基于层次聚类的WiFi室内位置指纹定位算法

提出一种利用WiFi信号指纹实现对室内区域进行定位的CL-KNN(complete linkage K-nearest neighbor)算法.该算法先采用层次聚类方法对测试环境进行区域划分,再根据相应的WiFi信号指纹信息进行匹配,最后通过加权计算确定定位结果.实验结果表明,在WiFi热点数量足够多的情况下,与原始KNN算法和kmeans-KNN算法相比,CL-KNN算法可以获得更高的定位精度和准确率.     

一种强背景噪声下的WSN目标定位算法

为了进一步提高无线传感器网络(WSN)目标定位解算精度,提出了一种改进的Cubature粒子滤波(ICPF)定位算法.该算法运用最小二乘法估计移动目标当前初始时刻的位置,使用Cubature卡尔曼滤波和Gauss-Newton迭代法来充分利用测量更新后的状态最新信息,精确设计目标状态重要性密度函数,为粒子滤波提供相应的建议分布,从而能够更加有效改善粒子滤波器的性能.仿真实验结果证明,提出的改进算法在强背景噪声下能有效提高定位精度且收敛性增强,其性能优于标准粒子滤波(PF)、扩展粒子滤波(EPF)及Unscented粒子滤波定位算法(UPF).      

一种关于地标辅助行人航位推算技术的改进室内定位方法

近年来,基于智能手机的行人航位推算技术(pedestrian dead reckoning , PDR)、Wi-Fi以及多种融合室内定位技术得到了较快发展,与此同时,其存在对定位环境要求较高,定位结果偏差较大等缺点。为解决这一问题,我们在传统PDR基础上提出了一种结合地标库匹配的改进室内定位方法——地标辅助PDR定位算法(Landmark-aided PDR algorithm, LaPDR)。首先,将在传感器实时数据上识别出的特定地理位置(如墙,门,拐角,Wi-Fi接入点等)当做地标。然后,针对实验环境建立相应的地标库,目的是纠正传统PDR定位算法由于传感器安装精度较低及定位时间过长而产生的漂移。实验结果表明与传统PDR相比,地标辅助PDR定位精度明显提高,系统定位误差基本控制在1.5 m以内。     

基于差分进化改进粒子滤波的多径估计算法

多径干扰因具有位置上的不相关性、不确定性等特点,不能通过差分技术来消除,成为高精度定位的主要误差源之一。因此,估计多径参数对抑制多径误差、提高导航系统的定位精度具有重要意义。本文将多径估计问题转化为状态空间模型下的参数估计问题,并利用粒子滤波(PF)进行多径估计。同时,为了克服标准PF存在粒子枯竭、导致估计结果可能收敛到错误值的问题,提出了基于差分进化改进粒子滤波(DEPF)的多径估计算法,该算法利用差分进化(DE)算法代替PF的重采样来产生新粒子,使新粒子朝着状态真实后验概率密度分布的方向移动,避免了重采样后粒子可能收敛到局部最优值的问题。仿真结果表明,在非高斯噪声下与基于PF和EKF的多径估计算法相比,本文算法具有更好的多径估计性能。     

GPS/BDS组合系统中粒子滤波算法

为了解决传统单一卫星导航系统存在的可靠性低和定位精度差等问题,在分析单系统导航定位原理及GPS/BDS组合导航定位解算的基础上,引入标准粒子滤波（PF）算法和高斯粒子滤波（GHPF）算法对组合系统进行定位解算,并对不同滤波算法做出了比较和分析。仿真结果表明,粒子滤波的滤波效果优于扩展卡尔曼滤波算法。     

基于IMMPF对异型空间的室内定位算法研究

针对非视距(NLOS)传播环境的室内定位技术存在受到墙体等物体遮挡干扰,易造成无线定位精度不高、误差偏大等问题,本文提出改进的交互多模型粒子滤波(IMMPF)室内定位技术。该方法对于室内运动目标模型与噪声进行建模,并且在交互多模型(IMM)中对粒子滤波(PF)进行实时更新混合信道参数,同时对于NLOS及其LOS混合信道进行参数估计,减少了非视距测量定位误差对定位结果的影响。本文以“L”型空间为例进行定位仿真,实验结果表明:基于改进交互多模型粒子滤波技术,其室内定位的性能优于传统的粒子滤波算法。     

基于遗传算法的改进粒子滤波算法

针对粒子数量和质量对粒子滤波(Particle Filter,PF)的退化问题具有重要影响,从大量采样粒子中采用遗传算法(Genetic Algorithm,GA)获得采样重要性重采样粒子滤波（Sampling Importance Resampling Particle Filter,SIRPF）的初始粒子,改善初始粒子质量,并保证其随机性和统计性.在车辆定位仿真中,采用定位精度、滤波发散次数和计算时间为指标对改进的遗传 粒子滤波算法GA SIRPF和传统SIRPF进行比较.结果表明,GA改进了初始粒子质量,减少了粒子退化可能性,提高了系统定位精度.     

