基于WiFi的目标反射信号提取及定位算法

近年来,利用WiFi的普遍性与其提供的信道信息对覆盖范围内的人物进行定位成为一个十分热门的研究方向。现存的室内定位通常需要提前在离线阶段建立相应特征库,有些系统还对设备有特殊要求。文章提出了一种基于商用WiFi路由器和无线网卡的系统,通过对信道状态信息(CSI)进行处理,成功分离出由移动目标反射的动态路径信号,用于参数提取,构建定位模型,对目标进行定位跟踪,可以做到0.7 m精度的定位。     

嘈杂环境中利用CSI信息的室内轨迹跟踪技术

基于信道状态信息的室内轨迹跟踪技术近几年来备受关注。为了利用现有的商用WiFi设备实现实时的轨迹跟踪，本文采用了一发一收的室内轨迹跟踪系统，主要利用通过信道状态信息计算得到的多维参数包括飞行时间、到达角度、多普勒频移和信道衰减来计算得到相应的位置信息，并且提出了利用环境动态参数来修正定位参数的方法，以达到更为精准的轨迹跟踪效果。实验表明，采用这种方法，定位精度可以达到0.65m，证明了该方法能精确有效地实现室内轨迹的跟踪定位。      

基于Wi-Fi多维参数特征的无源目标跟踪技术

针对Wi-Fi无源目标跟踪技术中,由于直射路径信号以及噪声等影响造成提取目标反射路径信号困难等难点,本文提出了基于Wi-Fi多维参数特征的无源目标跟踪技术.该技术采用串行干扰消除代替全零初始化来完成某时刻多条路径到达角（Arrival of Angle,AoA）、飞行时间（Time of Flight,ToF）以及多普勒频移（Doppler Frequency Shifts,DFS）的初始化,并且对传统频域空间交替广义期望最大化（Frequency Domain Space Alternating Generalized Expectation-maximization,FD-SAGE）算法进行改进,弥补了传统算法收敛速度慢以及噪声影响等缺陷.除此之外,本文采用基于最小代价多路径网络的混合数据关联方法解决了在不同时刻具有不同路径数目时无法进行路径有效关联的问题,同时该方法将固定时间窗中的最优匹配作为某时刻的关联数据,避免了某次关联错误导致后续关联失败所造成的不可逆错误.实验结果表明,本文在复杂室内环境下能够达到1.3m的平均跟踪定位精度.     

多维可变跟踪门SPRT无源跟踪起始算法

本文提出了一种基于多维可变跟踪门检测的序列概率比检验(SPRT)无源跟踪起始算法。该算法基于目标的多特征信息,构造多维动态可变的跟踪门,进行自适应跟踪起始检测;然后根据序列概率比检验准则进行轨迹确认,从而实现自适应跟踪起始。计算机仿真结果验证了该算法的正确性、有效性。     

基于均值移位的篮球轨迹跟踪算法

针对当前跟踪篮球轨迹时存在跟踪精度低、关联率低的问题,提出基于均值移位的篮球轨迹跟踪算法。通过自适应全变差模型消除篮球图像中存在的Gibbs伪影和高斯噪声,采用均值移位算法对篮球轨迹进行跟踪,确定候选区域,通过均值漂移向量对搜索中心进行更改,利用巴氏系数定位目标位置,实现篮球轨迹的跟踪。实验结果表明,该方法轨迹跟踪的准确率较好,x、y方向位移误差在0.1m以内,关联率达90%以上。     

