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.     

基于梯度提升回归树的井下定位算法

为了提高井下定位系统的定位精度,提出了基于梯度提升回归树(gradient boost regression tree, GBRT)的井下定位算法。本文首先介绍了GBRT算法的实现过程,然后利用射线追踪算法模拟井下多径信号叠加后的接收信号强度(received signal strength, RSS)数据集,最后对比了GBRT、K最近邻(k-nearest neighbor, KNN)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和神经网络多层感知器(multi-layer perceptron regressor, MLPR)算法的定位结果并对GBRT的定位结果进行5点平均滤波。实验结果表明,在100个点组成的行人轨迹定位中,GBRT算法的定位结果的均方误差为0.381米,明显优于其他四种算法,平滑滤波后的定位轨迹更加贴合真实轨迹。因此,本算法可以有效提高定位精度,可以满足井下定位系统的精度要求。     

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．     

基于空域的网格匹配定位算法

提出一种基于空域的网格特征匹配定位算法,利用信号衰减模型,将信号空间的匹配计算变换为距离空间的匹配计算,并计算相似度,选出最邻近的目标网格,最后通过加权计算进行精确求解.该方法有效降低非线性空间匹配带来的位置相似度误差,利用网格匹配算法的思想,进一步降低了定位误差,提高了定位精度,与基于信号强度的K近邻算法和基于信号强度的网格匹配算法相比,所提出的基于空域网格匹配算法降低了定位误差,定位精度提升近10%,满足了目前室内高精度定位需求.     

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。     

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。     

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.     

基于无线局域网接收信号强度分析的混合室内定位方法

为了给用户提供丰富的室内位置服务,需要在结构复杂且人员密集的室内环境中进行精确定位。根据对无线局域网接收信号强度的分析,可以利用三角定位算法和指纹定位算法进行混合室内定位。首先在网格划分的基础上离线构造参考点接收信号强度数据库,并采用三角定位算法估算所有无线接入点的位置,然后根据定位精度需求设定混合定位方法的接收信号强度阈值。在线定位时,根据用户终端实际接收到的无线接入点个数和信号强度选择三角定位算法或指纹定位算法进行位置计算。实验表明,该室内定位方法有效且稳定。     

基于粒子滤波与改进GVF Snake的人手跟踪算法

为实现在复杂背景下对人手进行准确、快速的位置跟踪与轮廓跟踪,并针对粒子滤波无法获取人手目标的准确信息与人手深凹区域获取难的问题,提出一种基于肤色自适应梯度矢量流主动轮廓(Gradient Vector Flow Snake,GVF Snake)模型的粒子滤波算法实现人手跟踪.该算法首先对粒子滤波得到的人手区域进行肤色灰度增强,弱化背景梯度信息,然后对该区域利用引入自适应梯度矢量流场和肤色自适应外部引导力的GVF Snake模型,获取人手的真实轮廓以及准确的系统观测和系统状态,减少了粒子退化的可能,完成了更加准确的位置跟踪.实验表明:在复杂、运动背景甚至大范围遮挡的情况下,该改进算法获得了更加准确的人手轮廓,同时对人手跟踪的实时性提升了13%,均方根误差降低了48%.     

融合视觉与雷达数据的改进粒子滤波车辆目标跟踪

针对视觉跟踪中由于尺寸变化累积误差导致目标丢失的问题,提出一种融合视觉与毫米波雷达数据的改进粒子滤波车辆跟踪算法。首先,引入遗传算法改善标准粒子滤波中的粒子退化与粒子衰退问题,根据退化程度计算动态自适应的遗传交叉概率,并利用高斯分布替代平均分布计算种群适应度。然后,将图像HSV直方图特征与改进粒子滤波算法结合,实现车辆多目标跟踪。最后,通过雷达目标投影点与视觉跟踪框的位置关系实现关联匹配,利用深度信息修正跟踪框的位置与尺寸。实验结果表明,相对于标准粒子滤波,改进的粒子滤波算法可以使平均跟踪准确率与精度分别提高22.1%与21.1%。相对于仅采用视觉跟踪,融合雷达数据的跟踪算法能够使车辆目标跟踪精度再次提高9.2%。     

煤矿井下基于虚拟Radio-map及Markov链的定位算法

为了在煤矿井下获得更高的定位精度,提出一种基于虚拟Radio-map及Markov链的定位方法。结合井下复杂环境,采用信道衰减模型及线性插值法实现了动态衰减因子,建立虚拟Radio-map的同时降低了工作量;考虑到每处采样点接收信号强度分布先验假设和统计特征,在线阶段采用基于贝叶斯准则框架的加权核函数算法,为每个样本数据赋予一个以自身为"核心"的函数,构建的概率密度分布避免了确定模型带来的误差,从而提高了定位精度;为进一步优化定位结果,考虑先验概率对贝叶斯后验概率的影响,提出了基于高斯模型的Markov链定位算法,抑制了运动目标位置的大幅度跳变,使目标定位更加精确。实验表明,所提算法可以通过较低数据采集工作量达到一定的定位精度,满足井下目标定位需求。     

