无线传感网络节点非视距定位方法的改进

在无线传感器网络定位中,节点精确定位面临的一个主要问题是信号的非视距传播,非视距误差是节点定位误差的主要来源。在分析基于位置残差检测的非视距误差抑制技术的基础上,提出了基于近似最大似然估计技术和残差检测技术的非视距定位算法。算法通过逐步减少视距信号个数的组合方式,在每一步选取残差最小的组合,利用改进的距离残差定位方法进行节点定位。通过理论分析与仿真比较,均表明改进算法的性能接近于PRT算法的性能,但能大大降低PRT算法的计算复杂度,验证了改进方法的优越性。     

非视距环境中的无线网络残差加权定位算法

无线定位已成为物联网应用的重要研究内容,为减小非视距(NLOS)误差对传统定位算法的精度的影响。因此提出一种基于目标临时位置估计的残差幂次方加权定位算法。算法核心在于先利用分组定位得到不同目标节点估计位置,并将位置之间的差值定义为临时定位残差。然后区别于传统残差加权定位算法,本文提出用残差的高次幂作为加权函数,并通过仿真搜索最优的加权函数。仿真结果表明,当LOS-SN数目不小于2时,本文算法在定位精度上远高于传统的NLOS抑制定位算法。和传统的残差加权定位算法(RWGH)相比,本文所提算法的定位精度提高了近60%,同时降低了对LOS-SN个数的要求。和半正定规划(SDP)相比,定位精度提高了近38%,并降低了计算复杂度。     

基于半定规划的恶劣环境下定位修正算法

无线传感网络WSNs(Wireless Sensor Networks)的定位精度严重受到环境的影响,尤其是高噪声电平和非视距连接的恶劣环境,定位精度急剧下降.为此,提出基于半定规划的恶劣环境下定位修正算法,记为ESDP O算法.该修正算法以半定规划ESDP(Edge-Semi-Definite Programming)算法为基础,旨在提高定位精度,并降低算法复杂性,进而减少定位时间.ESDP O算法通过引用抖动矩阵,对ESDP算法进行修改,提高了算法在恶劣环境的健壮性.同时,ESDP O算法通过寻找低秩解,减少高噪声和非视距偏差.仿真结果表明,在高噪声和非视距NLOS(Non Line of Sight)的恶劣环境下,ESDP O算法的定位精度优于基于同类算法,并且降低了定位的复杂度.     

无线传感器网络节点的非视距定位方案研究

在无线传感器网络定位中,节点精确定位面临的一个主要问题是信号的非视距传播,非视距误差是节点定位误差的主要来源。在分析非视距误差抑制技术的基础上,提出了一种新的残差加权定位算法。算法通过逐步减少距离测量值个数的组合方式,在每一步选取残差最小的组合,再用加权平均的方法,并利用改进的最小二乘法计算节点临时坐标。仿真结果表明,算法具有较高的定位精度,在不同的非视距误差下表现稳定。     

运用最优化原理的新型非视距抑制无线定位算法

无线定位中非视距(NLOS)误差的存在会显著降低传统定位算法的精度,因此论文提出了一种运用最优化原理的定位算法以对抗NLOS误差.该算法适用于存在固定节点与移动节点的无线传感网系统,并结合距离加权思想将NLOS环境中的定位建模为二次规划问题,最终得到节点的最小二乘位置估计.分析表明在固定节点数量较多或者存在视距(LOS)传输固定节点时,该算法可以显著削弱NLOS误差的影响.计算机仿真证实了这一分析,其结果表明,在NLOS环境下论文所提出的算法性能优于现有其他定位算法,同时该算法还具有不受固定节点数目限制和复杂度较低等优点.     

一种非视距环境下具有鲁棒特性TOA无线传感网络定位算法

针对无线传感网络定位中影响定位精度的非视距传播问题,在综合考虑传感网络应用环境,节点的能量消耗,算法的计算量和通信量以及定位精度等因素的基础上,提出一种基于信号到达时间的优选残差加权定位算法.该算法通过用对残差优选获得距离测量集合的优选子集,再加权平均的方法,有效的融合了多个距离测量值的信息.在距离测量值个数大于4时,该算法比残差加权方法节省了计算量.仿真结果表明,该算法对非视距误差具有一定的鲁棒性,获得了较高的定位精度.     

