基于接收信号强度的无线传感器网络质心定位算法

针对原有质心定位算法精度低、锚节点比例过高的缺点,提出了基于接收信号强度(RSSI)的无线传感器网络质心定位算法。该算法将基于RSSI的测距值作为权重引入质心算法,通过仿真实验探寻算法模型最优权值,并运用迭代思想降低网络锚节点比例,同时采用测距校正、算法修正和设置RSSI阈值约束三种措施来控制算法误差。仿真表明,改进算法在定位精度、成本控制和环境适应性上优于原有质心定位算法。     

基于Monte Carlo 的测距传感网络定位算法

针对现有蒙特卡罗定位存在的一些应用缺陷,提出一种基于ZigBee传感网测距的蒙特卡罗定位算法。介绍了改进算法的实现步骤,该方法在定位时获取多个外部信息,同时将定位样本历史信息应用到位置估计中,且在ZigBee室内测距的特点上加入了改进的高斯滤波算法并与均值滤波进行对比。测试结果表明,该算法较原有算法取得了明显的改进优势。     

基于接收信号强度的雷场节点定位方法

为了减少封锁雷的硬件设备及降低功耗,提出了一种基于接收信号强度测距的雷场节点定位方法.该方法只需通过封锁雷本身的无线通信模块,不增加任何外界设备.首先根据接收信号强度RSSI测得雷场节点间的距离,通过数学运算建立虚拟锚点,然后借助已建立的锚点和三边测量法来确定锚点附近未知节点的坐标,直到雷场所有未知节点都计算完毕,最终完成雷场节点间的相对定位.实验结果表明当信道损耗指数为2.5时测距误差最小,雷场节点定位误差在4m以内,满足雷场封锁要求.     

一种基于RSSI 的无线传感网络安全定位算法

为防止在不可靠环境中传感节点被捕获,提出一种与范围无关的算法来解决节点的定位问题,即基于接收信号强度(received signal strength indication,RSSI)的安全定位算法。介绍了通过估计各个锚节点的环境参数,用加权的最小均方法计算未知节点的位置,提高位置计算过程的鲁棒性和恶意攻击的防御性能。该方法既不用增加参考点的数量,也不用增加每个参考点或节点硬件的复杂性,就能够使传感器被动且高可靠地确定其自身位置。同时,在串谋和非串谋的攻击模式下,分析该算法对不同攻击模式的安全定位的性能。仿真结果表明:该算法可以得到更低的平均定位误差,同时达到恶意攻击对定位影响最小。     

基于极限学习机模型的粒子滤波无设备定位方法研究

在无线通信环境中,无线射频信号易受到干扰,强度波动较为明显。为定量描述和分析目标位置与无线信号强度之间复杂、多变的关系,更加精准地估计目标位置,提出了基于极限学习机（ELM）模型的粒子滤波（PF）无设备定位算法。该算法包括ELM模型构建（离线阶段）和目标位置估计（在线阶段）。在ELM模型构建阶段,建立目标在不同位置与链路（发射节点与接收节点之间的通信链路）信号强度变化的离线数据库,利用ELM构建目标位置与无线射频信号强度的映射关系。在目标位置估计阶段,通过映射关系结合PF实现目标位置的跟踪。实验结果表明,所提算法不仅有效地解决了目标位置与无线射频信号强度的映射关系,而且比高斯过程模型-PF、支持向量机-PF等现有算法显著提高了目标跟踪精度。     

基于跳数量化的无线传感器网络节点定位算法

为提高无线传感器网络节点定位精度,提出一种基于跳数量化的定位(MDS-HE)算法。将网络中节点的一跳邻居节点集合分割成3个不相交的子集,根据跳环分割的相交区域面积来估算节点间的距离,从而将整数跳数转换成实数跳数,转换后节点间实数跳数更能准确地表示节点间的距离;将实数跳数矩阵应用于多维定标(MDS)算法中,并且引入扩展卡尔曼滤波算法对节点坐标进行准确定位。在节点随机布撒的网络中,对提出的算法进行了仿真和实验分析。仿真和实验结果表明：在不同节点数量情况下,MDS-HE算法的性能优于距离向量定位算法和经典MDS算法,而且在锚节点足够多的条件下,MDS-HE算法定位更加准确。     

无线传感器网络中基于贝叶斯技术的气体源定位研究

将无线传感器网络(WSN)引入气体源预估定位。基于贝叶斯原理，提出一种适用于WSN的气体污染源定位算法——改进粒子滤波(IPF)算法。该算法采用权重质心法确定预估定位初始点、退避定时排序法确定参与定位节点信息发送顺序及采用残差重抽样算法减少抽样方差以提高滤波性能。对比研究了改进粒子滤波( IPF)、扩展卡尔曼滤波(EKF)及改进的非线性最小二乘(I-NLS)算法定位性能，仿真表明构建的WSN对气体源定位有效，应用IPF算法定位性能优于EKF及I-NLS算法。     

一种改进型DV-distance自定位算法

由于DV—distance算法计算待定位节点到锚节点的距离是以分段距离之和代替直线距离，在网络不够密集的情况下，误差非常大；改进后的算法在原算法的基础上考虑了待定位节点到锚节点的跳数以及中间节点的邻节点数的影响，建立数学模型，对距离进行修正；通过仿真对比证实改进后的算法较大程度提高了定位的精度。     

基于蒙特卡罗的无线传感器网络战场目标定位模型

针对目前我军使用GPS全球定位系统存在的不足,在对无线传感器网络进行分析的基础上,建立基于蒙特卡罗（Monte Carlo,MCL）的无线传感器网络定位算法模型。分别对MCL、质心和Amorphous 3种算法进行比较,并以蒙特卡罗定位算法为例,研究估计误差与网络参数及算法间的关系。结果表明,MCL算法误差最小。     

不均匀布置传感器网络定位优化算法

目前许多针对传感器网络的定位算法仅适用于节点分布比较均匀的网络,在不均匀网 络中应用时定位精度较低。而在实际应用中,由于监测区域地形或应用需求等因素的限制,网络中 节点的分布往往是不均匀的。引入虚拟空洞以实现节点间的距离优化,并结合多维定标技术,提出 一种可应用于不均匀布置网络的定位算法(MDS-DO). 在半C 型节点布置区域内,对该算法的节 点定位效果进行了仿真分析。结果表明,在不同节点数量及连通度的情况下,MDS-DO 算法都能取 得较好的定位效果。而且在连通度较高的条件下,MDS-DO 算法的平均定位误差比经典的MDS- MAP 算法降低了约90%.     

