自适应SINR门限的自动邻区关系生成算法

在长期演进(LTE)系统中,为保证终端通信的正常进行,每个小区需要维护一张邻区列表,该表决定终端切换的范围和方向.传统的相邻小区列表配置是网络工程师根据现场勘测情况进行配置,这样不仅会消耗大量的时间和人力,而且不具有全网统计性.笔者提出一种基于自适应SINR门限的自动邻区关系生成算法.该算法引入了自适应SINR门限以及"投票模型",充分考虑到了LTE网络中的小区类型,并能有效反映实际的网络环境,最终实现动态的相邻小区列表管理.通过仿真评估不同的SINR取值对相邻小区列表的冗余率和准确率的影响,获取了该算法的增益.     

基于PSO-GRNN神经网络的煤矿井下定位算法研究

为进一步提高井下定位精度,本文提出一种基于粒子群算法-广义回归神经网络(PSO-GRNN)的煤矿井下定位算法。该算法利用广义回归神经网络(GRNN)建立井下定位模型,通过粒子群优化算法(PSO)寻找广义回归神经网络最优的平滑因子,降低人为调整的影响,提高定位精度。将信标节点接收到的信号强度(RSSI)值输入训练好的神经网络,神经网络的输出就是待测节点的坐标。仿真实验表明,PSOGRNN模型相比未经优化的GRNN模型和BP模型,定位精度更高;相比BP模型,算法复杂度更低,效率更高,满足井下自适应定位要求。     

面向煤矿井下WSN低功耗双向时间同步算法 研究与实现

针对传统时间同步算法通过交换较多数据包来获取同步精度而导致能耗过大的现象,结合煤矿井下网络结构的特殊性,在分析双向成对同步机制和单向广播同步机制基础上,利用广播传输特性将2种机制有效结合起来,提出一种基于簇状结构的主被动式低功耗双向时间同步算法。实验表明,基于簇状结构的主被动式同步方式可有效解决传统双向报文交互频繁的问题,在误差允许范围内达到减少消息开销和平衡整个网络能量损耗的目的。     

基于LSTM个性化步长估计的井下人员精准定位PDR算法

针对传统的行人航位推算(PDR)算法由于步长和航向累积误差导致定位精度较低,不能满足井下人员精准定位需求的问题,提出了一种基于长短时间记忆网络(LSTM)个性化步长估计的井下人员精准定位PDR算法。首先采集井下人员运动中的加速度、陀螺仪惯性信息,解算每一步运动距离构建步长数据,通过离线训练获得井下人员个性化步长估计LSTM模型;然后在在线预测阶段通过矿用本安智能手机实时采集加速度、陀螺仪、地磁等井下人员运动数据,分别采用步伐检测算法、个性化步长估计模型获得井下人员运动步伐及每一步的步长,利用卡尔曼滤波融合航向估计算法获得航向角;最后根据步长估计和航向角预测井下人员当前位置。在内蒙古鄂尔多斯市高头窑煤矿采集井下人员运动数据进行试验,结果表明:基于LSTM个性化步长估计的井下人员精准定位PDR算法对井下人员运动中的步伐检测精度为96.5%,步长预测精度为90%;在井下真实环境中的相对定位误差为2.33%,提高了煤矿井下人员定位的精度。     

井下WSN目标跟踪局部异常检测算法

针对煤矿井下特殊信道环境对无线传感器网络(WSN)目标跟踪造成的约束和对量测数据的精确性造成的影响，设计了适用于井下巷道特征的网络拓扑结构以及分布式分簇目标跟踪算法，并在此基础上提出运用局部异常因子检测算法(LOF)对量测数据中存在的异常点进行实时监测和更新最后结合交互式多模型滤波算法(IMM)实现目标状态估计，仿真结果表明，该算法有效提高了跟踪精度，平衡并降低了网络能耗。     

基于改进粒子滤波的井下跟踪算法研究与实现

井下环境复杂多变,射频信号易受到阴影效应、多径衰落等因素的影响。采用传统的粒子滤波跟踪方法误差较大,研究了一种基于改进粒子滤波的井下跟踪算法。初始化阶段利用第一次指纹匹配算法的定位结果来设计初始化概率分布函数;采用核函数法与指纹匹配技术相结合的算法,在采样数据中搜索与目标节点指纹特征相匹配的位置并加权得到位置坐标作为跟踪中的观测值;最后利用粒子滤波将观测值与目标运动状态相融合以跟踪目标运动轨迹。实验结果表明,粒子滤波算法较优化卡尔曼滤波算法更适用于井下跟踪;改进的算法有效增强了跟踪系统的可靠性,提高了跟踪精度,满足了井下的跟踪要求。     

基于几何原理的无需测距传感器节点定位

对无线传感器网络中传感节点的定位问题进行研究,提出一种无需测距的定位方案.采用一个圆的弦的垂直平分线必过圆心的几何原理,利用移动锚点在感测区域中移动并周期性地广播信标消息,以确定有效的信标点和弦;在得到任意两条弦后,可以根据任意弦的垂直平分线必经过圆心来找到圆心,计算出传感器节点的位置;为提高定位方案的性能,提出一些改进措施.仿真结果表明,该定位方案具有较好的定位性能,在定位误差、定位执行时间和信标开销方面优于其它无需测距的定位方案.     

井下WSN目标跟踪局部异常检测算法

针对煤矿井下特殊信道环境对无线传感器网络(WSN)目标跟踪造成的约束和对量测数据的精确性造成的影响，设计了适用于井下巷道特征的网络拓扑结构以及分布式分簇目标跟踪算法，并在此基础上提出运用局部异常因子检测算法(LOF)对量测数据中存在的异常点进行实时监测和更新最后结合交互式多模型滤波算法(IMM)实现目标状态估计，仿真结果表明，该算法有效提高了跟踪精度，平衡并降低了网络能耗。     

隐马尔科夫模型修正的交互多模跟踪算法

针对交互式多模型目标跟踪算法中模型转移概率固定对跟踪精度造成的影响,提出了一种隐马尔科夫模型修正的模型转移概率自适应交互多模跟踪算法。该算法通过对跟踪过程建立隐马尔科夫模型,采用Viterbi 算法求解修正系数,在检测到目标运动发生机动性变化时,将修正系数用于交互式多模型算法以达到实时调整模型转移概率的目的。仿真结果表明,该算法的跟踪结果优于传统的交互式多模型算法,具有很好的稳健性、实时性,有效降低了主观因素对跟踪精度造成的影响。