基于CSI的三维联合参数估计算法

针对商用Wi-Fi设备中由于天线数量和信道带宽有限而导致的到达角(AoA)和飞行时间(ToF)估计精度受限问题,以及现有基于最大似然估计的3维参数估计算法容易收敛于局部最优值,且依次对参数进行估计的方式使参数之间会互相影响的问题,该文提出一种基于Wi-Fi信道状态信息(CSI)的AoA, ToF和多普勒频偏(DFS)的3维联合参数估计算法,以提高参数估计精度和信号分辨能力。首先,通过分析CSI数据,构造包含AoA, ToF和DFS信息的3维矩阵,并对构造的3维矩阵进行降维处理。其次,设计了一种3维空间平滑算法,以消除相干信号对参数估计的影响。最后,利用空间谱估计算法,同时估计出AoA, ToF和DFS 3个参数。实测结果表明该文所提3维联合参数估计算法的参数估计精度和信号分辨能力高于现有的子空间交替期望最大化算法(SAGE)和2维参数估计算法。     

一种改进的单站无源定位与跟踪算法

无源定位与跟踪技术有着广阔的应用前景。对于机动干扰源单站无源定位与跟踪，直角坐标系下一阶卡尔曼滤波算法容易发散，二阶卡尔曼滤波算法运算量大。针对这一不足，本文提出了在极坐标下建立状态方程和观测方程的卡尔曼滤波进行干扰源单站无源定位与跟踪。仿真实验结果表明了该算法的有效性。     

一种基于极坐标的无源定位与跟踪稳定算法研究

本文以无源定位与跟踪为背景,分析了利用扩展卡尔曼滤波算法进行定位与跟踪计算中的不稳定现象的原因,并提出了一种新的基于极坐标的定位与跟踪算法,通过仿真试验验证了这种算法具有较好的稳定性。     

多维可变跟踪门SPRT无源跟踪起始算法

本文提出了一种基于多维可变跟踪门检测的序列概率比检验(SPRT)无源跟踪起始算法。该算法基于目标的多特征信息，构造多维动态可变的跟踪门，进行自适应跟踪起始检测；然后根据序列概率比检验准则进行轨迹确认，从而实现自适应跟踪起始。计算机仿真结果验证了该算法的正确性、有效性。     

基于Ozaktas算法的LFM信号参数估计误差分析

Ozaktas算法因其运算复杂度低、精度高、提出时间早而成为目前对LFM信号进行处理时最为常用的离散分数阶Fourier变换算法,但其附加的量纲归一化对LFM信号参数估计存在影响。为此,在对LFM信号参数估计建模基础上,分析了基于Ozaktas算法的参数估计二维离散网格效应,并进一步得到了影响初始频率和调频率估计精度的因素。可以发现:在满足采样定理条件下,基于Ozaktas算法的LFM信号参数估计能保持较好的估计精度,且在一定程度上可以通过增大采样频率或减小采样时长来进一步提高估计精度。最后,通过仿真分析验证了上述理论推导的正确性。     

一种跳频信号实时跟踪与参数估计方法

现有的跳频信号处理方法往往需要积累足够长的样本数据,缺乏实时快速运算的能力,无法处理高速跳频信号。在小样本条件下提出一种跳频信号实时跟踪和参数估计方法。根据跳频信号的频域稀疏性建立信号模型,引入稀疏贝叶斯学习(SBL)算法解决多观测向量(MMV)信号重构问题。在构建新的判决统计量基础上,推导一种保持恒虚警概率的跳变时刻检测方法,设计滑动策略实现跳频信号的实时跟踪。分别利用几何重心法和最小二乘法估计每跳(hop)的载波频率和来波方向(DOA)。实验证明,新方法在低信噪比(SNR)下具有更低的虚警概率,参数估计精确度得到明显提升。     

基于ELM算法的起重船摆动轨迹跟踪

起重船进行海洋作业时,难免会受到风浪的影响,船体随之发生摇摆,使得起重船无法正常作业.船舶摇摆是一个复杂的非线性运动,神经网络具有很好的在线学习预测的能力,对此本文提出一种基于极端学习机ELM算法的轨迹跟踪方法,对起重船的摆动进行实时跟踪预测,在MATLAB中仿真出跟踪效果图,并与传统的BP神经网络算法对比,得出ELM具有更快更准确的跟踪预测能力,突出了ELM算法的优越性,最后可将此方法用于吊摆控制系统中.     

