基于K-IDPC算法的Wi-Fi室内定位方法

针对目前室内定位依靠Wi-Fi电磁指纹库方法实现室内人员定位进行判别存在误差大以及时效性低的问题,本文提出一种融合K近邻(K-NN)的改进密度峰值聚类(K-IDPC)算法。引入关联系数和KNN思想,解决了普通密度峰值聚类(DPC)算法对定位数据密度不均衡,聚类中心区分度不高的问题,进而提高了对定位环境的鲁棒性。并结合数据切分算法,对离线电磁数据进行切割,使得大数据集分为若干小数据集,降低了计算复杂度。实验结果表明:提出的室内定位方法,同传统的K均值(K-means)、具有噪声应用的基于密度空间聚类(DBSCAN)、DPC聚类算法相比,能够有效地提高室内定位的效果。     

GPS定位误差分析与状态估计

通过分析GPS定位误差的统计特性,可将GPS定位误差作为二阶Markov随机过程处理。该文结合载体的Singer模型,利用扩展Kalman滤波算法,对系统状态进行估计。试验结果表明,利用扩展Kalman滤波算法比标准Kalman滤波算法在定位精度上有较大程度的提高,对于低动态用户消除相关误差的影响具有一定应用价值。     

自主移动机器人定位系统中Kalman滤波算法改进*

为了解决常规Kalman滤波算法在移动机器人定位过程中运算量大、精度不高的问题,在分析传统Kalman滤波器缺点的基础上,提出了一种基于UT参数变换的方法对常规Kalman滤波算法进行了改进。改进后的Kalman滤波算法消减了传统Kalman滤波器高阶项无法忽略而带来的误差。实验结果表明,改进型的Kalman滤波算法使机器人的最大位置偏差得到减小,对移动机器人的定位精度有明显改善,误差仿真曲线表明,改进后的定位结果误差波动不明显,使定位系统的稳定性得到了较大提高。     

一种基于改进Kalman滤波的多传感器室内定位方案

利用手机内置加速度传感器、陀螺仪等多传感器融合进行行人航位推算实现室内定位,具有成本低、灵敏度高、定位方法简便等优点,但在人员非步态扰动及传感器自身测量误差产生漂移情况下,传感器信号采集的波动干扰大,导致室内定位精度较低.针对此问题,提出一种改进的Kalman滤波.以均值滤波对采样信号做一次处理,降低波动明显的采样数据干扰和系统响应时间,再将处理后的采样数据作为一次测量值利用Kalman滤波进行递归运算,提高了系统定位精度.实验结果表明,该算法较传统Kalman滤波在2 m内的定位精度提高了57.3百分点,其1 m内定位精度也能达到68.2％,同时运行稳定性也有所增强.     

基于密度的K-means算法在轨迹数据聚类中的优化

针对传统的K-means算法无法预先明确聚类数目,对初始聚类中心选取敏感且易受离群孤点影响导致聚类结果稳定性和准确性欠佳的问题,提出一种改进的基于密度的K-means算法。该算法首先基于轨迹数据分布密度和增加轨迹数据关键点密度权值的方式选取高密度的轨迹数据点作为初始聚类中心进行K-means聚类,然后结合聚类有效函数类内类外划分指标对聚类结果进行评价,最后根据评价确定最佳聚类数目和最优聚类划分。理论研究与实验结果表明,该算法能够更好地提取轨迹关键点,保留关键路径信息,且与传统的K-means算法相比,聚类准确性提高了28个百分点,与具有噪声的基于密度的聚类算法相比,聚类准确性提高了17个百分点。所提算法在轨迹数据聚类中具有更好的稳定性和准确性。     

基于RSSI测距的WiFi室内定位算法研究

考虑AP(接入点)部署高度对定位精度的影响,提出了一种消除高度影响的加权质心定位算法.首先对采集的RSSI(接收信号强度指示)进行高斯拟合和Kalman滤波,根据室内信号传播模型得出终端与AP的距离;然后用几何方法对垂直距离做了消除,得出AP和终端的平面距离;最后用消除高度影响的加权质心定位算法计算位置.对于多层建筑物,还提出了一种楼层识别方法,结合二维平面定位构成近三维室内定位算法.在实验楼内用以上方法进行楼层识别,识别率可这100％.在大型教室进行定位实验,结果表明:改进后的算法相比传统定位算法在精度和稳定性上都有一定的提高.     

