共查询到19条相似文献,搜索用时 109 毫秒
1.
蜂窝网移动定位是根据蜂窝网自身的位置信息进行移动台定位与跟踪一种技术,是未来移动通信的方向,本文考虑到复杂信道环境中的非视距(NLOS)噪声误差的因素,提出了一种基于到达时间差(TDOA)的粒子滤波方法。仿真结果表明,与无损卡尔曼滤波对比,采用粒子滤波的跟踪方法能明显改善移动目标的定位精度。 相似文献
2.
3.
针对目标运动及无线信道动态衰落特性对用户位置估计波动较大的影响,利用基于卡尔曼滤波的交互多模算法的特性,并将其应用于蜂窝网指纹定位技术中.根据K近邻匹配算法估计出用户位置坐标,然后利用交互多模算法对用户位置坐标进行滤波处理,提高定位精度.通过对真实环境下数据的处理和分析,基于卡尔曼滤波的交互多模算法能有效提高定位精度. 相似文献
4.
5.
改进的交互式多模型粒子滤波跟踪算法 总被引:6,自引:0,他引:6
通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。 相似文献
6.
基于卡尔曼滤波的测量值重构及定位算法 总被引:1,自引:0,他引:1
在蜂窝网无线定位技术中,非视距(NLOS)误差的存在使定位性能急剧下降。该文提出了一种针对NLOS环境的基于卡尔曼滤波(KF)的动态跟踪定位算法。算法首先利用有偏卡尔曼滤波器的对测量值进行重构,然后利用重构后的测量值进行卡尔曼定位,并引入推算机制加以修正。实验结果表明,该方法在极为恶劣的NLOS环境下也能够获得很高的定位精度。 相似文献
7.
基于EPF-IMM算法的高机动目标跟踪研究 总被引:2,自引:1,他引:1
融合粒子滤波与交互多模算法的优势,提出了一种基于进化粒子滤波的交互多模算法(EPF-IMM)。该算法将遗传进化思想引入到传统的粒子滤波,在粒子迭代中采用遗传算法中的编码、交叉、变异等算子实现粒子的自适应进化且隐含重采样,从而改进其粒子退化现象。然后利用粒子滤波信息,在交互多模型中进行更新运算。既解决了IMM算法对非线性、非高斯环境的适应性问题,又解决了PF的无关联对应模型问题。与标准IMM算法进行高机动目标跟踪性能比较,试验仿真结果表明,EPF-IMM算法的跟踪精度高。 相似文献
8.
在无线传感器网络定位系统中,尤其是在室内定位中,非视距(NLOS)误差的存在使定位性能急剧下降。为克服非视距传播带来的定位误差,提出了一种针对非视距环境下联合接收信号强度(RSS)和到达时间(TOA)的定位算法。该方法首先通过 RSS和 TOA的测量结果建立关于目标位置的非凸优化问题,然后通过二阶锥松弛理论,将原始的非凸优化问题转换为一种凸优化问题,由此能够快速得到原问题的一个次优解。通过计算机模拟仿真验证,新方法的估计精度更高,性能更好。 相似文献
9.
节点位置信息在无线传感器网络中起着至关重要的作用.大多数定位算法在视距(Line-of-Sight,LOS)环境下能够取得较高的定位精度,然而在非视距(Non-Line-of-Sight,NLOS)环境下,由于障碍物的阻挡,无法取得理想的定位精度.针对室内环境中普遍存在的非视距传播现象,提出了基于RTT(Round Trip Time)和AOA(Angle Of Arrival)混合测距方式的室内定位方法,一种轻量级基于网格的聚类算法(Lightweight Grid-Based Cluster,LGBC)被用来生成移动节点的定位区域.算法不需要获取室内环境的先验信息.仿真结果表明,LGBC算法复杂度低,计算开销小,并且与同类算法相比,定位精度提高约65%. 相似文献
10.
单站目标定位是电子侦察中的一项重要任务。针对实际工程特点,提出了一种鲁棒的运动单站相位差变化率目标定位算法。通过测量目标信号的方位角和相位差,利用卡尔曼滤波模型计算相位差变化率并对目标进行测距定位,最后将多次的定位结果进行交互多模滤波融合,实现对目标的高精度定位。给出了计算相位差变化率的滤波模型、目标定位算法,以及交互多模滤波的融合定位过程。仿真实验中采用STK仿真软件生成单站平台的位置数据和目标信号入射方位角及相位差数据,分析了目标定位的效果及性能。最后给出了一些工程实践性的建议,具有一定的工程参考意义。 相似文献
11.
12.
IMM迭代扩展卡尔曼粒子滤波跟踪算法 总被引:8,自引:0,他引:8
该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。 相似文献
13.
14.
Interacting Multiple Model Kalman-Particle Filter (IMMK-PF) has the advantages of particle filter and Kalman filter and good
computation efficiency compared with Interacting Multiple Model Particle Filter (IMMPF). Based on IMMK-PF, an adaptive sampling
target tracking algorithm for Phased Array Radar (PAR) is proposed. This algorithm first predicts Posterior Cramer-Rao Bound
Matrix (PCRBM) of the target state, then updates the sample interval in accordance with change of the target dynamics by comparing
the trace of the predicted PCRBM with a certain threshold. Simulation results demonstrate that this algorithm could solve
the nonlinear motion and the nonlinear relationship between radar measurement and target motion state and decrease computation
load. 相似文献
15.
16.
17.
18.