位算法,以应用于输电网络中的节点定位.该算法通过区域估计,缩小并限制传感器节点的预估计区域空间,并应用粒子群算法快速寻找节点定位的最优解.通过引入权重自适应的机制,加快节点定位的搜索速度,并提升算法的搜索能力.结果表明,该算法有效增强了WSN节点定位的精度,降低了计算复杂度,为输电网络的无线传感器网络提供更高效准确的定位服务.     

微惯性传感器辅助超宽带的室内定位方法

超宽带(UWB)是一种全新的且定位精度较高的室内定位技术,但在复杂的室内环境中,超宽带信号易受环境的干扰而出现信号盲区和定位误差较大的情况。为解决这一问题,在深入研究微惯性传感器(MEMS)与超宽带定位原理与算法的基础上,提出采用MEMS辅助UWB定位的算法,以提高定位精度。实验结果表明,MEMS/UWB算法与单独的UWB定位算法相比,有效提高了定位覆盖率以及定位精度。     

基于非对称广义中心化矩阵的多维尺度定位算法

在无线传感器网络定位问题中,传感器节点间距离并不能全部直接测量,一般通过多跳距离进行最短路径估计.就经典多维尺度(Multidimensional Scaling,MDS)算法而言,其定位精度受距离估计精度的影响较大,少量误差较大的距离估计会极大影响定位结果.为了减少"错误"距离估计的影响,提出一种基于非对称广义中心化矩阵的多维尺度定位算法.该算法提出一类非对称广义中心化矩阵,并研究了中心化矩阵对定位误差的影响,从而选择有助于抑制"错误"距离的中心化矩阵提高定位精度.通过改变中心化矩阵中元素的权重,可以显著提升部分节点相对位置的定位精度.实验结果表明,与经典MDS算法相比,基于非对称广义中心化矩阵的MDS算法打破了原来中心化矩阵的局限性,可以有效减小距离估计误差对定位的影响,提高节点的定位精度.     

基于证据理论的群指纹融合室内定位方法

室内定位的主要挑战是室内的多径传播及非平稳信道环境,传统基于信号强度指纹的单指纹室内定位方法由于受环境变化影响较大,稳健性较差且精度较低。针对此问题,提出一种基于D-S证据理论的群指纹融合高精度室内定位方法。在建库阶段,利用室内阵列信号接收模型,首先通过计算阵列接收信号的不同统计特性构建包括信号强度、协方差矩阵、信号子空间及四阶累积量组成的群指纹库,再对群指纹进行神经网络训练获取针对每种指纹的神经网络分类器;在实测阶段,把实测数据的上述4种变换输入到训练好的神经网络分类器中,最后利用D-S证据理论对神经网络分类器的分类结果进行融合,给出最终的定位结果。仿真结果证明了算法的有效性及可行性。该算法可充分发挥指纹信息的集群效应,对噪声、多径传播等具有较好的稳健性,是一种高精度的室内定位新方法。     

一种高斯型非线性迭代更新滤波器

针对高斯型非线性滤波器在大初始偏差条件下性能下降、甚至发散的问题,提出了一种新的非线性滤波算法,即迭代更新扩展卡尔曼滤波器（iterated update extended Kalman filter,IU-EKF）。首先,该算法在EKF框架下,将传统的一步量测更新在伪时间上分为多步进行,采用部分增益将当前量测信息逐步地引入量测更新过程实现对状态的后验估计;其次,由于多步量测更新过程引入了每一步的过程噪声,因此将量测噪声与每一步更新后的状态估计误差之间的互协方差代入误差协方差矩阵,再利用此误差协方差矩阵的迹对标准卡尔曼增益矩阵求导并令结果为零,以导出噪声相关条件下的最优卡尔曼增益矩阵表达式;最后,根据后验量测残差自适应地调整迭代更新次数,在保证一定滤波精度的前提下,降低了算法的计算量。以2维目标跟踪问题为例,在大初始偏差条件下,通过仿真实验将本文算法分别与EKF、IEKF、UKF、CKF算法进行对比,并针对不同迭代次数对滤波精度的影响进行对比分析。仿真结果表明：本文算法较EKF大幅提高了滤波估计精度,且在大初始偏差条件下,本文算法性能优于现有经典高斯假设滤波器。同时,当迭代次数按1、2、5、10、20递增时,本文算法的滤波精度也随之提升,但提升幅度逐渐减缓。     

利用测距值优化的室内三维定位算法

为了解决实际误差分布与假设误差分布不匹配导致最小二乘三维定位算法精度较低的问题,提出一种基于测距值优化的最小二乘室内三维定位算法.结合残差修正、Cayley-Menger行列式及空间四面体几何约束,利用非线性规划方法优化测距值,使测距误差符合高斯分布特性,从而提高最小二乘三维定位算法的定位精度.实验对比分析结果显示,所提算法具有较高的定位精度及稳定性.     

