一种非视距环境下的目标定位算法

针对机器人、无人机和其他智能系统的位置信息,研究了非视距(non line of sight, NLOS)环境中基于到达时间(time of arrival,TOA)测距的目标定位问题。在建模过程中,通过引入平衡参数来抑制NLOS误差对定位精度的影响,并成功将定位问题的形式与一个广义信赖域子问题(generalized trust region subproblem,GTRS)框架进行耦合。与其他凸优化算法不同的是,本文没有联合估计目标节点的位置和平衡参数,而是采用了一种迭代求精的思想,算法可以用二分法高速有效地进行求解。 所提算法与已有的算法相比,不需要任何关于NLOS路径的信息。此外,与大多数现有算法不同,所提算法的计算复杂度低,能够满足实时定位的需求。仿真结果表明:该算法具有稳定的NLOS误差抑制能力,在定位性能和算法复杂度之间有着很好的权衡。     

单基地MIMO雷达中相干目标的波达角和多普勒频率快速联合估计算法

针对单基地MIMO中相干目标的波达角（Direction-of-arrival,DOA）和多普勒频率联合估计问题,提出了一种降维-前向平滑-传播算子算法（Reduced dimension-forward spatial smoothing-propagator method,RD-FSS-PM）。该算法首先通过对接收信号进行降维变换以降低复杂度,继而利用前向平滑技术（Forward spatial smoothing,FSS）实现解相干,最后通过传播算子算法（Propagator method,PM）实现了对相干目标的波达角和多普勒频率联合估计,且无需额外配对。与传统的FSS-PM算法相比,所提算法波达角估计性能提升,多普勒频率估计性能接近而复杂度大大降低。本文同时分析了算法的理论均方误差（Mean squared error,MSE）和单基地MIMO雷达中波达角和多普勒频率联合估计问题的克拉美罗界（Cramer-Rao bound,CRB）。最后提供了详尽的仿真实验以验证算法的性能。     

LTE-A系统中基于小区参考信号的信道估计算法

增强型长期演进（LTE-A）系统中,通常利用插值算法估计出所有数据位置的信道频率响应值。针对传统的线性最小均方误差（LMMSE）算法需要预先获取信道统计特性,矩阵实时求逆运算量大的问题,提出了一种改进的频域LMMSE信道估计插值算法。首先通过导频插值来增加虚拟导频,以此提升算法性能;然后借助时域内的信道能量比较集中的优势,给出了自相关矩阵和信噪比的近似估计方法;最后采用滑动窗方法进一步简化算法复杂度,从而完成频域LMMSE插值。仿真结果表明,所提算法总体性能优于线性插值以及基于离散傅里叶变换（DFT）的插值方法,且与传统LMMSE插值算法具有相近的误码率（BER）和均方误差（MSE）;但与传统算法相比,运算次数降低了98.67%,实现了算法性能与复杂度的较好折中,适用于实际的工程应用。     

MIMO-OFDM 系统角域LS 信道估计算法

当信道估计算法利用先验信息进行MIMO-OFDM 信道辨识时,计算复杂度将显著增加．针对这一问 题,设计一种无需先验信息且计算复杂度低的相移正交角域LS 算法．该算法的基本思想是：在保证LS 算法均方 误差（MSE）性能达到最小的前提下,根据角域内不同发送和接收天线间信道的空间独立特性,采用最有用抽头系 数（MST）技术来提高信道估计性能．仿真结果表明,所提算法具有良好的估计性能．     

加权最小二乘联合遗传算法的无源定位

针对复杂环境下运动通信辐射源的无源定位,闭式解方法对于时频差模型中的测量噪声敏感且存在定位均方根误差较大问题.为了改善大观测误差下的定位性能,本文提出一种加权最小二乘联合遗传算法的递推式混合TDOA/FDOA定位方法.该方法首先利用已知站点观测大量时频差数据并建立误差模型,基于模型对定位过程中的多组时频差序列进行数据处理;其次通过加权最小二乘求解目标位置的初始值;然后采用改进的遗传算法在初始值的基础上通过多组时频差序列不断迭代、递推求解,修正位置坐标;最后利用位置估计和频差模型完成对目标速度估计.仿真结果表明,本文定位算法相比于经典两步加权最小二乘法具有更低的均方根误差,在大观测误差下能保持较高精度.同时相比于其他混合定位算法收敛速度快,可以有效减少计算量.     

