利用外辐射源的TDOA和FDOA目标定位算法

针对单站外辐射源条件下的目标定位问题,提出了一种基于最大似然的时差-频差联合定位算法。首先根据时差和频差的观测方程,构建目标位置和速度的最大似然估计模型。然后采用牛顿迭代算法对最大似然估计模型求解,得到目标位置和速度估计。最后,推导了算法的克拉美罗界和理论误差,并证明了二者相等。仿真结果表明,算法定位精度高于两步加权最小二乘算法和约束总体最小二乘算法,在测量误差较高时仍能达到克拉美罗界。通过对系统几何精度因子图的分析,确定目标及外辐射源数量和位置也是影响定位精度的重要因素。     

利用时差的单站无源相干定位最大似然算法

针对利用单个观测站接收多个第三方辐射源信号来估计目标位置的无源相干定位问题,提出了一种基于最大似然的时差定位算法。首先根据时差测量与目标位置之间的函数关系,构建目标位置的似然函数;然后采用牛顿迭代算法求解非线性似然函数的全局极大值,从而得到目标位置估计;推导了目标位置的最小二乘解,并将其作为牛顿迭代的初始解,从而保证算法的收敛性;最后还推导了算法的理论误差和克拉美罗界,并证明两者相等。仿真结果表明,算法的定位精度优于现有算法,且在测量误差适中时,定位精度可以达到克拉美罗界。通过几何精度因子图,分析了目标位置、外辐射源数量和位置等因素对定位精度的影响。     

基于无线传感器网络的自适应声源定位算法

基于声源能量的无线传感器网络（ WSNs）最大似然定位算法抗噪声干扰能力强,定位精度高,同时适用于多个目标定位,但是计算量大,不适用于实时定位。针对现有算法的缺点,提出了一种基于自适应迭代的最大似然定位算法。该算法将代价函数作为目标函数,在给定的梯度误差范围内自适应地搜索目标位置。为了提高算法的收敛速度和定位精度,提出了基于Sigmoid函数的变步长的搜索算法。仿真实验结果表明：与最大似然定位算法相比,自适应迭代算法运算量小,定位精度高,能满足对目标定位精度和速度要求较高的场合,具有一定的实际应用意义。     

基于最大似然准则的CHAN改进算法

Chan算法是一种经典的具有闭式解的高效时差定位解算算法,但在实际应用中却存在一些困难和不足。首先对Chan算法在二维平面下的解集作了说明,并提出一种基于最大似然准则的定位模糊消除方法以得到唯一最终解,其次,针对Chan算法在较大时差测量误差下定位精度下降明显的现象,提出一种基于近似最大似然的方法对Chan算法定位估计进行修正,以改善其定位性能。仿真结果表明,对Chan算法提出的改进措施是有效可行的。     

基于二元多跳WSN的信道容错的目标定位方法

针对信道退化的多跳无线传感器网络下的定位问题,基于最大似然估计提出一种新的信道容错的定位算法.传感器节点接收到的源信号强度数据被压缩量化为二元信号,经Rayleigh退化信道多跳中继到达融合中心.利用信道退化统计量和译码策略,推导出二元观测数据的似然函数,基于最大似然估计获得目标定位,进一步给出目标位置估计的克拉美-罗下界.仿真结果表明了所提出算法的有效性.     

基于RSSI差分似然估计的WSN节点定位算法

为了克服接收信号强度测量误差对无线传感嚣网络(WSN)节点自身定位精度的影响.在对极大似然估计定位算法和接收信号强度指示(RSSI)模型分析的基础上,定义了个体差异差分系数、距离差分系数和距离差分定位方程,把离目标节点最近的信标节点作为参考节点对基于RSSI的测距进行差分修正,并将测距差分修正和极大似然估计相结合提出了一种测距差分修正极大似然估计定位算法.算法通过RSSI进行测距,无需增加额外硬件开销,容易实现.定位精度可达2.5 m以下,适合于处理能力和能量有限的WSN节点定位.     

多径相干信号到达角和衰落系数的最大似然估计

针对多径相干信号到达角(DOA)和衰落系数(FC)的估计问题,在已知信号波形条件下,提出了一种联合估计DOA和衰落系数的改进最大似然估计方法。通过改进最大似然估计求极值获得DOA和衰落系数的解,在联合估计参数时,使用交替极大值技术,降低了估计算法的复杂度,并且推导了最大似然估计的Cramér-Rao界。理论分析和实验表明,该方法与现有方法相比具有更好的估计性能,当来自不同辐射源的多径信号中存在相同DOA时,仍然可以得到很好的估计效果。     

基于Chan氏算法和文化算法的协同定位

提出一种到达时间差(TDOA)定位方法,利用Chan氏算法进行初始定位估计,将估计结果作为经验知识存储于信念空间中,采用文化算法求解定位估计中的最大似然函数,获得最佳估计坐标值,从而实现对移动台的最终定位估计。历史知识的引入能有效避免陷入局部最优值,并改善算法的定位精度。仿真实验结果表明,该方法性能稳定、定位精度高、收敛速度快。     

基于粒子群算法的传感器网络室内定位系统优化

通过接收信号强度指示(RSSI)和欧氏距离的非线性函数映射关系来进行弱移动目标的距离估计.以最大似然估计(MLE)法为基础,结合电磁波在自由空间中的传播特性,重新构建基于粒子群优化(PSO)定位算法的适应度函数来提高无线定位精度.并提出了一种惯性权重优化的自适应学习机制来优化全局搜索能力和局部搜索精度,提升定位算法的容错能力.测试结果表明:本室内定位算法具有抗干扰强、鲁棒性好和无线定位精度高等优点.     

