W-CDMA中基于TDOA的无线定位技术研究

随着移动通信的发展,利用无线蜂窝通信定位的需求日益迫切。尤其是美国联邦通信委员会(FCC)E-911条例中有关定位要求,对利用无线蜂窝通信定位技术的研究起了很大的推动作用。提出了一种基于TDOA的实际可行的定位实现方案和算法。该算法实用性强,对传统定位方法进行了改进和补充。该实现方案的另一优点是不需要各基站同步。给出了利用该实现方案和算法在W-CDMA环境下的仿真结果和性能分析。     

移动通信信号到达时间差定位的估计

到达时间差(TimeDifferenceofArrival,TDOA)位置估计是无线定位的一项关键技术.首先介绍了TDOA定位估计原理,阐述了基站任意分布时(以三基站为例)的二维定位估计,以及在特殊情况下,即基站线性分布时的定位估计.最后,对三基站TDOA定位估计及其定位精度进行了仿真,为第三代移动通信无线定位系统的研究和开发提供了理论基础.     

一种新的非视距环境下移动台定位算法

非视距传播已经成为制约蜂窝网络定位的主要障碍。为了抑制和减少非视距传播引起的位置估计误差,提出了一种稳健估计的移动台定位算法———基于最大似然估计的位置估计算法,不需要先验NLOS误差统计特性和时序测量等前提条件,抑制NLOS误差的影响。通过跟传统的最小-均方算法(ordinaryleastsquare)比较,仿真结果表明这种算法有效地提高了在非视距环境下的定位精度。     

利用GDOP对蜂窝移动通信系统移动台定位的方法

针对基于网络的到达时间 (TOA)定位系统 ,分析了定位误差与移动台 (MS)位置及参数测量误差的关系 ,结合实际中能同时接收到移动台信号的基站 (BS)数有限、定位误差对移动台位置敏感的特点 ,提出了直接用解析法计算所有位置线的交点 ,然后用几何淡化因子 (GDOP)及参数测量误差的均方差对交点进行加权平均来估计移动台位置的方法。该方法同时考虑了参数误差与几何淡化因子对定位精度的影响 ,不需要矩阵求逆 ,运算量小 ,速度快。适用于存在直达波 (LOS)信号的蜂窝通信环境。     

基于SOM的WSN节点定位算法与仿真实现

结合自组织神经网络（Self Organizing Maps,SOM）算法无监督学习特征和WSN自组织特点,提出了一种分布式的基于自组织神经网络的节点定位算法（Distributed Self-Organizing-Map and Received Signal Strength Indication,DSOM-RSSI）。DSOM-RSSI使WSN中的节点自组织为多个交叠的簇,通过多个簇头的并行计算,实现分布式的节点定位。DSOM-RSSI直接利用无线信号强度指示值进行定位,减少了以往把无线信号强度转化为距离后再来进行定位带来的误差和计算量。试验结果验证了该方法在定位精度和算法复杂度方面性能优于集中式的基于测距的自组织节点定位算法。     

基于反演传播模型和相邻几何约束的定位方法

为解决高密城区室外蜂窝网络精确定位问题,提出一个基于反演传播模型与相邻点几何约束的无线蜂窝网络定位方法。该方法使用相邻多个小区接收信号场强的差分作为电波传播特征参数,通过运用反演传播模型处理所接收的场强数据,建立指定区域的电波传播特征数据库;在此基础上采用匹配搜索算法进行初始定位估计,并将定位估计点与其相邻点的几何约束条件作为重要特征引入匹配搜索算法,以便于定位搜索结果尽可能最优。通过对中国珠海的多个不同无线环境中进行试验验证结果表明,使用这一方法定位精度小于100米的概率达到76.04%,定位精度小于300米的概率达到99.48%,对192个采样点的平均定位误差为59.67米。     

一种测量参数有限时的联合定位方法

针对定位参数过少导致的欠定问题以及非视距(non line of sight,NLoS)传播导致的定位误差问题,提出了一种减小NLoS影响的联合定位方法。该方法一方面将定位用户测量的各个基站发射导频序列的波达时间差(timedifferencesofarrival,TDoA)与主基站测量的用户信号的波达方向(anglesofrrival,AoA)联合起来实现定位,以解决只基于移动终端定位或只基于网络定位中存在的欠定问题;另一方面用基于几何结构的单次反射圆模型(GBS BCM)对测量的TDoA和AoA进行不等式约束,以缩小用户的定位区域,从而减小NLoS传播影响,提高定位精度。仿真结果证明了该方法的有效性。     

基于卡尔曼滤波的CDMA/GPS数据融合算法分析

针对无线定位技术的广泛应用,提出了一种改进的GPS/CDMA数据融合算法。该算法利用卡尔曼滤波实现了CDMA蜂窝网系统和GPS定位数据融合,提出高移动目标的事实上的位精度。借助移动目标的运动矢量模型、CDMA定位误差模型、GPS定位误差模型建立了CDMA和GPS定位状态方程,给出了数据融合的数学模型和融合算法。重点研究了利用卡尔曼滤波实现定位数据的融合。算法分别对GPS定位参数和CDMA定位参数进行滤波处理,然后对滤波后的数据融合。通过仿真表明滤波后两者定位精度都有大幅度的提高,数据融合后定位精度得到进一步的提高。     

