基于交替迭代的压缩感知多目标定位算法

针对目前的多目标定位算法在定位精度等方面的不足,将交替迭代应用于压缩感知多目标定位方法。该方法首先利用压缩感知理论将传感器感知到的目标信号强度矩阵表示为测量矩阵与稀疏向量的乘积,将多目标定位问题转换为对稀疏信号的重构问题;然后运行传统压缩感知定位算法得到目标的粗略位置估计;最后通过交替迭代对定位结果不准确的目标进行精确定位。交替迭代过程中,采用菱形搜索寻找目标的精确位置。仿真结果表明:与传统的基于压缩感知的定位算法相比,该算法提高了不在网格中心的目标定位精度,改善了多目标间相互影响对定位干扰大的问题,具有较高的多目标定位精度。最后,以重庆某电力公司的室内运维巡检区域作为实验场所,将该方法应用于实际的巡检定位,取得了较好的室内定位结果。     

基于bounding-box与卡尔曼滤波的优化压缩感知算法的目标定位

针对无线传感器网络目标定位过程中存在的测量矩阵维数高、运算量大以及测量向量不准确的问题,文章提出一种优化压缩感知(compressive sensing, CS)定位算法。首先对传感器采集的接收信号强度值进行卡尔曼滤波保证压缩感知测量向量的准确性;然后引入bounding-box方法估计位置区域,缩小节点定位范围从而降低后一阶段压缩感知测量矩阵的维数;最后在节点估计区域进行压缩感知定位,并提出基于原子相关度阈值的回溯匹配追踪算法,通过原子相关度阈值控制对候选集原子进行二次筛选剔除低相关度原子,在支撑集中保留系数较大的原子,提升重建精度。实验结果表明,在信噪比为5 dB,目标数为8时,相较于传统的OMP算法、GMP算法、CoSaMP算法,所提优化定位算法的定位精度分别提升61.21%、51.53%和45.12%。     

基于奇异值分解的压缩感知定位算法

为了使观测字典满足约束等距性条件,保证算法的定位精度,提出一种基于奇异值分解的压缩感知定位算法。新算法首先将感知区域网格化,把定位问题转化为压缩感知问题,然后利用奇异值分解原理对观测字典进行分解,得到的新的观测字典有效地满足了约束等距性条件,且对观测值的预处理过程不影响原信号的稀疏性,从而有效地保证算法的重建性能,提升定位精度。仿真实验结果表明:相比于基于Orth的稀疏目标定位算法,基于SVD的压缩感知定位算法的定位性能更优,抗噪性、适应性更强,且算法复杂度低。     

基于子空间投影的SFGPR压缩感知成像算法

针对传统压缩感知SFGPR成像重建算法在强杂波测量环境中往往会失效的问题,提出一种基于子空间投影杂波抑制技术的SFGPR压缩感知成像重建算法.该算法首先在每个天线测量位置通过压缩感知测量模型重建所有的频域原始均匀采样数据,然后采用子空间投影杂波抑制技术滤除较强的地面回波,最后结合稀疏重建算法对地下目标图像进行压缩感知重建.实验数据处理结果验证了所提方法的有效性和准确性.     

基于KNN-SVM算法的室内定位系统设计

以室内的用户定位需求为应用背景,提高定位精度为目标,针对室内中复杂的环境,基于最近邻法(KNN)和支持向量机(SVM),提出了新的室内定位算法.先采用KNN去除训练样本中的奇异点,再采用支持向量机进行定位.与KNN法、朴素贝叶斯法、SVM回归法等室内定位算法比较,结果表明该定位算法有效提高了定位精度和定位速度.进一步提出了基于Android平台的室内定位系统的设计方案,采用Java语言编程实现了该系统,并进行了系统测试.实验数据表明:该室内定位系统的平均误差为1.7m,最大误差为4.9m,该系统在满足速度要求的前提下,有效提高了室内定位精度.     

改进的基于梯度投影的Gram观测矩阵优化算法

针对压缩感知中观测矩阵优化问题,在分析观测矩阵列向量间的独立性、观测矩阵与稀疏基间的相关性对重构信号质量影响的基础上,采用QR分解增强观测矩阵列向量的独立性,将QR分解与基于梯度投影的Gram观测矩阵优化算法相结合,提出了改进的基于梯度投影的Gram矩阵优化算法.该算法采用等角紧框架逼近Welch界,减小观测矩阵和稀疏基的相关性;采用梯度投影方法求解观测矩阵;再对观测矩阵进行QR分解,增大观测矩阵列向量之间的独立性.仿真实验表明:与基于梯度投影的Gram矩阵优化算法比较,本算法提高了重构信号的质量.     

