LEO卫星TDOA/DOA定位性能分析

随着以“星链”卫星为代表的低轨（LEO）互联网卫星系统的快速发展,星载相控阵列天线的应用数量飞速增长,未来LEO互联网卫星便于提供星载电磁波到达方向（DOA）检测能力。卫星覆盖区内的非法干扰进行定位排查,是未来互联网卫星系统正常运维的重要保障。目前常用的双星到达时差（TDOA）/到达频差（FDOA）定位体制存在定位误差显著增大的“定位盲区”造成盲区内的干扰源无法定位的问题,提出了一种基于加权最小二乘约束优化模型的TDOA/DOA双星干扰源定位技术体制。分析了几何稀释精度因子（GDOP）的定位误差,仿真实验表明该定位方法具有不存在“定位盲区”的优点,在经纬度张角为4°×4°的波束范围内定位误差小于0.2 km,定位误差的地理平均为0.112 km,满足非法干扰定位排查的应用需求。通过定位解算的根均方差（RMSE）的蒙特卡洛方法,验证了GDOP误差精度。该定位方法的定位误差地理稳定性优于目前常规的双星TDOA/FDOA定位算法。     

基于卡尔曼滤波的TDOA/AOA混合定位算法

提出了一种利用两次卡尔曼滤波实现非视距环境中TDOA/AOA混合定位方法。根据类正态分布密度曲线是最小二乘意义下对指数分布密度曲线的最优拟合的思想建立TDOA误差模型,先利用卡尔曼滤波对TOA测量值进行预处理以消除NLOS误差,再把经过预处理的TOA测量值输入到卡尔曼滤波器来实现TDOA/AOA混合定位。仿真结果表明,该方法的定位误差性能明显优于单纯的TDOA定位方法以及服从指数分布误差模型下的TDOA定位方法。     

基于AUPF的TDOA几何定位跟踪算法研究

使用无源时差（TDOA）定位技术确定无人机等小型辐射源目标的位置是当前研究的热点,针对时差定位算法较为复杂的实际情况,推导了时差双曲线的几何解,并提出了一种基于自适应无迹粒子滤波（AUPF）技术的移动目标定位跟踪方法。通过仿真对该方法在不同场景的应用效果进行了验证,进一步比较分析了算法的定位精度。结果表明,基于自适应无迹粒子滤波的时差几何定位跟踪算法可以在多种情况下较好地拟合出目标真实运动轨迹,实现对运动目标的定位跟踪,同时拥有更低的定位误差和更高的轨迹包容度,使用该方法可以显著提高对非合作移动辐射源目标的位置估计性能。     

一种自动计算参数的多密度网格聚类算法

针对多密度数据集聚类的时间复杂度过高和聚类结果对参数设置的依赖性过强的问题,提出了一种自动计算参数的多密度网格聚类算法MGCP ,该方法用网格单元的密度和单元间质心距离来构造判别函数,用判别函数的统计信息自动确定参数。实验结果表明,MGCP算法能够有效处理任意形状和不同密度的类,以较小的时间代价获得较高的聚类精度。     

具有高效确认机制的双层卫星网络多径路由协议

针对资源受限的LEO卫星网络中传统单路径路由协议数据传输速率较低的问题,基于GEO/LEO双层卫星网络模型提出一种基于网络编码（NC）的双层卫星网络多径路由协议（N-NCMR）。首先,通过GEO卫星为LEO卫星网络计算路由减轻LEO卫星的负担,结合NC技术动态地沿着多个不相交路径传输数据流的不同部分;其次,设计了一种高效的延迟确认机制加速数据传输,源节点在接收到前一组的确认（ACK）消息之前可以连续发送后续的组。仿真结果表明,该路由协议显著提高了LEO卫星网络的吞吐量和数据传输效率。     

多密度阈值的DBSCAN改进算法

在分析了基于密度的聚类算法（DBSCAN）及其改进算法的缺点的基础上,提出了一种多密度阈值的DBSCAN改进算法。算法通过构建网格密度矩阵绘制密度分布图,辅助用户确定密度层次划分。根据基于网格与基于密度的聚类算法间的等效规则计算各个密度层次的密度阈值ε。通过多密度层次的聚类过程得到多个密度层次上的更加精细的聚类结果。解决了DBSCAN算法参数选取困难和难以发现密度相差较大的簇的问题,具有重要的实用意义。     

机器学习助力基于优化理论的TDOA无源定位

信息社会无线通信技术迅速发展并被广泛应用,各个领域对信号辐射源的定位需求显著提升,基于到达时间差（time difference of arrival,TDOA）的定位方法是无源定位技术中应用较为广泛的一种。近年来,机器学习领域发展迅速,为无源定位技术提供了新的思路和方法。通过比较各类无源定位方法,首先探讨TDOA无源...     

