基于Kalman滤波器的非视距误差抑制算法

针对蜂窝网定位中影响定位精度的非视距传播误差问题,提出一种基于Kalman滤波器的非视距(NLOS)误差抑制算法,将到达时间(TOA)测量值及非视距误差作为Kalman滤波器的状态变量,根据TOA测量值的结构特点和NLOS误差的统计特性,确定Kalman滤波器过程方程的状态转移矩阵。以NLOS误差服从指数分布的情况为例进行仿真,结果表明,该算法在精度估计和算法计算量方面具有明显优势。     

NLOS环境下基于EKF的移动机器人定位研究

针对室内移动机器人基于接收信号强度(RSSI,Received Signal Strength Indication)测距定位存在非视距(NLOS,Not-line-of-sight)传播问题,提出一种利用运动模型预测RSSI并修正NLOS测量的定位算法。首先结合移动机器人运动模型预测位置和信号强度RSSI,进而实现NLOS误差判定和测量修正;然后结合步长将移动机器人限制到圆域内,采用改进三边定位算法定位;最后使用扩展卡尔曼滤波(EKF,extended Kalman Filter)进行定位结果优化,得到位置的优化估计。仿真实验表明,该方法能有效地提高定位精度,能有效抑制具有较大量值的NLOS误差,是NLOS环境下一种有效的定位方法。     

室内环境下基于IMM-EKF算法的移动目标定位

如何在视距(line-of-sight,LOS)与非视距(non-line-of-sight,NLOS)混合的室内环境中提高移动目标定位的精度,这是一项富有挑战性的工作.移动目标在室内环境移动时,其与传感器网络节点之间的信号传播在LOS与NLOS之间随机切换,导致移动节点定位精度下降.提出一种交互式多模型-扩展卡尔曼滤波(interactive multiple model-extended Kalman filter,IMM-EKF)定位算法.根据LOS?NLOS环境下不同的测距误差特性,在IMM框架中采用2个平行的卡尔曼滤波器(Kalman filter,KF)模型对测量距离同时进行滤波,根据滤波结果和测量值计算2个模型的似然概率,模型间的转换通过Markov链实现,2个KF滤波结果加权融合后获得IMM距离估计值.在EKF定位阶段,通过位置预测和更新估计出移动目标位置.仿真结果表明,IMM-EKF算法能够有效抑制NLOS对目标定位的影响,其定位精度优于单模型算法.     

AR预测模型的IMM跟踪算法

针对LOS/NLOS混合条件下对机动目标的鲁棒跟踪问题,提出一种基于AR预测模型的交互式多模型（Interacting Multiple Model,IMM）跟踪算法（ARIMM）。该算法利用AR预测模型对运动状态建模,针对LOS与NLOS条件下观测噪声的分布不同分别使用无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）和改进的无迹卡尔曼滤波器（Robust Unscented Kalman Filter,RUKF）,通过IMM方法估计出移动台的位置,利用该位置更新AR模型的参数,使AR模型与真实运动状态更加匹配,实现精确跟踪。仿真结果表明,在LOS/NLOS混合条件下,与传统的UKF和RUKF算法相比,该算法对机动目标跟踪的鲁棒性更好。     

基于WLAN的移动终端无线定位研究

以IEEE802．11b为例介绍了WEAN的技术特点，探讨了基于WLAN的移动终端无线定位技术的原理。提出在WLAN中使用TDOA定位方法的Chan算法对移动终端进行位置估计。然后对位置估计结果使用残差加权算法进行NLOS误差抑制。提出了一种抑制多个NLOS误差的残差加权算法，通过仿真对比证明了该算法对多个NLOS误差具有更好的整体抑制效果。     

一种抑制非视距传播误差的混合定位算法

为减小蜂窝网定位中影响定位精度的非视距(NLOS)传播误差,提出一种基于两步卡尔曼滤波到达时间差/到达角度的混合定位算法.利用卡尔曼滤波器的估计值计算非视距数据的方差,调节卡尔曼滤波器的参数,减小测量值的NLOS误差,并将经过预处理的测量值输入到扩展卡尔曼滤波器,实现混合定位.实验结果表明,该算法能有效消除NLOS误差,与Chan算法相比,其定位精度更高.     

修正的UKF滤波时差定位算法

为了降低到达时问差(TDOA)测距在非视距(NLOS)传播环境中的误差,提出了在强跟踪无迹卡尔曼滤波(UKF)基础上改进的算法.在状态发生突变时,给预测协方差矩阵加入次优渐消因子;对NLOS误差进行正负判断,利用整体偏移法修改滤波增益,但估计协方差矩阵不做改进,以免出现不收敛.实验结果表明:该算法不仅能有效地抑制突变带来的影响,也能高效地消除NLOS误差,提高了NLOS传播的到达时间差定位精度.     