基于位置指纹的室内定位算法研究

位置指纹定位技术因定位精度更高、更具可实施性等特点,成为了当前室内定位技术的主流方法.针对室内定位中环境复杂多变和存在噪声干扰等问题,采用卡尔曼滤波算法进行滤波处理,提升定位精度和算法稳定性;为了凸显卡尔曼滤波算法在定位算法中较好的去噪效果,同时采用最小二乘法和卡尔曼滤波算法估算目标节点坐标,从MATLAB仿真结果分析推断定位算法的真实性能以及引入卡尔曼滤波算法去噪处理后对于定位精度的影响.     

基于Newton-UKF的可见光通信列车定位优化

针对基于可见光通信-接收信号强度检测(VLC-RSSI)列车定位过程中存在的噪声、其他光源干扰及测距误差,提出以接收信号强度检测值为观测量的Newton-UKF(牛顿插值-无迹卡尔曼滤波)算法．首先,利用可见光通信-接收信号强度检测获得列车初始位置,建立列车运动模型及系统的状态与量测方程;然后,以接收信号强度检测值为观测量,采用无迹卡尔曼滤波优化列车定位结果,引入牛顿插值法重新估计具有粗大误差的接收信号强度测量数据;最后,以成都地铁1号线真实线路数据和设备信息为依据,通过实验验证所提列车定位优化算法的有效性．结果表明：与无迹卡尔曼滤波相比,Newton-UKF算法的平均定位误差为4.98 cm,能降低粗大测量值造成的误差,提升列车定位精度,定位性能提升66.42%．该方法可为基于通信的列车控制系统中的列车定位提供参考．     

基于压缩感知理论的频偏估计算法

针对基于交织子载波分配方式的OFDMA上行链路系统的频偏估计问题,提出了一种基于压缩传感理论的频偏估计算法.首先,利用频偏分布稀疏特性,构造出了一种具有稀疏结构的频偏估计模型;根据压缩感知理论,把OFDMA系统中频偏参数估计问题转化为凸优化问题并利用CVX求解最优稀疏向量;然后利用稀疏向量的非零元素位置有效地估计出系统中所有用户频偏信息.所提算法避免了子空间算法中特征值分解等复杂处理过程,从而更具有一定的实用性.仿真结果验证了所提算法的有效性.     

综合卡尔曼滤波的多传感器协同室外定位研究

为了拓展移动机器人应用场景、满足室外定位的高精度需求,提出一种基于综合卡尔曼滤波的协同室外定位算法,可解决室外复杂环境下独立传感器失灵、机器人实时定位漂移的问题.首先构建GPS和超宽频非线性定位系统模型,测试不同滤波算法对该模型的预测效果,分析对比解算速度和均方根误差,从而确定适合定位系统的最优算法;然后针对GPS信号受环境遮挡导致丢失或失准的情况,构建超宽频和惯性测量单元非线性定位补偿系统,利用基于误差的卡尔曼滤波算法预测机器人位置姿态;通过融合两种非线性系统下估计得到的不同状态向量,确定机器人室外真实位置姿态,进一步提高机器人室外定位精度,保证定位系统的稳定性.试验验证表明,本文算法室外定位误差小于10 cm,在GPS信号微弱的环境下能实时估计目标位置姿态,大幅度降低障碍物干扰的影响,准确预测机器人位置.     

基于RSS的WSN多目标定位压缩感知算法优化

提出了一种将压缩感知算法应用于WSN多目标定位的系统框架,采用残差最优匹配的方法对压缩感知重构算法进行了改进,提高了定位精度,提出了根据重构结果判断定位是否成功的算法框架,该框架能更大程度的减少需要网络通信的数据量,并改变了当前的压缩感知重构算法的结果评价对稀疏度K的依赖。本算法适用于通信条件恶劣的WSN场景,仿真结果显示了本算法应用于WSN多目标定位的性能优于BP、CosAMP、GMP算法。     

基于蚁群算法的支持向量机室内蓝牙标定定位

针对不同型号的智能手机之间存在硬件差异,导致在使用不同的智能手机进行室内定位时,采集同一蓝牙信号强度观测值存在偏差而影响定位精度的问题,提出了一种基于蚁群算法的支持向量机室内定位蓝牙标定方法.由于支持向量机参数的选取对其预测精度影响较大,因此利用蚁群算法避免人为盲目地选择支持向量机的参数,优化模型并提高预测精度.实验结果表明:基于蚁群算法的支持向量机室内定位蓝牙标定方法相比标定前的精度提高了37.3%,可以有效地进行室内定位.     

