部分线性变系数空间自回归模型的惩罚轮廓拟最大似然方法

主要研究了部分线性变系数空间自回归模型的变量选择问题。结合拟最大似然方法、局部线性光滑方法以及一类非凸罚函数,提出了一个变量选择方法用于同时选择该模型的参数部分中重要解释变量和估计相应的非零参数。大量模拟研究表明,所提出的变量选择方法具有满意的有限样本性质,并且关于空间权矩阵的稀疏度、空间相关强度、系数函数的复杂度以及误差分布的非正态性非常稳健。特别地,当样本容量较大且罚函数选择合适时,即使解释变量的相关性较强或者模型中含有较多不重要解释变量,所提出的变量选择方法仍然具有比较满意的有限样本性质。通过分析波士顿房屋价格数据考察了所提出的变量选择方法的实际应用效果。

基于多应用场景的改进DV-Hop定位模型

针对距离矢量跳(DV-Hop)定位模型定位精度低、优化策略场景依赖性强的问题,提出一种基于函数分析和模拟定参的改进DV-Hop模型——函数修正距离矢量跳(FuncDV-Hop)定位模型。首先,分析DV-Hop模型的平均跳距、距离估计和最小二乘法中的误差原因,引入待定系数优化、阶跃函数分段实验、带等效点的权重函数策略和极大似然估计修正;其次,考虑多应用场景,用控制变量法,分别将总节点数、信标节点比例、通信半径、信标节点数和待测节点数作为变量,设计对照实验;最后,进行仿真定参和整合优化测试两阶段实验,最终的改进策略较原DV-Hop模型的定位精度提高了23.70%~75.76%,平均优化率57.23%。实验结果表明,FuncDV-Hop模型的优化率最高达到了50.73%,与基于遗传算法和神经动力学改进的DV-Hop模型相比,FuncDV-Hop模型的优化率提升了0.55%~18.77%。所提模型不引入其他参量,不增加无线传感器网络(WSN)的协议开销,且有效提高定位精度。

一种新的基于RFID的室内移动机器人自定位方法研究

针对室内移动机器人自定位算法定位精度不高、定位误差存在波动的问题,提出了一种RTFL(RFID tag floor based localization)定位算法与RSSI定位算法相结合的室内移动机器人自定位方法。由RTFL定位算法给定机器人位置估算初值和机器人所在的范围,通过基于RSSI的机器人自定位系统进行机器人位置的进一步精确定位。求解过程中,通过遗传算法求解极大似然方程组,并提出染色体的筛选和剔除策略。仿真实验结果表明,该方法在有效的时间内完成定位,平均定位误差为0.157 2 m,与传统的改进方法 0.332 14 m的定位误差相比,降低了近一倍。并且新方法受环境影响较小,鲁棒性较好,能够很好地满足室内移动机器人的定位要求。

基于无线传感器网络的极大似然定位法的分析

对现在普遍应用的极大似然估计定位方法进行了分析,发现极大似然估计法参考方程(第n个方程)的锚节点(参照锚节点)测距误差和参照锚节点在定位区域内的位置对定位误差有重要影响:参照锚节点的测距误差越小,计算得到的定位精度越高;当所有方程所含误差相同时,参照锚节点在定位区域中心时定位误差小,在定位区域边缘时定位误差大;当参照锚节点测距误差为0时,参照锚节点靠近定位区域中心或者在定位区域中心时定位误差大,而在四周时小,但相差不大。在实际应用中,可以利用这一结果,选择合适的参照锚节点,使得定位效果最佳。

使用最速下降算法提高极大似然估计算法的节点定位精度

阐述了极大似然估计算法用于无线传感器网络节点自定位的原理;阐述了最速下降算法求非线性方程组最优解的原理;提出在距离测量误差较大的情况下,使用最速下降算法优化极大似然估计算法所得的节点定位值,并通过模拟实验证实其可行性。实验结果表明,在无须多余通信代价的条件下,优化处理使定位精度得到很大提高,且算法收敛快,计算代价小,适用于无线传感器网络的节点自定位。

新的室内移动机器人自定位方法

针对现有室内移动机器人自定位方法中存在的定位精度不高,随时间积累定位误差增大,复杂室内环境下信号存在多径效应和非视距效应等问题,提出了一种基于蒙特卡罗定位(MCL)的新的移动机器人自定位方法。首先,通过分析基于无线射频识别(RFID)技术的移动机器人自定位系统,建立机器人运动模型;然后,通过分析基于接收信号强度指示(RSSI)的移动机器人自定位系统,提出机器人移动过程的观测模型;最后,针对粒子滤波定位执行效率不高的问题,提出粒子剔除策略和依据粒子方位赋予粒子权值策略,提高系统的定位精度和执行效率。仿真实验表明,机器人在移动过程中的自定位误差在X轴和Y轴方向上为3 cm,传统定位算法误差为6 cm,新算法定位精度提高近1倍,且算法具有很好的鲁棒性。

