非均匀阵元噪声条件下的近场声源定位

针对常规定位方法在空间非均匀高斯噪声背景下近场声源定位性能下降的问题,基于平面阵建立了近场声源信号模型,推导了空间非均匀阵元噪声条件下求解声源方位和距离信息的最大似然定位方法,并使用连续空间蚁群优化算法,解决了该最大似然方法在多维参数空间搜索的高运算复杂度问题,通过仿真实验验证了该方法的可行性和有效性.仿真实验表明,该方法估计精度较高,在低信噪比下方位和距离均方误差都小于常规最大似然方法,并且在高信噪比条件下方位和距离的均方误差都逼近克拉美-罗界.     

阵元非均匀高斯噪声背景下近场声源定位方法

针对阵元非均匀高斯噪声背景下的近场声源定位问题,研究了最大似然定位方法,并给出克拉美-罗界(CRB),进而为了解决最大似然方法常规求解方法多维参数空间搜索的高运算复杂度问题,提出了基于对数似然函数的步进迭代方法(SML)和近似似然函数法(AML).仿真实验表明,SML方法经过较少的迭代即可收敛,SML方法和AML方法的估计精度较高,均方误差(MSE)在较高信噪比条件下逼近CRB.     

阵元非均匀高斯白噪声背景下的近场声源定位研究

为解决非均匀高斯白噪声背景下常规近场声源定位算法精度低的问题,提出一种基于噪声协方差矩阵估计的近场声源定位,预白化MUSIC算法,该方法首先从阵列输出数据中估计出噪声协方差矩阵,再利用估计出的噪声协方差矩阵预白化阵列协方差矩阵,从而提高常规算法的估计性能.仿真结果表明,在非均匀高斯白噪声背景下的近场声源定位中,预白化MUSIC算法定位性能高于常规MUSIC和Capon算法的估计性能.     

非一致噪声下的多阵列直接定位算法

针对实际无源定位系统中多个阵列分散分布以及单个阵列各阵元之间差异造成的噪声功率分布不均匀导致直接定位(DPD)算法精度下降的问题,提出了一种非一致高斯白噪声场中的多阵列最大似然DPD(UN-ML-DPD)算法,并推导出该条件下的克拉美罗界。首先计算各阵列输出协方差矩阵;再将计算结果传到数据处理中心;然后由数据中心通过迭代的方式同时对目标位置与非一致噪声功率进行最大似然联合估计,以收敛后得到的结果作为目标位置精确估计值,从而减弱了非一致噪声对DPD算法的影响;最后在多目标条件下用交替投影法降低算法复杂度。较之传统算法,UN-ML-DPD算法能够提高多阵列在低信噪比下的定位精度。仿真结果表明:UN-ML-DPD算法在-15dB的低信噪比下估计误差小于15km,与DPD算法相比定位精度提高15%以上;能较为准确地估计各阵列噪声协方差矩阵,在标准噪声功率小于30 W时估计误差小于3.5 W;在高信噪比下定位精度能够逼近克拉美罗下界。     

圆周阵被动定位和跟踪方法的研究

本文介绍了一种采用圆周阵对目标声源进行被动定位和跟踪的方法。与线阵不同，圆周阵可对目标进行全方位跟踪，且测距精度不受目标方位变化的影响。文中给出了圆周阵的测距、测向公式，并从理论上分析了测距性能，计算机仿真结果验证了理论分析的正确性。     

矢量传感器声源方位与噪声协方差阵联合估计

针对空域非均匀白噪声,通过矩阵变换估计噪声协方差矩阵,进而采用噪声预白化技术获取声源方位的最大似然估计,该方法避免了原最大似然算法加权参数选取的一维搜索过程,提高了算法效率;针对空域色噪声,利用噪声协方差矩阵的先验分布信息,结合噪声预白化技术,提出声源方位与噪声协方差矩阵迭代联合估计算法.仿真实验表明,空域非均匀白噪声背景下,与原最大似然估计方法相比,方位估计精度基本相同,但算法效率更高;空域色噪声背景下,与原最大似然估计方法相比,该方法提高了方位估计精度.     

联合时延与多普勒频率的直接定位改进算法

针对传统两步定位算法中测量参数不能保证与真实位置匹配,导致信息损失,产生定位误差的问题,提出了一种联合时延与多普勒频率的直接定位改进(IDPD)算法。首先采用高斯最大似然估计器,将从数据中提取目标位置信息的问题转化为求解包含发射源位置信息的厄尔米特矩阵的最大特征值问题;然后利用矩阵转置后特征值相同这一性质进行简化运算;最后通过二维地理网格搜索以获取发射源的位置估计。较之传统的直接定位(DPD)算法,IDPD算法对信号无要求,且利用极大特征值作为网格点的代价函数,抑制了噪声的影响,提高了定位精度。仿真结果表明,IDPD算法在低信噪比条件下对目标位置估计误差在102 m量级,与DPD算法相比,定位精度提高了30%以上,更加逼近克拉美罗下界。     

基于文化算法的蜂窝网定位技术研究

利用TDOA测量参数的蜂窝网无线定位技术一直是人们研究的热点,其中存在的非线性优化问题一直是研究的难点.而文化算法作为一种新型的智能算法在解决非线性优化问题方面有其独特的优势.为此,提出一种将Chan算法与文化算法相结合的算法.当接收端在空间随机分布时,利用该算法解决TDOA定位估计中遇到的非线性最优化问题.仿真结果表明,该算法性能稳定;与传统算法以及其他智能算法相比,定位精度较高,收敛速度较快.     

