基于IMM-IKF的无线传感器网络非视距节点定位方法

针对非视距(NLOS)环境下的移动定位问题,提出一种基于交互式多模型-改进卡尔曼滤波(IMM-IKF)的无线传感器网络NLOS节点定位算法.算法在IMM算法框架下估计移动节点位置,采用两个平行的改进卡尔曼滤波算法对多个移动节点候选位置进行滤波处理,通过Markov链实现LOS状态与NLOS状态的转换,根据似然概率对两个滤波结果进行加权融合,从而获得移动目标位置.仿真实验结果表明,所提出算法可以有效抑制NLOS误差,实现精确定位.     

非视距环境中的无线网络残差加权定位算法

无线定位已成为物联网应用的重要研究内容,为减小非视距(NLOS)误差对传统定位算法的精度的影响。因此提出一种基于目标临时位置估计的残差幂次方加权定位算法。算法核心在于先利用分组定位得到不同目标节点估计位置,并将位置之间的差值定义为临时定位残差。然后区别于传统残差加权定位算法,本文提出用残差的高次幂作为加权函数,并通过仿真搜索最优的加权函数。仿真结果表明,当LOS-SN数目不小于2时,本文算法在定位精度上远高于传统的NLOS抑制定位算法。和传统的残差加权定位算法(RWGH)相比,本文所提算法的定位精度提高了近60%,同时降低了对LOS-SN个数的要求。和半正定规划(SDP)相比,定位精度提高了近38%,并降低了计算复杂度。     

基于TDOA残差的NLOS误差抑制算法

在基于时间定位的方法中,非视距传播(NLOS)是影响定位精度的一个的基础上,利用残差与待定目标估计位置之间的关系,给出了残差加权算法.研究了当NLOS为确定性和随机性误差两种情况下残差加权算法的性能,并与其他4种算法进行了比较.仿真结果表明,该算法在不同场合和环境下都能有效地抑制NLOS误差,而且无需信道关于LOS-NLOS的统计模型和先验信息,定位精度明显提高.     

面向NLOS变电站的改进泰勒容积卡尔曼滤波超宽带定位算法

为解决变电站非视距(non line of sight, NLOS)严重条件下超宽带定位精度低的问题，基于现有到达时间(Time of Arrival, TOA)测距方法，提出了一种融合Taylor级数及改进容积Kalman滤波的定位算法以提高定位估计精度。所提算法首先对泰勒算法初值进行优化，并通过对加权最小二乘法(Weighted Least Square, WLS)解算的位置估计值进行野值剔除及权重计算，在保证定位精度的同时降低算法复杂度；然后针对NLOS环境下标签坐标定位结果不稳定问题，运用改进容积卡尔曼滤波(CKF)算法进一步提升定位精度及稳定性。镇江银山11万伏变电站环境实验结果表明，所提方法在变电站环境中，NLOS严重条件下可实现定位精度10 cm以内，具备工程实用性及可行性。     

运用最优化原理的新型非视距抑制无线定位算法

无线定位中非视距(NLOS)误差的存在会显著降低传统定位算法的精度,因此论文提出了一种运用最优化原理的定位算法以对抗NLOS误差.该算法适用于存在固定节点与移动节点的无线传感网系统,并结合距离加权思想将NLOS环境中的定位建模为二次规划问题,最终得到节点的最小二乘位置估计.分析表明在固定节点数量较多或者存在视距(LOS)传输固定节点时,该算法可以显著削弱NLOS误差的影响.计算机仿真证实了这一分析,其结果表明,在NLOS环境下论文所提出的算法性能优于现有其他定位算法,同时该算法还具有不受固定节点数目限制和复杂度较低等优点.     

