分布式 ＭＩＭＯ 声纳系统中移动目标的精确定位方法

分布式MIMO声纳系统具有空间分集与复用增益的特点,能显著提高目标检测精度。针对分布式MIMO声纳系统中的移动目标定位问题,考虑不同发射机声纳信号到达移动目标上的位置延迟,本文提出了一种分布式MIMO声纳系统中的移动目标精确定位方法。采用时间延迟与多普勒频移测量相结合的方法,设计了移动目标初始位置以及运动速度的非约束权重最小二乘(UWLS)以及约束权重最小二乘(CWLS)方法。算法的仿真结果表明,UWLS以及CWLS能有效消除位置延迟的影响,减少估计误差。相比于UWLS方法,由于利用了约束关系,CWLS方法的定位精度更高,更接近于克拉美罗下界(CRLB)值。     

修正极坐标系中基于AOA的近似无偏定位方法

提出了一种基于到达角(Angle-of-Arrical, AOA) 测量值的近远场统一定位方法。使用修正极坐标(Modified Polar Representation, MPR)代替了传统的笛卡尔坐标来表示目标源坐标,以避免目标源位于远场时的数值问题。将基于AOA的定位问题描述为约束加权最小二乘(Constrained Weighted Least Squares, CWLS)问题,并通过拉格朗日乘子法和特征值分解获得 该问题的闭式解。该方法无需已知目标源位于近场或远场的先验知识,就可获得近场时目标源的坐标以及远场时目标源方位角和俯仰角的准确估计。但在这一过程中由于模型近似导致了较大的估计偏差,为了解决这一问题,进一步推导了CWLS估计的理论偏差,并将其从闭式解中减去,以获得近似无偏的估计。仿真实验表明该近似无偏估计方法能够达到克拉美－罗下界(Cramer-Rao Lower Bound, CRLB)。     

基于TDOA方法的无线传感器网络运动参数估计方法

采用移动目标与信标节点间的到达时间差(TDOA)测量,提出了移动目标运动参数包括初始位置及速度的共同估计方法。通过建立移动目标运动参数估计的优化模型,首先推导了移动目标初始位置及运动速度估计的非约束线性最小二乘(ULLS)法。然后将优化模型松弛为凸优化的半正定规划(SDP)问题,又设计了运动参数估计的SDP算法。仿真分析表明,TDOA方法能有效避免到达时间(TOA)测量的时钟同向误差,提高位置的估计精度。由于使用了约束条件,基于TDOA测量的SDP算法估计误差比ULLS算法的估计误差更小,但是计算复杂度较大。TDOA-ULLS和TDOA-SDP算法能有效减少时钟同向误差引起的估计误差,采样周期和采样点数量的增加也能有效提高估计精度。     

基于延迟时间测量的移动源运动参数估计方法

延迟时间测量是移动源定位中常采用的一种方法,采用移动源的延迟时间测量,建立了移动源运动参数包括初始位置和运动速度的联合估计优化模型,通过对优化模型的等效变换与松弛,建立了运动参数估计的凸优化模型,并设计了参数估计的半正定规划(SDP)实现算法。为减少估计误差,采用更为严格的约束限制条件,设计了混合的二阶锥规划与半正定规划(SOCSDP)凸优化算法。仿真分析结果表明,由于引入了更多的约束条件,SOCSDP比SDP算法的估计误差更小,尤其在较小时间测量噪声条件下?SOCSDP比SDP算法的估计误差更接近于克拉美罗(CRLB)下界值,由于采用了更多的约束条件限制?SOCSDP算法的计算复杂度比SDP算法更高。     

