AR预测模型的IMM跟踪算法

针对LOS/NLOS混合条件下对机动目标的鲁棒跟踪问题,提出一种基于AR预测模型的交互式多模型(Interacting Multiple Model,IMM)跟踪算法(ARIMM)。该算法利用AR预测模型对运动状态建模,针对LOS与NLOS条件下观测噪声的分布不同分别使用无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)和改进的无迹卡尔曼滤波器(Robust Unscented Kalman Filter,RUKF),通过IMM方法估计出移动台的位置,利用该位置更新AR模型的参数,使AR模型与真实运动状态更加匹配,实现精确跟踪。仿真结果表明,在LOS/NLOS混合条件下,与传统的UKF和RUKF算法相比,该算法对机动目标跟踪的鲁棒性更好。

基于隐马尔可夫模型的Cell-ID定位跟踪方法

针对传统基地台识别码(Cell-ID)定位方法精确度不高的问题,提出一种新的Cell-ID定位跟踪算法。该算法利用移动台当前的服务基站信息和相邻基站信息,分别加权计算出似然向量,通过隐马尔可夫模型来获得移动台的运动状态,最后利用最大后验概率准则求出移动台的位置。实验结果表明,该算法复杂度低,在服务基站稳定的区域内定位性能良好,达到通信委员会(FCC)的定位精确度要求。

改进型PSO鲁棒定位算法

针对传统的定位算法在复杂环境下定位精度不高,对环境噪声鲁棒性差的问题,提出了一种基于改进型粒子群算法的鲁棒定位算法。考虑到标准粒子群算法中存在收敛速度慢和"早熟收敛"的问题,本文兼顾粒子群的多样性和收敛速度对粒子种群进行优化。首先采用分组定位方法来优化粒子群,然后利用标准的粒子群算法进行迭代定位。仿真结果表明,和传统算法相比,该算法收敛速度快,对初始种群数目要求少,且当观测值中存在NLOS误差时,定位精度高,鲁棒性强。

多天线认知系统中最优协作用户数的选择研究

针对非理想控制信道传输错误对认知系统中多天线多用户协作频谱感知性能影响的问题,提出一种使得认知系统误检概率最小的最优协作用户数选择方案,并推导给出其闭式表达式。该方案首先根据单根天线错误检测概率最小的原则推导出认知用户单根天线最优的判决门限。然后利用"K秩"准则对多天线进行合并,根据认知用户错误检测概率最小的原则推导出最优的"K"值。最后根据认知系统误检概率最小的原则推导出最优的协作感知用户数。通过仿真验证了该方案理论的正确性,并分析给出了控制信道错误概率对认知系统检测性能的影响。相比于传统的协作检测算法,本方案具有更好的检测性能。