WLAN信号特征算法的研究

本文对位置指纹定位算法的过程进行了分析,对匹配算法进行了仿真比较并将KNN算法作为本文检验定位精度的算法。在提高定位精度方面,本文提出采用对信号功率谱的对数平均值进行KL变换,以减小信号采集过程中混入的噪声对定位精度造成的影响;在减少工作量方面,本文提出利用改进的K均值聚类算法将定位区域分区,然后在每个子区域选择位置分辨能力较强的AP用于定位,提高在线阶段的定位实时性。     

相关性匹配蓝牙信标位置指纹库的室内定位

针对K近邻算法(KNN)在对偏向于某个样本点的未知点进行三角质心定位时定位精度变差的情况,提出了应用相关系数去匹配蓝牙信标iBeacon位置指纹库的室内定位算法。通过比较待定位点和位置指纹库中参考样点的相似程度，并进行数据差异显著性检验，来检验采集的待定位点数据与指纹库数据是否显著相关，然后取相关性较高的样本点进行加权平均匹配定位。实验结果显示，相关系数匹配位置指纹库算法可将2 m以内的定位精度从65%提高到92%，相较于传统的KNN匹配定位算法有着定位精度高、计算量小、定位时间短等优势。     

平台侧位置指纹定位系统中接收端问题的优化

当前室内位置指纹定位系统主要用于对移动端的定位。借鉴其定位机理，研究了对无线电发射端的定位,属于平台侧位置指纹定位系统。从部署接收端的位置以减小定位误差的角度出发，提出了增大参考点之间欧式距离确定接收端位置的方案。同时，提出利用覆盖率的概念确定定位区间的接收端个数以满足区间定位的需求。建立了接收端位置及个数优化问题的数学模型，并用遗传算法和全覆盖原则对优化问题进行求解，给出了优化问题的实现流程。针对不同空间，对优化问题进行了仿真，比较了经验布置接收端和优化布置接收端的定位结果误差及接收端是否满足全覆盖的定位结果误差，验证了所提方法的合理性，对定位前部署接收端的个数和位置有一定的指导意义。     

利用时变噪声贝叶斯卡尔曼滤波的室内移动目标定位

基于射频识别的指纹滤波定位技术是当前室内定位中常使用的技术之一。针对该技术存在的卡尔曼滤波算法不能准确适应环境噪声变化，致使定位精度不高的问题，提出了一种适应时变噪声的贝叶斯卡尔曼滤波算法。所提算法结合Sage-Husa滤波模型和贝叶斯模型，实现了过程和测量协方差矩阵的最优化，有效地降低了噪声，提高了指纹滤波定位的精度。实验结果表明，与变分贝叶斯卡尔曼滤波和Sage-Husa滤波相比，无障碍情况下，基于改进算法的定位精度提高了6%以上；有障碍干扰下，则提高了14.6%以上。     

与强度无关的位置指纹在线定位改进算法

将现有的研究较热的固定发射端、定位接收端的室内位置指纹定位系统应用到固定接收端、定位发射端的室内无线电干扰源定位中,研究了一种考虑干扰源发射强度的在线定位算法,以克服直接使用以一固定发射强度信号源建立的指纹数据库和现有的在线定位方法无法实现对不同发射强度干扰源定位问题。在分析信号传播模型和现有在线定位方法的基础上,利用强度差的均方差进行定位计算。给出了算法实现依据和流程,对改进的算法进行了仿真和实验验证,结果证明了改进算法的实用性。同时,改进算法的思想对现有的考虑接收端异质的位置指纹定位系统也有一定的指导意义。     

利用信道状态信息的室内定位技术

多径效应导致基于信号接收强度（RSSI）的室内定位方法精度不高，采用更细粒度的物理层信道状态信息（CSI）可以区分不同路径，提高定位精度。在已有基于CSI室内定位方法的基础上，通过改进对数距离路径损耗模型，得到CSI与传输距离的关系，并结合目标位置所测得的CSI值回归出目标与发射端的距离，最后通过三边定位法预测出目标的位置坐标。实验表明，相比基于RSSI的定位方法以及已有的基于CSI的定位方法，所提方法2 m以内的误差概率提高了将近40%和20%，有效提高了定位精度。     

