基于Elman神经网络的TDOA定位算法

针对Chan定位算法在非视距(NLOS)环境下定位性能差的缺点,提出一种基于Elman神经网络的Chan定位算法,利用Elman神经网络的动态递归特性以及强大的非线性映射逼近能力,对NLOS误差进行修正,再利用Chan算法定位。仿真结果表明,在NLOS误差较大的环境下该算法仍具有良好的定位精度,性能优于Chan算法和泰勒级数展开法。     

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。     

NLOS环境下无线传感器网络TOA定位算法

针对现有定位算法定位精度低、适用场景少的问题,提出一种非视距传播（NLOS）环境下的无线传感器网络电波到达时间（TOA）定位算法。对未知节点位置进行初步估计,将该估计值作为初始迭代参考点,利用泰勒级数展开法进行迭代计算,得到未知节点位置的二次估计值。使用二次估计值反推得到未知节点与各传感器锚节点的近似距离,将原始TOA测量距离与该近似距离之差作为非视距传播误差值,从而剔除NLOS误差较大的TOA测量组,利用误差修正后的TOA测量组再次进行泰勒级数迭代处理,实现未知节点的精确定位。仿真结果表明,该算法可有效抑制NLOS误差,相比传统定位算法,其定位误差小、定位精度高。     

基于CNN和在线学习的UWB室内定位算法

为了减小非视距(NLOS) 误差对超宽带(UWB) 室内定位系统定位精度的影响,提出了一种基于卷积神经网络 (CNN)的超宽带室内定位算法。利用超宽带系统采集非视距环境下的室内定位数据,根据信号在非视距环境下传播时的误差特性建立CNN模型,将定位数据输入网络进行训练,以减小NLOS误差对定位精度的影响。然后用扩展卡尔曼滤波(EKF) 进行位置估计,当系统处于不同室内环境时,使用在线学习算法调整 CNN参数,提高系统的兼容性。实验结果表明,该算法可以在不同室内环境下有效减小NLOS误差的影响,保持厘米级的定位精度,具有一定的实用价值。     

基于超宽带技术的TDOA室内三维定位算法研究

在室内环境下对目标进行无线定位时,由于障碍物的遮挡而造成的非视距（NLOS）误差对定位精度产生了很大的影响。针对此问题,对利用超宽带（UWB）技术测量得到的到达时间差（TDOA）数据进行残差分析,首先鉴别测得的数据中是否存在NLOS误差,然后针对存在NLOS误差的情况,提出将Fang算法得到的定位结果作为泰勒级数展开法的初始定位值,组成Fang-Taylor级数联合算法来计算NLOS情况下的定位结果。而对于视距（LOS）情况下测得的数据,仍采用单一的Fang算法进行计算。仿真对比实验表明,Fang-Taylor级数联合算法有效地提高了室内NLOS环境下目标的定位精度。     

利用AOA信息的变权值递归定位算法

为了改进NLOS传播环境下的定位精度,提出了一种利用多个基站AOA信息进行变权值递归定位的算法。该方法利用多个基站测量的到达时间和到达角度进行单独定位,将定位结果拟合作为泰勒递归定位的初始值,然后利用单基站定位结果和泰勒定位结果的距离差作为每个基站的权值,进行泰勒递归定位,随着定位结果向真实值的逼近,逐渐改变参与定位基站的权值,以有效减小非视距基站在定位中的影响,提高定位精度。仿真结果证明了该方法的有效性。     

混合定位算法在复杂室内环境下的应用研究

针对复杂室内环境下视距（line of sight,LOS）和非视距（not line of sight,NLOS）并存的三维混合定位技术进行了研究。在 LOS 环境下,基于到达时间差（time difference of arrival,TDOA）定位算法优于其他定位技术;但受到室内环境尤其是 NLOS 环境下的多径效应,TDOA 定位的精准度大大减弱。若能够正确评估传播衰减系数以此补偿多径效应带来的影响,那么基于接收信号强度（received signal strength,RSS）定位算法受到 NLOS 多径效应的影响将大大减小。提出了三维混合加权最小二乘（hybrid weighted least square,HWLS）RSS ／TDOA 算法,通过使用 Nakagami-m 分布鉴定当前信道是 LOS ／NLOS 路径,用于室内环境下的目标定位,并通过实验验证该算法提高了定位精度。     