手机信令的时空密度轨迹点识别算法

手机信令具有时空序列性以及数据量大、采样频率不均、定位精度低与基站振荡等特点,导致传统手机信令聚类方法数据密度分布不均、时空开销大且聚类效果差。提出一种用于手机信令的时空密度轨迹点识别算法。将手机信令数据网格化以统一评估尺度,根据振荡噪声特征对网格簇进行时空联结减少空间不确定性和计算量,结合网络轨迹的曲折性以及移动与停留时间重新定义网格簇内轨迹点时空移动能力,计算网格簇的时空密度以判断用户停留区域,并采集具有移动停留标签的轨迹数据以验证算法有效性和识别效率。实验结果表明,该算法识别精度较改进DBSCAN算法更高,适用于识别手机信令数据停留区域,对复杂轨迹停留区域的识别效果更好。     

基于UKF滤波的测向定位算法及性能分析

基于传统的The Unscented Kalman Filter(UKF)滤波算法,提出了一种新的改良后的UKF滤波算法.该算法直接选用动态模型中的状态变量,并增加一个再抽样过程,使得计算量更小,实现更简单.将改良后的UKF滤波算法应用到单站无源定位的测向法中,得到优于The extended Kalman Filter(EKF)滤波的定位效果,大大提高了定位精度.计算机仿真实验表明,应用该改进后的UKF算法比以往EKF类算法在滤波性能上有明显的提高.但是由于测向法自身的局限性,即使应用改良后的UKF滤波,当方位角逐渐增大时,测向法的定位效果仍然会严重恶化.因此,所提出的新UKF算法适合在非线性估计等问题中广泛应用,但对于单站无源定位,则应探究更优越的定位算法来代替测向法.     

采用密度k-means和改进双边滤波的点云自适应去噪算法

采用相移结构光测量系统得到的三维点云,不可避免存在噪声.通过密度k均值(k-means)聚类算法将点云分为大尺度噪声点和小尺度噪声点,设定邻域大小以及点的数量来去除孤立噪声点;使用类内距离和类间距离的比值作为评价函数,得到最佳聚类数去除小片噪声点云;对于混杂在真实点云中的小尺度噪声点,采用鲁棒性更强的改进型双边滤波器进行点云光顺.实验验证表明:采用基于密度k-means和改进双边滤波结合的点云去噪算法可以有效去除各类噪声点,保持点云特征,相比平均曲率算法和基于特征选择的双边滤波算法,去噪效率分别提高了24％和16％.     

一种改进的移动机器人轨迹跟踪迭代学习方法

通过对轮式移动机器人轨迹跟踪优化问题的研究,提出了一种适应性强、收敛速度快且跟踪误差小的迭代滤波学习控制方法,充分发挥了迭代学习控制和Kalman滤波算法的优势,通过引入状态补偿项和设计新的迭代学习增益矩阵对迭代学习律进行了改进。改进的迭代学习控制能够更快速、更精确、更有效地跟踪期望的圆轨迹。采用离散的Kalman滤波器对干扰和噪声进行滤波,抑制了干扰和噪声对轨迹跟踪的影响,使该控制算法更适合于工程应用。计算机实验和仿真表明该方法具有较好的轨迹跟踪能力。     