基于位置指纹的WiFi室内定位算法研究

本文主要探讨分析基于位置指纹的WiFi室内定位算法,该算法主要是通过层次聚类方式划分测试环境区域,再匹配对应的WiFi信号指纹信息,之后利用加权计算确定定位位置。按照此次研究结果显示,在充足的WiFi热点数量之下,对比分析k-means-KNN算法以及原始KNN算法,位置指纹室内定位算法在地位给精准度以及准确率方面表现良好,此外,还分析加权最近邻算法和最近邻算法等相关内容,希望可以为位置指纹的WiFi室内定位算法研究提供参考性价值。     

多传感器融合的手机室内三维定位试验

以智能手机为用户端平台,利用行人航迹推算(pedestrian dead reckoning,PDR)改进算法和气压测高原理设计了三维多传感器融合定位的扩展卡尔曼滤波器,基于Android操作系统开发了手机传感器融合的室内三维定位程序。最后,利用中国矿业大学室内外无缝定位试验场进行了定位算法性能评估。结果表明,三维融合定位方法能有效抑制漂移误差,定位精度和可靠性能够满足室内应用环境的要求,且定位精度优于WiFi方法和常规PDR方法。     

无人机视角下的特征匹配引导粒子滤波跟踪算法

粒子滤波(particle filter, PF)算法被广泛应用于视觉目标的跟踪,然而,在无人机视角下,摄像机与画面中的目标同时运动,导致了PF对目标运动状态的预测失效.针对此问题,提出一种面向无人机视角下的改进的粒子滤波跟踪算法——特征匹配引导的粒子滤波跟踪算法.首先,利用相邻两帧图像中目标物体尺度不变特征变换(scale invariant feature transform, SIFT)特征匹配的结果作为初次定位;然后,利用空间加权的HOG特征与PF相结合获取二次定位结果;最后,利用chamfer distance修正跟踪结果的SIFT特征点作为下一帧特征匹配的模板,从而循环产生准确的视频跟踪结果.比较试验表明,该算法有效地改善了传统PF跟踪算法在无人机视角下运动状态预测方程失效的问题,能够较准确地对运动目标进行跟踪.     

基于改进粒子滤波的超宽带与惯性测量单元融合定位算法

为了提高UWB与IMU融合定位算法的定位精度,提出了一种基于改进自适应加权数据融合的粒子滤波定位算法。首先利用自适应最优加权融合算法中最小方差估计理论,对粒子滤波中粒子分布权重进行调整;利用阈值限制所求观测方差,避免了因实际环境导致观测方差发散;利用观测噪声协方差和测量值,在粒子滤波后RMSE限制区间求得各传感器最优加权因子,避免因传感器信号弱或丢失产生的算法发散问题。最后,进行了UWB与IMU融合定位的对比实验,实验结果显示该算法与EKF融合算法相比定位精度提高了15%以上。     

基于2.4与5GHz信号的WiFi指纹定位算法研究

为了减小2.4 GHz信号强度波动对无线定位的影响,在保证定位范围的前提下提高定位精度,通过分析2.4 GHz和5 GHz信号的传播特点,构建了基于2.4 GHz与5 GHz信号的WiFi指纹定位算法,该算法以加权平均的方式同时考虑2.4GHz与5 GHz信号.以深圳大学土木工程学院院馆作为实验场景,对算法进行了验证.实验结果表明,将2.4 GHz与5 GHz信号强度的方差倒数作为两者的稳定性系数是有效的;本定位算法比传统算法在定位精度和稳定性两个方面都有提高.     

矿山井下超宽带无线定位算法研究

针对矿山井下环境复杂,存在非视距(NLOS)传播以及多径现象,以及对人员和设备的定位精度要求高等现象,而传统的基于距离的无线传感网络定位技术,如RFID射频识别技术、WiFi定位技术等存在传输距离短、抗多径效应差、定位精度低等问题。在对现有的矿山井下目标定位技术系统分析的基础上,提出了一种基于超宽带技术的矿山井下联合无线定位方法。在发射与接收台之间采用超宽带UWB技术,采用粒子滤波算法进行位置估计,并用TDOA/RSS联合技术获得的观测信号对位置进行修正。实验结果表明,与传统单一的井下定位技术相比,基于粒子滤波的TDOA/RSS联合定位技术降低了多径和NLOS对井下目标定位精度的影响,提高了井下定位精度。本联合技术在具有更低成本、易实现的情况下,能够达到更高的定位精度。     