应用室内结构布局提高Wi-Fi定位精度和稳定性

随着我国经济的发展,我国的无线通信技术呈现出较为蓬勃的发展趋势.当前,人们对自身的位置信息的定位精度和稳定性的要求逐渐提升.社会的进步使得室内的面积逐渐增大,许多大型场所的出现使得这个问题更加突出.可以说,人们在日常生活中,在处理各种事务的时候,大部分时间都是在室内进行,使得位置信息定位出现了一定程度的偏差.针对这种情况,利用室内的布局对Wi-Fi的精确程度以及稳定性进行改进,具有重要的现实意义.本文分析了针对Wi-Fi室内定位精度和稳定进行改进的原因,解读了基于Wi-Fi的室内定位方法,最后提出了应用室内结构布局针对Wi-Fi的精度以及稳定性进行改进的方法.     

基于改进K-means聚类和量子粒子群算法的多航迹规划

针对在复杂环境下需要通过多航迹规划以实现武器协同的问题,利用排挤机制产生K-means聚类的初始聚类中心,并将改进K-means聚类与量子粒子群算法（QPSO）相结合应用于无人机的三维多航迹规划。改进算法解决了K-means聚类易陷入局部最优、聚类准确率低的问题。根据产生的初始聚类中心,将粒子划分成多个子种群,利用QPSO算法对每个子种群进行优化,使得每个子种群可以产生一条可行航迹。仿真分析证明了改进算法可以有效保证子种群之间的多样性,生成较为分散的多条可行航迹。     

基于海上风浪测定的船舶防撞浮标定位装置设计

现今使用的防撞浮标定位装置利用听水器进行定位,在风浪较大的情况下定位精度低、定位响应缓慢。针对上述问题,设计基于海上风浪测定的船舶防撞浮标定位装置。设计包含通信模块、GPS、核心控制模块的装置硬件部分后,利用风浪观测值作为补偿实现实时浮标位置定位。对比实验表明,该浮标定位装置的定位精度大幅提升,响应时间大幅缩短。     

融合反距离加权和矩阵填充的位置指纹库构建

为解决位置指纹定位在离线阶段构建位置指纹库时耗费的人力和时间成本较大，构建指纹库效率低和利用空间插值法构建的指纹库精度不高的问题，提出了一种融合反距离加权和矩阵填充的位置指纹库构建算法。该算法仅需人工采集定位区域内少量参考点的接收信号强度值用作信标点指纹信息，结合反距离加权算法特性计算出次信标点指纹信息，根据位置指纹库数据矩阵的低秩性，应用奇异值阈值矩阵填充算法构建出位置指纹数据库。仿真实验结果表明，所提算法有效降低了矩阵填充算法构建位置指纹库所需的人工和时间成本，构建出的位置指纹库定位性能优于反距离加权和克里金空间插值法，接近传统人工采集法，显著地提高了位置指纹库的构建效率。     

蜂窝移动定位系统定位精度提高算法的研究进展

提高蜂窝移动定位系统的定位精度是定位技术在CDMA系统中广泛应用的关键。针对提高移动定位精度算法的研究，分别从基本定位算法、非视距传播误差消除算法、抗多径干扰时延估计和抗多址干扰算法、数据融合定位方法等几个方面进行了详细的分析和讨论，综述了该领域的最新研究进展，提出了自己的观点。最后对移动定位精度提高算法研究的未来进行了展望。     

应用K-means聚类的分布式多传感器航迹关联算法

针对分布式多传感器航迹关联的特点,考虑采用K-means聚类的航迹关联算法。将来自各传感器的局部航迹与系统航迹进行关联,并将系统航迹作为初始聚类中心,避免了K-means算法本身依赖初始值的缺陷;提出将系统航迹与局部航迹的欧式距离以及其状态向量在1范数下的距离之和作为相似度测度;设定距离门限值,减少了极端数据对聚类结果的影响,并增加多义性处理。蒙特卡洛仿真实验表明,该算法在目标密集并且目标有交叉的情况下能以较小的代价得到较高的平均正确关联率。同时,该算法克服了最近邻域法的局部最优特性和关联正确率高度依赖特征阈值等局限性。     

