基于TDOA的改进室内定位算法

针对Chan算法无法有效处理质量较差的TDOA测量值及Taylor级数展开算法收敛较慢的问题,提出一种基于TDOA的改进室内定位算法。将Chan算法的线性模型重构为抗干扰能力较强的非线性模型,使用混合最小二乘法求解线性模型,将解算结果作为初值输入非线性模型进行迭代计算。实验结果表明：改进算法在定位精度与准确度方面优于混合最小二乘的Chan算法,与Taylor级数展开算法的结果相近;在计算效率上略逊于混合最小二乘的Chan算法,优于Taylor级数展开算法。     

基于多元Taylor级数和AFS的混合定位算法

针对传统Taylor级数定位算法存在精度严重依赖初始值,导致定位精确度不高的缺陷,结合人工鱼群算法和多元Taylor级数展开算法的优点,提出了一种基于人工鱼群算法初值选取与多元Taylor级数展开算法精确求解的混合定位方法。算法充分发挥了人工鱼群算法初值估计性能良好和多元Taylor级数展开算法求解精度高的优点。仿真结果表明:上述算法减少了鱼群数目和迭代次数的选取对定位精度的影响,混合定位算法的精度更高。     

基于阈值筛选的室内定位优化算法

针对室内超宽带（Ultra-Wide Band, UWB）的定位技术在复杂遮挡的环境下定位效果不好、定位不精确的缺陷,本文提出一种在Chan算法的基础上对粒子群算法进行优化的混合算法定位方法。首先利用Chan算法求出定位标签初始估计位置坐标,并在非视距（NLOS）环境下通过设置阈值θ以对Chan算法计算出的位置坐标进行筛选;将已知的基站接收到的距离差与用Chan算法求出的标签位置信息求出的不同基站间的距离差做差值和,若差值和小于该阈值则直接输出位置坐标,反之则将位置坐标作为粒子群算法的初始值,通过迭代优化不断追踪个体极值和局部极值,更新个体的位置和速度,寻找到全局最优解再进行输出。仿真结果与实际场地实验结果表明,与单一算法相比,本文提出的混合定位算法在非视距环境下的定位精度可提高27%~31%;收敛速度快,算法复杂度低,满足室内定位的要求。     

基于BP神经网络的定位跟踪算法

提出了一种在NLOS环境下对移动台的定位与跟踪算法。利用BP神经网络对TDOA测量值中NLOS误差进行修正,再利用Chan算法进行移动台位置估计,配合相关检测距离门对移动台进行跟踪。仿真结果表明,该跟踪算法能够有效地实现移动台的静态定位与动态跟踪,性能优于基于Chan算法、LS算法、Taylor算法的静态定位与动态跟踪。     

基于一种改进的无源目标定位算法在WSN中的研究

无源定位作为无线传感中的一种新的定位技术,具有抗干扰能力强,隐蔽性强的特点,本文针对无源定位中的DTOA算法具有能量消耗大,时间消耗长的特点,对TDOA中的Chan算法进行改进,对算法自身的存在多解的情况,采用极限学习机的从解集中选出最优解,并针对最优解采用并采用了近似最小似然估计的方法对定位结果进行了修正,能够有效的提高节点定位的精度,减少误差。仿真实验从定位精度与更新次数,TDOA测量噪声方差,节点之间的距离,协作节点数量等4个方面来进行比较,本文的算法相比与传统的Chan无源算法能够有效的提高定位精度,具有很好的参考价值。     

基于自然选择的线性递减权重PSO与Taylor算法的TDOA协同定位算法研究

针对Taylor算法进行TDOA定位时,其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题,提出一种基于自然选择的线性递减权重粒子群优化（W-SPSO）与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到一个初始估计位置（x,y）,再通过Taylor算法在（x,y）处进行迭代运算得到最终定位结果。不同噪声情况下的仿真结果显示：W-SPSO与Taylor算法协同定位方法对MS坐标估计值的均方差（RMSE）小于标准PSO（粒子群优化）、SelPSO（基于自然选择的粒子群优化算法）、W-SPSO、Taylor以及Chan五种算法的RMSE。因此,所提出的定位方法在保留了SelPSO算法求解精度和收敛性的基础上,同时提高了全局搜索能力,使其具有更高的定位精度和收敛性。     

混沌优化算法在TDOA定位中的应用研究

为了解决TDOA定位估计中遇到的非线性最优化问题,提出了一种联合使用Chan算法和混沌优化算法的混合定位算法。针对TDOA方式进行最佳坐标搜索的问题,本文所设计的基于Chan算法的的混沌搜索方法,提高了算法的收敛速度和性能。仿真结果表明,该算法性能稳定,能找到逼近全局最优点的解,相对于Chan算法精度更高,相对于遗传算法在保证收敛性能的前提下有更快的收敛速度。     