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Wi-Fi信号的LDCC-PDF分级时延估计

在室内无线定位领域,Wi-Fi技术因其低成本和广泛普及性更具研究价值和应用前景,而基于时延参数估计的定位算法则能满足高精度定位需求。针对现有各类时延估计算法在室内真实多径环境下估计精度差、复杂度较高的问题,提出一种基于前沿检测互相关和子载波相位差拟合LDCC-PDF(Leading-edge Detection based Cross-Correlation and Phase Difference Fit)的分级时延估计算法。首先对收发信号进行互相关,通过分步检测得到整数倍基带采样周期粗时延估计值,再对频域各收发数据子载波的相位差进行线性拟合,得出小数倍采样精时延估计值。以802.11n标准的长训练序列作为定位信号对算法进行了性能仿真。实验结果表明,该算法估计精度高,抗噪声性能良好,单径条件下均方根时延定位误差小于0.3米,多径非视距传输环境下误差小于1米。     

基于CNN和在线学习的UWB室内定位算法

为了减小非视距(NLOS) 误差对超宽带(UWB) 室内定位系统定位精度的影响,提出了一种基于卷积神经网络 (CNN)的超宽带室内定位算法。利用超宽带系统采集非视距环境下的室内定位数据,根据信号在非视距环境下传播时的误差特性建立CNN模型,将定位数据输入网络进行训练,以减小NLOS误差对定位精度的影响。然后用扩展卡尔曼滤波(EKF) 进行位置估计,当系统处于不同室内环境时,使用在线学习算法调整 CNN参数,提高系统的兼容性。实验结果表明,该算法可以在不同室内环境下有效减小NLOS误差的影响,保持厘米级的定位精度,具有一定的实用价值。     

非视距环境下室内RFID标签定位算法研究

在室内无线定位中,由于受到非视距NLOS的影响,信号的传播变得复杂起来。复杂的传播环境使得传统的定位算法例如最小二乘算法(LS)或者CHAN算法无法达到我们需要的精度。在使用无源超高频无线射频识别(Passive UHF RFID)技术的基础上,分析和建立了UHF RFID信道模型,并由此对定位误差进行了分析。基于运用相位法POA进行测距而得到的距离信息,提出了一种两步式标签定位算法:首先使用凸优化中的内点法将非视距误差消除,再使用加权残差方法进行精确定位。通过仿真结果的比较,表明本文提出的算法优于传统算法。     

一种非视距环境下的目标定位算法

针对机器人、无人机和其他智能系统的位置信息,研究了非视距(non line of sight, NLOS)环境中基于到达时间(time of arrival,TOA)测距的目标定位问题。在建模过程中,通过引入平衡参数来抑制NLOS误差对定位精度的影响,并成功将定位问题的形式与一个广义信赖域子问题(generalized trust region subproblem,GTRS)框架进行耦合。与其他凸优化算法不同的是,本文没有联合估计目标节点的位置和平衡参数,而是采用了一种迭代求精的思想,算法可以用二分法高速有效地进行求解。 所提算法与已有的算法相比,不需要任何关于NLOS路径的信息。此外,与大多数现有算法不同,所提算法的计算复杂度低,能够满足实时定位的需求。仿真结果表明:该算法具有稳定的NLOS误差抑制能力,在定位性能和算法复杂度之间有着很好的权衡。     

一种适用于NLOS环境的LTE终端迭代定位算法

NLOS(non line of sight, 非视距)误差是影响LTE终端定位精度主要因素之一, 针对这一问题, 提出了一种减小该误差的迭代定位算法, 通过引入误差系数重构OTDOA(observed time difference of arrival, 到达时间观测差)测量值, 采用迭代计算获取一组最优误差系数来改善NLOS误差的影响。该算法不需要信道环境的先验信息, 且可通过分层细化减小计算量。仿真结果表明, 该算法能有效地减小NLOS环境下的定位误差。     

基于最大信噪比的盲源分离算法

提出一种新的低计算复杂度的瞬时线性混叠信号的盲分离算法,该算法利用统计独立信号完全分离时信噪比量大作为分离准则。源信号用估计信号的滑动平均代替,把源信号和噪声信号协方差矩阵的函数表示成广义特征值问题,通过广义特征值问题求解分离矩阵不需要任何迭代运算。和典型的信息理论方法相比,该算法的优点是具有非常低的计算复杂度。计算机模拟实验证明,该算法能够分离线性混合的超高斯和亚高斯源信号,并且可以有效地分离语音信号。     

A gradient boosting decision tree based GPS signal reception classification algorithm