联合V2X通信和最小跳数距离的车辆定位方法

针对传统V2X定位方法定位成功率及定位精度较低的问题,提出了一种联合V2X通信和最小跳数距离的车辆定位方法。车辆利用最小跳数距离估算自身与通信范围外辅助节点间的相对距离,并利用路径相似度因子最高的辅助节点对该误差进行补偿,从而改善定位性能受通信距离约束的局限性。同时,综合考虑距离、辅助节点类型对定位性能的影响,利用加权最小二乘法对车辆位置坐标进行解算,提升定位的精度。仿真结果表明,所提定位方法与V2X定位方法相比,在定位成功率及定位精度方面分别提升38.6%和12.5%,具有一定的应用价值。     

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络（Feature Pyramid Network，FPN）常被用作合成孔径雷达（Synthetic Aperture Radar，SAR）图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题，提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN（Region Proposal Network）并映射成新的特征空间用于目标检测，然后利用基于形状相似度距离（Shape Similar Distance,SSD）度量的Kmeans聚类算法优化FPN的初始锚点框，并使用SAR船舶数据集测试。实验结果表明，所提算法目标检测精确率达到98.62%，在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比，模型准确率提高，整体性能更好。     

一种超宽带与惯导融合的LSTM室内定位算法

针对复杂环境下的室内高精度定位需求,提出了一种超宽带和惯导融合定位方案。结合位置估计过程可被划分为时间序列预测问题的特点,提出了一种基于长短时记忆(Long Short Term Memory,LSTM) 网络的联合定位算法,并对其总体架构设计、数据预处理方法、网络结构设计、模型训练方法进行了研究。在此基础上,通过仿真和实测实验对联合定位算法进行验证,实验结果表明,该LSTM神经网络联合定位算法的定位精度优于传统TOA(Time of Arrival)、UKF(Unscented Kalman Filter)联合定位算法,适用复杂室内定位。     

NLOS环境下移动台位置与速率估计

NLOS (Non-line of Sight)误差是定位中的主要误差来源,直接影响了定位的精度 。在MIMO（Multiple Input Multiple Output）系统中,基于NLOS信道模型的定位方法成为 解决NLOS定位误差问题的利器。基于此提出一种新颖的几何方法,仅采用两条NLOS路径就可 计算MS(Mobile Station)的位置,并且只需要利用单个基站便可完成MS的定位,克服了基站 数目过少无法准确定位MS的缺陷。在此基础上,还给出了最小二乘与最大似然算法利用多条 NLOS路径来改善定位精度的方法,并利用它对NLOS环境下运动的MS进行定位跟踪。理论分析 和仿真结 果都证明该定位方法在NLOS环境中对MS定位的有效性与精确度。     

一种融合地图与传感器信息的室内地图匹配新算法

基于粒子滤波技术,提出了融合地图信息与传感器信息的室内地图匹配算法,对于在室内定位中由状态空间模型描述的非线性系统,通过非参数化的蒙特卡洛(Monte Carlo)模拟方法来实现递推贝叶斯滤波,将室内地理信息数据、传感器信息、无线定位信息融入到粒子的权重值中,对观测值进行不断修正。实验证明,所提出的基于粒子滤波的地图匹配技术有效解决了由于无线定位结果穿墙、错定至隔壁房间而造成的用户体验差等问题,同时对室内定位结果进行了修正,提高了室内定位精度。     

基于虚拟卫星的隧道内卫星导航信号增强方法

针对现有卫星导航接收机在隧道内无法有效定位的问题，提出了基于虚拟卫星的隧道内卫星导航信号增强方法。通过建立信号传播模型，在隧道两端模拟位于隧道延长方向的低仰角卫星的导航信号，发出后在隧道内接收解算，实现定位。同时，使用信号时延控制方法对伪距误差进行预补偿。经过硬件系统的实验分析，验证了其在隧道内的定位能力，仿真实验结果表明系统定位精度满足大部分隧道需求。