基于改进粒子滤波的RFID室内目标定位算法

针对于LANDMARC算法的RFID室内定位精度受传输路径影响严重,直接采用粒子滤波自适应性差的问题,提出一种基于改进粒子滤波的RFID室内定位算法。该算法首先利用极限学习机(ELM)拟合阅读器接收信号强度与标签距离之间的非线性关系,构建信号传输模型,筛选邻近标签集;然后采用自适应学习因子优化粒子滤波过程,提高粒子全局寻优能力和收敛速度。仿真实验结果表明,该算法能够有效实现待测标签的RFID室内定位,且定位精度较高,收敛速度较快。     

基于Wi-Fi的动态室内定位方法

针对目前动态室内定位方法定位精度不足，研究基于Wi-Fi的动态室内定位方法。该方法利用传感器采集Wi-Fi的RSS(received signal strength，接收信号强度)指纹信号后，使用改进非均值滤波算法去除RSS指纹信号的干扰噪声，以不含干扰噪声的RSS指纹信号作为基础，使用基于指纹子空间匹配动态室内定位方法，计算不同阶段RSS指纹覆盖向量、汉明距离以及欧式距离等，得到若干个动态室内定位估计值，再使用峰值密度聚类算法对若干个动态室内定位估计值进行估计，获取估计值中可信的估计位置，即动态室内定位结果。实验结果表明：该方法不仅可有效去除RSS指纹信号含有的干扰噪声，还可对动态室内目标进行准确定位，定位误差仅为-1～0.5 m，定位精度较高。     

一种加权的DV-Hop定位改进算法

针对 DV-Hop 定位算法中在计算未知节点到锚节点距离时产生较大误差的问题,提出了一种改进的 DV-Hop 算法。改进算法对全网平均每跳距离和局部平均每跳距离进行了加权处理,得到了未知节点的平均每跳距离,又提出了一种改进的加权最小二乘法来得到未知节点的坐标,减小了节点的定位误差。仿真结果表明,在不需要增加额外的硬件设施的基础上,改进算法的定位精度相比于原算法明显提高。     

无线传感器网络RSSI自校正定位

无线传感器网络的许多应用都和节点的位置紧密相关,节点自定位成为当前研究的一个热点。针对信号强度受环境影响较大,提出了接收信号强度自校正定位算法。该算法利用信标节点实际测量信号确定无线信号传播损耗模型,采用组合3边测量获得节点坐标估计值集合,再用加权质心方法确定节点的最终坐标。仿真结果表明,该算法较传统的基于接收信号强度定位方法定位精度有了明显的改进。     

基于白化滤波的多普勒天气雷达谱矩估计改进方法

针对多普勒天气雷达时间分辨率和方位分辨率提高后,回波强度和径向速度精度无法满足1 dB 和1 m/ s 业务要求的问题,采用基于距离过采样技术和白化滤波算法的改进谱矩估计方法,使估计精度大大提高。该方法通过在距离向提高采样频率,获取更多的回波信号样本数量,然后采用白化滤波算法去除回波信号距离向的相关性,提高回波信号的独立样本数;并以白化滤波后的回波信号为基础,改进现有脉冲对谱矩估计算法,提高谱矩估计精度。仿真和雷达试验结果表明,在回波信号信噪比较大时,谱矩估计改进算法比现有脉冲对算法的估计精度更高,且可解决多普勒天气雷达因时间分辨率和方位分辨率提高后引起的精度降低问题。     

基于改进WKNN的蓝牙室内定位方法

大型商超、地下停车场等公共场所对室内定位的需求迫切，而GPS定位技术无法实现室内定位。针对传统定位算法定位精度低的问题，文中提出一种基于改进WKNN的蓝牙室内定位方法。首先构建欧氏距离与曼哈顿距离融合的相似度度量函数，改进权值的计算方法；在此基础上，针对偏差较大的跳跃点以及长时间连续定位采集数据量庞大的特点，提出一种基于粒子群的滤波算法，使预测轨迹更贴近真实轨迹。实验结果表明：与传统WKNN算法相比，所提方法定位精度提高约40 cm；相比传统的卡尔曼滤波，基于粒子群的滤波算法可以进一步将定位精度提高约4 cm。     

基于粒子滤波和交互多模型的移动定位方法

为提高非视距情况下移动辐射源的定位精度,提出一种改进的交互粒子滤波算法.该算法对目标运动多模型和信号到达时间差测量噪声分布多模型联合建模.在交互多模型状态更新中利用粒子滤波对目标时变状态以及视距/非视距混合信道参数进行估计,抑制了非视距测量误差对移动定位的影响.仿真结果表明,改进算法的性能要优于现有的视距条件运动多模型和视距/非视距条件单一运动模型的定位算法,并且定位误差接近于推导的后验克拉美劳下界.     

