无迹卡尔曼滤波在无线传感器网络节点定位中的应用

传统的基于距离的无线传感器网络节点定位技术,由于测距过程产生较大的误差,从而使定位精度不高.文中在基于接收信号强度(RSSI)测距、三边测量法初始定位的基础上,提出以接收信号强度为观测量,将无迹卡尔曼滤波(UKF)算法应用到节点精确定位中.通过仿真验证使用该方法后,相比以距离为观测量的UKF定位方法,节点的定位精度有一定的提高,并进一步定量的分析比较了两种实现模型下节点定位算法的误差概率分布.在此算法的基础上,通过权衡平均定位误差与算法运算复杂度之间的关系,给出最佳定位锚节点数量,并模拟具体环境,验证了文中节点定位算法的实用性.     

基于无迹卡尔曼滤波的无人机跟踪算法

基于四基站对无人机位置的定位数据,利用无迹卡尔曼滤波算法对定位数据进行最优估计,并预测无人机的运行轨迹,从而实现对无人机的实时跟踪.对经典的线性卡尔曼滤波算法和无迹卡尔曼滤波算法进行仿真对比,结果表明,线性卡尔曼滤波算法虽然能跟踪预测轨迹,但有较大的误差,而使用无迹卡尔曼滤波算法能有效地减小误差,使跟踪预测的轨迹更加精确.     

矿井NLOS环境下改进UKF超宽带定位算法

由于矿井下巷道空间有限且存在弯曲,因此通信传播大多为非视距(NLOS)传播环境。传统的基于距离的无线传感网络定位技术易产生较大误差,从而导致定位精度不高。超宽带(UWB)信号具有穿透能力强、抗多径能力强的特点,能够提供较高的定位精度,因此成为NLOS环境下定位的首选。针对NLOS环境下的定位精度不高的问题,在接收信号强度(RSSI)测距和三边算法联合定位的基础上,提出以联合定位得到的初始坐标做为无迹卡尔曼滤波(UKF)算法的观测值,并对UKF的测量更新方程进行修正,使该算法能适应NLOS环境下的定位跟踪。通过仿真验证并与扩展卡尔曼滤波(EKF)算法进行比较,在NLOS环境下改进的UKF定位算法,能够对目标进行实时跟踪并提高定位的精度。     

基于改进WKNN的室内定位算法

针对经典的NN算法,K近邻算法,加权K近邻算法中度量相似距离多为简单的欧氏距离,提出了将曼哈顿距离替代欧氏距离作为定位匹配的度量距离改进定位算法。其相比于之前的算法定位精度更高,响应速度更快,适合应用到室内定位相关研究当中。考虑到Wi-Fi信号易受噪声等外界不确定因素的影响以及移动终端接收信号强度指示与真实值存在偏差而导致定位精度不高的问题,引入卡尔曼滤波算法对高斯拟合后的接收信号强度指示数据进行误差修正,结合加权K近邻匹配算法进行定位有很好的效果。     

基于多传感器组合定位系统的列车追踪优化分析

列车定位在列车运行控制系统中起着非常重要的作用。通过设计一个低成本的车载列车组合定位信息采集平台,来优化现有各种先进闭塞方式下的列车调度与列车追踪。该平台主要依靠全球卫星定位系统GPS、惯性测量单元IMU、里程计ODO等多源传感器来采集数据,并采用卡尔曼滤波原理来综合处理数据,从而得到列车的相对位置。平台的主要功能是为列车提供高精度的实时定位,它可以完全独立于现有的闭塞方式,最终能够以较小的成本实现列车追踪优化。     

基于改进卡尔曼滤波的配电网动态数据平差方法

受设备、天气等多方面因素影响,电网量测数据不可避免的存在误差。在实际应用前,应选用合适的估计方法进行数据平差。为减小不良数据对估计精度的影响,本文提出了一种鲁棒性无迹卡尔曼滤波算法(RUKF),在进行无迹卡尔曼滤波之前引入基于运行模式的不良数据检测方法,通过分析量测量的变化趋势调整阈值,避免出现不良数据的漏检与误检现象。以IEEE 33-bus与某实际107节点系统为例,进行仿真验证。实验结果表明,在存在不良数据的情况下,RUKF与传统UKF相比,求得的数据平差结果具有更高的估计精度,提高了数据估算的鲁棒性。多个实验表明本文提出的RUKF算法对数据平差计算可以提供有效的理论支撑。     

遮挡情况下基于压缩感知的可见光室内定位

针对室内复杂环境对可见光定位精度的影响,提出了一种新颖的基于压缩感知的室内可见光定位算法.该方法将目标位置定义为离散空间上的稀疏向量,将接收端接收到的光功率测量矩阵表示为压缩感知理论中测量矩阵、稀疏矩阵与稀疏向量的乘积形式,并且运用稀疏信号重构算法恢复目标位置.可以有效地解决噪声、反射光以及遮挡等环境干扰对定位精确度的影响.与基于接收信号强度的三边定位方法相比,能够有效地降低在房间角落的定位误差.仿真结果表明,该方法具有很高的定位精度,能有效地对抗室内复杂环境干扰.     

