基于改进Chan-Taylor算法的震后定位搜索技术研究

针对震后复杂的非视距传播环境,在充分了解废墟状态下信道特征和信号传播特点的基础上,构建震后无线定位系统框架,提出改进的Chan-Taylor位置解算方法,将改进的残差加权算法与多元泰勒级数展开算法相融合,并进行二次残差加权。对废墟环境进行实地调研,并通过Matlab进行仿真模拟实验,仿真结果表明,改进后的算法能更好地抑制非视距环境下TDOA的测量误差,对震后被压埋幸存者的位置解算与及时营救具有重要意义。

基于GAPSO优化的神经网络无线信道参数预测

针对复杂环境中无线信道参数的预测问题展开深入研究,基于反向传播神经网络(Back Propagation Neural Network,BPNN),提出了遗传算法(Genetic Algorithm,GA)与粒子群优化(Particle Swarm Optimization,PSO)算法联合优化的神经网络预测无线信道参数的方法。在利用QuaDriGa平台生成非视距(Non-Line-of-Sight,NLoS)环境下的信道冲激响应(Channel Impulse Response,CIR)的基础上,结合GA在搜索最优解方面的优势与PSO算法加快收敛的特点,利用优化后的BP神经网络模型对相关信道参数进行学习和预测,解决了学习过程中收敛速度慢、预测精确度有限等问题。仿真结果表明,GAPSO-BPNN模型对NLoS环境下的信道参数的预测有较好的效果,能够在未来适应更多的复杂环境。