基于卡尔曼滤波的矿井人员二维精确定位方法

受定位分站和定位卡时钟同步误差、时钟计时误差、多径效应、非视距传播(NLOS)时延误差和电磁骚扰等影响,现有煤矿井下人员定位方法定位误差大,难以满足煤矿事故应急救援、运输和机电事故防治等需求。为提高定位精度,实现煤矿井下人员二维精确定位,提出了基于卡尔曼滤波的矿井人员二维精确定位方法:以定位分站测量到的定位卡到定位分站之间的距离作为卡尔曼滤波中的测量结果,根据建立的矿工在井下移动的数学模型推算出矿工的位置,并作为卡尔曼滤波中的预测结果,通过对测量结果和预测结果进行合理加权,根据上一步卡尔曼滤波后的最佳估计值得出当前时刻的最佳估计值,实现煤矿井下人员二维精确定位。     

基于差分误差抑制优化方法的井下目标定位

针对基于时间测距即到达时间、单程测距、双程测距、对称双边双程测距(SDS-TWR)等定位方法的定位精度受节点间时钟未同步、计时器频率偏移、设备时延等计时误差因素干扰的问题,提出了一种基于差分误差抑制优化方法的井下目标定位方法。该方法结合SDS-TWR定位方法,利用目标节点既是发射节点又是接收节点的特点,将传输时间及长度关系联立求解,通过矩阵形式,消除计时器频率偏移、设备时延等无关变量,得到未知目标节点的坐标仅与实测时间有关,从而有效消除计时误差对目标节点定位结果的影响,达到精确定位的目的。仿真结果表明,与单程测距、双程测距方法相比,差分误差抑制优化方法可有效抑制设备时延和计时器频率偏移等对基于时间测距的定位方法的影响,能对未知节点进行精确定位,定位精度高,测距误差区间仅为[-0.036 9m,0.037 7m],是单程测距误差的0.012%,双程测距误差的0.061%。     

基于组合测距的无线传感器网络自定位算法

针对如何在锚节点密度较低的情况下提高无线传感器网络中节点自定位精度的问题,本文提出了一种基于RSSI和TDOA组合测距的加权质心定位算法.该算法分别对传统RSSI和TDOA测距模型增加了校验参数及温度补偿,将未知节点与锚节点间距离估计值的倒数作为权值参数,再利用加权质心算法计算出未知节点的位置坐标.硬件试验表明室内环境中基于改进RSSI测距模型的定位算法相比于传统RSSI质心定位算法的误差改进比率为56.2%,仿真结果显示基于组合测距的定位算法在锚节点密度较低时也能达到较高的定位精度.     

基于UKF滤波的WSN节点定位研究

无迹卡尔曼滤波(UKF)模拟系统的后验概率密度函数,避免了扩展卡尔曼滤波(EKF)中引入的较大线性化误差的缺陷.本文提出了一种基于加权最小二乘法(WLSE)和UKF的无线传感器网络(WSN)节点定位算法.算法采用TOF测距技术测量未知节点到信标节点的距离,利用加权最小二乘法估算未知节点的初始位置,并采用UKF滤波对节点进行精确定位,同时与EKF滤波结果进行比较.相关分析结果表明,算法在TOF测距基础上,将加权最小二乘法和UKF滤波结合,可以较大提高节点的定位精度.     

基于RSSI和TOA融合的矿井人员精确定位方法

提出了一种基于RSSI和TOA融合的矿井人员精确定位方法.分析了RSSI技术和TOA技术测距精度特性,提出了近端基于RSSI测距、较远端基于TOA测距的矿井人员定位方法,在此基础上提出了改进卡尔曼滤波误差抑制算法,保证高精度矿井人员定位.实验结果表明,在基站与定位识别卡距离不超过40 m的范围内,本文定位方法的定位误差为3 m以内.     

