基于超宽带和惯导的室内组合定位方法研究

文章对一种采用超宽带UWB和惯导相结合的室内定位方法进行了研究。该方法的核心思想是利用安装在移动节点上的UWB模块产生位置的估计值,以校正惯导的航位推算法所得到的移动节点的位置坐标。这样既可以校正惯导中由于陀螺仪的漂移导致的累积定位误差,又能够减小UWB定位存在的非视距NLOS误差。相比于单一超宽带定位方法,该组合定位方法具有更高的室内定位精度。     

基于捷联惯导系统补偿的UWB的室内定位方法研究

根据超宽带定位系统在室内定位应用,分析UWB信号丢失或被遮挡时类型,将基于捷联惯导系统的惯性器件IMU的加速度计在三个方向的增量信息作为UWB丢失信号的补偿,从而改善UWB在室内定位中的精度。通过仿真实验测得在UWB信号丢失10s时间,该设计可以将原来的位置误差缩小到2m以内。针对设计的定位模型,利用实验室设备搭建该原理样机,通过半物理仿真试验,证明基于捷联惯导系统的UWB室内定位系统在水平面X轴与Y轴误差基本保持在0.5m范围内。     

超宽带室内定位算法

为了解决室内密集多径环境下人员定位精度差这一问题,设计并实现了一种基于脉冲超宽带与能量检测接收机的信号到达时间估计算法。根据在IEEE802.12.4a标准室内家居环境下得到的超宽带信号,深入分析了信号的偏度、翘度与均方差特性。根据信号特性与信噪比之间的关系,算法能够实现高精度的信号传播时间估计。该算法充分考虑了积分周期与信号传播环境如视距与非视距对信号传播时间造成的影响。通过实验分析对比,该算法对信号传播时间估计具有更好的鲁棒性,目标运动速度和形变具有很好的鲁棒性,能够提供更高的精度。相较于阈值估计算法,该算法在低信噪比环境下最优能够提高10 ns的估计精度。     

基于微惯导与VLC的室内高精度定位技术研究

高精度室内定位在很多场合的实用性和必要性日趋显著,其应用前景广阔,已成为研究前沿.基于微惯导技术的室内定位,是目前最为精确和有效的一项定位技术,但由于微惯导测量组件存在不可避免的漂移现象,使其无法长时间独立用于目标的定位.在此背景下,提出了一种基于微惯导(Micro-Inertial Navigation System,Micro-INS)与可见光通信(VLC)系统相结合的定位方法.在该方法中,首先通过微惯导测量组件进行航位推算,然后利用获取的VLC信号对微惯导系统的位置信息进行校准,补偿微惯导系统的定位累积误差.定位实验结果表明,文章所提出的方法可有效地提高系统定位精度,实现室内的长时间精确定位.     

超宽带室内定位算法综述

在超宽带定位系统中,多径效应、NLOS 等因素会导致一定程度的测量误差。详细介绍了基于超宽带的各类定位技术及其实现原理,并着重于定位性能较好的TDOA技术,从定位模型建立到定位解算方面系统地介绍了各类基于TDOA的定位算法,详细阐述了各种算法的实现原理及设计流程,并对各种算法在LOS和NLOS下的性能进行了比较分析。     

基于伪卫星与微惯导组合的室内定位终端设计

伪卫星定位是室内定位的一种有效手段,然而常规定位终端是基于GNSS与微惯导传感器的。针对该问题,提出了基于北斗伪卫星与微惯导传感器的室内组合定位终端,通过内置北斗伪卫星定位IP软核,能够实现北斗卫星信号的接收和解析,微惯导传感器安装在脚步,感知行人运动状态,二者数据经蓝牙传输到终端软件完成数据融合。同时终端软件叠加高精度室内地图,支持位置的实时可视化显示。     

超宽带室内定位的圆概率误差算法分析与应用

超宽带室内定位系统包含多个基站与定位标签,其优势在于高定位精度,因此,误差分析是该定位系统的关键之处。综合军用武器精度测量中的圆概率误差算法,以及超宽带室内定位系统中定位标签随机移动位置的因素,运用统计概率学中均值和二倍标准差的思想,提出适合于超宽带室内定位系统进行误差分析的圆概率误差R95算法。     

飞行中惯导定位误差的修正方法研究

惯性导航系统是目前应用于飞机上的主要现代导航设备之一,将其用于军用飞机,可实现摆脱GPS卫星限制、不受无线电磁、辐射干扰、扩大飞机活动范围、深入边沿、陌生地区和远洋上空执行任务等重大军事作用。但同时惯性导航系统也具有导航定位误差随时间的增长不断累积,导致导航精度不断降低的缺点。因此,分析和探讨如何修正飞行中惯性导航系统累积定位误差的方法,提高导航精度,对惯性导航系统在军用飞机上的进一步推广使用具有重要的意义。本文分析了在军用飞机的领航应用过程中,可以使用的各种修正惯导定位误差的方法。     

Conditional Random Field Tracking Model Based on a Visual Long Short Term Memory Network

In dense pedestrian tracking, frequent object occlusions and close distances between objects cause difficulty when accurately estimating object trajectories. In this study, a conditional random field tracking model is established by using a visual long short term memory network in the three-dimensional (3D) space and the motion estimations jointly performed on object trajectory segments. Object visual field information is added to the long short term memory network to improve the accuracy of the motion related object pair selection and motion estimation. To address the uncertainty of the length and interval of trajectory segments, a multimode long short term memory network is proposed for the object motion estimation. The tracking performance is evaluated using the PETS2009 dataset. The experimental results show that the proposed method achieves better performance than the tracking methods based on the independent motion estimation.     