基于最大似然估计的加权质心定位算法

为解决无线传感器网络中节点自身定位问题,针对接收信号强度指示（received signal strength indication,RSSI）测距误差大和质心定位算法精度低的问题,提出一种基于最大似然估计的加权质心定位算法．首先通过计算将估计距离与实际距离之间的最大似然估计值作为权值,然后在权值模型中,引进一个参数k优化未知节点周围锚节点分布,最后计算出未知节点的位置并加以修正．仿真结果表明,基于最大似然估计的加权质心算法具有定位精度高和成本低的特点,优于基于距离倒数的质心加权和基于RSSI倒数的质心加权算法,适用于大面积的室内定位．     

基于无线传感器网络的机器人定位跟踪研究

针对基于无线传感器网络的机器人定位提出了一种分段极大似然质心算法。将质心法引入极大似然估计算法中,通过计算已预测结果的质心提高目标位置的预测精度。考虑到WSN系统的超声定位实时性较差,采用扩展卡尔曼滤波算法将WSN系统改进定位算法与机器人航位推算进行融合以跟踪机器人位姿,从而提高了定位精度和系统动态性能。仿真结果表明：在不同锚节点个数和不同测距误差条件下,分段极大似然质心算法均能取得良好的定位效果;采用扩展卡尔曼滤波算法的数据融合,进一步提高了机器人轨迹跟踪的精度。     

基于粒子群优化算法的WSNs节点定位研究

为了提高无线传感器网络节点定位的精度,提出了一种基于粒子群优化估计的无线传感器网络节点定位算法。该算法简单易实现,可调参数少,通过多次迭代寻优,以提高定位精度。仿真结果表明,新算法与常用的极大似然估计算法相比可以显著提高节点定位的精度和稳定度。     

高斯-牛顿法在基于能量的目标定位中的运用

将基于能量的最大似然法的目标定位问题转化为求解非线性最小二乘问题,并引入高斯-牛顿法来求解目标函数最小值,通过分析目标函数的特点,提出了能量法定位中高斯牛顿迭代的初始值和步长的选取原则,防止了迭代算法进入局部最小。这种算法在保证搜索法的定位精度的前提下,提高了定位速度,实现了精度与速度的结合。     

高斯混合模型结合加权似然的目标跟踪算法

鉴于高斯混合模型对背景变化快时无法精确检测出目标和目标跟踪的适应性差等瑕疵，提出了基于加权似然跟踪器来改进高斯混合模型实现运动目标跟踪算法。主要引入了自适应高斯混合模型来实时检测运动目标，然后空间加权似然来进行视频中的目标定位，引入加权似然期望值来改进高斯混合模型处理视频中的多尺度、多角度变化的目标跟踪不精准问题。通过VOT 2014 dataset对比实验结果表明提出的基于加权似然跟踪（Weighted Likelihood Tracking，WLT）和改进高斯混合模型（Improved Gaussian Mixture Model，IGMM）的目标跟踪算法较传统高斯混合模型跟踪算法在跟踪的精度有较大提高。在应对多尺度、多角度变化的目标跟踪表现出了较大的优势。     

基于负约束条件下最大似然估计的无线传感网络定位算法

针对基于RSSI(Received Signal Strength Indicator)的无线传感网络定位算法精度不高的问题,提出一种负约束条件下的似然估计定位算法。当未知节点在参考节点的通信范围之外时,引入负约束条件来提高定位精度。主要工作可分为三部分:第一,根据RSSI值测量参考节点与未知节点之间的距离。第二,根据参考节点与未知节点通信关系建立正约束和负约束条件下的似然估计函数。第三,利用粒子群优化算法找到未知节点的最佳位置。仿真结果表明,引入负约束条件可以提高定位精度,且优于传统的定位算法。     

基于二次栅格扫描的无线传感器网络定位算法

为了提高无线传感器网络的定位精度,在栅格扫描算法的基础上提出了一种基于二次栅格扫描的无线传感器网络定位算法.利用未知节点与两跳范围内的锚节点的连通性约束信息,在近节点对未知节点进行栅格扫描得到其初始位置估计的基础上,引入远节点对未知节点再次进行栅格扫描,从而提高定位精度.算法增加了远节点栅格扫描的计算量,但不需要额外地增加节点的硬件功能.仿真结果表明,与仅利用近节点的栅格扫描算法相比,该算法在锚节点密度增大的过程中可以更快地提高定位精度.     

一种新的基于RFID的室内移动机器人自定位方法研究

针对室内移动机器人自定位算法定位精度不高、定位误差存在波动的问题,提出了一种RTFL(RFID tag floor based localization)定位算法与RSSI定位算法相结合的室内移动机器人自定位方法。由RTFL定位算法给定机器人位置估算初值和机器人所在的范围,然后通过基于RSSI的机器人自定位系统进行机器人位置的进一步精确定位。求解过程中,通过遗传算法求解极大似然方程组,并且提出了染色体的筛选和剔除策略。仿真实验结果表明：该方法在有效的时间内完成定位,平均定位误差为0.1572m,与传统的改进方法0.33214m的定位误差相比,降低了近一倍。并且新方法受环境影响较小,鲁棒性较好,能够很好的满足室内移动机器人的定位要求。