基于UWB的LSM-Taylor级联车辆定位算法

为了满足智能车在室内的高精度定位要求,针对室内的伪三维定位场景,提出了一种基于超宽带(Ultra Wideband,UWB)的LSM-Taylor级联车辆定位算法.该算法以到达时间差(Time Difference of Ar-rival,TDOA)为定位方式,以多基站最小二乘法(Least Square Method,LSM)定位算法的计算结果为初始值,通过Taylor级数迭代估计车辆的精确位置.该算法主要解决多径效应和非视距产生的测量误差对定位精度的影响,从而提高定位精度.在仿真结果中,相比LSM定位算法,LSM-Taylor级联定位算法的定位结果分布更加紧密,定位精度更高.实际测试结果表明,该定位算法的均方根误差(Root Mean Squared Error,RMSE)在10 cm以下,能满足智能驾驶中的室内定位要求,验证了该方法的有效性.     

一种NLOS环境下的TDOA/AOA定位算法

在LOS环境下,Chan算法有着较好的定位精度,基于Chan算法的到达时间差/到达角(TDOA/AOA)算法比Chan算法有了进一步提高。但是在NLOS环境下,这些算法的精度都将大大下降,由于AOA的测量值有较大误差,TDOA/AOA方法的精度甚至低于Chan算法。并且这些算法的主要缺点是在第一次加权最小二乘法(WLS)中把移动台的横坐标、纵坐标与移动台到服务基站的距离作为三个相互独立的变量,忽略了三者之间的相关性,因此要进行第二次WLS才能得到定位结果,且最终的解为二值根。对误差的均值和方差进行了估计,修正了TDOA与AOA测量值,用Kalman滤波算法对AOA的值进行了估计,利用移动台坐标与AOA之间的关系将三个变量简化为一个,只需一次WLS即可求得唯一解,减少了计算量,消除了根的模糊性。仿真结果表明,该方法简单,计算量小,有较高的定位精度和较好的稳健性,性能优于Chan算法和基于Chan算法的TDOA/AOA算法。     

基于MPS的移动台混合定位方法

移动通信系统中,针对移动台的定位精度问题,提出基于MPS的混合定位方法.该方法引入一个专门处理目标用户地理位置信息的辅助系统,该系统不仅收集来自GPS的关于目标用户的位置信息,同时收集来自基站的位置信息.对信息加工整理后,再把最终的定位结果提交给用户.通过改进的Chan算法,有效降低了NLOS传播的误差影响.该方法兼顾了GPS的高精度和TDOA快速定位的优点,Matlab的仿真结果表明,该定位方法能够提高Chan算法在NLOS影响下的定位精度.     

基于约束总体最小二乘的泰勒级数定位算法

目前基于到达时间差(Time Difference of Arrival,TDOA)的无线定位算法既不能在基于距离平方差(Squared Range-Difference,SRD)的误差平方和最小模型中获得总体最小二乘准则下的全局最优解,也不能在基于距离差(Range-Difference,RD)的误差平方和最小模型中获得普通最小二乘准则下的全局最优解。将泰勒级数法与约束总体最小二乘法(Constraint Total Least Square,CTLS)相结合,提出一种基于约束总体最小二乘的泰勒级数定位算法(CTLS-Taylor)。利用CTLS方法获得目标节点的粗估计位置,并将该位置作为泰勒级数展开法的初始点,通过迭代,获得目标节点的精估计位置。仿真结果表明,CTLS-Taylor算法不仅能够获得与QCLS-Taylor算法相同的定位精度,而且迭代次数有了明显减少;同时与CTLS定位算法相比,当测量噪声较高时,CTLS-Taylor算法的定位精度更高。     

NLOS环境下TDOA/AOA混合定位算法研究

在CDMA的网络环境下,TDOA/AOA混合定位算法能够比Chan算法有较高的定位精度。然而随着AOA测量误差精度的下降,定位精度逐渐下降,甚至低于Chan算法的定位精度。本文在传统的TDOA/AOA混合定位算法加入校正因子,通过逐步迭代的方法,逐渐消除NLOS对TDOA测量值的影响,从而获得比传统TDOA/AOA混合定位算法更高的定位精度。仿真表明：在各种环境下,特别是非视距环境下该方法能够显著提高定位的精度,并且运算量增加较少。     

基于Taylor展开的UWB井下定位算法研究与实现

针对无线信号在煤矿巷道中传播时由于多径效应明显,而导致定位精度不高的问题,通过对UWB定位模型进行分析,提出一种基于Taylor级数展开的UWB（Ultra Wide-Band）定位算法。考虑Taylor级数迭代算法对初始值依赖性很高的问题,首先采用三点直接定位算法对目标节点进行粗定位,然后通过阈值筛选和权重计算产生Taylor定位的初始值,再进行迭代求解,进行第二次精确定位。一个基于UWB无线定位系统平台对该算法进行了验证,结果表明该算法可以保证最大定位误差为0.4 m,基本满足井下定位的需要。     