一种低复杂度的鲁棒自适应波束形成算法

传统基于干扰噪声协方差矩阵（interference-plus-noise covariance matrix,INCM）重构的鲁棒自适应波束形成（robust adaptive beamformer,RAB）算法在多种样本数据协方差矩阵误差和信号导向向量误差的失配环境中具有较强的鲁棒性,但目前主流的INCM重构法都是对信号和干扰的导向向量通过建立凸优化模型来估计,这带来了很高的计算复杂度。为了解决这个问题,提出了一种低复杂度的基于INCM重构的RAB算法。该算法首先将干扰信号的导向向量分解为对应标称项和误差项的和,然后通过一种子空间方法估计得到误差项的单位向量。接下来对一个Capon空间谱功率最大问题进行求解,得到误差项的模值,以此得到重构的INCM。同时利用Capon空间谱中残差噪声的存在,使用交替投影法估计得到期望信号的导向向量,最后得到所提算法的权重向量。仿真实验表明所提算法在多种误差环境下具有较强鲁棒性的同时,还具有较低的计算复杂度。     

基于快速判别式尺度估计的核相关滤波方法

针对核相关滤波（KCF）算法无法对视频序列中目标尺度变化作出响应的问题，提出一种基于快速判别式多尺度估计的核相关滤波跟踪算法。首先，使用核相关滤波器来估计目标位置；然后，通过使用一组不同尺度的目标样本来在线学习快速判别式尺度滤波器；最后，在目标位置应用学习的尺度滤波器来获得目标尺寸的准确估计。选取Visual Tracker Benchmark视频序列集进行实验，并与基于判别式尺度空间跟踪（DSST）的KCF算法和传统KCF算法进行对比，结果表明，在目标尺度发生变化时，所提算法在跟踪精度上提高了2.2%至10.8%；并且在平均帧率上，所提算法比DSST的KCF算法提高了19.1%至68.5%，表明该算法对目标尺度变化有很强的适应能力和较高的实时性。     

基于多孔卷积神经网络的图像深度估计模型

针对在传统机器学习方法下单幅图像深度估计效果差、深度值获取不准确的问题，提出了一种基于多孔卷积神经网络（ACNN）的深度估计模型。首先，利用卷积神经网络（CNN）逐层提取原始图像的特征图；其次，利用多孔卷积结构，将原始图像中的空间信息与提取到的底层图像特征相互融合，得到初始深度图；最后，将初始深度图送入条件随机场（CRF），联合图像的像素空间位置、灰度及其梯度信息对所得深度图进行优化处理，得到最终深度图。在客观数据集上完成了模型可用性验证及误差估计，实验结果表明，该算法获得了更低的误差值和更高的准确率，均方根误差（RMSE）比基于机器学习的算法平均降低了30.86%，而准确率比基于深度学习的算法提高了14.5%，所提算法在误差数据和视觉效果方面都有较大提升，表明该模型能够在图像深度估计中获得更好的效果。     

非视距环境下基于TOA的移动目标定位

研究了非视距(Non-Line-of-Sight, NLOS)环境下基于到达时间(Time-of-Arrival, TOA)的移动目标定位问题。假定移动目标速度在足够短的时间内为常数,则移动目标定位问题可转化为其初始位置和速度的估计问题。为降低非视距误差的影响,构造了约束最小二乘(Least Squares, LS)问题对移动目标的初始位置、移动速度和非视距误差进行联合估计,并通过合理近似减少了估计变量个数。由于所构造的约束LS问题为非凸优化问题,其全局最优解难以获得。为近似求解该问题,对其进行松弛,以转化为凸的半正定规划(Semidefinite Programming, SDP)问题。与现有方法相比,该方法不需要已知非视距误差的任何统计信息和路径状态。仿真结果表明,该方法缓解了非视距误差产生的负面影响,且在稀疏和密集的非视距环境下都取得了良好的性能。     

基于UKF滤波的FDOA和TDOA联合定位跟踪算法

三星座时差定位是一个非线性估计问题,当辐射源高程所带来的误差无法忽略时,仍然使用基于WGS-84地球模型的时差定位算法对目标进行跟踪定位的方法具有一定的局限性.当数据残缺时,传统的定位算法无法精确估计高程目标位置.为了提高传统的基于三星的时差定位系统的跟踪性能,提出了基于UKF滤波的TDOA/FDOA联合定位算法对单个目标的位置和速度进行估计.仿真结果证明了TDOA/FDOA联合定位算法拥有更好的跟踪性能,以及该算法的稳定性和有效性     

无线传感器网络下基于压缩感知的多目标分层贪婪匹配定位

针对基于压缩感知（Compressive sensing,CS）的多目标定位问题,通过分析多目标场景中的隐含结构信息,本文提出一种层级的贪婪匹配追踪定位算法.该算法首先获得多目标在网格化空间中的可能位置作为全局估计层,然后利用该全局估计信息作为稀疏恢复层的输入信息,在网格化空间中重构多目标位置矢量.本文证明了文献中广泛采用的基于正交化的预处理方式实质上降低了信噪比（Signal to noise ratio,SNR）,从而降低了定位性能.本文通过全局估计,预先排除了不可能的位置,等效于从观测子空间中分离出信号子空间,从而降低了观测噪声的影响.通过理论分析与计算机仿真,表明所提算法具有线性复杂度且在相同信噪比下具有更高的定位正确率和定位精度.     