基于网络编码的D2D干扰消除算法

终端直通(device-to-device, D2D)通信与蜂窝网络共享无线资源的同时,会引起D2D用户、蜂窝用户和基站之间互相干扰,影响通信质量,为此提出一种蜂窝网络中基于网络编码的D2D干扰消除算法。该算法中,D2D发送端将检测到的蜂窝干扰信号与D2D信号进行网络编码,D2D接收端接收到编码信号后,利用干扰重构消除蜂窝干扰信号,达到消除干扰的目的。理论分析与仿真结果表明,该算法在保证D2D用户复用蜂窝用户资源以及提高频谱利用率的同时,可以提高D2D通信系统可达速率和系统吞吐量,进一步降低符号错误概率。     

基于XGBoost预测及弹性网误差补偿的室内定位算法

为解决室内定位系统中因环境动态变化而导致定位精度下降的问题,提出一种基于XGBoost并融合弹性网的误差补偿算法。采用XGBoost定位模型对目标位置进行初步预测,当室内环境改变后,再采用弹性网算法构建误差补偿模型,修正XGBoost定位模型的定位误差,并与基于K近邻、支持向量机、随机森林、梯度提升决策树等定位算法做对比。实验结果表明：在更新15%指纹数据库样本的情况下,该算法在80%分位处的定位精度控制在0.73 m以内,明显优于其他定位算法,且较基于XGBoost的定位算法精度提高了25.5%。     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。     

基于APDE-RBF神经网络的网络安全态势预测方法

为了提高径向基函数(radical basis function, RBF)神经网络对网络安全态势的预测精度,提出了一种基于吸引力传播(affinity propagation, AP)聚类和差分进化(differential evolution, DE)优化RBF神经网络的算法。首先,利用AP聚类算法对样本数据进行划分聚类,从而获得RBF的中心和网络的隐含层节点数;其次,利用AP聚类得出种群差异度,自适应地改变DE算法的缩放因子和交叉概率,对RBF的宽度和连接权值进行优化;同时为了避免陷入局部最优以及跳出局部极值点,对每一代种群的精英个体和种群差异度中心进行混沌搜索。通过仿真实验表明,此算法在泛化能力增强的同时,对网络安全态势也达到了较高的预测精度。     

基于RBF神经网络的高斯混合近似算法

在分析RBF神经网络基本结构的基础上,提出一种基于RBF神经网络求解非高斯概率密度近似为高斯概率密度和的方法.该方法通过选取高斯函数作为神经网络的径向基函数,提取训练好的网络参数,运用这些参数构建混合成分的函数模型.理论分析与仿真证明,与传统采用EM近似算法相比,该算法具有求解跟初值的选取无关、能避免发散、收敛快的特点.     

基于RBF网络的虚拟仪表人机界面评价方法

提出了基于RBF网络的虚拟仪表人机界面主观评价方法和评价指标。利用RBF网络的自组织、自学习与自适应特性对网络进行训练,使网络学习隐含在训练数据中的人机界面主观评价指标的权重规律,自适应调整主观评价指标的权重,克服了主观赋权法的随机性因素影响。建立了虚拟光柱表人机界面,开发了基于RBF网络的虚拟光柱表人机界面主观评价模型;对训练样本数为50,75和100的三组虚拟仪表网络模型进行了误差分析。分析结果表明,采用75个训练样本可以得到满意的主观评价精度。     

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.     

基于神经网络的固体氧化物燃料电池电堆建模

针对现有的固体氧化物燃料电池(SOFC)模型过于复杂,难以满足工程上对SOFC系统实时控制设计的需要,提出了利用遗传算法(GA)优化径向基函数(RBF)神经网络实现对SOFC电堆建模。在建模过程中,利用遗传算法优化RBF神经网络的输出权值及高斯基函数的中心向量和基宽向量,采用优化后的参数作为网络初始值,然后利用梯度下降法对各参数进行调整。通过仿真对该建模的有效性和建模精度进行了检验。     

自反馈RBF网络在高炉热状态模型预测中的应用

在RBF神经网络的输入上加入了自反馈的神经元,提出了自反馈RBF神经网络,使网络对过去时态的数据具有了记忆能力,对该网络进行了稳定性分析后,采用层叠的自反馈神经元以增加网络的动态处理能力,并设计了自反馈RBF的在线训练算法,通过对混沌时序数据的仿真实验证明该算法的有效性。在此研究基础上,建立了高炉的热状态预测控制模型,预报铁水中硅的含量以达到判断高炉热状态的目的,实验表明该模型提高了高炉热状态的预报精度。     

径向基函数网络泛化能力研究及其应用

通过分析径向基函数网络(RBF网络)结构及影响其泛化能力的因素,提出一种通过网络泛化误差自动调节隐层节点数以得到最佳节点数的方法。将采用这种算法的RBF网络用于对船舶焊接变形过程进行建模并预测其输出。仿真表明这种算法可以显著提高传统RBF网络的泛化能力。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。