基于梯度提升决策树的城市车辆路径链重构

为了提取城市路网中车辆实际的行驶轨迹,支撑交通规划、设计、管理和评价等需求,提出了基于梯度提升决策树的城市车辆丢失路径链的重构方法。首先,根据车牌号码匹配目标车辆,以时间排序提取视频检测器获得的路径链,并结合交叉口邻接矩阵及路段行程时间估计进行路径链初次分离;然后,依据车辆出行特征和交通状况提取影响路径选择的关键特征,并基于此提出了基于梯度提升决策树的局部丢失路径链重构算法;最后,以某市南明区实际视频车牌识别数据为例,根据重构算法准确性和计算效率验证了文中算法与传统算法。结果表明,本文算法的重构准确率达到91%,对比传统算法,梯度提升决策树算法在车辆路径链重构方面有较大优势。     

基于接收信号强度指示加权融合的定位算法

基于接收信号强度指示的无线传感器网络定位问题,提出一种改进Kalman滤波方法,消除测距过程中的非视距误差,得到标签与节点间的估计距离.然后,分析标签与节点的距离、定位单元质量和标签所处的位置三方面对定位精度的影响,提出一种改进三边定位算法,并根据滤波后的估计距离计算得到的多个定位坐标进行加权融合.最后,通过Matlab仿真验证所提算法的有效性.     

融合地图信息与WiFi地标的室内粒子滤波定位算法

目前行人航迹推算(pedestrian dead reckoning,PDR)和WiFi指纹定位成为室内定位的主流技术,WiFi指纹定位由于无线信号的波动性导致定位结果不稳定,PDR算法随着应用时间的延长传感器累计误差增大,同样会导致定位精度降低。本研究提出一种基于地图信息的粒子滤波(particle filter,PF)与WiFi地标相结合的混合定位算法(WL+PF)。该算法通过地图信息约束粒子的位置,同时利用WiFi信号峰值检测相应地标信息,对观测信息修正的同时,更新粒子权重,从而实现最终的定位。实验结果表明,优化后的算法定位精度优于其他常规滤波融合定位算法。     

基于改进高斯滤波与加权环境参数自适应估计的定位方法

基于接收信号强度指示(received signal strength indication, RSSI)测距的定位技术是一种成本比较低廉的定位技术.为了能够有效降低RSSI值因环境因素的影响而产生的误差,提出了一种改进的加权高斯滤波算法对RSSI值进行处理;并建立了一种加权环境参数自适应估计算法对当前待定位的移动节点所处位置的环境参数进行估计;然后根据估计所得的环境参数确定移动节点所在位置的路径损耗模型;最后根据该模型估计移动节点的位置.实验结果表明,该方法能够有效提高系统的定位精度.     

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).      

基于半监督流形学习的无线传感器网络定位方法及其应用

提出了一种基于流形半监督学习的移动节点定位算法.该算法利用基于流形学习的半监督方法,通过一定量的有标签样本和无标签样本,获取隐含在节点接收信号强度信息中的流形结构,直接建立节点物理位置与接收信号强度之间的映射关系.算法不需要使用现有的理论或经验信号传播模型,避免了模型不准确带来的定位误差,而且允许网络中存在大量无标签样本,降低了数据采集难度,提高了算法实用性.冶金工业现场的实际应用结果表明,相对RADAR算法,本文算法具有较高的定位精度.     

曲指数族流形在无线传感器网络定位中的应用

利用信息几何中的统计流形理论和自然梯度流形学习定位方法,研究了基于接收信号强度(RSS)的无线传感器网络自定位问题.首先,通过概率密度函数构造了一个曲指数族定位模型;然后,针对给定初始状态值的未知目标节点定位问题,结合梯度下降法,提出了基于此模型的最优非线性估计方法及其改进算法.梯度下降法的良好性质和仿真结果表明,这些算法有很好的收敛效果和更高的定位精度.     

基于能量的ZigBee定位算法研究

为了提高无线传感器网络中基于接收信号强度指示(RSSI)方式的定位精度,分析了不同类别的经典定位方法,提出了基于能量的具有环境适应性的定位算法.在对ZigBee协议栈进行分析和研究的基础上,针对实际的定位需求,设计了能计算环境参数和定位的通信帧.通过在实际环境下对该算法进行实验验证,结果显示:在空旷环境下60m×60m的区域内,定位精度达到2m,相对误差<2.8%.     

基于自适应滤波长基线组合AUV定位算法

针对水下环境噪声干扰以及水下时延误差等问题,提出基于自适应滤波长基线组合AUV定位算法。该算法采用长基线组合导航定位系统,以捷联惯性导航系统为主,长基线定位系统为辅,消除时延误差实现误差补偿;再引入自适应滤波算法,使用卡尔曼滤波算法对系统进行信息融合来矫正累积误差实现自适应滤波定位。仿真实验表明,该算法能有效消除水下复杂环境中的噪声干扰对AUV定位精度的影响,提高算法对未知噪声的适应性和定位精度。