基于RSS辅助的多平台时差定位方法

以基于轻型无人机平台的空基定位系统实施干扰查找为应用背景,对多平台到达时差定位（Time difference of arrival, TDOA）实现机理进行了深入分析。针对TDOA定位前无人机群快速抵达最佳定位区域,进而实现有效定位的问题,提出了一种基于接收信号强度（Received signal strength, RSS）定位辅助信息的TDOA定位方法,详细描述了定位流程和关键场景。通过方法可行性论证和定位性能分析得出：该方法可在定位流程自动化实施顺利的前提下,使系统最长定位耗时控制在无人机的一个续航周期内。     

模型参数自适应迁移的多源域适应

在新领域中,常常存在样本不充分或标记不足的问题。针对此问题,人们提出了域适应,该方法利用相关领域（源域）的知识来提高当前领域（目标域）学习性能。单个源域的知识往往不充分且类别完全相同的多个源域难以满足,同时域之间存在漂移问题。而现有的多源域适应模型难以解决类别不完全一致的问题,因此给多源域适应带来了较大的挑战。为此提出了一种基于模型参数自适应迁移的方法（Adaptive Transfer for ModelParameter,ATMP）,通过对每个源域的模型参数进行私有和公有模型参数字典学习,同时将多个源域中所学的模型参数字典作为目标域的模型参数字典,然后通过对字典系数的行稀疏约束实现源域和目标域模型参数的自适应选择。除此之外,该方法迁移的是模型参数而不是数据本身,因此有效实现了对源域数据的隐私保护。经过一系列实验表明,在相关数据集上的实验显示了本文所提方法在聚类性能上的显著有效性。     

基于ANFIS和减法聚类的遥感红外目标分选

针对自适应神经模糊推理系（ANFIS）的结构特点，本文应用多个ANFIS组合的网络来解决多目标分选问题。为了给ANFIS赋予一个合适的初始状态，减法聚类被用于预处理输入特征数据，实现了网络结构和初始参数的优化。基于ANFIS的红外航母和大型舰船目标分选仿真实验证明，其学习速度快、目标分选准确。     

基于三星定位快速二次相关时差估计算法研究

定位是通过对某一个或几个参数进行估计来实现的,参数估计方法是定位问题的关键.卫星干扰源三星定位算法需要测得一对TDOA的值.为解决计算的快速性问题,在研究二次相关法时差估计算法的基础上,提出了一种快速的卫星干扰源定位时差估计方法.利用相关函数和功率谱密度互为傅里叶变换对的特性,能够快速、准确估计信号的TDOA参数.仿真和实验结果表明,改进算法在相同信噪比条件下,能快速有效估计出时延,有效改善了卫星干扰源定位的实时性.     

不确定GM-CFSFDP聚类算法在滑坡危险性预测中的应用

针对滑坡危险性预测中降雨等不确定诱发因素难以有效处理,CFSFDP算法需要人工尝试设置密度阈值以及对大规模数据集无法进行准确聚类等问题,为了提高滑坡危险性预测准确度,提出一种基于网格与类合并的不确定CFSFDP （简称不确定GM-CFSFDP）聚类算法.该算法首先引入不确定数据处理方法,设计了E-ML距离公式,有效刻画降雨不确定因素;其次通过网格划分的思想把大规模数据集划分到多个网格空间中,实现大规模数据有效编码;计算网格平均密度,建立网格密度阈值分布模型,动态获得网格密度阈值;最后利用层次聚类思想对关联性较高的类进行合并,构建不确定GM-CFSFDP算法模型,在延安宝塔区进行滑坡实例验证.实验结果表明不确定GM-CFSFDP聚类算法获得较高的预测精度,从而验证了该算法在滑坡危险性预测中的可行性和先进性.     

基于网格密度峰值聚类的实时雷达分选系统

雷达分选是雷达信号处理中的重要环节。为了解决从复杂电磁环境中准确分选出各个雷达信号的难题,提出一种新的基于网格密度峰值的数据流聚类算法,并将其应用于对雷达信号脉冲描述的实时聚类,从而进行雷达分选。该算法采用双重网格划分方式,解决传统基于网格的聚类算法中边界丢失的问题,并采用基于改进密度峰值的网格合并方式进行聚类避免将距离较近的类合并。仿真实验结果表明,该算法可以用于实时雷达分选,很好地处理了重叠严重的雷达信号,有较高的准确度和抗干扰能力。     