MIMO-GFDM系统中低复杂度动态禁忌搜索检测算法的改进

针对多输入多输出的广义频分复用（MIMO-GFDM）系统的等效信道矩阵维度极大，传统的MIMO检测算法复杂度高且性能不佳的问题，将大规模MIMO系统中的动态禁忌搜索（RTS）检测算法运用到MIMO-GFDM系统中，并解决了RTS算法初始值的求解复杂度高的问题。首先利用最小均方误差（MMSE）检测算法所用到矩阵的正定对称性将矩阵Cholesky分解，并结合Sherman-Morrison公式迭代计算初始值，降低了初始值求逆的高复杂度；然后以改进的MMSE检测结果作为RTS算法的初始值，从初始值逐步全局搜索最优解；最后通过仿真，对不同算法的迭代次数和误码率（BER）性能进行了研究。理论分析与仿真结果表明：在MIMO-GFDM中，所提改进RTS信号检测算法误码率远低于传统信号检测算法。在4QAM时，RTS算法大约有低于MMSE检测6 dB的信噪比性能增益（误码率在10^-3时）；在16QAM时，RTS算法大约有低于MMSE检测4 dB的信噪比性能增益（误码率在10^-2时）。与传统RTS算法性相比，所提改进算法在不影响误码率性能的同时降低了算法复杂度。     

基于RLM的MEMS三轴磁力计标定方法

针对传统方法标定复杂环境下含野值的MEMS三轴磁力计会出现精度较差的问题，本文提出了一种基于抗差列文伯格-马夸尔特(robust Levenberg-Marquardt, RLM)的三轴磁力计标定方法。首先，对三轴磁力计进行误差模型分析，建立了基于模值估计的误差参数方程；然后利用误差参数方程，设计抗差列文伯格-马夸尔特的标定方法，实现对误差参数的估计；最后，通过仿真与实验测试对本文所提方法进行验证。结果表明，本文所提方法标定含野值的磁力计数据相比于传统方法模值标准差减小了近90%，在标定正常环境下的结果与传统方法则很接近，有效提高了多环境下标定结果的稳定性与准确性。     

基于惩罚误差矩阵的同步预测无线体域网节能方法

针对传统无线体域网（WBAN）预测模型对感知数据预测精度低、计算量大、能耗高的问题，提出一种基于惩罚误差矩阵的自适应三次指数平滑算法。首先在感知节点与路由节点之间建立轻量级预测模型，其次采用地毯式搜索方式对预测模型进行参数优化处理，最后采用惩罚误差矩阵对预测模型参数作进一步的细粒化处理。实验结果表明，与ZigBee协议相比，在1000时隙范围内，所提方法可节省12%左右的能量；而采用惩罚误差矩阵与地毯式搜索方式相比，预测精度提高了3.306%。所提方法在有效降低计算复杂度的同时能进一步降低WBAN的能耗。     

高精度低复杂度的无线定位新方法

针对高精度的无线定位算法普遍存在运算量较大的问题,提出了一种二维波束空间矩阵束算法进行波达时间（TOA）和波达方向（DOA）联合估计,能够以较低的复杂度准确定位目标。该算法先通过离散傅里叶变换（DFT）波束形成矩阵将阵元空间的接收数据复数矩阵变换成波束空间的降维实数矩阵,使得运算量大幅度降低;再通过奇异值分解和求矩阵对的广义特征值估计视距信号TOA和DOA,从而确定目标位置。Matlab仿真实验结果证明,这种定位方法的均方根误差最好达到0.4m,运算量不到阵元空间对应算法的1/4,是一种高精度低复杂度的无线定位方法,尤其适用于资源有限的特殊环境（如战场、地震灾区、偏远山区等）中的无线网络定位。     

面向C-V2X通信的基于深度学习的联合信道估计与均衡算法

为了在不显著提升计算复杂度的情况下,有效提升通信系统的误码率（BER）性能,利用深度学习在数据处理方面的强大能力,提出一种面向基于蜂窝网络的车联网（C-V2X）通信的基于深度学习的联合信道估计与均衡算法——V-EstEqNet。与传统算法分两个阶段分别进行信道估计与均衡不同,V-EstEqNet将通信系统接收机中的信道估计与信道均衡进行联合考虑,并利用深度学习网络直接对接收数据进行校正和恢复,无须进行显式的信道估计环节即可完成信道均衡。具体而言,首先利用大量的接收数据对网络进行离线训练,使网络学习到叠加在接收数据中的信道特性;然后利用该特性恢复原始的发送数据。仿真实验结果表明,在不同的速度场景下,所提算法可以更加有效地追踪信道特性;同时,相较于传统信道估计算法（最小二乘法（LS）和线性最小均方误差法（LMMSE））配合传统信道均衡算法（迫零（ZF）均衡算法和最小均方误差（MMSE）均衡算法）,所提算法在低速环境下有最高有6 dB的BER增益,在高速环境下最高有9 dB的BER增益。     