基于改进卡尔曼滤波的控制河段船舶航迹预测

由于船舶自动识别系统(AIS)设备存在信息缺失现象,导致基于AIS的智能辅助指挥系统无法准确判断船舶位置,难以准确揭示通行信号。同时,控制河段具有航道狭窄弯曲等特征,传统卡尔曼滤波算法无法准确预测运动船舶的航迹。针对以上问题,对卡尔曼滤波算法中的系统噪声进行实时估计,以提高船舶航迹的预测精度,并对传统卡尔曼滤波和改进卡尔曼滤波的跟踪效果进行了仿真分析。结果表明,所提算法可有效解决AIS设备信息缺失问题,准确预测船舶位置,保证控制河段智能辅助指挥系统信号揭示的准确性和可靠性。     

一种基于Kalman滤波器的自适应背景建模改进算法

基于传统Kalman滤波器理论的背景建模方法,不能很好地解决目标缓慢运动导致背景模型出现拖影的问题。针对该问题,提出了一种结合Kalman滤波器理论与动态区域重构的自适应背景建模改进算法,介绍了Kalman滤波器理论主要思想和改进算法的方法流程与效果。与传统的Kalman背景建模相比,该方法在增加少量计算复杂度的前提下,较好地解决了目标缓慢运动导致背景模型出现拖影的问题,同时也能较好地消除背景噪声。通过对图像序列的仿真实验证明:该方法具有很好的实用性与鲁棒性。     

WiFi室内定位技术在健身场所的应用研究

随着WiFi技术的发展,当前国内健身房管理方式逐渐从传统射频卡识别转化成WiFi室内定位识别,改进后有效地节约了健身成本。目前WiFi室内定位技术如三边定位、贝叶斯定位算法等已均被提出,但仍存在定位误差大、计算复杂度高等弊端。因此,提出基于滤波的三边定位及模式聚类两种定位算法。基于滤波的三边定位通过增加卡尔曼滤波,降低噪声数据的影响,从而减小定位误差。模式聚类定位转变常用的贝叶斯概率聚类方式,采用健身者运动模式进行个性化聚类,有效地提高定位识别率和准确率。实验结果表明,相比基线方法,基于滤波的三边定位和模式聚类定位算法应用于健身场所更加精确化、人性化。     

基于卡尔曼滤波的数据融合算法与应用研究

针对无人机飞控系统对输入的多传感器信息融合时传统卡尔曼滤波算法容易出现滤波发散,滤波精度和系统的实时性降低的问题,研究了一种改进的自适应滤波算法,可以让数据融合后的信息精度更高,实时性更强。改进的算法是在Sage-Husa滤波的基础上引入滤波收敛性判据,并提出了基于改进的Sage-Husa滤波算法的联邦卡尔曼滤波器的设计,可以抑制滤波发散,提高滤波精度和稳定性。同时引入强跟踪滤波算法的思想,调整增益矩阵,改进滤波算法,提高系统突变情况下的滤波处理能力。最后,通过对特定的自主避障系统用改进后的算法与传统卡尔曼滤波算法进行MATLAB仿真比较,仿真结果显示改进的自适应滤波算法在系统模型参数失配和实变噪声情况未知时,可以较好地保持滤波的精度和实时性。     

一种基于卡尔曼滤波的超宽带室内定位算法

为了减小室内环境中障碍物对超宽带(UWB)传感器测距结果的影响,提出了一种基于卡尔曼滤波(KF)的超宽带室内定位算法.利用超宽带接收信号的信噪比区分视距和非视距环境,给出了超宽带传感器测距性能最小二乘标定模型,减小测距系统误差;判断相邻测距差分是否在阈值范围内,否则用卡尔曼滤波先验估计替代后验估计处理测距结果,由此减弱多径效应和非视距误差对测距的影响;用扩展卡尔曼滤波器(EKF)实现室内定位.实验结果表明:算法在复杂室内环境中可达到亚米级的动态实时定位精度.     

