基于快速部署的室内多楼层定位算法研究

传统的GPS系统在室内由于墙和障碍物的阻隔无法很好地生效,因此需要完善的室内定位系统,弥补定位领域最后100m的不足。然而当前国内外的主流算法大多是基于水平方向的室内定位,有关垂直方向定位方法的研究较少。为此,提出一种基于快速部署的室内多楼层定位算法,实现在大楼内精确的纵向多楼层定位和设备的实时、按需部署。该算法的核心是多楼层差分算法,通过接收来自不同楼层信号,加以差分计算差值的分布来区分楼层。仿真实验结果表明,该算法能够精确地定位楼层。     

一种基于卡尔曼滤波的超宽带室内定位算法

为了减小室内环境中障碍物对超宽带(UWB)传感器测距结果的影响,提出了一种基于卡尔曼滤波(KF)的超宽带室内定位算法.利用超宽带接收信号的信噪比区分视距和非视距环境,给出了超宽带传感器测距性能最小二乘标定模型,减小测距系统误差;判断相邻测距差分是否在阈值范围内,否则用卡尔曼滤波先验估计替代后验估计处理测距结果,由此减弱多径效应和非视距误差对测距的影响;用扩展卡尔曼滤波器(EKF)实现室内定位.实验结果表明:算法在复杂室内环境中可达到亚米级的动态实时定位精度.     

基于EKF算法的无线传感器网络定位求精研究

无线传感器网络中,基于RSSI测距技术的定位系统误差较大。本文对扩展卡尔曼滤波（EKF）算法在抑制测距误差和提高定位精度方面进行了深入的研究。同时本文根据EKF算法在WSN节点定位中的两种应用方式,以收敛概率和精度为指标,在各种拓扑条件下对节点定位求精过程进行了分类探讨。最后结合仿真阐述了EKF算法的适用范围,并分析了影响算法性能的因素。     

基于EKF算法的无线传感器网络定位技术研究

无线传感器网络中,基于RSSI测距技术的定位系统误差较大。对扩展卡尔曼滤波(EKF)算法在抑制测距误差和提高定位精度方面进行了深入的研究。同时根据EKF算法在WSN节点定位中的两种应用方式,以收敛概率和相对误差为指标,在各种拓扑条件下对提高节点定位精度进行了分类探讨。最后结合仿真阐述了EKF算法的适用范围,并分析了影响算法性能的因素。     

基于超宽带室内定位联合算法的研究

针对超宽带室内定位系统中的测量误差较大问题,提出了一种基于双路飞行时间测距方法来减小时钟偏移误差的解决方案。本方案针对静态和动态的待测节点的运动特性,通过对待测节点的运动状态检测,提出了一种联合算法,其中,静态定位采用了最小二乘估算法来得出节点坐标,并通过MATLAB仿真显示该节点坐标位置;对于动态跟踪问题,由于物体遮挡和运动轨迹等因素导致最小二乘法无法准确估计节点位置,针对这一问题,利用扩展卡尔曼滤波算法跟踪预测待测节点位置,从而改善定位效果。仿真结果表明,静态定位误差可以控制在6%以内,对比静态定位采样,动态跟踪算法精度提高了20%。实验证明,该算法可靠有效,满足室内定位的基本需求。     

基于改进PDR与RSSI融合的定位算法

在室内定位系统中,基于接收信号强度指示(RSSI)测距定位系统接收到的信号会因环境的不确定性出现不可预测的随机变化,行人航位推算(PDR)定位系统存在错误地估计传感器的参数及左右脚运动不一致等产生累积误差的问题。针对上述问题,提出一种基于改进PDR与RDDI融合的定位算法,根据PDR定位的递归特性校正估计传感器的参数,同时进行左右脚坐标数据融合。在此基础上将扩展卡尔曼滤波器(EKF)作为RDDI和PDR定位的融合滤波器,以降低PDR累计误差,从而提高定位精度,获得系统的最优定位结果。实验结果表明,该融合定位算法有效地提高了定位精度。     

基于贝叶斯网络的分层网络故障诊断

本文以SNMP网络管理模型的管理信息库（MIB）为基础,在不同层次上构建了用于故障判别与定位的贝叶斯网络。对MIB变量采用自适应自回归（AAR）模型建模分析,构建与其相关协议之间的贝叶斯网络,推断协议功能是否发生异常。分析各个协议之间的功能依赖关系,构建协议间的贝叶斯网络,定位协议间的故障根源。考虑网络中故障传播构建了基于网络拓扑的贝叶斯网,定位故障根源节点。最后,对构建的模型进行了实验仿真,并分析了模型的优点和缺点。     

基于贝叶斯征兆解释度的链路故障定位算法

针对故障和征兆关系不确定的网络中故障定位算法检测率低和误检率高的缺陷,提出了一种基于贝叶斯征兆解释度的链路故障定位算法。该算法以概率加权的二分图作为故障传播模型,通过处理贝叶斯后验概率信息,定义一种新的参数贝叶斯征兆解释度,并基于该参数对可能链路故障进行判断,得出最优故障假设集合,实现链路故障定位。理论分析和仿真实验表明,该算法具有较低的计算复杂度,且在小规模不确定网络中具有较高的故障检测率和较低的故障误检率。     