基于局域波的非参数瞬时频率估计

对于频率缓变的单一分量信号叠加噪声的情况,根据其瞬时频率中真实瞬时频率占主导趋势的特点,先使用平滑相位差分法——极大似然法估计噪声信号的瞬时频率,用局域波分解法求极大似然法估计瞬时频率的趋势项,从而得到与理论瞬时频率相符的结果,与其他的瞬时频率估计方法相比,本方法具有精度高、计算量小的优点.

无线传感器网络测距定位算法改进与分析

在无线传感器网路实际应用中,节点定位技术是重要的支撑技术之一.不同于常规的求解距离等式方程组解法,分别采用MLE(最大似然估计参数)法和最小二乘法,对无线传感器网络测距的定位算法进行改进.非常有趣的是,两种不同方法得到的结果完全一致.最后经过实验评估和算法仿真对比分析测距定位算法改进前后的特性,结果表明改进后的测距定位算法能取得良好的定位精度.

基于加强学习与联想记忆粒子群优化算法的节点定位

提出了加强学习与联想记忆的粒子群优化算法,并将该算法应用到无线传感器网络的节点定位中。在RSSI模型测距产生的不同误差情况下,分别比较极大似然估计法和加强学习与联想记忆的粒子群优化算法产生的定位误差、定位方差,证明了加强学习与联想记忆的粒子群优化算法是一种收敛快、精度高、稳定性好的优化算法,适合应用在无线传感器网络节点定位中。

无线传感器网络最小测距误差估计定位算法

针对无线传感器网络的节点定位问题,提出一种分布式节点定位算法.算法通过构造未知节点到它邻居信标节点的测距误差之和的函数,并用Nelder-Mead单纯形方法计算该函数的最小值,以计算未知节点的坐标;通过使用时间轮机制来降低在迭代定位产生的累积误差.实验结果表明,用最小测距误差估计方法定位比用极大似然估计定位的平均定位精度高,使用时间轮机制可以有效降低迭代定位时产生的累积误差.

无线传感器网络中移动节点的后验信号滤波定位法

无线传感器网络中移动节点定位面临着高精度和实时性的要求,针对蒙特卡洛定位算法MCL的不足,提出了一种信号滤波改进算法:后验信号滤波法PSFM。通过跟踪未知节点,有效利用最新观测信号,PSFM提取前后时刻共能感知的锚节点的信号范围,并筛除仅前一时刻的锚节点信号范围的样本点,重新设置并优化滤波区域,提高了定位算法的精度。新算法还提出了运用最大似然估计法对样本信息处理,推导移动节点的位置坐标。理论分析和仿真表明新算法和传统MCL算法相比,对节点的部署密度和移动速度有较低的敏感度,表现出良好的算法稳定性。在不同的锚节点密度下定位误差减少了46%～65%,运行时间减少了26%～45%。

基于几何约束的方向定位观测误差优化方法

目前应用广泛的方向定位算法往往忽略观测点误差。Vaghefi等人将基于极大似然法的多点方向定位方法进行了扩展,将观测点位置误差引入模型,有效提高了优化模型的精度;但是该模型没有考虑观测点和目标之间的几何关系约束。文中将等式约束条件引入优化模型,并利用SQP优化方法进行优化计算,简化了Hessian矩阵,推导出其他参数的解析解,由于考虑了几何约束关系,仿真结果表明新模型相对极大似然模型能更加准确的修正目标和观测点位置。

基于网格爬山法的最大似然DOA估计算法

最大似然波达方向(DOA)估计具有最优的理论性能,但是存在计算量过大的问题。为了降低最大似然DOA估计的计算量,将参数估计转化为高维非线性函数的优化问题,并提出了一种新的优化算法。首先利用波束形成法对空间谱进行预估计并根据空间谱信息构造一组满足"预估分布"的初始解,这组初始解以较大概率落在全局最优解的局部吸引域中。然后将其中适应度最大的一个初始解作为局部搜索的起点。网格爬山法是一种以网格为单元的局部搜索方法,比传统爬山法更加高效和稳定,因此采用该方法获取全局最优解。新算法不仅能够得到精确的参数估计,同时具有较高的计算效率,计算机仿真显示新算法的计算效率高于基于粒子群优化的最大似然DOA估计算法。

