声纳阵列网络基于移动信标到达角的渐进最优节点自定位算法

针对水下声纳阵列网络节点自定位问题,提出一种基于移动信标到达角的三维总体最小二乘(TLS)节点自定位算法。首先给出了基于方位角和俯仰角的变量含误差模型,并根据该模型提出三维TLS算法,证明三维TLS算法随信标广播次数增加是渐进最优估计,仿真结果验证所提出算法的均方根误差渐进达到CRLB。

传感器网络中的分布式滚动时域状态估计

利用分布式滚动时域方法对无线传感器网络的状态估计问题进行研究,给出了基于量化测量值的滚动时域估计算法。在无线传感器网络的环境下处理分布式状态估计问题时,减少通信的成本是非常重要的一个环节,需要将观测值量化后再传送。以往的滚动时域估计方法无法处理量化观测值的状态估计问题,而本文的方法考虑了最严格的观测值量化情况即传感器只发送一个比特至融合中心的状态估计问题。与其它传感器网络中的状态估计方法相比,该方法减少了每一步的计算量。仿真结果验证了该算法的有效性。

无线传感器网络中基于多比特量化数据的滚动时域状态估计

该文基于多比特的量化策略,提出了无线传感器网络中多比特分布式滚动时域状态估计算法。每个传感器节点预先设定一个包含多个阈值的阈值簿,利用这个阈值簿将观测值量化成多比特,融合中心接收这些比特信息运用滚动时域的思想得到系统的状态估计值,与预期相同。仿真结果表明阈值簿中阈值个数越多则估计的结果会越精确。与单比特滚动时域状态估计方法相比,该方法避免了每一时刻传感器节点接收融合中心的反馈状态估计值用来设计阈值,并且在多比特信息下状态估计值的精度更高。

面向移动目标追踪的无线传感器网络QoS指标体系设计

无线传感器网络(Wireless Sensor Network,WSN)中服务质量(Quality of Service,QoS)的控制目的在于缩减受限资源的开销,它能够最大程度地提高网络的整体性能,延长网络寿命.针对WSN的QoS设计与评价体系因其庞杂的应用场景而难以统一.文中面向移动目标追踪这类特定的应用场合,讨论WSN的QoS指标体系设计.在WSN框架内,现有的面向移动目标追踪的研究更多的是把关注和改进的焦点放在定位和预测的精度上,忽视了由追踪任务本质属性决定的多项必然QoS要求之间的耦合与权衡,单一、片面强调精度的QoS分析对于复杂动态的网络系统来说是欠全面的.文中将基于WSN的移动目标追踪事件按照信息流顺序及数据处理特点,划分成4个任务模块:节点部署、节点选择、数据传输和分布式协作处理算法,并在综合3项QoS指标(即精度、时延、网络生存寿命)的总框架下,依次对各个任务模块中的映射QoS分指标及其支撑架构和现有协议进行阐述,并由此提出基于反馈和跨层设计的QoS保障机制.

多步历史估计信息反馈多模型融合方法

针对强机动和大观测误差下的目标跟踪问题,传统低阶多模型融合方法存在估计精度较低、鲁棒性较差的缺点;高阶多模型融合方法面临计算量增大和保证实时性之间的矛盾.为此本文针对一类多步稳健机动目标跟踪问题提出一种基于历史估计信息反馈的多模型融合框架,首先累积和反馈历史估计信息,然后结合当前量测计算多阶模型序列的似然函数,最后得到贝叶斯后验融合结果.同时结合粒子滤波构建了易于工程实现的粒子滤波历史反馈多模型融合算法(PF-HFMM).仿真表明,与传统粒子滤波多模型算法相比,本法显著提高了估计精度和鲁棒性.

基于移动信标和DOA的声阵列网络自定位机制

研究了面向声阵列网络的自定位问题,提出了三种基于移动信标和波达方向(DOA)的最大似然自定位机制:基本最大似然估计(BML)、具有声信号传播延时补偿功能的最大似然估计(PCML)和基于二次计算的最大似然估计(RML).研究了声信号传播延时效应,并采用PCML和RML对此进行了补偿.详细分析了信标移动速度、DOA误差和信标广播间隔等关键因素对以上三种节点自定位方法的精度和计算复杂度等方面的影响.仿真和实验数据表明,这三种方法具有不同的计算复杂度,可实现不同精度的位置和声阵列朝向信息估计.

采用实时功率反馈的半导体激光器幅度调制方法

针对现有半导体激光器(Laser Diode,LD)幅度调制电路具有调制幅度不稳定、调制波形存在非线性失真的缺点,提出采用实时功率反馈的幅度调制方法。通过光电二极管(Photodiode,PD)实时监测LD的输出功率,再根据LD的输出功率自动调整LD工作电流,使其输出功率随调制信号线性变化。最后根据提出的调制方法设计并实现了调制电路,实验结果表明:在温度20~40℃范围内,调制电路的-3 dB带宽达到20 MHz,调制功率的幅度稳定度优于4%,最大非线性误差为0.1%。该调制方法提高了半导体激光器的输出功率稳定性,减少了调制波形的非线性失真,拓宽了半导体激光器的线性工作范围。

一种带乘性噪声的半定松弛优化TOA定位算法

在定位方法的实际应用中,噪声信号往往含有复杂的乘性噪声信号。在信噪比低或者初始值选取不恰当的情况下,传统的ML估计算法的结果易发散。为此,提出一种结合ML估计的半定松弛优化算法。首先将位置估计问题进行重构,使之转化为一个基于ML算法的优化问题,再对优化问题进行半定松弛求出最优解,从而得到目标的位置估计。通过多基站到达时间定位仿真实验验证了算法的有效性。