自适应零速修正辅助的微惯性定位系统研究

针对GNSS失效情况下微惯性器件漂移大引起的定位精度低的问题,研究了一种多条件辨识零速时刻,基于速度信息构建观测方程的零速修正算法,以提高微惯性系统的定位精度. 论文阐述了行人步态特性,在分析行人步态的基础上设计了基于加速度量测方差、加速度量测幅值和角速度量测能量的多条件零速检测方法,并针对室内外不同环境设置了自适应阈值. 在此基础上,构建了速度信息为系统观测值的Kalman滤波器,在零速对姿态、速度及位置误差进行估计并修正. 实验结果表明,基于上述自适应定位修正算法可有效增强零速检测的可靠性,抑制定位误差的累积,定位的精度是行进距离的1.32%.     

一种改进的自适应指数加权衰减记忆滤波算法

对卡尔曼滤波在GPS定位应用中估值发散的抑制进行了研究,首先解决了由于各个测量噪声之间相关导致噪声协方差阵无法满足对角矩阵的问题;接着对基于多重衰减因子矩阵的指数加权的衰减自适应算法的一步预测均方误差进行了UD分解,将分解矩阵应用于卡尔曼滤波过程更新,并给出了多重衰减记忆因子矩阵的求解过程。实验结果表明,这种算法增强了数值稳定性,提高了定位精度,具有抑制滤波发散的作用。     

分层卡尔曼滤波融合精度的研究

目的分析了传统分层卡尔曼滤波融合算法,指出传统卡尔曼滤波融合算法不能很好地提高跟踪精度且算法复杂的缺陷,提出了一种加权分层卡尔曼滤波融合算法,方法应用理论分析和蒙特卡洛仿真方法,对传统融合算法和新算法进行比较,并给出了各种情况下均方根误差的统计值比较,结果分层融合算法并不优于加权平均和反馈加权平均算法,加权及反馈滤波融合算法原理简单、数据处理量小、速度快、容错性好,结论加权分层融合算法特别适用于失效传感器的处理,特别当一传感器有较大的绝对误差和相对误差或与其它的传感器的采样周期略有不同和与其它传感器采样不同步时,将融合结果反馈给单传感器,可提高各单传感器的跟踪精度。     

基于迭代CDKF的单站无源定位算法

针对单站无源定位系统存在滤波稳定性差、收敛速度慢和定位精度差等问题,提出一种迭代中心差分卡尔曼滤波算法.在迭代判决准则的约束下,重复利用观测信息对状态向量和误差协方差矩阵进行迭代估计使其更趋向真实值,同时用Levenberg-Marquardt优化方法调整预测误差协方差阵,保证算法的全局收敛.仿真结果表明,在不同参数测量精度条件下,该算法稳定性、收敛速度和定位精度较好.     

基于扩展卡尔曼滤波算法的室内定位跟踪系统

为了解决无线室内定位系统实时跟踪位置坐标误差较大问题,提出一种基于扩展卡尔曼滤波(EKF)算法的室内定位方法。系统采用基于WiFi信号指纹定位,然后利用扩展卡尔曼滤波对估算的位置进行滤波,以改善WiFi指纹定位方法的精度,达到对目标实时跟踪。仿真和实验结果表明,该算法有效地改善了系统定位精度,能较好地满足室内定位的需求。     

提高NLOS环境下室内定位精度的新方法

针对室内环境下无线信号的功率既可能增强又可能减弱而导致定位测量误差具有正负偏置的问题,提出了一种改进的到达信号强度室内定位算法,利用定位圆环相交,再对相交各点采用加权质心的算法获得移动台位置.仿真结果表明,这种定位方法能有效提高非视距环境下室内定位的精度.