基于拉普拉斯中心性和密度峰值的无参数聚类算法

针对聚类算法的聚类中心选取需要人工参与的问题,提出了一种基于拉普拉斯中心性和密度峰值的无参数聚类算法（ALPC）。首先,使用拉普拉斯中心性度量对象的中心性;然后,使用正态分布概率统计方法确定聚类中心对象;最后,依据对象到各个中心的距离将各个对象分配到相应聚类中心实现聚类。所提算法克服了算法需要凭借经验参数和人工选取聚类中心的缺点。在人工数据集和真实数据集上的实验结果表明,与经典的具有噪声的基于密度的聚类方法（DBSCAN）、密度峰值聚类（DPC）算法以及拉普拉斯中心峰聚类（LPC）算法相比,ALPC具有自动确定聚类中心、无参数的特点,且具有较高的聚类精度。     

基于蜂窝网结构的多目标自动辨识定位方法

针对移动蜂窝网对多目标难以检测识别且定位精度不高的问题,提出一种基于蜂窝网结构的多目标自动辨识定位方法。首先,根据对监测区域内目标源的多次定位结果方差来判别是否有多目标存在;其次,采用k-means无监督学习对定位点进行聚类,由于k-means算法的最优簇数难以确定,因此提出了一种基于波束分辨率的k值裂变算法来确定k值,并确定聚类中心;最后,为了提高接收信号的信噪比,通过各聚类中心确定波束方向,再使用基于线性约束的窄带波束形成器依次接收不同波束方向信号,分别对各目标源进行到达时间差定位。仿真结果表明,对于解决多目标定位问题,相对于时延估计算法和概率假设密度（PHD）滤波器算法,所提多目标自动辨识定位方法能够提高接收信号约10 dB的信噪比,对应的时延估计误差的克拉美罗下界能够下降约67%,定位精度相对误差可提高10个百分点以上,而且算法简洁有效,各次定位相对独立,具有较高的效率和较好的稳定性。     

利用TDOA方法实现单站机动无源定位

传统的到达时间差定位法（TDOA）一般需要至少一个探测站点和两个辅助站才能达到定位目的,而只用单站就能实现TDOA无源定位的理论尚未有人探讨.该文就本着这一思路探讨了在机动单站的情况下,如何利用TDOA方法实现精确的无源定位,并推导了已知定位舰具体信息情况下获取几何精度衰减因子（GDOP）的计算公式,根据推出的公式写出了获取GDOP的等高线图的计算机实现软件流程,并在计算机上根据相应数据进行了仿真.通过对获得的GDOP的等高线仿真图和数据的观察分析,得出了相应的结论,同时也提出了改善定位精度的建议.     

一种基于局部密度的网格排序聚类算法

针对复杂及带噪声的数据集的聚类问题, 提出了一种基于局部密度的网格排序策略(GSS-LD)并以其作为网格聚类的组织模式. GSS-LD一方面利用聚类的局部性质进行网格单元排序, 将基于网格的聚类问题转化为网格的排序问题;另一方面运用相对局部密度变化率的概念, 克服了传统网格聚类算法中全局性参数的局限性, 使其可以适应多密度数据集的聚类. 通过3组具有不同拓扑结构的数据集测试GSS-LD的聚类性能并同其它两种方法进行比较, 结果表明GSS-LD可以对复杂数据集进行有效聚类, 它的时间复杂度分别与数据规模及网格结构具有线性关系, 同时具有较强的噪声处理能力.     

毫米波雷达点云的密度和划分联合聚类方法

针对室内人员检测环境毫米波雷达点云数据特性，并考虑多目标点云密集复杂情况，提出一种毫米波雷达点云的密度和划分联合聚类方法。毫米波雷达点云数据具有稀疏、均匀性差的特征。首先采用基于 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）改进的参数自适应算法进行密度聚类，并对其存在的无限制密度扩张问题，通过决策树归类，对异常数据簇进行二次划分，保证了数据簇属性的单一性。试验结果表明，改进的密度聚类算法可自适应地寻找聚类过程中所需要的最佳参数并实现聚类，更适应毫米波雷达点云数据的特性，同时结合划分聚类对异常数据进行二次划分，使得聚类效果更加细腻和准确，实现了多目标密集情况下点云数据精准聚类划分的效果。     

基于动态网格的数据流聚类分析*

提出的增量式数据流聚类算法DGCDS结合网格和密度技术,能够得到任意形状的聚类,通过改进网格密度的计算方式,解决了现有网格算法中丢失数据空间影响信息的问题,并且实现了关键参数的自适应设置,减小了人工参数对聚类结果的影响。     

基于网格相对密度的多密度聚类算法

提出网格相对密度的概念和边界点提取技术,在此基础上给出了一种多密度聚类算法。该算法使用网格相对密度识别具有不同密度聚簇的相对高密度网格单元,聚类时从相对高密度网格单元开始逐步扩展生成聚簇。实验结果表明,算法能有效地识别不同形状、不同密度的聚簇并对噪声数据不敏感,具有聚类精度高等优点。