基于边缘提取与图像融合的压缩感知补偿算法

针对测量数据极稀疏情况下,某些压缩感知方法在多种类噪声干扰环境下进行图像传输存在重构效果模糊、图像细节欠佳的问题,提出1种基于图像边缘提取与融合技术的压缩感知补偿算法.首先,在发送端预提取图像边缘特征作为压缩感知测量值的重要补充,随后,在接收端进行边缘解码与压缩感知重构,最后,使用空间域方法实现2者融合.实验结果表明,该方法可以以较小的传输代价获得更加清晰、全面的图像细节特征,可增强原算法抵抗噪声、尤其是稀疏性噪声的能力,具有一定的应用价值.     

基于块目标的频率步进连续波探地雷达压缩感知重建算法

压缩感知理论对于解决频率步进连续波探地雷达信号处理过程中存在的采样速率高、存储数据量大、信号处理时间长等问题具有重要意义. 针对雷达探测中块目标物体在探测区域不满足稀疏性的问题,提出一种适合块目标的压缩感知重构模型.利用某些稀疏正交基对块目标进行稀疏化处理使其满足稀疏性,将字典矩阵与稀疏矩阵结合形成适用于块目标物体的新观测矩阵,再通过压缩感知凸优化算法求解稀疏化系数,最后把该系数通过稀疏变换得到块目标的反射系数.通过实验仿真验证该方法的可行性,与未稀疏化处理的压缩感知重构模型相比具有更高的精度和分辨率.     

基于压缩感知的室内定位系统的定位性能分析

随着Wi-Fi技术的普及,Wi-Fi室内定位技术也越来越受到关注。压缩感知(compressive sensing, CS)技术被提出应用于Wi-Fi室内定位,为了研究各类CS算法在室内定位系统中的定位性能,构建出一套基于CS算法的室内位置指纹定位系统。在离线阶段采集数据并构建指纹库,在在线定位阶段采用不同压缩感知算法比较各类算法的定位性能。实验结果表明,设备朝向包含多方向,参考点数据量越多时定位性能更优;CS的算法参数会影响定位性能;在设定的实验环境下,压缩感知中的分段弱正交匹配追踪(stage-wise weak orthogonal matching pursuit, SWOMP)算法的定位精度比K最近邻算法(k-nearest neighbor, KNN)优21.9%;在各类压缩感知算法中,正交匹配追踪(orthogonal matching pursuit, OMP)相较于其他CS算法表现较差,并且这种差距随参考点数据量的增多而愈加明显。     

一种非合作超宽带信道盲估计算法

为了解决非合作多通道室内通信环境中的超宽带信道先验信息难以获得、信道稀疏度弱的问题,提出了基于盲压缩感知的信道估计方法,以求进一步改善超宽带信道估计性能。盲压缩估计过程不依赖信道先验信息,采用稀疏编码与正交基更新交替迭代来获得稀疏矩阵和正交基;然后通过优化乘积得到重构信道,实现非合作超宽带系统信道估计。相对于传统方法,盲压缩感知理论提高了信道估计精度及模数转换速率,并且具有较好的抗噪声干扰能力。通过实验结果可知,该方法有效地克服了噪声干扰,降低了均方误差,在理想环境下,重构误差接近10~(-11)。     

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。     

基于子空间追踪的稀疏信号重构算法

信号重构算法是压缩感知理论中的重要环节,其优劣影响压缩感知的重构效果.基于子空间追踪算法,对经稀疏表示和测量矩阵压缩后的信号进行重构验证,理论分析和实验结果表明,子空间追踪算法能使信号在较高压缩比下保持良好的重构效果.     

采用时域测量矩阵的压缩感知稀疏信道估计方法

针对传统最小二乘和伪随机序列相关信道估计方法在稀疏信道应用时估计精度差的问题,提出一种采用时域测量矩阵的压缩感知稀疏信道估计方法.新方法首先将循环前缀单载波分块传输系统中的稀疏信道估计建模为一个典型的压缩感知问题,然后利用具有最优循环相关特性的伪随机序列优化构造确定性压缩感知测量矩阵,避免了使用随机测量矩阵造成的存储不便及估计性能差的问题,且提高了信道估计性能.基于准静态COST 207典型城市信道模型的仿真结果表明:该估计方法能够有效地降低稀疏信道的估计均方误差,在16 dB处的误码率可达2×10-5,而相同情况下最小二乘信道估计方法的误码率只能达到3×10-3.     

基于位置连续性的室内定位算法

为了减小RSSI波动和多径干扰对定位精度和稳定性的影响,提出了一种基于位置连续性的室内指纹定位改进算法.依据用户位置具有连续性的特点,应用室内布局结构来缩减指纹搜索空间,去除位置歧义点,在此基础上,采用基于改进的贝叶斯方法进一步提高定位计算的精度和稳定性.分析与实验表明,该算法能有效降低RSSI波动对定位的影响,提高精度,同时也降低了实时定位的计算开销.