激光雷达和行人航迹推算融合的室内目标定位方法

激光雷达(LiDAR)在室内定位中具有抗干扰能力强,速度、角和距离分辨率高等优点,但在定位过程中其精度易受环境因素干扰影响。本文提出一种LiDAR和PDR融合的室内定位方法,以扩展卡尔曼滤波(EKF)为基础,通过对LiDAR的位移增量、角度观测值以及PDR的位姿信息等量测值进行解算,令二者互补融合,有效抑制非视距影响和误差累积的问题,并对单一类组合算法和融合类组合算法的定位精度进行对比分析。实验结果表明：当室内人员为行走状态时,LiDAR和PDR融合定位算法较单一定位方法在精度和稳定性均有效提高,PDR定位误差为0.98m,LiDAR定位误差为0.6m,EKF滤波融合后定位误差可以下降到0.32m。     

基于WiFi指纹的高精度室内定位融合算法

针对室内环境中指纹定位接收信号强度信息的高维时变特性以及动态目标定位误差的累积问题,提出了一种基于梯度提升决策树与粒子滤波相结合的融合算法。该算法首先利用梯度提升决策树算法建立的位置坐标与接收信号强度之间的非线性映射模型,对在线接收的信号强度数据进行特征分类判别,实现位置的初步估计;随着目标的运动,进一步结合粒子滤波方法,迭代地实现动态目标位置的精确预测;另外,将定位轨迹与实际轨迹进行对比,以验证该算法的稳定性。实验仿真结果表明:累积分布函数在80%的百分位处,提出算法的定位精度控制在1.19 m以内,明显优于基于支持向量机、随机森林等定位算法;同时较基于梯度提升决策树算法的定位精度提升了34.9%;所获得的定位轨迹与实际轨迹的趋势一致且趋于收敛。     

基于智能手机传感器的林区行人定位算法

针对林区卫星信号缺失、跟踪定位困难的问题,提出了基于智能手机传感器的林区行人定位算法(forest-pedestrian location,FPL)。算法在行人航位推算算法(pedestrian dead reckoning,PDR)基础上进行改进：采用扩展卡尔曼滤波(extended Kalman filter, EKF)与卡尔曼滤波(Kalman filter, KF)融合算法对磁力计、加速度计及陀螺仪输出进行多次融合,以提高方位角测量精度;随后,使用Savitzky-Golay(S-G)滤波处理方位角测量值,以提高PDR算法中方位角的估计精度;引入K邻近(K-nearest neighbor, KNN)算法估计步长,将拟合显式步长函数问题转化为“懒惰学习”问题;使用差分气压测高法求解行人高程信息,从而获取行人在林区内的3维定位信息。实验结果表明,该算法可以提高方位角及步长的估计精度,同时可以增加精准的高程定位信息,整体误差控制在5%以内,可以满足林区无信号条件下的定位需求。     

基于优化组合重采样的粒子滤波算法

重采样过程的引入,消除了粒子滤波(PF)过程中的粒子匮乏现象,使PF方法迅速地在多个领域内得到应用,但重采样过程却削弱了粒子的多样性,从而导致滤波性能下降,甚至滤波发散.提出了一种基于优化组合的重采样方法,通过选取粒子和被抛弃粒子的适当线性组合而产生新的粒子,增加了粒子多样性,从而提高PF算法的精度.仿真结果表明,步长系数为零时,该算法等价于基本的PF算法;步长系数很大时,该算法不能收敛;在适当选择步长系数的情况下,该算法的滤波性能高于基本的PF算法.介绍了该重采样算法,仿真结果证明了该算法的有效性.     

基于动态环境自适应WiFi室内定位系统设计

针对室内动态环境中WiFi定位精度低等问题,提出了一种基于位置指纹的自适应定位方案.通过采集参考点处的AP信号强度和终端朝向信息,构建出参考点的位置指纹,再提取待测点位置指纹中的朝向信息,经由KNN算法进行指纹匹配,从而完成预计定位.实验测试表明,方案可有效避免了由于用户手持终端方向及身体遮挡等因素对RSS值的影响.     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

基于UPF算法的车辆GPS/DR组合导航研究

车辆GPS/DR组合导航系统是非线性系统。采用扩展卡尔曼滤波(EKF)对其进行状态估计时,系统线性化过程将导致较大的滤波误差。为了获得更好的估计性能,将一类改进的粒子滤波方法 (UPF),即以无位卡尔曼滤波(UKF)为建议密度的粒子滤波方法(PF)应用于车辆GPS/DR组合导航系统中,避免了EKF方法的线性化近似过程,提高载体的定位精度。为验证该方法的有效性,将其与EKF分别用于GPS/DR组合导航系统的滤波仿真。仿真结果表明:UPF能减小导航定位误差,滤波性能明显优于EKF。