自适应误差四元数无迹卡尔曼滤波四旋翼飞行器姿态解算方法

针对小型四旋翼飞行器在姿态解算时,使用的惯性器件在飞行器起飞、下降等过程中容易受到非重力加速度影响的问题,提出了一种自适应误差四元数无迹卡尔曼滤波的飞行器姿态解算方法。该方法在传统无迹卡尔曼滤波算法的基础上,结合陀螺仪漂移误差模型,使用误差四元数的方法构建无迹卡尔曼滤波的状态方程,选用加速度计和磁强计的输出作观测量,利用其构建无迹卡尔曼滤波的量测方程,并通过自适应调整量测噪声协方差矩阵,减小非重力加速度对姿态解算的影响。实验表明,当飞行器存在非重力加速度时,该方法可以有效减小非重力加速度影对姿态解算的影响。     

基于WiFi和蓝牙融合的误差区域加权算法研究

基于接收信号强度(RSSI)的室内定位易受干扰且信号波动较大,导致定位误差较大,为解决这一问题,提出了一种基于Wi Fi和蓝牙融合的误差区域加权定位算法(ERWLA)。该算法在离线阶段采用Wi Fi和蓝牙信号强度的多边测量,得到相应定位可取区域,并利用区域面积设立置信度,进行融合加权得到Wi Fi和蓝牙融合位置信息。随后建立位置信息融合误差模型进行误差分析,利用移动最小二乘插值法(MLSI)对误差进行曲面拟合得到误差的拟合函数。在线采集实时位置信息,由算法得到融合位置信息并传递给误差拟合函数,得到加权拟合误差,从而获得最终的位置优化估计,实现高精度的定位服务。实验验证了该算法在定位精度和稳定性方面有较大的提升。     

无线传感器网络中基于RSSI差值的改进定位算法

无线传感器网络(WSN)的许多应用都需要知道节点的位置,在某些环境下还需要获得节点的相对位置.本文以WSN的特点为基础,首先介绍了接收信号强度的理论知识,进而提出一种优化的基于测距的定位算法:在应用中的多用户情况下,节点采用多跳方式进行通信,在信标节点冗余的情况下,针对不同信标节点位置范围,建立定位误差最小的相应信标节点库,继而对不同位置范围的待测节点优化选取其定位采用的信标节点,最后将由未知节点接收到的信号强度得到的多用户间的距离进行差值,优化求解非线性方程组,提高算法性能.仿真结果表明,本文中的RSSI WSN差值定位算法比传统的RSSI定位算法拥有更好的定位性能.     

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。     

基于改进无迹卡尔曼滤波的内置式永磁同步电机转子位置估计

传统的扩展卡尔曼滤波和无迹卡尔曼滤波算法在估计永磁同步电机转子位置时需用到上一控制周期估计出的转子位置,而该估计值的偏差会进一步加剧估计算法的误差,甚至引起估计算法发散。针对这个问题,文中采用改进无迹卡尔曼滤波算法进行估算。该算法基于内置式永磁同步电机两相静止坐标系下的数学模型,并结合电压重构模型,使控制系统在获取无迹卡尔曼滤波算法的控制输入量与实际状态量时不再依赖算法估计出的转子位置,以避免估算值的偏差对估计算法的影响。在MATLAB/Simulink中对所提出的估计算法进行了仿真分析,并在测功机台架上进行了对比实验。实验结果表明,在适用于永磁同步电机中高速区的转子位置估计算法中,结合电压重构模型的无迹卡尔曼滤波算法响应快,其估计精度高于传统的无迹卡尔曼滤波算法。     

基于UKF的无线传感器异步数据融合优化算法

提出了一种基于无迹卡尔曼滤波(UKF)的无线传感器异步数据融合算法,利用RNAT机制识别无线传感器网络中的冗余节点,构造数据冗余树来实现冗余数据的去除.根据重复数据消除的结果,在每个传感器检测范围半径相等的环境下,采用四圆定位法,任意选择2个检测目标信息的节点,计算2个圆形检测区域边界的交点,根据迭代法找到并近似目标.设定了不同传感器的原始传感器相互独立、同一传感器不同原始量测量值相互独立的前提条件,计算出各通道的测量值,利用未测量卡尔曼滤波器以滤波的形式更新测量值,引入卡尔曼滤波增益矩阵,并结合异步数据定位结果实现数据融合.实验结果表明,融合后的数据利用率高于现有结果,算法耗时短、能耗低,且具有较高的数据融合精度,整个融合的准确率在90％以上.     