一种LFM信号最大似然估计模型与参数估计快速算法

从最大似然估计模型入手,提出了一种适合在一般高斯噪声环境（包括色噪声）下LFM信号目标的参数估计模型和基于此估计模型的调频斜率和初始频率估计的快速算法。此方法获得了最大似然方法估计精度高的优点,且运算量比传统的最大似然方法大大降低。另外推导出了一般高斯环境下的LFM参数估计的CRB界,为一般高斯环境下的估计的参数的方差提供实际下界。     

目标微动参数估计的曲线跟踪算法

对于包含多散射点的微动部件来说,其微动参数估计等价于多分量非平稳信号的瞬时频率估计.针对此问题,提出一种基于曲线跟踪算法的目标微动参数估计方法.该算法首先在时频域通过最近邻数据关联算法分离各分量信号的时频曲线,然后,采用扩展Kalman滤波器对各时频曲线进行平滑滤波,并基于平滑后的时频曲线估计目标微动参数.基于电磁计算数据的仿真结果验证了该算法的有效性.     

基于Box粒子滤波的参数自适应机动目标跟踪

针对机动目标跟踪加速度的不确定性,引入一种新的参数自适应算法,采用粒子滤波及高斯核密度估计技术,估计目标机动参数,实现对任意机动目标的跟踪。在此基础上,考虑到粒子滤波计算代价较高的问题,进一步引入区间分析技术,采用Box粒子代替传统的粒子,以提高算法的计算效率。实验结果表明,提出的算法能够有效地跟踪任意机动目标,且运算时间明显低于传统的参数自适应算法。     

基于分散化神经鲁棒控制的轨迹跟踪算法研究

针对外部扰动以及建模误差对机械臂轨迹跟踪精度影响的问题,利用递归神经网络设计了分散化的神经鲁棒控制器,采用机械臂各个关节状态方程的子系统表示整个系统。使用滤错训练算法估计神经网络未知权重系数,同时引入鲁棒项抑制关节神经控制器之间的相互影响和建模误差,并利用Lyapunov函数进行稳定性证明。与没有鲁棒项的仿真结果对比表明,设计的分散化神经鲁棒控制器具有更精确的轨迹跟踪精度,误差的收敛性更好,稳定性更高。     

基于三维直方图的改进Camshift目标跟踪算法

经典的连续自适应均值漂移算法Camshift通过HSV空间的色调Hue分量建立一维直方图,在有光照变化及有相似颜色目标或背景的干扰下,跟踪效果不好。提出一种融合HSV空间中色调、饱和度以及反应物体形状信息的边缘梯度的三维直方图特征,并基于背景模型自适应调整特征直方图三种分量的权重值,提高了算法的跟踪准确度。通过与传统Camshift跟踪实验比较,提出的改进算法在光照变化及相似颜色目标/背景干扰下具有更好的鲁棒性,同样也满足跟踪系统的实时性要求。     

基于原子分解的跳频信号盲检测和参数盲估计算法

本文针对跳频信号的检测和参数估计问题,提出了一种基于原子分解算法的跳频信号盲检测和参数盲估计算法。以Gabor函数为基函数对输入的多分量信号样本进行原子分解,在原子分解的每一次迭代后计算信号残差的信息论准则测度,通过与前一次迭代后的信息论准则测度作比较,找到信息论准则测度的第一个局部极小值,这个局部极小值对应的迭代次数就是信号样本中包含的信号分量的数量,进而根据分解得到的时频原子的参数值来聚类,从输入信号中分选出跳频信号的hop,并估计跳频信号的参数。仿真实验表明,该方法能够在未知任何先验知识的情况下,对高斯白噪声环境中跳频信号进行有效检测,并能够对跳周期、跳变时刻和跳频频率进行有效估计。