WSN中基于RSSI的加权质心定位算法的改进

自身节点定位是无线传感器网络的关键技术之一。本文对距离无关定位算法中的质心定位算法进行了分析,在基于RSSI的质心定位算法的基础上提出了一种新的校正RSSI测距值的加权定位算法。测距阶段将信标节点之间的距离和信号强度信息同时考虑在内进行RSSI值校正,权值选择阶段采用了修正传统权重的计算方法,权值取距离倒数之和。通过仿真证明,本文提出的算法相对于传统的加权质心定位算法有明显改进,获得较好的定位精度。     

基于RSSI的室内无线网络定位技术研究

基于信号强度（RSSI）的测距是一项低成本和低复杂度的距离测量技术,被广泛应用于无线传感器网络基于距离的定位技术中。基于RSSI测距的定位技术,通过线性回归分析对参数进行优化,引入高斯滤波模型,对RSSI值进行修正,提高了测距精度。采用泰勒级数展开对位置进行迭代计算,最后在TI的ZigBee平台上进行实验验证,通过仿真和实验验证了算法的可行性和优越性。与CC2431算法相比,该算法减小了定位误差,提高了定位精度。     

一种基于位置指纹的室内WLAN定位方法

针对室内信号时变性导致定位不准的问题,提出了一种改进的3阶段位置指纹定位法。采样阶段,将采集信号的坐标、方位、接收信号强度的高斯分布及其对应的无线接入点等信息存储在数据库中生成位置指纹;在校正阶段中,利用参考点间信号强度的关联性信息,使用局部加权线性回归法,计算出一些虚拟点的信号强度;最后是线上实时定位阶段。通过与传统的加权K最邻近算法、直方图和联合聚类等3种定位方法相比较,该算法在同样的场景下可以取得更好的定位精度。     

基于非对称sinc函数拟合的激光测距算法优化

小型化的高重频多脉冲激光测距机采用数字化处理确定目标距离,接收电路带宽、数字化采样精度以及滤波算法等因素会影响测距的精度,文中在对测距误差分析的基础上提出改进测距精度的算法。首先,在对激光回波信号积累以提高信噪比的基础上,对回波信号波形进行中心差分处理、斜率阈值和幅度阈值条件处理,剔除伪峰值点,初步确定峰值点位置。然后,根据初定位后的波形特点,选择相应的指数函数进行非对称sinc函数波形拟合修正,估计波峰点相对准确位置,从而输出较为精确的目标距离。最后,将改进算法在matlab中仿真,实验结果验证了文中提出的修正算法对提高激光测距精度的有效性。     

基于卡尔曼滤波的接收信号强度指示差值定位算法

针对频谱监测系统中被监测信号无法控制并且没有任何先验知识,只能通过对信号被动监测,即接收与处理信号来估计信号源位置的要求,该文提出一种基于接收信号强度指示差值(RSSID)的定位算法,并利用卡尔曼滤波提高其定位精度。该文将两监测站之间的RSSID转换成信号源到两监测站的距离之比,根据距离之比构造定位方程矩阵,进而利用最小二乘法求取信号源位置。仿真结果表明:所提算法比经典RSSI定位算法性能更优,降低了环境因素对定位精度的影响,并且能更好地满足参数较少的定位服务需求,可以有效地应用于频谱监测系统中。同时,卡尔曼滤波可以有效改善系统的定位精度,达到预期的定位效果。     

基于加权的DV-Hop算法在WSN中的应用与研究

定位在无线传感器网络中非常重要,在DV-Hop定位算法中,平均每跳距离的计算误差过大.提出了改进的DV-Hop定位算法,结合较少跳数范围内加权的思想求解平均每跳距离,再乘以跳数,使其结果更加接近真实值.MATLAB仿真结果显示,改进的DV-Hop算法定位在不需要增加硬件开销的基础上增加了定位精度,定位误差明显减少.     