观测器高度未知的纯方位目标定位算法

针对观测器高度未知且连续变化而难以估计的问题,通过对高度变化过程建模,提出一种基于加权工具变量的扩维目标定位算法。首先,假设观测器高度随时间匀速变化,通过构造新的伪线性测量方程,将上述问题转化为对目标位置、观测器高度及其高度变化率联合估计问题;其次,利用工具变量与测量矩阵相关并与测量噪声无关的特性,使用工具变量方法得到待估计参数的无偏估计;最后,通过构造加权矩阵,进一步提高估计精度。仿真结果表明:加权工具变量算法对目标位置、观测器高度及其高度变化率估计的均方根误差比伪线性算法和工具变量算法更接近Cramer-Rao下界。

一种基于QMC-APF的检测前跟踪算法

针对粒子滤波检测前跟踪算法中存在的粒子数目大,导致计算量和存储量大的问题,提出了一种基于拟蒙特卡罗的辅助粒子滤波检测前跟踪算法。该算法通过引入拟蒙特卡罗思想,产生低差异序列代替原来算法中的伪随机序列,使得粒子分布更加均匀,可以有效降低粒子数;采用辅助粒子滤波算法,对粒子进行两次加权操作。实验仿真表明,在对雷达弱目标进行检测与跟踪的过程中,该算法能够在保证算法性能的同时减少算法中的粒子数目,有效降低计算量和存储量。

基于m-Capon的多阵列直接定位算法

多重信号分类(Music)直接定位算法需要先估计目标个数,然后根据目标个数估计确定其噪声子空间,进而得到空间谱函数。在低信噪比情况下,目标个数估计的错误往往会导致直接定位算法的失效。针对上述问题,提出了一种基于m-Capon的多阵列目标直接定位算法。该算法综合了Capon算法无需目标个数估计和Music算法定位性能较高的优点,在不进行目标个数估计的情况下,利用近似估计的方法得到逼近于Music算法的空间谱函数,解决了Capon算法在低信噪比下性能不足的问题。仿真结果表明,在无需估计目标个数的条件下,所提算法的性能与Music算法的性能大致相同,且逼近于克拉美罗下界。

基于MCMC粒子直接跟踪算法

针对运动目标直接跟踪粒子滤波器存在粒子贫化问题,提出一种基于马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)粒子直接跟踪算法。首先建立一个基于时延和多普勒频移的直接跟踪观测模型,然后在贝叶斯滤波迭代中引入典型的MCMC方法—Metropolis Hasting(M-H)抽样算法,选择符合拒绝接收率的采样样本作为新的粒子群,避免了传统粒子滤波器采样枯竭。仿真结果表明,在复杂度相同的条件下,所提算法比直接跟踪粒子滤波算法具有更好的跟踪精度。

基于重要性采样的纯方位定位算法

应用纯方位角解决固定目标无源定位问题时,极大似然估计算法可以转换为非线性优化问题,但该算法需要迭代求解且对初始条件敏感。为此,提出一种新的纯方位定位算法,使用蒙特卡洛重要性采样算法计算该问题的近似全局解。首先,通过观测方程得到关于方位角的极大似然函数,应用Pincus定理得到全局解的形式,从而获得目标位置的概率密度函数;然后,使用伪线性估计算法对目标位置进行初步估计;最后,使用重要性采样算法进行近似计算。仿真实例表明,在不同场景中,重要性采样算法与极大似然估计算法性能相当,非常接近Cramer-Rao下界。

一种基于多普勒效应的水下声目标定位算法

为了提高水下声目标定位精度,在传统极大似然定位算法的基础上,提出一种时延约束下基于多普勒频移的极大似然定位算法。首先建立时延约束下的多普勒测量模型;然后计算延迟时间并给出延时补偿后的传感器位置;接着利用延时补偿后的极大似然优化得到目标位置估计;最后给出时延约束下的Cramer-Rao下界。通过传感器运动速度和传感器与目标之间的距离两方面来探讨声信号传播时延对目标定位性能的影响,仿真结果表明:延时补偿后的极大似然定位算法比传统极大似然定位算法具有更高的定位精度。

Laplace测量噪声下基于L1-WIV的BOTMA算法

提出一种基于L1-加权工具变量方法的纯方位目标运动分析(Bearing-only Target Motion Analysis,BOTMA)算法,以解决传统BOTMA算法在Laplace噪声下的性能下降问题。首先用伪线性估计算法对目标状态进行初步估计,其次采用Majorization-Minimization伪线性估计实现L1范数下的BOTMA,最后采用L1-加权工具变量法减少估计偏差。仿真实验给出了所提算法在不同噪声标准差、采样次数和传感器观测位置下的估计性能。结果表明,所提出算法相比传统的BOTMA算法具有更高的估计精度。

一种渐近最优的单站AOA/TDOA目标运动分析算法

提出一种新的基于总体最小二乘(Total Least Squares,TLS)到达角(Angle of Arrival,AOA)和到达时间差(Time Difference of Arrival,TDOA)目标运动分析(Target Motion Analysis,TMA)算法.首先给出了基于AOA/TDOA的混合变量含误差TMA模型,并根据该模型提出一种AOA/TDOA混合TLS算法,并证明该算法的渐近最优性.仿真结果验证所提出算法的均方根误差在较小观测误差条件下可达Cramer-Rao下界.