传感器数据异常下动力定位鲁棒状态估计方法

针对时变环境带来的传感器数据异常、未知环境干扰等影响,导致基于无迹卡尔曼滤波的动力定位状态估计方法估计精度下降的问题,提出了一种鲁棒无迹卡尔曼滤波方法,该方法通过引入一种基于指数加权的观测噪声协方差矩阵R自适应更新模块和一种基于卡方分布假设检验方法的过程不确定性识别模块处理传感器数据异常情况并估计未知环境力．最后,以某平台供应船的船模为仿真对象,进行了仿真对比实验．仿真结果表明,鲁棒无迹卡尔曼滤波能够准确及时地识别传感器数据异常情况,相较于传统无迹卡尔曼滤波而言,鲁棒无迹卡尔曼滤波状态估计精度更高,收敛速度更快,表现出较强的鲁棒性．     

一种基于RSSI的煤矿井下WSN节点快速定位算法

为提高煤矿井下传感器网络节点定位的实时性,提出了一种基于接收信号强度(RSSI)的快速定位算法.该算法在井下巷道锚节点双链式部署结构的基础上,运用高斯密度函数对节点接收到的锚节点信号强度最大的RSSI信号进行滤波处理,再应用指数因子和滤波后RSSI值直接计算确定未知节点的坐标.指数因子采用一种改进的量子粒子群优化算法及定位均方根误差最小的准则进行优化.所提出的算法具有定位速度快、计算量小的优点,仿真实验结果验证了算法的可行性与有效性,适用于煤矿井下无线传感器网络实时定位系统中.     

卡尔曼滤波在GPS制导火箭弹中的应用

针对直接采用全球定位系统(GPS)测量弹道误差较大的问题,该文提出应用扩展卡尔曼滤波方法进行弹道测量。采用火箭弹弹道模型和GPS误差模型,建立卡尔曼滤波系统状态模型和以伪距为观测量的系统测量模型,推导并分析了相应的滤波公式,并对GPS动态定位的数据进行滤波。理论分析和仿真结果表明,GPS测量的位置误差和速度误差具有随机性,且误差幅度较大,采用卡尔曼滤波算法后,弹道的位置估计误差和速度估计误差分别降低到观测误差的1/3和1/4左右,而且滤波收敛速度快。     

基于RSSI极大似然估计定位算法的改进与实现

针对基于RSSI(接收信号强度指示)的极大似然估计算法会出现消去二次项时坐标信息丢失,定位误差较大的问题,提出了一种改进的基于RSSI极大似然估计的定位算法.该算法先用卡尔曼滤波算法对采集到的RSSI进行数据处理,然后利用在极大似然估计算法中使用基于泰勒级数展开的最小二乘法对未知节点求解定位.仿真实验结果表明,该算法改善了原算法定位的稳定性,有效减小了定位误差,提高了定位精度.     

基于自适应基准值改进的RSSI加权质心定位算法

提出一种根据设定接收的信号强度指示基准值改进的加权质心算法. 先通过锚节点向周围发散自身坐标等相关数据包, 然后假设某一参考节点为未知节点, 测得与周围锚节点传播过程中的信号强度损耗值, 判断最小的接收信号强度指示值, 优化样本集合, 将修正的信号指示值参数作为相应新表节点的权重, 并求得定位误差. MATLAB仿真结果表明, 该算法相比于传统算法的定位精度更高, 定位误差波动更小, 且有较强的机动性和可适应性.     

基于RSSI分布的无线Ad Hoc网络终端定位算法

为了解决基于信号强度衰减模型的定位算法误差较大的问题,提出了一种基于RSSI分布的无线Ad Hoc网络终端定位算法(LRPD).通过实际测量发现,接收端信号强度RSSI呈现波动态势,仅依靠信号强度的平均值不能较好地描述接收信号,因此考虑使用信号强度出现的频率来估计目标节点在可能位置出现的概率.LRPD算法根据每一个参考节点接收到的RSSI的分布,确定目标节点在离参考节点不同距离位置处出现的概率,然后综合考虑各参考节点的影响,实现最终位置的确定.在真实环境中,使用Intel无线网卡和Samsung平板电脑实现了LRPD算法定位.实验结果表明:针对边长为12 m的正三角形实验场景,所提算法误差约为1.43 m;与传统的质心定位方法和三边定位法相比,LRPD算法的定位精度更高.