非视距环境下的超宽带室内定位算法

为了进一步提高超宽带技术在非视距室内环境中的定位精度,研究了抑制非视距误差的定位算法。首先,对非视距环境下的TDOA定位模型进行重构;其次,推导出非视距情况下均方根时延拓展的统计模型,获得附加时延参数的估计值,对TDOA测量误差参数校正;最后,通过最小二乘法初步估计出目标节点位置,将其作为粒子群算法的初始值进行智能粒子群算法求最优解,惯性权重在迭代中按照高斯函数的策略变化。仿真结果表明本文提出的优化算法可有效减弱非视距误差在复杂室内环境中定位的影响,进一步提高定位精度和算法的收敛速度。     

基于单反射模型的混合定位算法研究

针对现有定位算法抗非视距能力弱、且对移动台求解时往往需要一个比较精确初始解的问题,利用移动台和散射体的几何位置关系,基于单次反射圆模型提出了一种抑制非视距误差的波达时间/波达角混合定位算法。定位过程中将散射体视为虚拟基站,根据最大散射半径确定移动台的可能位置范围,在该范围内搜寻所有满足约束条件的位置点,对这些点使用加权平均处理方式以提高定位精度,最后结果即为移动台估计位置。计算机仿真表明了算法的有效性。。     

基于MIMO的单基站混合定位算法研究

传统定位算法实现时往往需要3个以上的基站,且定位精度易受非视距信号的影响。针对上述问题,提出一种基于MIMO的单基站混合定位算法,利用信号路径参数以及基站、移动台、散射体之间的位置几何关系将定位问题转化成非线性约束优化问题,并使用改进的粒子群算法对其求解得到目标估计位置。计算机仿真表明,该算法在非视距环境下具有良好的定位精度和定位稳定性。     

基于半定规划的恶劣环境下定位修正算法

无线传感网络WSNs(Wireless Sensor Networks)的定位精度严重受到环境的影响,尤其是高噪声电平和非视距连接的恶劣环境,定位精度急剧下降.为此,提出基于半定规划的恶劣环境下定位修正算法,记为ESDP O算法.该修正算法以半定规划ESDP(Edge-Semi-Definite Programming)算法为基础,旨在提高定位精度,并降低算法复杂性,进而减少定位时间.ESDP O算法通过引用抖动矩阵,对ESDP算法进行修改,提高了算法在恶劣环境的健壮性.同时,ESDP O算法通过寻找低秩解,减少高噪声和非视距偏差.仿真结果表明,在高噪声和非视距NLOS(Non Line of Sight)的恶劣环境下,ESDP O算法的定位精度优于基于同类算法,并且降低了定位的复杂度.     

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.     

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。     

基于WiFi的室内迭代定位算法的研究

复杂多变的室内环境引起的电波信号多径传播、非视距传播等问题是影响室内定位精度的主要因素。现有的室内定位算法为了提高定位精度均需要大量的先验信息或额外的硬件投入。针对以上问题,提出一种基于WiFi信号接收强度的迭代定位算法,通过引入定位评价函数,采用迭代算法选取一组最优的路径损耗指数来改善定位精度。现场实验结果表明,该算法能够在无需定位环境的先验信息和额外的硬件投入情况下,获得较高的定位精度。     

基于粒子群优化的无线传感器网络非视距节点定位算法

针对室内环境中传感器节点间的非视距传播会降低定位精度的情况,研究基于无线传感器网络的非视距节点定位方法。根据不同环境下信标节点的测量模型和视距传播概率建立目标函数,采用粒子群优化算法估计出未知节点的位置,将利用最小二乘法计算出的节点位置作为粒子的初始位置。仿真结果表明,通过与最小二乘法、残差加权和RANSAC算法相比较,所提出算法能够较好地削弱非视距误差,且具有更高的定位精度。     

UN-DSM优化模型下的节点定位方法研究

通过改进以未知节点为中心的散射体圆盘模型,提出一种应用范围更广的以未知节点为中心的散射体圆盘模型优化方法。利用各锚节点测量的到达时间信息和只有主锚节点测得的到达角度信息,对未知节点及其周围的散射体进行初步估计,得出散射体坐标以及相关的距离值,利用未知节点至各锚节点和散射体的距离冗余约束信息进行修正估计,获得1倍数量的虚拟散射体信息,最终利用所有散射信息和测量信息联合定位求得未知节点位置。仿真实验结果表明,与传统经典定位方法相比,该方法能有效地抑制非视距传播误差并进一步提高定位精度,同时具有较好的鲁棒性。     

非视距环境下基于粒子群的超宽带定位算法

将智能算法应用到无线传感器网络定位技术中是一种全新的尝试,粒子群算法是其中的一种典型算法.根据超宽带(UWB)定位原理,建立基于粒子群算法的定位模型,在非视距(NLOS)环境下,利用NLOS误差导致的附加时延和由信道决定的均方根时延扩展的联合统计特性,进行NLOS误差补偿,在迭代过程中采用线性递减的惯性权重,粒了群通过不断追踪个体极值和局部极值,更新自身的位置与速度,从而找到全局最优解,仿真结果表明正确率达90％以上.     

一种非视距传播环境下的TDOA定位算法

在基于时差定位的各种算法中,Chan氏算法应用普遍。但在非视线传播环境（NLOS,Non-Line Of Sight）下,其定位性能显著下降。在分析基于视线传播的Chan氏算法基础上,给出了一种改进算法,利用TDOA残差对Chan结果进行加权,研究了当NLOS为确定性和随机性误差两种情况下该算法的性能。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,定位精度明显提高。     

基于遗传算法的无线传感网精确定位方法

基于以未知节点为中心的散射体圆盘模型,通过测量电波到达时间和电波达到角信息,对未知节点及其周围的散射体进行初步估计,然后通过反算得出估计的距离值,选取含较小NLOS误差的TOA测量值组,进行数值修正处理,并建立以未知节点为变量的似然函数,最后利用遗传算法对此非线性似然函数寻优求解得到未知节点坐标。计算机仿真结果表明,所提定位方法能有效地抑制NLOS误差,较传统定位方法提高了定位精度,且鲁棒性较好。     

一种非视距环境下的目标定位算法

针对机器人、无人机和其他智能系统的位置信息,研究了非视距(non line of sight, NLOS)环境中基于到达时间(time of arrival,TOA)测距的目标定位问题。在建模过程中,通过引入平衡参数来抑制NLOS误差对定位精度的影响,并成功将定位问题的形式与一个广义信赖域子问题(generalized trust region subproblem,GTRS)框架进行耦合。与其他凸优化算法不同的是,本文没有联合估计目标节点的位置和平衡参数,而是采用了一种迭代求精的思想,算法可以用二分法高速有效地进行求解。 所提算法与已有的算法相比,不需要任何关于NLOS路径的信息。此外,与大多数现有算法不同,所提算法的计算复杂度低,能够满足实时定位的需求。仿真结果表明:该算法具有稳定的NLOS误差抑制能力,在定位性能和算法复杂度之间有着很好的权衡。     

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。     

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。     

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%。