利用蒙特卡罗的最大似然时延估计算法

针对最大似然时延估计算法的峰值搜索计算复杂度较高且容易陷入局部收敛,造成估计误差较大的问题。提出了一种利用蒙特卡罗的最大似然时延估计(MCML)算法。首先利用信道频域响应估计矢量建立似然函数;然后把时延估计问题转化为求解随机变量的期望问题,将采用指数化似然函数构造的标准化概率密度函数趋近于冲激函数,使得随机变量的方差趋近于零;最后采用蒙特卡罗方法对随机变量进行抽样,从而利用抽样的均值估计出时延。较之传统方法,蒙特卡罗方法避免了网格搜索,降低了计算复杂度,保证了全局收敛性和估计精度。仿真结果表明:在信噪比0~25dB的条件下,MCML算法均能始终逼近克拉美罗界;当信噪比为25dB时,MCML算法的时延估计分布范围缩小为马尔科夫链蒙特卡罗算法的34%。     

多个正态总体均值与标准差比在简单树序约束下的最大似然估计

考虑k(k>3)个正态总体均值与标准差(均值和标准差均未知)之比在简单树序约束下最大似然估计的求解问题, 应用保序回归理论给出了计算均值和标准差最大似然估计的迭代算法, 并证明了所给迭代算法是收敛的, 给出了k=7时利用迭代算法的模拟结果.     

基于禁忌搜索的无线传感器网络多源定位研究

针对无线传感器网络多源定位容易陷入局部最优的情况,提出基于禁忌搜索的多源定位方法.通过测量多个声源发出的能量建立声音能量模型,估计出模型中的声音能量和声音位置等参数,然后使用8邻域3层格点的邻域产生方式,并合理选择禁忌表长度、初始解等禁忌算法的基本参数,有效避免了多源定位易陷入局部最优的情况.将禁忌搜索算法和多分辨率搜索算法、EM算法、AMR算法进行比较,仿真结果表明,禁忌搜索能够很好地避免局部最优,且定位精度高于其他几种算法,计算复杂度相对较低.     

近场源频率、二维到达角和距离的联合估计

文章基于四阶累积量提出了一种多个独立非高斯窄带近场源频率、二维到达角和距离的联合估计算法。该算法首先构造六个四阶累积量矩阵,由它们组成五个矩阵对,然后对五个矩阵对进行广义值分解并对广义特征值进行配对,由配对后的广义特征值求得中间参数,最后由中间参数解出各个近场源的参数。该算法无需任何搜索,而且只需五个阵元放置在固定的位置,对阵列的其它阵元并无要求。由于采用四阶累积量,所以该算法适用于任意高斯噪声环境。计算机仿真结果证实了该算法的有效性。     

无线传感器网络在气体源预估定位中的应用

基于气体污染源浓度衰减模型,分别采用极大似然预估算法(M LE)、非线性最小二乘算法(NLS)对气体污染源定位进行了研究。仿真实验对比了两种算法在不同的传感器节点以及背景噪声情况下对预估定位误差的影响。结果表明:当环境背景噪声较小时,NLS可以得到比M LE算法更精确的预估结果。当环境背景噪声较大时,M LE算法比NLS算法有着更强的鲁棒性。     

基于引力搜索算法的相干信号源DOA估计方法

针对最大似然(ML)DOA估计方法存在着运算量高且容易收敛到局部极值的问题。结合引力搜索算法(GSA)与最大似然方法,提出了一种GSA-ML方法。将最大似然函数作为GSA算法的适应度函数,在遵循ML方法的主体思想同时,利用GSA算法运算量低和收敛速度快的优点,成功地找到似然函数的全局最优解;并保存了ML方法的优点。仿真结果表明,GSAML方法不仅能有效估计相干信号源;并且相比MUSIC、ESPRIT和TLS-ESPRIT算法,拥有更高的精度和估计成功概率。     

蚁群算法在威布尔分布模型参数估计中的应用

针对威布尔分布模型参数的极大似然估计采用牛顿迭代法计算过程烦琐,粒子群算法求解过程中容易陷入早熟等问题,将蚁群算法引入到威布尔分布模型的参数估计中,提出了基于蚁群算法的威布尔分布模型参数估计,并与牛顿迭代法和粒子群算法进行对比,通过实例验证了该方法的可行性与有效性。     

基于三线交点球麦克风阵列的远场多声源定位

设计一种三线交点球麦克风阵列,利用该阵列进行球面声压采样,实现了基于平面波分解的三维空间远场多声源定位.声源定位对比实验结果表明,采用98元的三线交点球麦克风阵列进行远场多声源定位,可以提高声源定位的精度和空间分辨率,且对环境噪声具有良好的鲁棒性.     

基于异步卡尔曼滤波的移动机器人动态定位

针对室内移动机器人动态定位在网络盲区中失效的情况,提出一种根据机器人周围网络环境动态选择信标节点,完成自主定位的系统.利用扩展卡尔曼滤波后的RSSI完成测距,然后采用极大似然算法完成定位,再用异步卡尔曼算法修正定位误差.该算法成功地将经典卡尔曼滤波与其他定位算法相结合,对于定位算法的结果进行平滑和优化,修正和改进定位精度.尤其在网络盲区中,采用异步卡尔曼滤波获得最优数据.仿真实验表明该系统针对移动机器人自主动态定位具有精度高、适应性强、鲁棒性好等特点.     

最大似然估计在一元线性回归中的应用

最大似然估计是参数估计的常用方法。应用最大似然估计方法估计一元线性回归方程中的未知参数,与用最小二乘估计得到相同的结果,说明此方法的适用性。