TDOA/AOA数据融合定位算法

基于非视距传播（NLOS）环境下的几何结构单次反射统计信道模型,提出了到达时间差/电波到达角（TDOA/AOA）数据融合定位算法。利用TDOA定位算法和AOA定位算法分别估算移动台（MS）位置,然后利用数据融合方法确定MS位置。仿真结果表明,本文算法在NLOS环境下有较高的定位精度,性能优于TDOA定位算法和AOA定位算法。     

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。     

距离几何TOA无线定位算法

在无线定位中,精确定位面临的一个主要问题是信号的非视距传播（NLOS）,NLOS的传播会给距离测量值增加较大的正性误差。在TOA测量距离的基础上,提出了距离几何定位算法。算法利用基站与移动台之间的距离几何关系,构造距离误差优化约束函数,对距离测量值进行合理的修正来提高定位精度。仿真结果表明,该算法能够有效地减小NLOS误差的影响,而且在不同的NLOS误差下表现稳定。     

椭球约束下减小三维定位中的非视距误差

采用精度较高的TOA测距方法对位于三维表面的节点进行定位时,非视距传播现象会造成测距值出现较大的正向误差。针对非视距误差提出一种判别算法,对参与定位的锚节点进行筛选,剔除掉非视距误差较大的锚节点,再用残差加权算法进行最终的位置估计。与最小二乘法和残差加权法相比,能够有效地减小非视距误差的影响,具有更高的定位精度。     

无线传感网络节点非视距定位方法的改进

在无线传感器网络定位中,节点精确定位面临的一个主要问题是信号的非视距传播,非视距误差是节点定位误差的主要来源。在分析基于位置残差检测的非视距误差抑制技术的基础上,提出了基于近似最大似然估计技术和残差检测技术的非视距定位算法。算法通过逐步减少视距信号个数的组合方式,在每一步选取残差最小的组合,利用改进的距离残差定位方法进行节点定位。通过理论分析与仿真比较,均表明改进算法的性能接近于PRT算法的性能,但能大大降低PRT算法的计算复杂度,验证了改进方法的优越性。     

基于BP神经网络的混合定位算法

为弥补独立采用GPS或基于基站定位方法的不足,并消除非视距传播的影响,提出一种基于BP神经网络的混合定位算法。利用BP神经网络对到达时间差(TDOA)和GPS测量值中的非视距传播误差进行修正,使用TDOA/GPS算法进行定位。仿真结果表明,在单独使用TDOA或GPS方法无法定位时,该算法能够实现移动台的精确定位。     

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。     

基于圆盘散射模型的无线传感网定位方法研究

在非视距传播（NLOS）环境下,基于圆盘散射模型来构造和引入NLOS误差符合实际的多径通信场景。利用已知锚传感器节点测量得到的电波到达时间和电波到达角等信息对未知节点位置进行定位估计。将圆盘散射模型细化为两种建模,即以未知节点为中心的散射体圆盘模型和以锚节点为中心的散射体圆盘模型,对各模型有针对性的提出定位思路和方法。进行计算机仿真,实验结果表明所提出的定位方法较传统的多种定位法具有更小的定位误差,定位精度较高。同时所提出的定位法不受圆盘散射半径的增大对定位误差的恶化影响,鲁棒性较好,适用面广。     

一种用于LTE终端的粒子群加权重构定位算法

为解决LTE终端在NLOS环境下定位精度较低的问题,通过加权重构定位矩阵并引入残差,将其转化为权值寻优的问题,再利用改进型粒子群算法进行权值寻优,以消除NLOS噪声带来的误差。该方案由于采用了线性改变惯性权重的方式,能有效提升寻优的效率;同时,通过逐代保存重构权值可逐步消除NLOS误差,进而提升定位的精度。仿真结果表明,相对于chan算法和改进型taylor算法,该算法能快速逼近最优解,在不同NLOS环境下定位误差减少量超过13%。     

无线传感器网络节点的非视距定位方案研究

在无线传感器网络定位中,节点精确定位面临的一个主要问题是信号的非视距传播,非视距误差是节点定位误差的主要来源。在分析非视距误差抑制技术的基础上,提出了一种新的残差加权定位算法。算法通过逐步减少距离测量值个数的组合方式,在每一步选取残差最小的组合,再用加权平均的方法,并利用改进的最小二乘法计算节点临时坐标。仿真结果表明,算法具有较高的定位精度,在不同的非视距误差下表现稳定。