排序方式: 共有54条查询结果,搜索用时 365 毫秒
41.
纠缠光量子定位方法是目前导航与定位领域的研究热点之一,而现有方法很少考虑散射环境动态变化对不同光源中传播距离估计性能的影响,从而导致定位精度不高且鲁棒性较差的问题。针对这一问题,该文提出一种基于自适应光源选择的纠缠光量子定位方法。首先,建立不同散射环境干扰与各光源信号传播距离之间的数学关系,计算各光源信号光时间脉冲序列光子丢失率均值,并对各光源时间脉冲序列进行动态分组;其次,对纠缠光时间脉冲序列进行符合计数,根据光的2阶关联曲线得到各光源各分组下的传播距离;最后,以各光源各分组下的相对误差为依据,动态选择具有较小相对误差的光源进行定位。实验结果表明,所提方法具有更高的定位精度和更强的定位鲁棒性。 相似文献
42.
穿墙场景下,由于墙体造成信号严重衰减,接收信号中目标反射信号的能量大幅下降,接收信号淹没在收发机直射信号和室内家具反射信号中,难以检测墙后目标。针对上述问题,该文提出一种新颖的基于多维信号特征融合的穿墙多人体目标检测算法(TWMD)。先对接收到的信道状态信息(CSI)进行预处理以消除相位误差和幅值噪声,再利用CSI的时序相关性和子载波相关性从相关系数矩阵中提取多维信号特征,最后使用BP神经网络完成特征与检测结果之间的映射。实验结果表明,该算法在玻璃墙、砖墙和混凝土墙环境的识别精度分别在0.98, 0.90, 0.85以上。根据所统计的4000个各类样本的检测结果,与现有基于单一信号特征的检测算法相比,该文算法在对不同数量运动目标的检测上,获得了平均0.45的精度提升。 相似文献
43.
单站定位在室内定位中起着至关重要的作用。大多数室内定位算法都是联合多个Wi-Fi接入点(AP)进行定位,在只有w单个AP时定位精度很低甚至无法定位。针对室内环境中普遍存在的单AP定位情况,该文首先利用现有的三天线商用Wi-Fi网卡采集无线信道频率响应信息(CFR)进行信号到达角(AOA)估计。其次利用CFR幅值信息通过信号传播模型进行距离估计。提出了一种基于AOA和信号到达时间(TOA)二维聚类信息的直射路径识别算法。最后,利用现有的三天线Wi-Fi设备在室内进行了测角、测距以及定位测试,实验结果表明该文提出的单站定位系统在室内环境下中值误差可以达到1.3 m的定位精度,满足室内定位的需求。 相似文献
44.
针对传统位置指纹图中的邻近参考点(ARP)信息未能得到较好利用的问题,提出一种在离线训练阶段建立基于接收信号强度(RSS)的位置指纹库和参考点(RP)物理邻近信息库的方法。通过利用待定位点与其所对应的最近邻参考点及参考点之间的物理邻近关系,来提高指纹概率定位方法的定位精度,即:在在线定位阶段,首先根据基于信号强度概率分布的贝叶斯算法计算得到待定位点的最近邻点;然后在物理邻近信息库中搜索最近邻点的物理邻近点,并在该最近邻和物理邻近点集合中,选取特征点集合用于贝叶斯二次估计;最后将具有最大后验(MAP)概率的特征点组的均值位置作为待定位点的估计位置。实验结果表明,与传统的无物理邻近数据库的指纹概率定位方法相比,在3m内的定位精度提高了约10%,有效提高了定位的可靠性。 相似文献
45.
机器学习在WiFi指纹定位技术中扮演着重要角色。针对信号波动对指纹辨识力的影响往往被忽略以及如何从样本中提取更广泛的表征信息的问题,提出了一种基于改进对比学习(CL)和并行融合神经网络的WiFi定位算法。该算法首先利用改进对比学习来提高指纹辨识力,其在增加不同类别指纹间的区分度的同时能减小同类别指纹间的差异。其次,构建基于卷积神经网络(CNN)和长短期记忆(LSTM)的并行融合网络,与传统的串行融合方式相比,网络可以从原始样本中提取更多的有效特征。此外,在池化层后增加Flatten层以进一步考虑网络的中间层信息,从而利用更广泛的特征信息来提高模型的泛化性能。结果表明,所提算法的定位性能比其他定位算法提高26%。 相似文献
46.
47.
48.
针对现有商用Wi-Fi接入点(Access Point,AP)天线的个数限制了基于多天线到达角(Angle of Arrival,AoA)高精度定位的问题,本文提出了一种基于Wi-Fi的室内实时角度定位算法.提出了基于Wi-Fi系统的角度估计算法,能够在天线数量以及快拍数少的情况下快速地估计直视(Line of Sight,LoS)路径的到达角,保证定位的实时性;利用IEEE 802.11 Saleh-Valenzuela(S-V)信道模型分析了多径信号对直达信号能量谱峰的影响;为了提高定位精度提出了基于天线选择的多AP联合定位算法;为了验证系统的有效性搭建了实时定位演示系统.本文通过实际测试验证了所提算法可以达到67%1.2m的定位精度,定位时延在0.5s以内. 相似文献
49.
无线局域网(WLAN)室内入侵检测技术是目前智能检测领域的研究热点之一,而传统基于数据库构建的入侵检测技术没有考虑复杂室内环境中WLAN信号的时变性,从而导致WLAN室内入侵检测系统的鲁棒性较差。为了解决这一问题,该文提出一种基于多核最大均值差异(MKMMD)迁移学习的WLAN室内入侵检测方法。该方法首先利用离线有标记和在线伪标记的接收信号强度(RSS)特征来分别构建源域和目标域;其次,通过构造最优迁移矩阵以最小化源域和目标域RSS特征混合分布之间的MKMMD;再次,利用迁移后的源域RSS特征与对应标签来训练分类器,并将其用于对迁移后的目标域RSS特征进行分类以得到目标域标签集;最后,迭代更新目标域标签集直至算法收敛,进而实现对目标环境的入侵检测。实验结果表明,该文所提方法在保证较高检测精度的同时,能够有效克服信号时变性对检测性能的影响。 相似文献
50.
针对室内复杂环境下信道状态信息的动态性问题,本文提出了一种面向室内Wi-Fi/行人航迹推算(Pedestrian Dead Reckoning,PDR)融合定位的自适应鲁棒卡尔曼滤波方法.该方法利用自适应鲁棒卡尔曼滤波将Wi-Fi传播模型与PDR定位信息进行多重融合,推算用户的最优估计位置.同时,基于滤波反馈机制,通过融合定位结果对加权最小二乘法中的路径损耗指数和滤波模型中的观测协方差进行动态修正,保证Wi-Fi传播模型接近于真实室内环境.实验结果表明,该方法能够有效解决室内复杂环境下单一Wi-Fi定位精度低和PDR累积误差的问题,此外,路径损耗指数和观测协方差的实时修正可以提高融合定位系统的定位精度和稳定性. 相似文献