ＮＬＯＳ状态信息辅助协方差矩阵修正的无线网络定位方法

非视距(NLOS)误差是影响无线定位精度的重要因素，其产生是由于实际环境的多变性，使其无法用一个准确的数学模型来表示。如何减小NLOS误差的影响是无线定位中需要解决的问题之一。针对该问题，本文所研究的定位方法通过视距(LOS)节点检测来获取测距结果中的NLOS状态信息，并基于该状态信息，对用于双步加权最小二乘(TS-WLS)定位算法的协方差矩阵进行修正，修正后的算法能够根据NLOS状态信息实现对不同测距结果的重要性加权，从而减小NLOS误差的影响。仿真结果表明，与以往的定位算法相比，本文算法能够拓展复杂NLOS环境下的适用场景并提升定位精度。     

室内环境下基于IMM-EKF算法的移动目标定位

如何在视距(line-of-sight,LOS)与非视距(non-line-of-sight,NLOS)混合的室内环境中提高移动目标定位的精度,这是一项富有挑战性的工作.移动目标在室内环境移动时,其与传感器网络节点之间的信号传播在LOS与NLOS之间随机切换,导致移动节点定位精度下降.提出一种交互式多模型-扩展卡尔曼滤波(interactive multiple model-extended Kalman filter,IMM-EKF)定位算法.根据LOS?NLOS环境下不同的测距误差特性,在IMM框架中采用2个平行的卡尔曼滤波器(Kalman filter,KF)模型对测量距离同时进行滤波,根据滤波结果和测量值计算2个模型的似然概率,模型间的转换通过Markov链实现,2个KF滤波结果加权融合后获得IMM距离估计值.在EKF定位阶段,通过位置预测和更新估计出移动目标位置.仿真结果表明,IMM-EKF算法能够有效抑制NLOS对目标定位的影响,其定位精度优于单模型算法.     

基于UWB的密集行人三维协同定位算法

针对复杂室内环境中密集行人定位精度低、超宽带(UWB)基站密度要求高的问题,提出一种基于UWB的密集行人三维协同定位算法。首先使用聚类算法抑制测距数据中较大非视距(NLOS)误差,并使用高斯均值混合滤波抑制标准测量误差;然后提出双层协同定位算法,建立协同定位数学模型,并结合迭代初始值获取策略进行初步定位,降低了基站数量要求,在筛选出NLOS误差较小的测距数据并修正后,进行二次定位;最后考虑行人高机动性,设计一种交互多模型卡尔曼滤波算法,缓解了定位结果跳变问题。实验结果表明,所提算法在弱NLOS环境和强NLOS环境下定位精度分别达到0.11 m、0.17 m,相比其他算法,具有较高定位精度,进一步降低了对UWB基站密度要求。     

基于WLAN的移动终端无线定位研究

以IEEE802．11b为例介绍了WEAN的技术特点，探讨了基于WLAN的移动终端无线定位技术的原理。提出在WLAN中使用TDOA定位方法的Chan算法对移动终端进行位置估计。然后对位置估计结果使用残差加权算法进行NLOS误差抑制。提出了一种抑制多个NLOS误差的残差加权算法，通过仿真对比证明了该算法对多个NLOS误差具有更好的整体抑制效果。     

NLOS环境下基于EKF的移动机器人定位研究

针对室内移动机器人基于接收信号强度(RSSI,Received Signal Strength Indication)测距定位存在非视距(NLOS,Not-line-of-sight)传播问题,提出一种利用运动模型预测RSSI并修正NLOS测量的定位算法。首先结合移动机器人运动模型预测位置和信号强度RSSI,进而实现NLOS误差判定和测量修正;然后结合步长将移动机器人限制到圆域内,采用改进三边定位算法定位;最后使用扩展卡尔曼滤波(EKF,extended Kalman Filter)进行定位结果优化,得到位置的优化估计。仿真实验表明,该方法能有效地提高定位精度,能有效抑制具有较大量值的NLOS误差,是NLOS环境下一种有效的定位方法。     

TOA source localization and DOA estimation algorithms using prior distribution for calibrated source

This paper presents an a priori probability density function (pdf)-based time-of-arrival (TOA) source localization algorithms. Range measurements are used to estimate the location parameter for TOA source localization. Previous information on the position of the calibrated source is employed to improve the existing likelihood-based localization method. The cost function where the prior distribution was combined with the likelihood function is minimized by the adaptive expectation maximization (EM) and space-alternating generalized expectation–maximization (SAGE) algorithms. The variance of the prior distribution does not need to be known a priori because it can be estimated using Bayes inference in the proposed adaptive EM algorithm. Note that the variance of the prior distribution should be known in the existing three-step WLS method [1]. The resulting positioning accuracy of the proposed methods was much better than the existing algorithms in regimes of large noise variances. Furthermore, the proposed algorithms can also effectively perform the localization in line-of-sight (LOS)/non-line-of-sight (NLOS) mixture situations.     