利用时变噪声贝叶斯卡尔曼滤波的室内移动目标定位

基于射频识别的指纹滤波定位技术是当前室内定位中常使用的技术之一。针对该技术存在的卡尔曼滤波算法不能准确适应环境噪声变化,致使定位精度不高的问题,提出了一种适应时变噪声的贝叶斯卡尔曼滤波算法。所提算法结合Sage-Husa滤波模型和贝叶斯模型,实现了过程和测量协方差矩阵的最优化,有效地降低了噪声,提高了指纹滤波定位的精度。实验结果表明,与变分贝叶斯卡尔曼滤波和Sage-Husa滤波相比,无障碍情况下,基于改进算法的定位精度提高了6%以上;有障碍干扰下,则提高了14. 6%以上。     

一种小波域改进非局部均值滤波算法

提出了一种噪声图像高效滤波算法。该算法对经典非局部均值滤波算法从边缘保持效果和计算复杂度两个方面加以改进。提出一种基于图像结构相似度(SSIM)相似性检测算子,并将其与传统的高斯加权欧氏距离进行加权融合,从而实现对经典非局部均值滤波的改进,可实现对图像边缘和平坦区域滤波的有效兼顾。将其引入到小波变换域,对于高频子图像,首先采用Canny算子实现自适应边缘检测,获得边缘和非边缘图像,采用改进非局部均值滤波和经典非局部均值滤波分别加以处理,然后实现图像的融合;最后实现小波系数重构。通过对实物图像和标准测试图像的仿真实验结果表明,该滤波算法的去噪效果较优,能基本实现对高强度随机噪声情形下的图像复原,从而印证了该滤波思路的可行性。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m.     

采用距离无偏估计的加权最小二乘定位算法

随着WiFi网络的广泛覆盖,基于接收信号强度的定位技术成为研究热点。针对已有基于接收信号强度定位算法定位性能不高的实际问题,提出一种基于距离无偏估计的加权最小二乘定位算法。该方法首先利用接收信号强度观测模型计算得到信号源与传感器之间距离的无偏估计量,然后根据距离计算公式建立方程组;接着把距离的无偏估计量代入方程组得到关于信号源位置的线性最小二乘模型,同时计算线性最小二乘模型中的噪声协方差矩阵;最后运用加权最小二乘方法计算得到信号源位置的估计量。该文对所提算法进行了充分的计算机仿真,仿真结果表明:在不同的定位环境下,所提算法的定位性能均优于传统加权最小二乘算法和最佳线性无偏估计算法。      

基于修正RSSI值的加权质心定位算法

针对利用接收信号强度指示（RSSI）进行节点定位时,RSSI值易受到环境因素的影响导致定位误差。为减小定位误差,在修正加权质心定位算法的基础上,使用卡尔曼滤波对连续采集到的RSSI值进行最优化处理,实现实时状态的预测和估计,使测距结果尽可能接近实际距离,为后续的定位提供更准确的数据。仿真结果显示,相比于之前的算法,改进算法减小了定位误差,提高了定位准确度。     

正逆向滤波在惯性卫星组合导航中的应用

为满足高性能惯性/全球卫星导航系统(GPS)组合导航的要求,进一步提高卡尔曼滤波算法在组合导航定位中的解算精度,考虑利用逆向数据处理和加权平滑的融合算法,提出一种正逆向融合的卡尔曼滤波算法应用于惯性/GPS的松组合导航中。分析了正逆向融合的卡尔曼滤波算法的解算方法,并与普通正向卡尔曼滤波算法做出比较。实验部分采用车载传感器采集的实测数据,通过对两种方法解算结果的误差分析,表明了正逆向融合的滤波算法在定位精度方面优于传统正向滤波算法。     

基于遗传算法的导航实时图像匹配算法

由于一般图像匹配算法均采用全局搜索法,耗时较大,为满足景象匹配辅助导航系统实时性的要求,提出了一种将遗传算法和加权Hausdorff距离算法相结合的图像匹配算法,利用遗传算法的非遍历搜索机制,迅速收敛到全局近似最优解,提高了匹配搜索的快速性.同时,提出了一种基于特征图像分支点提取的加权Hansdorff距离图像匹配算法,并给出了相应的权值求解公式,利用加权Hausdorff距离作为遗传算法的适应度函数,能够明显减少匹配搜索的计算量,提高匹配结果的精度.仿真分析表明,将遗传算法和加权Hausdorff距离算法相结合的图像匹配算法能够很好地满足景象匹配辅助导航系统的实时性和精度要求.