基于RSSI模型的无线传感器网络定位算法

传统无线传感器网络定位算法受到节点定位偏移量的影响,导致定位结果存在较大误差,针对上述问题提出基于RSSI模型的无线传感器网络定位算法.依据RSSI模型计算原理建立RSSI信号传输模型,并采用高斯滤波算法对RSSI值完成滤波处理.对节点位置距离加权,采用路径损耗模型采集RSSI中剩余信息,并将其转化为距离信息,得到每个...     

多传感器信息融合在移动机器人定位中的应用

机器人自定位是实现自主导航的关键问题之一。为了满足机器人在导航时精确定位的要求,提出一种基于多传感器信息融合的自定位算法。根据对机器人运动机构的分析和运动机构间的刚体约束,建立起机器人的运动学模型;由传感器的工作原理建立里程计和超声波传感器的观测模型;利用扩展卡尔曼滤波(EKF)算法将里程计和超声波传感器采集的数据进行融合;最后,由匹配的环境特征对机器人的位置进行修正,得到精确的位置估计。实验结果表明:该算法明显地消除了里程计的累计误差,有效地提高了定位精度。     

无线传感器网络被动红外目标跟踪技术研究

无线传感器网络的目标跟踪技术是目前研究的热点之一。被动红外传感器对活动的人具有较高的灵敏度,而目前被动红外多用于双元目标检测,并未实现目标定位,限制了被动红外的应用。本文提出了无线传感器网络的被动红外目标跟踪模型PITM。在该模型中,多个红外传感器节点通过协同可以确定目标的位置和运动速度。仿真实验表明,当节点密度为每1000m224个节点时,定位平均误差在0.5m左右,且节点密度越大,定位误差越小。     

基于遗传算法的单站无源纯方位定位算法

提出了一种基于遗传算法的单站无源纯方位定位算法.首先对无源声探测系统中的时间延迟问题进行分析并建立目标运动模型,仅利用被动声目标的方位角信息,完成单声传感器对目标的定位.对于单目标情况,结合目标运动模型和目标的方位角信息,运用遗传算法估计出目标的位置;对于多目标情况,首先用多假设可能数据关联完成多目标方位角的关联,再对每一个目标运用遗传算法估计出该目标的位置.最后通过仿真实验验证了算法的正确性和有效性.     

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.     

WSN中基于多径距离和神经网络的节点定位

为了实现802.15.4a无线传感器网络中的目标定位,提出了一种新的基于多径距离和神经网络的目标定位检测算法。首先通过目标出现时对多径效应的影响估计出到达时间差,从而计算出通信传感器节点之间的多径距离;然后把多径距离作为神经网络的输入,并将目标位置用于神经网络的训练;最后通过选择多径距离估计值和测量值的差的最小成本组函数来定位目标位置。对单目标和多目标的定位检测仿真结果表明,即使当网络中传感器数量和目标增加时,所提出的定位算法的误差累积分布函数也不会增大,而且其定位误差比其他定位算法的误差小,从而增强了网络的鲁棒性,提高了网络中传感器承受故障的能力。     

一种基于树形结构融合的目标跟踪算法

针对空中机动目标,利用目标多普勒信息和红外辐射信息建立具有树形结构的红外雷达跟踪系统状态估计模型.基于无迹卡尔曼滤波方法,提出一种自适应双波段红外并行融合算法,并基于红外融合结果,采用序贯滤波融合方法,与雷达传感器实现深层交互多模型融合估计.通过仿真表明了所提出的方法具有更小的距离跟踪误差和良好的跟踪精度.     

基于UKF的红外目标空间定位方法

针对单站系统利用一次观测对目标进行定位,瞬时定位误差较大,提出了基于UKF的红外目标空间定位方法。基于针孔成像模型,借鉴主动视觉思想,通过控制红外热像仪运动拍摄目标图像,获取目标位置,并用GPS接收机测得拍摄点世界坐标。根据透视投影变换方程,借助站心地平坐标系和WGS-84坐标系建立红外目标空间定位的非线性系统模型,在此基础上引入UKF（Unscented Kalman Filtering）滤波算法进行空间定位。实验结果证明了该方法的可行性和有效性。     

机动目标静态多模型算法

目标跟踪是指利用传感器测量对目标运动状态进行估计。该文针对这一问题,首先建立机动目标跟踪模型;然后实现了基于扩展卡尔曼滤波的静态多模型算法,并对静态多模型与GPB1算法进行了比较。     

一种基于传感器网络的水污染源质心定位算法

目前基于传感器网络的污染源定位多采用基于扩散模型的解析定位算法.然而,在该类算法中,复杂的数值计算会引入估计误差,并且水污染扩散模型大多是在理想的近似条件下提出的,在污染源定位问题中亦会引入误差.在某些情形下,由于没有解析的定位模型,基于扩散模型的解析定位算法无法采用.为了弥补传感器网络下基于扩散模型的水污染源定位方法的不足,提出了一种不依赖于扩散模型的水污染源质心定位算法.在该算法中,首先确定污染源所在区域,然后计算几何区域的质心,质心位置即为污染源估计位置.为了求解质心定位问题,提出了基于浓度场等位线的求解方法.在实验部分,对比了本文质心算法与基于扩散模型的定位算法以及粗略定位算法的定位结果.实现结果说明了本文算法的有效性.