基于灰色预测模型的井下精确人员定位方法

井下精确人员定位系统的定位精度受非视距误差和时钟误差的影响,目前系统多采用基于卡尔曼滤波的定位方法来减小误差,但当测量数据出现粗大误差时定位精度不高。针对该问题,提出了一种基于灰色预测模型的井下精确人员定位方法。携带标志卡的人员进入定位读卡器覆盖范围时,定位读卡器通过无线定位技术计算出标志卡与读卡器之间的测量距离,并将测量距离存储至数据缓存区;根据数据缓存区内的测量距离,采用GM(1,1)模型计算出下一时刻标志卡与读卡器之间的预测距离;当该预测距离的预测精度等级为优,且与测量距离之差超过误差判断阈值时,用该预测距离替代测量距离,实现对测距误差的优化补偿。测试结果表明,该方法不受测距误差影响,当测量距离存在粗大误差时,该方法的定位精度明显优于基于卡尔曼滤波的定位方法。     

基于改进高斯混合滤波的矿井加权质心定位算法

针对煤矿井下复杂环境中无线信号的非视距传播导致RSSI定位算法存在测距误差大及定位结果不准确的问题,提出了一种基于改进高斯混合滤波的矿井加权质心定位算法。首先根据最大期望算法对未知节点的相应RSSI测量数据进行聚类,将它们划分为多个高斯概率密度函数模型;然后根据数据特征,利用赤池信息量准则对采样数据进行优化,得到精确的测量值;最后计算未知节点的初始坐标,将未知节点初始坐标和真实坐标间的误差值作为权值因子,结合质心定位算法计算得到未知节点的最终坐标,实现目标定位。仿真与实验结果表明,该定位算法可实现煤矿井下人员的高精度定位,平均定位误差为1.83m。     

基于坐标系统拓展的改进定位算法

针对为了降低成本和提高定位节点的覆盖率,将已经定位的节点升级为锚节点,并并利用其其迭代定位又而带来的了误差累积问题。针对该问题,本文提出一种改进的基于无线传感器网络坐标系统拓展定位算法,在拓展局部坐标过程中融合加权最小二乘法来抑制累积误差,从而提高节点定位精度。仿真结果表明,当测距误差小于20%和网络规模增大时,网络节点定位误差小于15%,且定位覆盖率为95%。     

无线传感器网络中基于RSSI的质心定位算法的改进

无线传感器网络关键问题是节点定位,通常将定位算法分为基于测距与无需测量的定位算法两大类,质心算法作为无需测量的经典算法因其算法实现简单而被普遍应用。本文针对无线传感网络节点分布不均匀的情况下,按照锚节点与未知节点的距离来对锚节点重新分组,求得多个质心点,通过加权质心,求出未知节点的估计坐标。     

ＮＬＯＳ状态信息辅助协方差矩阵修正的无线网络定位方法

非视距(NLOS)误差是影响无线定位精度的重要因素，其产生是由于实际环境的多变性，使其无法用一个准确的数学模型来表示。如何减小NLOS误差的影响是无线定位中需要解决的问题之一。针对该问题，本文所研究的定位方法通过视距(LOS)节点检测来获取测距结果中的NLOS状态信息，并基于该状态信息，对用于双步加权最小二乘(TS-WLS)定位算法的协方差矩阵进行修正，修正后的算法能够根据NLOS状态信息实现对不同测距结果的重要性加权，从而减小NLOS误差的影响。仿真结果表明，与以往的定位算法相比，本文算法能够拓展复杂NLOS环境下的适用场景并提升定位精度。     

基于萤火虫算法的自适应花授粉优化算法

花授粉算法是一种新的启发式算法,由于存在易陷入局部最优且演化后期收敛速度慢等缺陷,导致算法的寻优能力受到限制。针对该算法存在的不足,在局部授粉过程中引入自适应的变异因子,并对花授粉算法中的转换概率进行自适应调整后,将其与萤火虫算法相结合,提出了一种基于萤火虫算法的改进花授粉算法;最后,通过经典的标准测试函数对新提出的算法与DE-FPA、PSO-FPA做比较实验。实验结果表明,改进后的算法比基本花授粉算法具有更高的收敛精度和稳定性。     

