基于TDOA定位的基站布设对模糊区分布及定位精度的影响分析

针对基于TDOA的定位基站布设问题,分析了算法产生模糊解的原因,并就定位基站布设对模糊区域面积的大小和分布进行了定性的分析。此外,通过对TDOA的定位方程进行微分运算求解出影响定位精度的具体变量,并分析了当变量改变时定位精度的变化。最后,通过仿真分析验证了合理的基站布局能够提高定位精度这一结论的正确性。

改进的非完全约束加权最小二乘TDOA/FDOA无源定位方法

针对目前时差定位/频差定位混合无源定位算法存在的定位均方根误差(root mean square error,RMSE)和定位偏差适应测量噪声能力差的问题,提出一种基于泰勒级数展开的非完全约束加权最小二乘法。首先将无源定位问题转化为二次规划问题,简化约束条件,应用拉格朗日乘子法求解目标定位的值。然后将得到的解在原约束条件下进行泰勒级数展开,利用获得的结果进一步优化解析解。计算机仿真对比了所提方法和两步加权最小二乘法(two-stage weighted least squares,TSWLS)、改进的约束加权最小二乘法(constrained weighted least squares,CWLS)、基于定位误差修正方法的定位性能,所提算法在兼顾实时性的同时,RMSE和定位偏差均低于TSWLS、CWLS、基于定位误差修正方法。

基于TDOA的Chan定位算法仿真研究

论文对基于TDOA定位技术的Chan氏算法进行了数学描述,之后对影响Chan氏算法定位精度的相关要素进行了仿真分析。首先分析了基站数量对定位精度的影响,其次分析了基站分布的拓扑结构对定位精度的影响,最后分析了噪声对定位精度的影响,并得出了相应的结论。

基于TDOA的基站布局对定位精度影响分析

对基于TDOA的定位方程进行分析,通过对其进行微分运算,求解出定位误差关于基站目标方位角的非线性函数,分析函数找出了影响定位精度的具体要素。此外针对非线性函数求解困难的问题提出一种混沌双扰动粒子群算法(CDDPO)对该函数求解,当待测目标位置发生变化时该算法能够迅速找出满足定位误差最小的基站布局,总结归纳了使误差最小时的定位基站布局的特点。最后通过实例验证了结论的正确性。

基于TDOA的自适应扩展卡尔曼滤波跟踪算法研究

论文对UWB中基于扩展卡尔曼滤波的TDOA跟踪定位算法研究。针对EKF算法会随着测量误差增大定位精度降低这一缺点,提出了一种自适应迭代扩展卡尔曼滤波算法(AIEKF),通过仿真对比表明该算法在测距误差增大时。

基于FMECA的信息系统软件失效安全风险评估与预测

随着大量软件产品应用于信息系统,不可避免地增大了软件失效对系统安全的影响概率。以某信息系统文电收发的处理过程为例,引入FMECA法,对其文电收发处理过程中由软件造成的风险进行分析,同时分析了引起风险常见的失效模式,并引入Markov模型对软件失效造成系统严重危害的风险进行预测,通过Markov模型与FMECA法结合能够迅速定位软件失效的原因,减少因软件失效造成的系统损失。

基于时频差的高阶强跟踪UKF算法

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)在系统状态发生突变时估计精度下降的问题,将改进的强跟踪滤波算法与基于高斯概率密度高阶导的无迹卡尔曼滤波算法(high order probability density derivative,HUKF)相结合,提出了高阶强跟踪无迹卡尔曼滤波方法(high order strong tracking UKF,HSUKF)。该算法采用高斯概率密度函数高阶导数的极值作为Sigma样点进行无迹转换,通过样本点捕捉更高阶的中心矩来提高非线性变换近似精度。将改进的强跟踪滤波算法引入到HUKF中,通过渐消因子修正预测新息协方差和预测互协方差矩阵,强迫新息正交,在不增加计算复杂度的前提下提高了算法在状态发生突变时的适应能力。将本文算法应用于时差频差的无源跟踪中,通过对目标状态发生突变的跟踪问题进行数值仿真和实例论证表明HSUKF算法兼具了计算复杂度低和估计精度高的特性,且在系统状态发生突变的情况下表现出良好的滤波性能。

基于混沌双扰动的CDDPSO-BP目标威胁估计方法

信息化条件下的战场环境对目标威胁估计技术提出了越来越高的要求。提出一种基于混沌双扰动的CDDPSO-BP目标威胁估计方法,该方法针对粒子群算法在进化过程中易出现早熟和寻优结果不稳定的缺陷,基于Tent映射提出混沌双扰动的思想,并加入粒子群算法的进化过程,实现对粒子群算法的改进;之后,利用该新算法训练BP神经网络的初始权值和阈值,建立目标威胁估计模型和算法;最后,将该方法应用于实例中进行仿真,结果表明该目标威胁估计新算法具有较高的准确度。

目标机动和观测野值的双假设滤波辨识算法

针对目标跟踪观测过程中野值和机动互存的辨识问题,根据标准Kalman滤波算法不具有容错性的特征,提出利用Kalman滤波收敛时间辨识野值抑或机动导致观测值异常的方法,以减少测量值准确有用信息的丢失。然后,采用改进3σ准则对近似服从正态分布的小测量域内观测数据进行粗略预处理,并对异常值建立了残差扰动因子的双滤波器辨识,同时以设置同步并行动态的时间计时为判决条件,有效减小了后续目标跟踪的误差。仿真实例表明:所提出的双假设辨识算法能够实现实时辨识,且有效跟踪目标。