一种相控阵雷达自适应目标航迹跟踪方法

提出了采用多模型交互自适应变采样跟踪方法进行机动目标跟踪,以控制采样时间,从而有效地利用雷达系统资源.用蒙特卡罗方法模拟各种航迹,计算变采样率的采样时间,并与固定采样率跟踪方法进行了比较分析,取得了很好的应用效果.     

基于分布式压缩感知的麦克风阵列声源定位

压缩感知-正交匹配追踪（CS-OMP）算法将声源定位问题转化为信号稀疏重构问题,能比传统定位算法获得更高的定位性能。但是CS-OMP算法在定位中没有考虑多个信号的相关性。将分布式压缩感知（DCS）理论引入麦克风阵列的声源定位中,考虑信号之间具有的共同稀疏性,利用分布式压缩感知-同步正交匹配追踪（DCS-SOMP）算法对信号进行联合重构,获取稀疏位置并对声源实现定位。仿真和实验结果表明,与传统定位算法和CS-OMP算法相比,DCS-SOMP算法在低信噪比环境下具有更好的定位性能和鲁棒性。     

频谱细化算法分析

介绍了当前广泛应用的ZFFT、FFT-FS和CZT三种频谱细化算法的原理,通过大量蒙特卡洛仿真计算归纳了各自的应用特点:ZFFT可以抑制频率间的干涉,对整周期采样信号分析精度高,否则误差较大;FFT-FS和CZT对单频信号分析精度高,不适用于密集多频信号的分析,但估计精度不受整周期采样的影响;从频率分辨率的角度对三种频谱细化算法的实质进行了分析比较:FFT-FS和CZT是一致的,都是在不增加数据长度的前提下,通过插值增加FFT的变换点数,提高计算分辨率,不能改善信号的频率分辨能力;ZFFT和DN点FFT变换是一致的,它并不能真正提高物理分辨率实现频谱细化的功能,只是一种节省运算量的快速算法,可以改善信号的频率分辨能力,但以增加数据长度为代价。     

基于蒙特卡洛仿真的动态故障树分析

针对基于马尔可夫链的动态故障树分析方法的局限性,把蒙特卡洛方法用于动态故障树分析。研究了动态故障树分析的蒙特卡洛仿真法并给出了仿真的具体步骤,然后利用实例对给定的动态故障树进行了蒙特卡洛仿真,并把仿真结果与精确解进行了比较。结果表明,把蒙特卡洛法用于动态故障树分析是有效的。     

差分二次平均修正的频域相位补偿线谱检测方法

针对常规平均功率谱方法幅度平方后相位信息丢失造成检测性能损失问题,通过对观测数据分段进行快速傅里叶变换后的统计特性进行分析,提出了高斯噪声背景下检测未知线谱的频域相位补偿方法。采用蒙特卡洛法估计相位补偿因子,先进行差分法去除零星野值,然后使用二次平均（TPM）去除连续野值,最后使用估计的相位补偿因子均值构造广义似然比检验统计量实现检测。从理论上对比了广义平均周期图（AVGPR）法、广义功率谱（GPR）法及文中方法的检测性能。仿真结果表明,文中方法充分利用信号的相位信息,参数估计简单,相位补偿因子估计准确,在一定虚警概率下较AVGPR法的检测性能提高了接近5 dB左右。     

Monte Carlo方法计算扰动重力垂直梯度的误差研究

为了进一步提高扰动重力垂直梯度的计算精度，提出采用分层抽样法、对偶变量法和基于分层抽样的对偶变量法来计算扰动重力垂直梯度，并对以上三种改进MonteCarlo方法的计算表达式和误差表达式进行了理论推导，结果表明改进后的MonteCarlo方法误差数量级可降低到10^-6。     

基于粒子滤波的移动机器人跟踪定位算法

针对移动机器人在非线性系统中匀速运动的实时跟踪定位问题,对基于粒子滤波的移动机器人跟踪定位算法进行研究.在控制系统中引入粒子滤波算法,并在此基础上引入退化因子,最后进行仿真验证.结果表明:该算法能避免粒子滤波算法在非线性系统的失效和单样本等问题,改善移动机器人在跟踪定位系统中的非高斯噪声影响,明显提高移动机器人定位精度.     

统计特性突变下的机器人同步定位与地图构建

针对未知环境中，机器人同步定位与地图构建( SLAM)时，系统的统计特性发生突变问题，提出了一种基于非线性交互式多模型(IMM)的SLAM算法。该算法的主要思想是：用多个非线性高斯模型近似非线性非高斯模型；每个模型都采用扩展卡尔曼滤波(EKF)对非线性系统线性化；在每一步采用IMM方法获得融合估计值；从而演化机器人的SLAM. Monte Carlo仿真结果表明，在过程噪声均方根误差、量测噪声均方根误差和两者噪声均方根误差都发生变化的情况下，与EKF-SLAM算法和快速SLAM算法相比，该算法具有更好的估计精度。