基于PDR和地磁匹配融合的楼层定位方法

针对室内楼层定位的实际应用需求,提出了一种基于PDR/地磁匹配融合的楼层三维定位方法。不同于传统的定位整层位置,该算法主要研究了楼层间楼梯部分的行人定位方法,行人可利用手机等设备获取加速度、陀螺仪、气压计以及地磁数据,通过对加速度、气压值分析识别上下楼状态,根据楼梯角度和阶梯高度进而获得位置高度信息,由于行人航位推算 (PDR)方法存在累积误差的问题,通过获得的地磁数据构建地磁基准图,并融合粒子滤波的方法修正PDR累积误差以达到获得运动轨迹的目的。通过实验数据分析,该算法能有效获取行人楼梯位置,精度优于1m,满足室内楼层三维定位的基本需求。     

基于贝叶斯估计法的传感器目标定位研究

无线传感器网络是一种全新的信息获取和处理技术．在各个领域应用越来越广。介绍了如何运用贝叶斯法建立数据融合模型，融合传感器节点采集到的数据来计算目标的位置和速度。     

基于误差预测的自适应UWB/PDR融合定位算法

为了解决在室内非视距(NLOS)定位场景中超宽带(UWB)技术性能不佳、航位推算(PDR)算法累积误差过大的问题，以及由环境因素引起的UWB性能下降的问题，提出了一种基于UWB误差预测而自适应系数调节的UWB/PDR融合定位算法。该算法创新地提出了利用支持向量机(SVM)回归模型对复杂环境中UWB定位误差进行预测，并以此为基础，为常规的扩展卡尔曼滤波(EKF)算法添加了自适应调节系数，以提高UWB/PDR的融合定位效果。实验结果表明，所提算法在复杂UWB环境中可以有效预测当前UWB定位误差水平，并通过自适应调整融合系数提高精度，使得较常规EKF算法在一般区域的定位误差降低了18.2%，在UWB精度较差的区域中的定位误差降低了48.7%，从而减小了环境对UWB性能的影响；在包含UWB的视距内(LOS)及NLOS的复杂场景中，通过融合定位算法，将定位每百米误差由米级降低至分米级，解决了NLOS场景中PDR 误差过大的问题。     

一种改进的FastSLAM算法

同时定位与建图是移动机器人实现真正自治的必要前提,FastSLAM作为一种成功的SLAM方法受到研究者的广泛青睐,FastSLAM将SLAM问题分为一个定位问题和一个建图问题,其中用扩展卡尔曼滤波器（EKF）实现地图陆标的估计与更新,提出了一种改进的FastSLAM方法,用UKF滤波器代替EKF实现FastSLAM中的陆标估计,使得陆标的估计精度提高,该方法同时具有UKF滤波器无需求解观测模型的雅克比矩阵的优点。     

基于RBF神经网络辅助的自适应UKF算法研究

卡尔曼滤波能在测量噪声干扰下对系统状态进行无偏估计。但无论是扩展卡尔曼滤波（EKF）算法,还是无轨迹卡尔曼滤波（UKF）算法,都无法避免滤波发散现象。给出利用径向基函数(RBF)神经网络的自适应调整能力来对卡尔曼滤波输出进行校正,从而避免输出发散的算法。计算机模拟和实际应用表明,基于RBFNN的卡尔曼滤波算法可以有效防止输出发散。     

基于反向传播神经网络改进的增益修改卡尔曼滤波算法

增益修改的卡尔曼滤波(MGEKF)算法在实际应用时,一般使用带有误差的测量值代替真实值进行增益修正计算,导致修正结果也被误差污染。针对这一问题,提出一种基于反向传播神经网络(BPNN)改进的MGEKF算法,该算法使用训练后的神经网络代替MGEKF的增益修正函数。该算法在网络训练阶段,以实际测量值作为神经网络的输入,真实值修正后的结果作为训练目标;在实际应用中,使用网络的输出修正卡尔曼增益。针对移动单站只测向目标定位问题进行了实验,实验结果表明:该算法与扩展卡尔曼滤波(EKF)、MGEKF、平滑增益修改的卡尔曼滤波(sMGEKF)算法相比:定位精度至少提升10%,并且有更强的稳定性。     

基于智能手机的地磁/WiFi/PDR的室内定位算法

针对地磁指纹在室内定位中存在重复性,以及行人航迹推算（PDR）累积误差明显的问题,提出了一种基于智能手机的多传感器融合定位方法。该方法首先通过WiFi和随机采样一致性（RANSAC）算法拟合路径,确定初始位置;然后利用手机中的加速度计进行步长估计,利用陀螺仪进行转向检测;最后通过地图约束的自适应粒子滤波（PF）算法以地磁场修正PDR的定位结果。仿真结果表明,该方法能够有效克服PDR的累积误差以及地磁值不唯一的缺陷,提高室内定位精度、减少能耗。     

基于扩展卡尔曼滤波的船舶横向运动扰动估计

建立了船舶横向运动状态方程和测量方程,利用扩展卡尔曼滤波方法对海浪扰动下的船舶横向运动的扰动力和力矩作出估计。仿真结果表明,扩展卡尔曼滤波法比有色卡尔曼滤波法估计效果更优。     

基于参数调整的动态模糊神经网络算法

模糊逻辑与神经网络结合形成的模糊神经网络同时具有易于表达人类知识、存储与学习分布信息的优点,基于此,提出一种基于参数调整的动态模糊神经网络算法。采用扩展卡尔曼滤波器法将全局算法划分为线性和非线性部分,线性参数由最小二乘法和滤波器法决定,非线性参数由训练样本和启发式法直接决定,线性和非线性参数可进行实时更新。仿真结果表明,该算法能保证更简洁的结构和更短的学习时间。