基于多元变量Taylor级数展开模型的定位算法*

为了进一步提高无线传感器网络的定位精度,通过考虑未知传感器之间的距离信息,构建了多元变量Taylor级数展开的定位模型。在对该模型求解过程中,首先利用三边测距法得到未知传感器的初始位置,再采用加权最小二乘法计算其最优值作为未知传感器的估计位置。为评价该算法的性能,对定位结果的Cramer-Rao下界(CRLB)进行了推导。仿真测试了不同距离测量误差和已知传感器数目对定位误差的影响,以及算法的累积分布函数(CDF)。仿真结果表明,该算法有效地提高了定位精度,且定位误差非常接近CRLB。     

基于文化鱼群算法的到达时间差定位技术

针对到达时间差(TDOA)定位估计中的非线性最优化问题,在鱼群算法中引入文化机制设计基于实数编码的文化鱼群算法,将Chan算法的解作为文化鱼群的一个个体初始位置,并利用文化鱼群算法搜索TDOA定位的最优坐标。仿真结果表明,该技术性能稳定,在鱼群规模较小的情况下能快速鲁棒地找到逼近全局最优点的解,并且具有较快的搜索速度和较高的搜索精度。     

非视距环境下的超宽带室内定位算法

为了进一步提高超宽带技术在非视距室内环境中的定位精度,研究了抑制非视距误差的定位算法。首先,对非视距环境下的TDOA定位模型进行重构;其次,推导出非视距情况下均方根时延拓展的统计模型,获得附加时延参数的估计值,对TDOA测量误差参数校正;最后,通过最小二乘法初步估计出目标节点位置,将其作为粒子群算法的初始值进行智能粒子群算法求最优解,惯性权重在迭代中按照高斯函数的策略变化。仿真结果表明本文提出的优化算法可有效减弱非视距误差在复杂室内环境中定位的影响,进一步提高定位精度和算法的收敛速度。     

基于小波变换的场强定位算法

利用服务基站与移动台之间的场强测量值来进行移动台位置估计,并从场强信号传播模型和定位算法出发,提出了一种基于小波变换的改进场强定位算法。通过小波变换来修正传播误差,然后利用LS算法进行定位。仿真结果表明,该基于场强的移动台定位方法在一定程度上提高了定位精度,定位效果明显优于Chan算法、LS算法、Taylor算法。     

异构网络协同OTDOA定位方案研究

针对单一网络下的UE定位已经不能满足用户的定位需求的问题,提出了一种在LTE、WCDMA以及TD-SCDMA多基站共存的异构网络中一种OTDOA定位方案。本方案先对定位坐标进行残差加权重计算,然后采用综合了Chan氏算法和Taylor级数算法的改进定位算法计算位置,并在理想的信道环境和典型的实际信道模型下进行了异构网络下的定位仿真。在LTE网络信号不稳定的情况下,或者在基站数目较少的情况下,仍然可以进行定位操作。仿真结果表明,使用不同网络的基站参与定位,提高了定位成功的可能性。在非视距和多径环境下,本方案运算量较小,实现相对简单,且精度较高,尤其是算法改进后定位误差可减小一倍以上,提高了定位结果的可靠性。     

基于免疫算法的TDOA定位技术研究

为了解决TDOA定位估计中遇到的非线性最优化问题，提出了一种联合使用Chan算法和免疫算法的混合定位算法．针对TDOA方式进行最佳坐标搜索的问题，所设计的基于浮点数编码的免疫算法利用混沌方程产生初始种群、改进了免疫算子，提高了算法的收敛速度和性能．仿真结果表明，在保证种群数量的情况下，该算法性能稳定，能找到逼近全局最优点的解，相对于Chan算法精度更高，相对于遗传算法在保证收敛性能的前提下有更快的收敛速度．     

基于最小二乘与Taylor级数展开的新型混合定位方法

针对广播式自动相关监视系统中的虚假目标识别问题,采用一种到达时间差与到达时间和2种定位方法相结合的新型混合定位方法,获取目标真实空间位置,将其与自动相关监视报文中的位置数据进行比对来判断虚假目标。为使混合定位更加精确与快速,利用最小二乘法对目标初始定位,再将其作为Taylor级数展开迭代的初值,精确估计目标位置。模拟仿真结果表明,混合定位方法解决了Taylor级数展开算法中结果可能不收敛的问题,且在相同地面站布局条件下,其精度和稳定性较传统到达时间差定位方法更高。