基于MIMO的单基站混合定位算法研究

传统定位算法实现时往往需要3个以上的基站,且定位精度易受非视距信号的影响。针对上述问题,提出一种基于MIMO的单基站混合定位算法,利用信号路径参数以及基站、移动台、散射体之间的位置几何关系将定位问题转化成非线性约束优化问题,并使用改进的粒子群算法对其求解得到目标估计位置。计算机仿真表明,该算法在非视距环境下具有良好的定位精度和定位稳定性。     

非视距环境下基于粒子群的超宽带定位算法

将智能算法应用到无线传感器网络定位技术中是一种全新的尝试,粒子群算法是其中的一种典型算法.根据超宽带(UWB)定位原理,建立基于粒子群算法的定位模型,在非视距(NLOS)环境下,利用NLOS误差导致的附加时延和由信道决定的均方根时延扩展的联合统计特性,进行NLOS误差补偿,在迭代过程中采用线性递减的惯性权重,粒了群通过不断追踪个体极值和局部极值,更新自身的位置与速度,从而找到全局最优解,仿真结果表明正确率达90％以上.     

基站异常情况下基于改进极限学习机的超宽带室内定位方法

在超宽带(UWB)室内定位系统中,定位基站极易受到干扰,从而影响定位系统的准确性、稳定性和可靠性,干扰较强时,会造成基站数据异常波动,无法完成准确定位。为解决UWB室内定位系统基站异常情况的定位问题,本文提出了一种基于粒子群优化的极限学习机(PSO-ELM)定位模型,实现在定位基站发生异常情况下的高精度定位。该定位模型利用双边测 距(TW-TOF)采集标签和基站的距离,运用极限学习机(ELM)建立室内定位解算模型?引入粒子群算法(PSO)优化极限学习机的隐含层权值和阈值参数,以克服ELM算法存在的缺点。实验结果表明:在基站正常情况下,PSO-ELM定位模型平均定位精度可达0.03m。相比于传统TOA定位算法,精度了提高73%,同时在基站异常情况下,平均定位精度可达0.04m,有效解决了当定位系统基站发生异常情况时无法完成正常定位的问题     

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。     

非视距环境下的超宽带室内定位算法

为了进一步提高超宽带技术在非视距室内环境中的定位精度,研究了抑制非视距误差的定位算法。首先,对非视距环境下的TDOA定位模型进行重构;其次,推导出非视距情况下均方根时延拓展的统计模型,获得附加时延参数的估计值,对TDOA测量误差参数校正;最后,通过最小二乘法初步估计出目标节点位置,将其作为粒子群算法的初始值进行智能粒子群算法求最优解,惯性权重在迭代中按照高斯函数的策略变化。仿真结果表明本文提出的优化算法可有效减弱非视距误差在复杂室内环境中定位的影响,进一步提高定位精度和算法的收敛速度。     

基于非度量多维标度的室内多标签协同定位算法

与有源标签相比,无源RFID标签成本较小,本文选取后者作为待定位标签。但是由于无源RFID标签之间无法通信,目前大多数传统的RFID定位算法一次只能定位一个标签而无法实现多标签同时定位。针对这一问题,提出了基于非度量多维标度(NMDS)的室内RFID多标签协同定位算法。利用到达相位差(PDOA)法拟合在多径存在环境下的测距误差,将待定位标签之间的距离差欧氏距离与非度量多维标度算法结合,计算出待定位标签的位置坐标。仿真结果表明,提出的算法可以通过一次非度量多维标度计算得到所有待定位标签的坐标,同时定位精度高于经典多维标度定位算法和传统三边定位算法。     

一种基于模糊推理的改进加权KNN定位算法

针对UWB定位性能易受障碍物遮挡、非视距干扰的问题,提出了一种新的UWB指纹匹配定位算法。该算法利用基站与各定位标签之间的距离信息建立指纹库,并在KNN定位算法的基础上,引入了模糊推理方法,通过模糊规则处理得到待定位节点与k个参考节点的匹配度,把该匹配度作为权值对KNN算法进行加权,获得初始定位,同时,创新性地提出了位置优化阈T,根据阈值T和初始定位结果与k参考节点的欧式距离大小,判断是否进行二次模糊加权处理。测试显示,该算法定位误差保持在10cm左右,并且和一次模糊推理的加权KNN算法比较,优化算法定位精度提高了17.8%,提高了UWB室内定位的精确度和稳健性     

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,...     

基于圆盘散射体的非视距定位算法

针对无线传感器网络目标定位中的非视距问题,为了抑制非视距误差,提高定位精度,提出一种基于圆盘散射体的非视距定位算法.新算法根据基站收到的多径到达时间,计算加权测量均值,与圆盘散射体模型理论均值进行匹配,建立目标函数,同时引入圆盘半径约束,通过对目标函数求取极值,解出含有目标位置的最优解.仿真实验结果表明,与其他目标定位算法相比,该算法能够得到全局最优解,提高非视距环境下的定位精度.     