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。     

一种适用于NLOS环境的LTE终端迭代定位算法

NLOS(non line of sight, 非视距)误差是影响LTE终端定位精度主要因素之一, 针对这一问题, 提出了一种减小该误差的迭代定位算法, 通过引入误差系数重构OTDOA(observed time difference of arrival, 到达时间观测差)测量值, 采用迭代计算获取一组最优误差系数来改善NLOS误差的影响。该算法不需要信道环境的先验信息, 且可通过分层细化减小计算量。仿真结果表明, 该算法能有效地减小NLOS环境下的定位误差。     

改进的无线传感器网络节点定位算法

为了减小无线传感器网络(WSN)节点定位中非视距传播误差产生的影响,提高节点定位精度,提出一种基于残差加权的牛顿迭代定位算法。先利用残差加权算法定位,得到未知节点的初步位置,再将该节点位置作为牛顿迭代定位算法的初始值进行迭代计算,最终得到更为精确的节点位置。仿真实验结果表明,该算法能有效地抑制非视距传播误差的影响,提高传感器网络节点定位的精度,且性能稳定。     

非视距环境下室内RFID标签定位算法研究

在室内无线定位中,由于受到非视距NLOS的影响,信号的传播变得复杂起来。复杂的传播环境使得传统的定位算法例如最小二乘算法(LS)或者CHAN算法无法达到我们需要的精度。在使用无源超高频无线射频识别(Passive UHF RFID)技术的基础上,分析和建立了UHF RFID信道模型,并由此对定位误差进行了分析。基于运用相位法POA进行测距而得到的距离信息,提出了一种两步式标签定位算法:首先使用凸优化中的内点法将非视距误差消除,再使用加权残差方法进行精确定位。通过仿真结果的比较,表明本文提出的算法优于传统算法。     

基于圆盘散射体的非视距定位算法

针对无线传感器网络目标定位中的非视距问题,为了抑制非视距误差,提高定位精度,提出一种基于圆盘散射体的非视距定位算法.新算法根据基站收到的多径到达时间,计算加权测量均值,与圆盘散射体模型理论均值进行匹配,建立目标函数,同时引入圆盘半径约束,通过对目标函数求取极值,解出含有目标位置的最优解.仿真实验结果表明,与其他目标定位算法相比,该算法能够得到全局最优解,提高非视距环境下的定位精度.     

低计算量非视距定位的组合优化选择性判决残差检测算法

传统的RT(NLOS)算法虽然降低了一点定位误差概率,但是却需要极高的复杂度,因此不能满足现在严格的应用需求.本文提出了一种改进的RT算法,即低运算复杂度的CO-SRT(SRT)算法,并且给出了详细的分析.仿真结果表明,该定位算法满足了在不同环境下、不同网络参数下的定位需求,这种CO-SRT(SRT)算法可以使用四个视距信号进行定位,而且性能与RT极为相近.通过优化2-6个不同的联合的非视距信号,SRT算法在复杂度方面大约降低了52.3%-80.3%.     

NLOS环境中的拉格朗日乘子改进约束最小二乘定位算法

无线通信中的非视距误差是影响传统定位算法精度的主要因素.因此本文针对存在锚节点与移动节点的无线传感网络,提出了一种利用拉格朗日乘子法改进的约束最小二乘定位算法.算法核心思路在于运用拉格朗日乘子法修正约束最小二乘代价函数来构建新的目标函数,同时也提出一种分组定位组合的思想以进一步提高定位性能.仿真结果表明在非视距误差较大或网络中固定节点较多时,提出的算法可以有效消除非视距误差引起的定位精度损失,同时本文算法还具有随节点数目增加而提升优势的特性.