基于约束总体最小二乘的泰勒级数定位算法

目前基于到达时间差(Time Difference of Arrival,TDOA)的无线定位算法既不能在基于距离平方差(Squared Range-Difference,SRD)的误差平方和最小模型中获得总体最小二乘准则下的全局最优解,也不能在基于距离差(Range-Difference,RD)的误差平方和最小模型中获得普通最小二乘准则下的全局最优解。将泰勒级数法与约束总体最小二乘法(Constraint Total Least Square,CTLS)相结合,提出一种基于约束总体最小二乘的泰勒级数定位算法(CTLS-Taylor)。利用CTLS方法获得目标节点的粗估计位置,并将该位置作为泰勒级数展开法的初始点,通过迭代,获得目标节点的精估计位置。仿真结果表明,CTLS-Taylor算法不仅能够获得与QCLS-Taylor算法相同的定位精度,而且迭代次数有了明显减少;同时与CTLS定位算法相比,当测量噪声较高时,CTLS-Taylor算法的定位精度更高。     

正四面体麦克风阵列声源定位模型研究

研究声源定位优化建模问题,针对声源位于远场环境下无法获取精确的方位角和俯仰角,由于采用声达时间差(TDOA)和空间几何算法的正四面体麦克风阵列声源定位方法只适应于近场声源定位,为了提高定位准确性,提出了应用径向基(RBF)神经网络建立声源定位模型的算法,声源定位模型在声源位于近场或者远场的情况下,均可求解出精确的方位角和俯仰角。在MATLAB上进行仿真,结果表明,定位声源的方位角误差小于3°,俯仰角误差小于4°,满足实际定位精度的要求。结果表明为声源准确定位提供了科学依据。     

联合TDOA-AOA无线传感器网络半定规划定位算法研究

在无线传感器网络定位中,TDOA和AOA联合定位可有效利用多种位置信息提高定位精度.由于传统联合加权最小二乘(WLS)的目标函数非线性,在应用于无线传感器网络定位时,会产生多个局部最优解.因此,针对该问题本文将约束加权最小二乘问题转化为二次约束二次规划问题,之后通过引入半定松弛(SDR)方法将联合定位问题转换为低复杂度的半定规划问题(SDP),进而寻找全局最优解.并且针对实际应用中参考节点带误差的情形分析和推导了定位算法.与已有算法相比,提出的算法在参考节点无误差和有误差时都有更高的精度.此外,提出的SDP算法还能够实现只有两个参考节点下的目标定位.     

三维传感网空间RSS与AOA混合测量的精确定位方法

由于位置坐标参数的增加,三维传感网空间的定位难度较二维平面有所增大.单一的依靠接收信号强度(RSS)确定节点位置坐标的方法将使定位的不确定性增加,定位误差也较大.新型的阵列与智能天线的出现为节点间的到达角度(AOA)测量提供了方便,为此本文提出了一种三维传感网空间RSS与AOA混合测量的精确定位方法.将采用混合测量建立的非线性优化模型转化为线性方程,分别提出了节点位置坐标估计的非约束线性最小二乘(ULLS)及约束线性最小二乘(CLLS)方法.仿真测试了所设计算法的有效性,分析了不同测量噪声对位置坐标估计误差的影响.仿真表明所设计的ULLS和CLLS方法的计算速度快,相比于ULLS方法,采用约束后的CLLS方法的定位误差更小.在较小测量噪声范围内,ULLS和CLLS估计方法具有较高的稳定性和定位精度.     

基于TDOA的改进室内定位算法

针对Chan算法无法有效处理质量较差的TDOA测量值及Taylor级数展开算法收敛较慢的问题,提出一种基于TDOA的改进室内定位算法。将Chan算法的线性模型重构为抗干扰能力较强的非线性模型,使用混合最小二乘法求解线性模型,将解算结果作为初值输入非线性模型进行迭代计算。实验结果表明：改进算法在定位精度与准确度方面优于混合最小二乘的Chan算法,与Taylor级数展开算法的结果相近;在计算效率上略逊于混合最小二乘的Chan算法,优于Taylor级数展开算法。     