移动机器人超宽带与视觉惯性里程计组合的室内定位算法

对于移动机器人在室内环境的定位任务,新兴的基于视觉惯性里程计（VIO）的辅助定位技术受光线条件限制大,无法在黑暗环境中工作,且超宽带（UWB）定位易受非视距（NLOS）误差影响。针对以上问题,提出一种UWB与VIO组合的室内移动机器人定位算法。首先,采用立体视觉多状态约束下的Kalman滤波器（S-MSCKF）算法/双边双向测距（DS-TWR）算法和三边定位法,分别得到VIO输出的位置信息/UWB解算的定位信息;然后,建立位置测量系统的运动方程与观测方程;最后,通过误差状态扩展卡尔曼滤波（ES-EKF）算法来进行数据融合,得到机器人的最优位置估计。使用搭建的移动定位平台在不同的室内环境下对组合定位方算法进行验证。实验结果表明在有障碍物的室内环境下,与单一UWB定位方法相比,所提算法的总体定位的最大误差减小了约4.4%,均方误差减小了约6.3%;与VIO定位方法相比,所提算法的总体定位的最大误差减小了约31.5%,均方误差减小了约60.3%。可见所提算法可为室内环境下的移动机器人提供实时、精确且鲁棒的定位结果。     

基于协方差矩阵自适应进化策略的机器人手眼标定算法

针对视觉传感器标定和机器人运动学求解过程中存在噪声干扰，导致传统的手眼标定算法求解误差较大的问题，提出一种基于协方差矩阵自适应进化策略（CMAES）的机器人手眼标定算法。首先，采用对偶四元数（DQ）对旋转和平移分别建立目标函数和几何约束，简化求解模型；其次，采用惩罚函数法将约束问题转化成无约束优化问题；最后，使用CMAES算法逼近手眼标定旋转和平移方程的全局最优解。搭建机器人、相机实测实验平台，将所提算法与Tsai两步法、非线性优化算法INRIA、DQ算法进行对比。实验结果表明：所提算法在旋转和平移上的求解误差和方差均小于传统算法；与Tsai算法相比，所提算法的旋转精度提升了4.58%，平移精度提升了10.54%。可见在存在噪声干扰的实际手眼标定过程中，所提算法具有更好的求解精度与稳定性。     

基于固定点迭代的Huber鲁棒容积卡尔曼滤波算法

对于非线性系统而言,容积卡尔曼滤波（Cubature Kalman Filter,CKF）算法是处理状态估计问题的一种有效方法,并且其在高斯噪声下可以获得良好的估计性能。然而,当噪声被重尾噪声污染时,其性能通常会急剧下降。为解决此问题,将Huber方法应用于CKF框架中,取代了传统的最小均方误差（Minimum Mean Square Error,MMSE）准则,以提高算法的鲁棒性。在所提算法中,通过将量测方程线性化构造了线性回归模型,并采用固定点迭代的方法求解基于Huber方法的最小化问题。因此,推导了基于固定点迭代的Huber鲁棒CKF（FP-IHCKF）算法,在该算法中先验信息和量测信息通过Huber方法进行了重构。通过对再入目标跟踪问题进行仿真,验证了所提算法的有效性和鲁棒性。     

联合无线充电与数据收集的移动充电装置多目标路径规划算法

针对无线传感器网络节点资源有限导致数据收集不完整和时效性差的问题，建立了联合无线充电和数据收集的移动充电装置（MCD）多目标路径规划模型，提出了一种基于贪心策略的联合无线充电和数据收集的MCD路径规划算法(PPGS)。首先，对监测区域采用基于正六边形的无缝划分策略，有效减少了MCD的访问单元数；然后，利用马尔可夫模型预测节点能量和数据采集量等参数，在此基础上预估了MCD锚点最小停留时间和最长等待时间。与现有时延受限移动式能量补充算法(DCMEC)和基于网格的移动装置调度算法(GBA+MDSA)相比，所提算法具有复杂度较低，且无需事先知道节点和锚点实际位置信息的优势。仿真结果表明：PPGS能以较少的MCD保证无线传感器网络数据收集的完整性和时效性。