基于自适应多提议分布粒子滤波的蒙特卡洛定位算法

针对基于Cubature粒子滤波的蒙特卡罗定位（CMCL）算法存在的计算量大、实时处理能力较差的问题,提出一种基于自适应多提议分布粒子滤波的蒙特卡罗定位（AMPD-MCL）算法。该算法利用Cubature卡尔曼滤波和扩展卡尔曼滤波改进提议分布,融入当前观测信息,减弱粒子退化现象;重采样部分采用Kullback-Leibler距离（KLD）采样,根据粒子在状态空间的分布状况,在线调整下一次滤波迭代所需粒子数,从而减小计算量。仿真实验验证了自适应多提议分布粒子滤波（AMPD-PF）的有效性;同时在机器人操作系统（ROS）上进行实验,结果表明改进算法的平均定位精度达到19.891cm,定位所需粒子数稳定在60,定位时间为45.543s,较CMCL算法在定位精度上提高了71.03%,时间缩短了63.10%。实验结果表明,AMPD-MCL算法减小了定位误差,能实时在线调整粒子数,有效减少了算法计算量,提高了实时处理能力。     

大数据融合模型的智能化网络安全检测方法

针对传统智能化网络安全检测平台处理数据效率低、误差大等问题,文章提出一种新型的解决方案;该方案基于大数据融合模型构建新型的智能化网络安全检测平台,采用卡尔曼滤波算法、采用数据融合分类算法和模糊推理算法3种方法结合构建出数据融合模型来对网络安全检测数据进行运算与处理;其中,采用卡尔曼滤波算法进行改进,对原始网络安全检测数据进行滤波降低噪声干扰,提高数据的精准度;通过SAE稀疏自动编码器自主提取网络安全检测数据的特征信息,之后K-means聚类算法对SAE稀疏自动编码器输出的数据进行处理,通过模糊推理算法调整权值;试验表明,文章所提方案克服了现有技术存在的不足,显著提高了处理数据效率和精准度,在数据量为2 TB的环境下,本研究方法的误差低至6.9％.     

基于改进UKF算法的移动机器人定位方法研究

针对移动机器人在多传感器融合定位过程中因噪声统计特性未知或不准确引起的定位精度不高的问题,提出了一种基于Sage-Husa滤波改进的无损卡尔曼滤波(UKF)移动机器人定位算法。首先建立了移动机器人定位相关模型;然后根据噪声统计特性时变特点利用Sage-Husa中的噪声估计器,对状态噪声和量测噪声进行自适应地估计,减小扰动噪声给定位解算带来的误差;接着在状态更新时引入收敛因子,加快算法收敛速度;最后将UKF算法和改进的UKF算法应用到实验室移动机器人中进行仿真实验。实验结果表明,所提出的算法对状态扰动具有较强的抵制能力,对机器人定位的准确性与稳定性的提升具有显著效果。     

鲁棒的机器人蒙特卡洛定位算法

提出一种基于粒子滤波器的机器人定位算法. 首先利用一并行扩展卡尔曼滤波器作为粒子预测分布, 将当前观测的部分信息融入, 以改善滤波效果, 减小所需粒子数; 然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)重采样方法, 以提高粒子的细化能力; 最后结合普通重采样方法, 提出一种改进的MCMC重采样的机器人定位算法, 减少粒子匮乏效应的同时, 提高了定位精度. 实验结果表明, 该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.     

基于SSPF算法的移动机器人全局定位研究

传统粒子滤波器(PF)算法在移动机器人全局定位时会出现粒子退化和粒子耗尽问题,导致定位失败。提出了一种改进的PF算法即智能采样PF(SSPF)算法,该方法采用Unscented卡尔曼滤波器(UKF)算法和基于相关熵的自适应重采样算法相结合的方法,较好解决了传统PF算法所引起的粒子退化问题。由于重采样的一种极端情况会带来粒子耗尽问题,采用MH(metropolis hastings)算法,较好地解决了粒子耗尽问题。与以往方法相比,该方法可以实现准确性较高的移动机器人全局定位。