基于Haar小波的多尺度NLOS误差抑制算法

针对无线定位中非视距（Non-Line of Sight,NLOS）误差对定位精度的影响,在分析NLOS误差特性的基础之上提出了多尺度误差抑制算法。该算法将信号的多尺度估计方法和卡尔曼滤波相结合,利用小波变换特有的低通滤波特性能和小波阀值去噪能够很好地消除到达时间/到达时间差分（Time of Arrival/Time Diff of Arrival,TOA/TDOA）测量值中的NLOS误差,给出了Haar小波的实现方法。仿真实验结果表明,该算法在不同的NLOS误差模型和不同的信道环境下均能很好地抑制NLOS误差,较大幅度地提高了定位精度。     

一种基于Taylor和Kalman的室内协同定位方法

结合Chan算法、Taylor算法及Kalman算法三种TDOA算法的优点,提出一种能应用于室内实时定位的协同方法。首先基于Chan与Taylor的协同定位方法估算位置信息,并通过对估计结果的残差设置阈值来鉴别NLOS,从而抛弃受到NLOS污染严重的测量数据。其次,再对符合条件的测量数据,利用Kalman方法计算定位结果,与Taylor方法的定位结果通过设置判别条件进行比较,以此进一步抑制NLOS干扰。对符合判别条件的定位结果,进行残差加权及移动平均加权处理,从而完成最终定位结果的更新。最后,利用室内实时定位实验,证明该方法能有效过滤受到NLOS污染严重的测距数据,提高定位精度,并且具有良好的稳定性。     

基于TDOA残差的NLOS误差抑制算法

在基于时间定位的方法中,非视距传播(NLOS)是影响定位精度的一个的基础上,利用残差与待定目标估计位置之间的关系,给出了残差加权算法.研究了当NLOS为确定性和随机性误差两种情况下残差加权算法的性能,并与其他4种算法进行了比较.仿真结果表明,该算法在不同场合和环境下都能有效地抑制NLOS误差,而且无需信道关于LOS-NLOS的统计模型和先验信息,定位精度明显提高.     

基于IMM-IKF的无线传感器网络非视距节点定位方法

针对非视距(NLOS)环境下的移动定位问题,提出一种基于交互式多模型-改进卡尔曼滤波(IMM-IKF)的无线传感器网络NLOS节点定位算法.算法在IMM算法框架下估计移动节点位置,采用两个平行的改进卡尔曼滤波算法对多个移动节点候选位置进行滤波处理,通过Markov链实现LOS状态与NLOS状态的转换,根据似然概率对两个滤波结果进行加权融合,从而获得移动目标位置.仿真实验结果表明,所提出算法可以有效抑制NLOS误差,实现精确定位.     

融合UWB与INS的消防员室内定位与NLOS检测算法

融合超宽带（UWB）和惯性导航系统（INS）能够实现消防员室内精确定位。为实现UWB的非视距（NLOS）误差检测,设计一种双级EKF框架。该框架以松耦合形式实现UWB/INS的数据融合,通过INS获取的初始位置估计坐标以检测UWB测量值的NLOS误差,根据检测结果计算残差矩阵来动态调整融合滤波器的测量噪声矩阵,以达到缓解NLOS误差的目的。实验结果表明,与三角不等式原理检测算法和无NLOS检测的UWB/INS简单融合算法相比,所提NLOS检测算法具备良好的检测能力、较强的稳定性及较高的定位精度。     

基于Elman神经网络的TDOA定位算法

针对Chan定位算法在非视距(NLOS)环境下定位性能差的缺点,提出一种基于Elman神经网络的Chan定位算法,利用Elman神经网络的动态递归特性以及强大的非线性映射逼近能力,对NLOS误差进行修正,再利用Chan算法定位。仿真结果表明,在NLOS误差较大的环境下该算法仍具有良好的定位精度,性能优于Chan算法和泰勒级数展开法。     

一种室内定位中NLOS误差抑制算法

在无线定位系统中,尤其是在室内定位中,非视距(NLOS)误差的存在使定位性能急剧下降。为克服非视距传播带来的定位误差,提出了一种针对NLOS环境下的基于卡尔曼滤波器(KF)的动态跟踪定位算法,将广泛应用于雷达系统和飞机导航系统的成熟的卡尔曼滤波器应用于室内定位中。实验结果表明,该方法可以满足室内环境下无线定位的需求,即使在恶劣的NLOS环境下也能够获得很高的定位精度,是一种可行的无线局域网定位技术。     

基于UWB的消防员室内协同定位算法

为了在复杂火场环境下获取消防员的精确位置,提出基于超宽带(ultra-wideband,UWB)的消防员室内协同定位算法,充分利用目标到UWB基站以及到其他目标的测距信息进行定位.采用线性拟合方式对测量距离中存在的标准偏差进行预处理;针对目标位置解算及非视距(non-line-of-sight,NLOS)误差缓解问题,...     

基于EKF的模糊神经网络快速自组织学习算法*

为了快速地构造一个有效的模糊神经网络,提出一种基于扩展卡尔曼滤波(EKF)的模糊神经网络自组织学习算法。在本算法中,按照提出的无须经过修剪过程的生长准则增加规则,加速了网络在线学习过程;使用EKF算法更新网络的自由参数,增强了网络的鲁棒性。仿真结果表明,该算法具有快速的学习速度、良好的逼近精度和泛化能力。     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.     

LOS/NLOS混合环境中基于交互式多模型的鲁棒目标跟踪

针对视距（line-of-sight, LOS）和非视距(none-line-of-sight, NLOS)混合环境的定位跟踪问题, 提出一种基于扩展H∞滤波（EHF）和扩展卡尔曼滤波(EKF)的交互式多模型(IMM)定位跟踪算法。目标与基站之间的LOS、NLOS传输信道分别用EKF和EHF匹配, 模型间的转换用马尔可夫过程进行描述。Monte Carlo仿真结果表明, 该算法具有较高的定位精度、较好的跟踪稳定性, 且计算时间与基于EKF的IMM算法相当, 具有较好的可实现性。     

基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.