一种基因与蚁群的融合算法研究

蚁群算法具有分布式并行搜索能力，通过信息素的积累和更新收敛于最优路径上，但初期信息素匮乏，收敛较慢。提出一种基因算法与蚁群算法融合的算法，将基因算法加入蚁群算法的每一次迭代中，利用基因算法快速收敛的优点，来加快蚁群系统的收敛速度；且基因算法中的变异机制，有利于提高蚁群算法跳出局部最优的能力。优势互补，实验结果表明该基因蚁群融合算法在寻优能力和收敛速度上都比基因算法和蚁群算法有较大的提高。     

一种改进的遗传算法：GA-EO算法

针对基本遗传算法(GA)有局部搜索能力差、计算量大、对较大搜索空间适应能力差和易收敛于局部极小值等问题,采用将极值优化(EO)算法与传统遗传算法相结合的方式,对基本遗传算法进行改进,提出了一种新的算法:GA-EO算法,并用实验证明了新算法的有效性。     

基于Apriori算法的改进算法

关联规则挖掘是数据挖掘研究的一项重要内容.为了快速挖掘关联规则,分析了挖掘关联规则的Apriori算法,并在此基础上给出了一种改进的算法:NApriori算法,利用频繁1项集重新组织事务数据库来挖掘关联规则,此方法仅需扫描数据库2次,且避免了Apriori算法繁琐的连接和删除步骤,实验结果表明此方法比Apriori算法有更好的性能.     

一种新型优化算法——学习算法*

从优化算法应该具有的共性出发,提出一种全新的算法——学习算法（LA）。该算法记录历史最优解和当前最优解这两组关键历史信息,然后让当前解向这两种最优解聚集（即学习的过程）;同时为了不放弃其他区域的搜索,让当前解的一部分完全随机地被重置。该算法原理简单,可调参数少且各参数对算法效能的影响易于掌控。在多最优函数以及复杂函数的最小化测试中,通过与GA、PSO的比较,发现LA确实是一种有效的优化算法,其优化效率并不低于现有算法。数值实验还表明,LA在多最优解问题的寻优中相对GA和PSO具有非常明显的优势。     

基于文化算法和改进差分进化算法的混合算法

改进差分进化算法不能有效利用进化过程中的知识,传统文化算法进化后期收敛速度较慢。针对这些问题提出一种基于文化算法和改进差分进化算法的混合算法,并将这一算法应用于约束求解问题。对基准函数和丁烯烷化生产调度问题进行仿真,结果表明该混合算法具有较好的实用性和稳健性,在寻优效率和优化结果方面都优于与之比较的算法,并降低了计算量。     

基于遗传蚁群算法的QoS路由算法研究

利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制,引入遗传蚁群算法（Genetic Algorithm Ant Colony algorithm）GAAC来解决QoS路由问题。算法设计的基本思想是首先由遗传算法产生较优解,较优的路径留下信息素,其他路径不改变,然后在有一定初始信息素分布的情况下,用蚁群算法求精解。仿真表明算法比单一采用遗传算法和蚁群算法进行路由选择具有更好的性能,且更适合于动态网络环境下的QoS路由选择。     

融入遗传算法的混合蚁群算法

为了提高基本蚁群算法的收敛性能和全局求解能力,对基本蚁群算法进行了改进,提出了一类融入遗传算法的混合蚁群算法.在每代进化中保留最优解和次优解的公共解集后引入遗传操中的交叉算子和变异算子进行运算.对优秀解公共解集的保留加快了算法收敛速度,引入交叉和变异扩大了解的搜索空间,提高了解的全局性.通过对TSP问题的仿真运算表明,融入遗传算法的蚁群算法在收敛速度和解的全局性上都有较大的改善.     

基于Powell算法与改进遗传算法的医学图像配准方法

针对基于互信息图像配准的局部极值问题,提出一种基于Powell算法与改进遗传算法结合的医学图像配准方法。该方法对标准遗传算法存在的收敛速度慢、易早熟、有可能导致误配的缺陷,提出了相应的改进策略; 采用Logistic混沌映射生成迭代过程中的个体; 运用基于小波变换的多分辨率分析策略,采用混合优化算法在图像的最低分辨率层进行全局优化,以全局最优值,结合Powell算法完成医学图像配准。实验结果表明,所提方法可有效避免优化算子陷入局部极值,并提高了配准速度; 相对于纯Powell方法和未改进的遗传算法,配准的精确度和性能更好。     

免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。