In urban areas, GPS signals are often reflected or blocked by buildings, which causes multipath effects and non-line-of-sight (NLOS) reception respectively consequently degrading GPS positioning performance. While improved receiver design can reduce the effect of multipath to some extent, it cannot deal with NLOS. Modelling methods based on measurements have shown promise to reduce the effect of NLOS signal reception. However, this depends on their ability to accurately and reliably classify line-of-sight (LOS), multipath and NLOS signals. The traditional method is based on one feature using signal strength as measured by the carrier to noise ratio, C/N₀. However, this feature is ineffective in capturing the characteristics of multipath and NLOS in all environments. In this paper, to improve the accuracy of signal reception classification, we are using the three features of C/N₀, pseudorange residuals and satellite elevation angle with a gradient boosting decision tree (GBDT) based classification algorithm. Experiments are carried out to compare the proposed algorithm with classifiers based on decision tree, distance weighted k-nearest neighbour (KNN) and the adaptive network-based fuzzy inference system (ANFIS). Test results from static receivers in urban environments, show that the GBDT based algorithm achieves a classification accuracy of 100%, 82% and 86% for LOS, multipath and NLOS signals, respectively. This is superior to the other three algorithms with the corresponding results of 100%, 82% and 84% for the Distance-Weighted KNN, 99%, 70% and 65% for the ANFIS and 98%, 35% and 95% for the traditional decision tree. With the NLOS detection and exclusion, the proposed GBDT with multi-feature based method can provide a positioning accuracy improvement of 34.1% compared to the traditional C/N₀ based method.     

Efficient blind dereverberation and echo cancellation based on independent component analysis for actual acoustic signals

This letter presents a new algorithm for blind dereverberation and echo cancellation based on independent component analysis (ICA) for actual acoustic signals. We focus on frequency domain ICA (FD-ICA) because its computational cost and speed of learning convergence are sufficiently reasonable for practical applications such as hands-free speech recognition. In applying conventional FD-ICA as a preprocessing of automatic speech recognition in noisy environments, one of the most critical problems is how to cope with reverberations. To extract a clean signal from the reverberant observation, we model the separation process in the short-time Fourier transform domain and apply the multiple input/output inverse-filtering theorem (MINT) to the FD-ICA separation model. A naive implementation of this method is computationally expensive, because its time complexity is the second order of reverberation time. Therefore, the main issue in dereverberation is to reduce the high computational cost of ICA. In this letter, we reduce the computational complexity to the linear order of the reverberation time by using two techniques: (1) a separation model based on the independence of delayed observed signals with MINT and (2) spatial sphering for preprocessing. Experiments show that the computational cost grows in proportion to the linear order of the reverberation time and that our method improves the word correctness of automatic speech recognition by 10 to 20 points in a RT??= 670 ms reverberant environment.     

基于互质阵的循环平稳信号低复杂度欠定DOA估计算法

针对现有大多数循环平稳信号DOA估计算法复杂度较高、估计精度低无法实现对有用信号的欠定估计问题,提出了一种基于互质阵的循环平稳信号低复杂度、欠定DOA估计算法.算法的主要思想是利用互质阵良好的稀疏特性,通过矢量化处理构造虚拟阵列模型,扩展阵列孔径,实现阵列自由度的提升.首先,算法构造了互质阵输出的循环自相关矩阵,然后进行矢量化处理得到最大连续虚拟阵元部分,给出其谱峰搜索的表达式.最后,为降低计算复杂度,对算法进行改进,应用多项式求根的方法直接求解DOA估计值.仿真结果表明,所提算法能实现对有用信号的欠定估计,计算复杂度较低,且相比于大多数的循环平稳信号DOA估计算法,所提算法估计自由度和估计精度有了进一步的提升.     

基于迭代的部分传输序列备选信号相关性降低峰均功率比算法

部分传输序列(PTS)算法能够有效降低正交频分复用(OFDM)系统中高峰均功率比(PAPR)问题,并且不会引入失真,但PTS算法具有较高的复杂度。针对该问题,提出一种称为相关循环迭代的PTS(CC-IPTS)新算法。该算法利用迭代PTS在搜索最优相位因子时相邻相位因子间的关系以及迭代PTS(IPTS)中备选信号间相关性的特点,进行循环迭代。仿真结果表明,所提算法不但取得了较低的算法复杂度,还有效降低了峰均功率比。     

独立分量分析在多光谱遥感图像分类中的应用

多光谱遥感图像反映了不同地物的光谱特征,其分类是遥感应用的基础。但是在多光谱遥感波段图像中存在不同地物对应着相同的灰度,即异物同谱的问题。独立分量分析算法对未知的源信号的混合信号进行估计,可以获得相互独立的源信号的近似。独立分量分析算法利用了信号的高阶统计信息,对于多光谱遥感图像而言,算法去除了波段图像之间的相关性,获得的波段图像是相互独立的。但是独立分量分析算法有一个缺点,即计算量太大,影响了在多光谱遥感图像分类上的应用。文章对独立分量分析的一种快速算法FastICA进行改进,减少了计算量,提高了算法的有效性。在性能相当的情况下,改进FastICA算法能有效地减少算法的计算量。由于FastICA算法是线性ICA算法,对于非线性混合的光谱信号的估计存在一定误差,因此应用BP神经网络的非线性特性对其进行自动分类。在同原始遥感图像的BP神经网络分类结果进行比较,结果表明独立分量分析算法能提高多光谱遥感图像的分类的正确率。