蜂窝网无线定位技术中非视距（NLOS）误差的鉴别及其抑制

由于无线网络环境中客观存在非视距（NLOS）误差，采用传统的定位方式会对移动台位置的定位造成很大的误差。通过对NLOS误差产生的原因及特点的分析，找出了鉴别NLOS误差及其抑制NLOS的方法——无约束条件的非线性加权最小二乘算法，减少了NLOS对定位精度的影响，从而提高了无线定位技术的准确度。     

蜂窝网无线定位技术中非视距（NLOS）误差的鉴别及其抑制

由于无线网络环境中客观存在非视距（NLOS）误差，采用传统的定位方式会对移动台位置的定位造成很大 的误差。通过对NLOS误差产生的原因及特点的分析，找出了鉴别NLOS误差及其抑制NLOS的方法---无约束 条件的非线性加权最小二乘算法，减少了NLOS对定位精度的影响，从而提高了无线定位技术的准确度。     

非视线传播环境下基于TOA的综合无线定位算法

针对精确无线移动定位系统中影响定位精度的非视线(NLOS)传播误差问题,在简要分析几种最新NLOS误差消除算法的基础上,提出了一种新的基于信号到达时间(TOA)的综合位置确定算法.该算法首先通过残差排序筛选找出距离测量集合中具有最小残差平方和的伪距测量子集合,达到初步消除NLOS误差的目的;然后采用一种简化的伪距尺度约束算法优化伪距尺度因子,从而得到较准确的距离测量值,以进一步提高定位精度.仿真结果表明这种新方法比线性位置线算法和泰勒级数展开最小二乘位置估计算法性能优越,在一定程度上提高了无线定位的准确度.     

削减NLOS误差的UWB室内定位算法

为了解决非视距（non-line of sight，NLOS）环境下超宽带（ultra-wideband，UWB）室内定位精度低的问题，提出一种基于到达时间差（time difference of arrival，TDOA）的UWB室内定位算法来削减NLOS误差，提高定位精度。利用卡尔曼滤波算法，初次估计移动标签节点与各锚节点间的TDOA值；基于TDOA差值进行NLOS误差判别，依据判别结果对受NLOS误差影响的测量值进行视距（line of sight，LOS）重构，并利用仅受LOS误差影响的历史值更新卡尔曼滤波的协方差阵；利用Chan-Taylor算法进行迭代计算，得到最终精确的定位结果。实验结果表明，在LOS环境下，提出的算法能达到分米级的定位精度；在受NLOS影响的环境下，该算法能有效提高定位精度，减小定位误差，具有更好的稳定性。     

WLAN无线定位中NLOS误差排序与抑制的研究

提出在WLAN中使用TDOA定位方法的Chan算法对移动终端进行位置估计,然后对位置估计结果使用残差加权算法进行NLOS误差抑制。通过仿真证明,尽可能选择不受NLOS影响的时间测量值参与Chan算法和残差加权算法,通常能以较小的计算代价取得相对理想的定位精度。并在数学理论上证明了可将Wylie方法用于NLOS误差排序,以挑选出合适的时间测量值。     

一种基于直推式回归的移动跟踪算法

移动定位问题受到业界,学术界的广泛关注。多径、多址干扰和非视距（NLOS）问题是影响定位精度的主要问题,尤其是NLOS问题。为了提高定位精度,有效地降低NLOS误差,将定位嵌入到机器学习框架内,本文提出了一种基于直推式回归的移动跟踪算法,此算法分两步来实现,首先使用基于直推式回归的定位方法得到节点位置的最初估计。然后基于博弈论实现节点的位置跟踪,从而降低位置跟踪误差。实验表明此方法能有效地降低NLOS误差,提高定位的精度。     

基于误差修正的混合无线移动定位算法

为了提高无线移动定位精度,提出一种基于最小二乘支持向量机修改误差的TDOA-AOA定位算法。该方法首先通过非线性学习能力强的最小二乘支持向量机对测量误差和NLOS误差进行修正,然后利用TDOA-AOA算法对移动端点位置进行估计,最后通过仿真实验测试LSSVM-TDOA-AOA的定位性能。仿真结果表明,LSSVM-TDOA-AOA提高了移动端点位置估计精度,定位误差明显低于对比算法,可以较好地满足实际无线移动通信定位要求。     

基于误差先验知识的NLOS移动节点定位算法

针对实际应用环境中存在阻挡节点间通信的障碍物,使节点间的通信变成非视距(NLOS)类型的问题,提出一种基于误差先验知识引导的NLOS移动节点定位(NSES)算法.该算法首先根据误差先验知识,判断并计算出带有误差的NLOS测量值个数在总个数中的百分数K;然后根据K选出误差较大的测量值;最后对误差较大的NLOS测量值进行校正操作.仿真实验结果表明,该算法较传统移动节点定位算法能有效降低NLOS误差,提高节点定位精度.     

一种新的基于WCDMA系统的基站选择定位算法

非视距（NLOS）是影响各种蜂窝网络定位精度的主要原因．提出了一种新的基站选择定位算法，算法基于到达时间差（TD（）A）计算距离．首先利用NLOS环境下距离测量样本的标准差大于LOS环境下的标准差这一前提，判断测量样本中是否含有NLOS误差．然后从测量值中选出含有NLOS误差最小的2个基站，将其重构出LOS测量值，再采用3基站算法进行定位计算．仿真表明，该算法比其他算法在定位精度方面有明显的提高．     

基于样本均值和中位值的粒子群优化定位算法

针对室内LOS/NLOS混合环境,提出基于假设检验的方法确定NLOS状态,并采用具有收缩因子的粒子群优化算法进行定位.在采样值存在异常情况时,样本中位值性能优于样本均值.因此,在LOS和NLOS状态下,分别采用样本均值和样本中位值建立最小平方误差代价函数.为了增强算法的全局和局部搜索能力,在粒子群优化算法的基础上引入收缩因子.仿真实验表明,在NLOS遮挡比较严重的情况下,所提出的基于样本均值和样本中位值改进的粒子群优化定位算法较只采用样本均值改进的粒子群优化算法和一般的粒子群优化算法定位精度高.