无线传感器网络中的线性移动目标运动参数捕获方法

移动目标跟踪即移动目标的运动路径与参数获取在无线传感器网络应用中具有重要的研究价值.采用移动目标节点与信标节点间的TOA测量方法,提出了无线传感器网络中移动目标运动参数的捕获方法.通过建立移动目标运动参数的估计模型,本文首先推导了线性移动目标初始位置及移动速度估计的非约束线性最小二乘(ULLS)和约束线性最小二乘(CLLS)方法.将估计模型松弛为凸优化的半正定规划(SDP)问题,又设计了运动参数捕获的SDP算法.仿真分析结果表明,在3种所设计算法中ULLS算法的估计误差最大,SDP算法其次,CLLS算法的估计误差最小.随着采样周期的增加,初始位置的估计误差亦稍有增大,但速度估计误差却在减少.更多的采样点数量有利于增加测量信息量,可以有效减少位置及速度估计误差.     

基于改进TDOA的近场声源鲁棒定位方法研究

针对不同噪声及信噪比条件下,传统进场声源定位精度低、计算复杂度高的问题,提出一种基于改进的时间到达差(TDOA)近场声源鲁棒定位方法。利用传统FIR维纳滤波器对含噪语音信号进行预处理,增强信噪比,并在频域计算TDOA值;采用空域收缩迭代最小二乘算法取代传统的LS算法进行拟合,计算近场声源位置信息。仿真结果表明,在不同噪声和信噪比条件下,该方法在降低运算量的同时,有效提升了定位精度。     

煤矿井下超宽带定位混合解算方法

超宽带定位是根据基站测定的标记点距离,基于一组非线性定位方程组,通过泰勒(Taylor)级数展开算法、Chan算法或最小二乘法解算获得精确的设备位置。其中,Taylor级数展开算法的求解精度高,但是对初始值具有很强的依赖性,如果初始值选择不恰当,会导致算法不收敛。针对上述问题,提出了一种结合头脑风暴优化(BSO)和Taylor级数展开的混合解算(BSO-Taylor)方法。采用BSO算法求解移动站到基站的误差函数最小化的最优解,将最优个体的到达时间差(TDOA)值作为Taylor级数展开算法的初始值,进行Taylor展开解算得到定位信息,解决了Taylor级数展开算法需要较好初始值的问题。对Chan算法、Taylor级数展开算法和BSO-Taylor混合解算方法的结果进行了对比实验,结果表明,BSO-Taylor混合解算方法通过全局搜索策略,获得了接近于真实位置的迭代初始值,既可以获得接近真值的定位性能,又解决了Taylor级数展开算法对不良初始值的敏感性;相较于Chan算法,BSO-Taylor混合解算方法的解算结果更加稳定,且准确性更好;相较于初始位置为真实位置的Taylor级数展开算法,BSO-Taylor混合解算方法的解算误差稍大;定位距离的变化和TDOA测量值标准差的变化对Taylor级数展开算法和BSOTaylor混合解算方法的影响基本一致,而对Chan算法的影响较大。     

基于飞行理论萤火虫算法的TDOA与GROA定位机制

节点定位是无线传感器网络中最为关键的一项技术。针对无源定位的问题,提出一种到达时间差(TDOA)和到达信号增益比(GROA)联合定位算法,并且采用飞行机制的萤火虫算法(GSO)来求得最终结果。结合TDOA和GROA定位模型,引入辅助变量将方程伪线性化,然后采用修正两步加权最小二乘算法(TSWLS)来进行求解。并且在不影响收敛速度和精度的前提下,采用带有飞行机制的GSO算法来寻求目标定位的最优解,克服粒子群算法易陷入局部最优的缺点。仿真结果表明,该算法相比较TDOA算法而言,定位精度提高了23 dB,并且具有相对较高和较稳定的定位精度。     

非持续激励条件下系统辨识递推最小二乘最小范数算法

系统辨识中广泛应用的最小二乘算法需要输入向量序列满足持续激励性条件(PE条件); 但在大多情况下这是难以满足的. 本文提出了一种不依赖于PE条件的递推最小二乘、最小范数辨识算法. 首先分析了最小二乘算法解空间的结构, 并运用罚函数方法, 将参数辨识问题转化为无约束优化问题. 然后, 提出了将步长、罚因子等过程控制参数统一的迭代－递推形式的辨识算法, 证明了算法在给定的控制参数约束下收敛于唯一的最小二乘、最小范数解向量. 仿真实验表明在非PE条件下算法的有效性.     