异构网络协同OTDOA定位方案研究

针对单一网络下的UE定位已经不能满足用户的定位需求的问题,提出了一种在LTE、WCDMA以及TD-SCDMA多基站共存的异构网络中一种OTDOA定位方案。本方案先对定位坐标进行残差加权重计算,然后采用综合了Chan氏算法和Taylor级数算法的改进定位算法计算位置,并在理想的信道环境和典型的实际信道模型下进行了异构网络下的定位仿真。在LTE网络信号不稳定的情况下,或者在基站数目较少的情况下,仍然可以进行定位操作。仿真结果表明,使用不同网络的基站参与定位,提高了定位成功的可能性。在非视距和多径环境下,本方案运算量较小,实现相对简单,且精度较高,尤其是算法改进后定位误差可减小一倍以上,提高了定位结果的可靠性。     

基于粒子群优化算法的工业机器人定位抓取控制系统设计

为消除工业机器人实际抓取位置与定位位置之间的误差,实现对机器人抓取行为的有效控制,设计基于粒子群优化算法的工业机器人定位抓取控制系统。根据主要机器部件选型情况建立电气网络结构,再联合视觉传感器与定位控制平台,控制抓取夹爪的行动范围,完成工业机器人定位抓取控制系统硬件的总体设计。遵循粒子群优化算法应用需求,实施Gbest选取与Pbest更新,并联合所得计算结果,定义三维坐标系表达式,建立基于粒子群优化算法的定位坐标系。根据跟踪点坐标求解结果,确定控制系数优化处理条件,完善抓取控制原则,再联合相关应用结构,实现基于粒子群优化算法的工业机器人定位抓取控制系统的设计。实验结果表明,粒子群优化算法作用下,工业机器人实际抓取位置坐标在X轴、Y轴方向上均准确符合定位位置坐标,有效消除了抓取误差,能够实现对机器人抓取行为的有效控制。     

基于最优跳距和改进粒子群的DV-Hop定位算法*

针对DV-Hop定位算法利用跳数乘以平均跳距来估算距离并采用极大似然估计法定位而导致误差较大的问题,提出一种最优跳距和改进粒子群的DV-Hop算法即OPDV-Hop。该算法首先利用节点的通信半径对锚节点间跳数进行修正;然后根据全局和局部范围对锚节点的影响,选择最优平均跳距来估算距离;最后用改进的粒子群算法来优化未知节点坐标。仿真结果表明,OPDV-Hop算法相比DV-Hop算法、基于粒子群的DV-Hop算法以及基于改进粒子群的定位算法,定位误差分别减小16%、11%和5%左右,其能够有效的降低估算距离误差,提高定位精度。     

基于粒子群圆检测的无人机目标定位算法

无人机在室内等复杂环境中飞行时,存在GPS信号较弱、惯性传感器累计误差较大等问题,导致无法实现室内的精准定位.本文提出一种基于粒子群圆检测算法的无人机目标定位方法,该方法通过OpenCV视觉模组进行图像预处理,并通过增量式PID(Proportion Integration Differentiation)与图像滤波相...     

基于UWB的密集行人三维协同定位算法

针对复杂室内环境中密集行人定位精度低、超宽带(UWB)基站密度要求高的问题,提出一种基于UWB的密集行人三维协同定位算法。首先使用聚类算法抑制测距数据中较大非视距(NLOS)误差,并使用高斯均值混合滤波抑制标准测量误差;然后提出双层协同定位算法,建立协同定位数学模型,并结合迭代初始值获取策略进行初步定位,降低了基站数量要求,在筛选出NLOS误差较小的测距数据并修正后,进行二次定位;最后考虑行人高机动性,设计一种交互多模型卡尔曼滤波算法,缓解了定位结果跳变问题。实验结果表明,所提算法在弱NLOS环境和强NLOS环境下定位精度分别达到0.11 m、0.17 m,相比其他算法,具有较高定位精度,进一步降低了对UWB基站密度要求。     

改进型神经网络在室内三维定位中的应用研究 *

针对室内复杂环境下无线信号反射,折射,多径效应,噪声等干扰,传统的对数距离路径损耗模型无法精确求出信号接收距离d的问题进行研究,提出一种改进的多策略粒子群神经网络模型,该网络采用反向学习策略,混沌惯性权重策略以及扰动策略对神经网络的拓扑结构和连接权值阈值进行优化,从而捕获Wi-Fi信号接收强度RSSI与接收距离d之间的非线性关系,然后结合修正的三维加权交点质心算法求解出未知节点坐标。实验结果表明,对比BP神经网络和遗传神经网络,该网络对RSSI-d的拟合曲线更光滑,拟合结果更加接近于真实值,对比定位精度分别提高了79%和73%,网络定位误差更低,抗干扰能力更强。     

一种基于BP-GA的室内定位模型

使用BP-GA算法相结合的方法来作为室内定位模型的主要定位算法,在得到初始坐标后利用泰勒级数定位算法优化得到最终待测点坐标。该算法很好地减弱了室内环境对定位精度的影响,并且具有较高的精度。仿真实验验证了该模型的有效性。     

大空间双模多频段射频识别复合定位

针对室内大范围射频识别定位,提出一种双模多频段射频识别复合定位方法。被定位对象同时携带有源和无源两种模式的标签,微波频段阅读器与被低频频段信号激活的有源标签通信,根据有源标签信号区域选通超高频频段读写器天线,以减轻读写器天线之间干扰;以固定时间读写器天线对无源标签的收包次数为定位参数,在被定位对象位置计算过程中分区筛选最大后验概率位置并利用欧式距离修正定位坐标,完成贝叶斯概率定位算法的改进。实验验证表明,本文提出的复合定位方法,不但可以改善大空间定位中读写器天线间的干扰,而且与LANDMARC算法相比较,定位误差降低59.86%。