Grid-Scan定位算法的虚拟锚节点策略改进

针对无线传感器网络中Grid-Scan算法定位精度较低的问题,提出了一种基于虚拟锚节点策略的Grid-Scan定位算法。具体做了三个方面的工作:对未知节点设置可定位阈值,邻居锚节点数大于可定位阈值的未知节点使用Grid-Scan算法进行定位,定位后的节点升级为虚拟锚节点;邻居锚节点数小于可定位阈值的未知节点利用极大似然法完成定位,定位后的节点升级为虚拟锚节点;锚节点及虚拟锚节点共同参与对剩余未知节点的定位。仿真结果表明,改进算法在不同锚节点密度、不同通信半径和不同栅格大小的网络中以及通过不规则传播模型后都具有较好的定位精度。

改进DV-Hop算法的无线传感器节点定位

DV-Hop算法是一种经典的节点定位算法,具有成本低、易于实现等优点,但是存在定位精度低,误差大等不足,为此本文提出一种改进DV-Hop的无线传感器节点定位算法。首先利用极大似然估计法得到未知节点的初始位置信息,然后利用改进粒子群算法对估计位置进行修正,实验结果表明,改进DV-Hop算法可以有效的提高定位精度。

半定规划在近场多源定位问题中的应用

为得到多源定位问题的更加精确的解,给出了一个非线性半定规划的内点算法。求解多源定位问题的一般方法都是将参数矩阵的半正定性松弛,而本文在保证该约束条件满足的情况下求解一个半定规划,从而可以得到更加精确的结果。

无人机协助下基于SR-CKF的无线传感器网络节点定位研究

针对无线传感器网络(WSN)节点的实际应用场合大多数分布在复杂的三维地形,并且当无线传感器网络分布规模达到一定程度时,对每一个传感器节点装载 GPS模块来实现节点定位不切实际的情况,提出了一种无人机(UAV)协助下利用极大似然估计法(MLE)对未知节点进行初步定位,引入平方根容积卡尔曼滤波(SR-CKF)算法对未知节点进行精确定位,采用阈值选择的更新策略来减小非线性因素的影响。仿真结果表明:所提出的UAV-WSN-MLE-SRCKF协作定位方式实现了三维地形中未知传感器节点的定位估计,大量减少了装载GPS模块所带来的成本,同时也提高了定位精度和稳定性。

基于RSSI测距的室内目标定位方法

针对既有的基于RSSI测距的室内目标定位系统在实际应用中存在的测距误差大,定位精度低,以及稳定性差的问题进行分析与改进,提供一种融合RSSI测距模型实时修正与定位结果辗转优化的室内目标定位方法,改进之处主要在于:在测距阶段,根据记录的信标间真实距离和RSSI衰减值对RSSI测距模型参数进行反向实时修正;在定位阶段,使用极大似然估计法初步确定移动目标的当前位置,而后将目标点坐标与测距值都作为未知数使用牛顿迭代法求最优解。实验证明,相对于既有的典型RSSI室内目标定位方法,所提出的方法首先提高了测距精度,进而提高了定位算法对测距误差的鲁棒性,从而整体上可有效提高室内目标点的定位精度。

多传感器极大似然定位中站址误差的影响

针对多传感器目标定位中站址误差对定位精度的影响,首先给出了站址误差的传播模型,然后通过理论和仿真对模型进行了详细的分析。分析表明,站址误差导致的定位误差是各站址误差的代数和,且其系数满足"同向传播系数之和为1,非同向传播系数之和为0"的关系。分析还表明,该误差可以分离为两部分:一部分是"确定性部分",取决于目标和传感器的几何位置关系;另一部分是随机部分,依赖于传感器的量测噪声。此外还证明了该模型虽然是基于极大似然法推导而来的,但却是一个通用模型,只需经过很小的改动即可用于其他定位方法站址误差的影响分析。

基于极大似然法的超分辨荧光显微成像方法研究

由于光的衍射极限限制,人们无法观察精细的细胞结构和获得纳米级的蛋白质以及生物分子信息.本研究采用极大似然算法来实现单分子定位.首先,对荧光分子图像进行解卷积和二值化处理降噪;其次,对荧光显微成像过程建立极大似然模型;最后,用优化工具箱函数进行求解.模拟结果表明:相邻20 nm的2条分子带可以分辨;将此算法应用于实际生物样品的超分辨成像时,原本不能区别的2条微丝可以进行区分,且分辨能力得到了提高;极大似然法可以很好地完成分子定位,进而实现超分辨图像的重构.