多变量偏差修正最小二乘估计算法

本文介绍多变量偏差修正最小二乘估计算法。该方法适用于在有色噪声干扰情况下,多变量系统的参数估计问题。该算法简单且收敛快。     

线性矩阵方程异类约束最小二乘解的迭代算法

多矩阵变量线性矩阵方程(LME)约束解的计算问题在参数识别、结构设计、振动理论、自动控制理论等领域都有广泛应用。本文借鉴求线性矩阵方程(LME)同类约束最小二乘解的迭代算法,通过构造等价的线性矩阵方程组,建立了求多矩阵变量LME的一种异类约束最小二乘解的迭代算法,并证明了该算法的收敛性。在不考虑舍入误差的情况下,利用该算法不仅可在有限步计算后得到LME的一组异类约束最小二乘解,而且选取特殊初始矩阵时,可求得LME的极小范数异类约束最小二乘解。另外,还可求得指定矩阵在该LME的异类约束最小二乘解集合中的最佳逼近解。算例表明,该算法是有效的。     

线性最小二乘法的RSSI定位精确计算方法

基于接收信号强度指示(RSSI)定位模型,提出了一种目标节点位置的精确计算方法。将RSSI定位问题所描述的非线性优化函数转化为线性最小二乘法估计问题,将定位结果直接用代数解表示。分别提出了目标节点信号发射强度已知和未知下的非约束线性最小二乘(ULLS)定位方法。同时对非约束线性最小二乘法下的参数进一步优化,提出了约束线性最小二乘法以提高定位精度。仿真验证了该定位计算方法的有效性,测试了不同信号强度噪声对定位误差的影响。结果同时表明,约束线性最小二乘法比非约束线性最小二乘法的定位误差更小,非常接近于定位结果的克拉美罗下界值(CRLB)。     

基于RBF神经网络的TDOA/AOA定位算法

为了减小NLOS传播的影响,提出基于RBF网络的TDOA/AOA算法。利用RBF神经网络对NLOS传播的误差进行修正,使用TDOA/AOA算法进行定位。仿真结果表明该算法减小了NLOS传播的影响,在NLOS环境下有较高的定位精度,性能优于TDOA/AOA算法、Taylor算法、Chan算法和最小二乘(LS)算法。     

Chan定位算法在三维空间定位中的应用

对基于TOA/TDOA无线定位算法进行了研究和比较,分析了基于TOA的精确测距技术.针对现有的定位算法通常是二维形式的问题,在Chinl定位算法基础上推导了Chan算法的三维形式,提出了一种基于TOA的三维空间定位算法.算法的主要思想足两次使用加权最小二乘法(WLS)得到初始解,利用初始解将非线性定位方程组线性化,最终得到位置估计.仿真结果表明该算法结构简单,精度较高,有较强的理论参考价值.     

非视距环境下的超宽带室内定位算法

为了进一步提高超宽带技术在非视距室内环境中的定位精度,研究了抑制非视距误差的定位算法。首先,对非视距环境下的TDOA定位模型进行重构;其次,推导出非视距情况下均方根时延拓展的统计模型,获得附加时延参数的估计值,对TDOA测量误差参数校正;最后,通过最小二乘法初步估计出目标节点位置,将其作为粒子群算法的初始值进行智能粒子群算法求最优解,惯性权重在迭代中按照高斯函数的策略变化。仿真结果表明本文提出的优化算法可有效减弱非视距误差在复杂室内环境中定位的影响,进一步提高定位精度和算法的收敛速度。