一种无线传感器网络的盲源分离算法

无线网络协议的校验纠错机制繁重复杂,加重了通信带宽的负担.盲源分离无需任何先验知识就可重构出源信号,成为无线传感器领域的研究热点.但网络部署中,传感器信号的量化位数和Modem个数难以确定.针对上述问题,提出一种基于平方根容积卡尔曼滤波(SRCKF)的盲源分离算法.算法根据空间状态方程和测量方程,用平方根容积卡尔曼估计分离向量.实验结果表明:SRCKF算法在保持极高分离精度的情况下,能有效计算出量化位数和Modem个数的最优值,SRCKF算法效率是同类无先导卡尔曼滤波(UKF)算法效率的1.3578倍.     

基于距离参数化的混合坐标系下平方根容积卡尔曼滤波纯方位目标跟踪

针对纯方位单站目标跟踪中观测方程非线性且易受滤波初值影响的问题,提出了一种距离参数化混合坐标系下的平方根容积卡尔曼滤波(SRCKF)算法.该滤波算法首先将平方根容积卡尔曼滤波算法应用于混合坐标系,比直角坐标系下的平方根容积卡尔曼滤波算法能得到更好的跟踪效果;接着将距离参数化思想和混合坐标系下的平方根容积卡尔曼滤波算法结合,消除了距离信息不可测对跟踪效果的影响.仿真结果表明,该滤波算法虽略微提升了计算复杂度,但其鲁棒性和滤波精度均有大幅度的提高.     

基于迭代平方根CKF的SLAM算法

在大尺度环境中,平方根容积卡尔曼同步定位与地图构建算法的非线性误差严重制约了算法的定位精度,为解决这一问题,提出了一种基于迭代平方根容积卡尔曼滤波的改进算法,该算法结合迭代理论,对平方根容积卡尔曼滤波的量测更新过程进行迭代更新,充分利用最新的观测信息,降低滤波的估计误差,从而构建精确的地图并获得高精度的定位信息。仿真实验结果表明,采用本算法后, x轴和y轴方向上的位置误差均在1?5 m以内,估计结果明显优于SRCKF－SLAM、CKF－SLAM和EKF－SLAM算法;添加不同的环境噪声后进行仿真实验,该算法所取得的位置误差相比仍是最小的。利用该算法可以有效地减小非线性误差造成的影响,提高SLAM的定位精度。