基于超声波/INS信息融合的室内定位方法

室内定位方法中,低成本惯性导航系统(INS)的定位误差随着时间和距离的增加而积累,需要采用其他手段抑制误差发散。室内环境下GPS无法正常工作,从而失去对INS误差的抑制作用;因此,该文提出了基于超声波/INS信息融合的室内定位方法。以自主导引小车(AGV)为定位终端,根据超声波定位技术和非完整约束条件得到自主导引小车的位置和速度信息,并利用该信息辅助INS,通过卡尔曼滤波进行信息融合,从而抑制纯惯导情况下定位误差发散的问题。采用Matlab对所提出的室内定位方法进行仿真验证,结果表明,采用超声波/INS信息融合方法能将INS的误差抑制在一定范围内,该方法适用于室内移动物体的实时定位。     

基于多层神经网络的超宽带室内精确定位算法

选定 IEEE802.15 信道模型工作小组提出的IEEE802.15.4a模型作为超宽带室内定位的普遍适用模型。在研究了传统室内定位算法的基础上,利用多层神经网络技术,对到达时间差和到达角度混合算法进行改进,并做了仿真分析。仿真结果显示,定位精度明显提高,效果理想。     

Mesh自组网与惯导组合的班组协同定位算法研究

采用单一低精度惯性传感终端完成定位解算将导致定位精度发散,定位信息回传覆盖范围小,且传输易受干扰,因此,该文提出了一种Mesh自组网与惯导组合的班组协同定位方法.该方法建立的一种基于线性化卡尔曼滤波的班组协同定位算法模型,以高、低精度惯导组合的班组协同为基础,结合Mesh网络的通信传输功能,可抑制单一低精度惯性传感终端...     

基于MEA-GRNN的RFID室内定位

针对采用遗传算法(Genetic Algorithm,GA)优化广义回归神经网络(Generalized Regression Neural Network,GRNN)的射频识别（Radio Frequency Identification,RFID）室内定位模型存在的早熟、收敛速度慢、不能保证解是全局最优等问题,提出采用思维进化算法(Mind Evolutionary Algorithm,MEA)来寻找广义神经网络的最优光滑因子,从而确定最优定位模型。首先用GRNN建立节点定位模型,阅读器与标签的接收信号强度值作为GRNN的输入,节点坐标作为输出,根据适应度函数值,通过MEA寻找GRNN的最优平滑参数。实验结果表明,通过MEA优化的GRNN模型的定位精度比GA优化的GRNN定位模型的精度高、泛化能力强,并且比后者的效率高,能够避免GA陷入局部最优的问题。     

结合LSTM与CNN的野外车辆声信号分类

针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题,提出了一种长短时记忆网络(LSTM)与多尺度、多层次特征融合卷积神经网络(CNN)相结合的分类算法——野外车辆识别算法(FVNet).该算法先采用一层LSTM网络提取声信号的时序特征,充分利用声信号的长时依赖关...     

一种基于SO-CNN模型的可见光室内定位优化方法

针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization, SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network, CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network, BPNN)、多层感知器(Multilayer Perceptron, MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。     

基于卷积长短时记忆网络的心律失常分类方法

心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。

     

基于长期监测数据与LSTM网络的滑坡位移预测

滑坡位移变化是危险性的直接表征,位移预测对防灾减灾至关重要.以八字门滑坡为例,基于十年监测数据和神经网络模型(LSTM、RNN)进行滑坡位移预测.用一次移动平均法将总位移分解为趋势项和周期项,趋势项采用三次多项式函数进行分段拟合预测,通过神经网络模型和建立周期项与特征因子的关系并进行预测.其中,周期项特征因子根据位移影...     

基于广义LSTM神经网络的宽带射频功放数字预失真线性化

在无线通信系统中,射频功放的非线性是信号失真与频谱增生的主要原因,尤其是对于采用64QAM、256QAM 等高峰均功率比的复杂调制系统,对射频功放线性度的要求越来越高;然而宽带射频功放中存在的强记忆效应严重地降低了基于传统非线性模型的数字预失真器的线性化性能。文章提出广义长短期记忆(LSTM)神经网络模型,通过输入的时序特性,从时间轴上进行模型迭代,利用LSTM模型独特的长短时序结构以更好地表征宽带射频功放的记忆效应,同时引入时间超前项以构建广义的LSTM模型,进一步增强其动态非线性建模能力。在不同超参数下的建模结果表明,该模型的归一化均方误差(NMSE)指标可达-42.2895 dB。最后,使用20 MHz 带宽的4 载波WCDMA信号,对中心频率1900 MHz 的50 W Doherty 功放进行预失真线性化实验验证。实验结果证实了基于广义LSTM神经网络模型的数字预失真器可以使互调分量降低达23.27 dB,大大优于记忆多项式等传统非线性模型的非线性校正性能。