基于AUPF的TDOA几何定位跟踪算法研究

使用无源时差（TDOA）定位技术确定无人机等小型辐射源目标的位置是当前研究的热点,针对时差定位算法较为复杂的实际情况,推导了时差双曲线的几何解,并提出了一种基于自适应无迹粒子滤波（AUPF）技术的移动目标定位跟踪方法。通过仿真对该方法在不同场景的应用效果进行了验证,进一步比较分析了算法的定位精度。结果表明,基于自适应无迹粒子滤波的时差几何定位跟踪算法可以在多种情况下较好地拟合出目标真实运动轨迹,实现对运动目标的定位跟踪,同时拥有更低的定位误差和更高的轨迹包容度,使用该方法可以显著提高对非合作移动辐射源目标的位置估计性能。     

多无人机协同定位下的路径优化

利用无人机携带定位设备在空中进行辐射源目标的时差定位,可有效避免因地面布站几何因子和非视距传播带来的误差。在此场景下,针对具有定位精度保证的飞行路径最小化问题,本文推导了定位误差期望的下界,构建了最小化该下界的飞行路径优化模型,并针对该模型提出两种数值近似优化算法。在多种场景下,仿真实验对两种算法的路径优化性能进行了对比;在飞行距离受限条件下,仿真实验研究了两种算法的定位精度差异。      

基于周期宽带参考信号的直接定位方法

定位系统的模型误差是制约定位精度提高的最主要因素之一。目前大多数定位系统都采用参数标定或者参数差分的方法降低模型误差对定位精度的影响。本文针对辐射源的多星定位应用,采用低信噪比的周期宽带信号作为参考信号,对定位系统的模型误差进行校准。校准过程建立了模型误差参数直接估计模型和辐射源位置直接估计模型。模型误差直接估计模型中,建立起接收参考信号波形与模型误差参数之间的关系,运用最大似然方法获得超分辨率的模型误差参数估计。辐射源位置直接估计模型中,建立起模型误差参数、未知辐射源位置与接收未知信号波形之间的关系,直接估计出辐射源的位置。针对参考信号带宽大,周期长,信噪比低,导致模型误差参数估计计算复杂度大的问题,利用参考信号的周期特性对参考信号进行能量累积和分步搜索方法逐级引导,提高了系统参数估计速度和精度。最后给出一个仿真算例说明方法的有效性。      

基于改进协作目标外观模型的在线视觉跟踪

在不受限制的复杂环境中在线跟踪任意类型的感兴趣目标仍是一项极具挑战的难题.本文在无模型跟踪框架基础上提出一种基于改进协作目标外观模型的在线视觉跟踪方法,解决了大多数协作模型类跟踪算法在学习阶段无法有效选择正、负样本的问题.该方法根据人类视觉感知准则将目标边缘信息视为最具区分度的目标特征,提出边缘判别模型并结合动态模型和检测模块建立二级似然匹配空间,为生成模型的似然匹配去除了背景干扰;采用分块策略建立目标生成模型,为模型引入空间结构信息;利用Mean-Shift计算各子块的最终位置和匹配系数,并根据子块匹配系数为遮挡处理和模型更新提供依据.在公开视频序列上同几种流行视觉跟踪算法的对比实验结果证明了本文算法的有效性和优越性.     

基于改进粒子群优化的节点定位算法

在基于粒子群优化的节点定位过程中,惯性权重的设置对算法收敛速度和定位精度有着重要影响。本文从两个方面对其进行改进:利用节点间的连通信息对未知节点可能存在的区域进行估计,缩小粒子搜索范围;根据未知节点存在区域,对粒子群优化算法的惯性权重设置进行改进。仿真结果表明,改进算法的定位精度和稳定性有明显的提高,是一种可行的无线传感器网络节点定位的解决方案。     

一种基于RSSI的无线传感器网络定位法

文中通过实地测量数据分析了信号衰减模型的时变特性,提出了一种基于RSSI的定位方法——差圆法。该方法弱化了信号衰减模型的作用从而在一定程度上提高了定位的精确度。仿真分析表明：在测量噪声较小的情况下,差圆法较常用的多边定位法具有更高的定位精度。     

稀疏无线传感器网络的节点自定位算法

针对基于TOF测距的节点定位算法在稀疏网络中定位覆盖率较低的问题,对初始估计位置进行迭代求精,达到精度门限的升级为锚节点。如果网络中存在不良节点,对节点进行估计分类,并实现对不良节点的定位。仿真结果表明,在适当增加节点计算量和通信开销的条件下,可提高改进算法的定位覆盖率。     

无线传感网中基于定向游走的压缩感知数据收集算法

对于大规模无线传感网的工程应用,降低网络能耗、延长网络寿命和克服链路丢包成为设计传感网数据收集算法的关键因素。提出一种基于定向游走的稀疏压缩感知数据收集算法,网络节点以环状部署的方式非均匀分布在以Sink为中心的圆形区域内,每次数据收集过程由最外环内的随机唤醒节点发起,逐跳向内环定向游走,直至游走至CS数据缓冲区内结束收集过程。仿真结果表明,采用稀疏定向游走机制对全网数据进行投影采样,可以有效降低网络能耗,延长网络寿命。同时在有损链路环境下,该算法依然具有高精度的重构性能,克服了链路丢包对CS数据收集的影响。     

基于置信区域内多级动态层表达的类贯序蒙特卡洛视觉跟踪方法

视觉跟踪是智能监控、机器人和视觉导航等领域的核心技术.针对现有类贯序蒙特卡洛跟踪方法复杂度高、实时性差的问题,本文提出了一种融合置信区域内多级动态层表达的跟踪方法,采用更加可靠、有效的粒子模拟状态后验概率.该方法利用检测模块得到目标可能出现的置信区域,根据真实目标尺寸给出一种粒子采样策略,每个粒子代表一级动态层表达,并为每个粒子建立双层运动模型;构建Mean-Shift分块观测模型以引入空间和外观信息,同时根据子块的匹配程度计算粒子权值、检测目标遮挡状态并提出模型更新策略.在公开视频序列上同经典粒子滤波和Mean-Shift等算法的实验对比结果证明了本文算法具有较优的跟踪准确度和实时性.     

改进的无线传感器网络到达时间定位算法

针对无线信道环境的复杂性和传感器节点的特点,提出一种改进的无线传感器网络到达时间定位算法。该算法无需额外的硬件支持,以接收节点回复时间信息的方式消除时间同步的要求,采用多次测量结果取平均的方式削弱随机噪声的影响。仿真结果证明,该算法定位精度高,实用性较好。