基于ISODATA改进K均值聚类算法的NLOS识别技术

针对超宽带信号中非视距误差造成定位系统定位偏差的问题,提出了一种改进无监督算法的NLOS识别技术。本文提取信道脉冲冲激响应波形的8种特征参量,选择主成分分析算法对多维特征进行降维处理;采用基于迭代自组织数据分析法改进的K均值聚类算法,自适应地选择K值来区分视距和非视距信号;最后,结合特征参量的冗余性、相关性对分类结果进行判别。实验结果表明,该方法能有效地识别出NLOS信号,且具有较好的环境适应性,识别准确度达到95%。

NLOS环境下基于UWB的定位算法研究

为解决室内非视距(NLOS)环境下定位及机器人定位过程中由于非视距环境下,噪声存在异常值误差过大的问题,提出了两种基于Chan-Taylor协同算法来抑制NLOS误差的方案。一种为结合了卡尔曼滤波的抑制方案,另一种为依据测量特征统计的距离重构方案,从多种定位算法组合出发,有效避免了高噪声和NLOS误差的影响,并通过动静态定位测试分析两种方案的定位精度。结果表明,两种方案均能降低NLOS环境下的定位误差,但NLOS误差抑制算法的效果较优,适应性更强。

一种基于随机森林的LOS/NLOS基站识别方法

蜂窝移动通信环境复杂多变,在基站和移动台之间不可避免会出现电波的非视距(Non-Line-of-Sight,NLOS)传播,使基站和移动台之间的距离测量误差显著增大,导致定位性能急剧下降。为了准确识别出视距(Line-of-Sight,LOS)与非视距传播的基站信号,提出了一种基于随机森林的LOS/NLOS基站识别方法,通过分析移动台与各基站接收机测量距离与定位误差之间的相关性,选择LOS/NLOS测量距离作为特征进行分类器训练,再将分类器用于LOS/NLOS基站的识别。仿真结果表明,该方法对NLOS基站的正确识别率达到90%以上,能取得较好的定位性能。

NLOS环境下多传感器融合的室内定位方法

为提高超宽带(ultra-wideband,UWB)技术在非视距(non line of sight,NLOS)环境下的定位精度,提出一种基于粒子滤波融合视觉与UWB数据的定位方法。视觉模块通过识别与检测标签推算出绝对位姿;UWB模块鉴别由NLOS条件干扰的测距值,筛选最优测距值进行自适应权重的定位算法,提升覆盖区域的整体定位精度;基于粒子滤波将两者的实时定位信息进行数据融合。实验结果表明,融合定位方法具有实时性和鲁棒性,有效抑制了NLOS环境引起的误差,在NLOS环境下定位精度能够达到0.26 m。

基于两步Kalman滤波的NLoS误差抑制算法

针对超宽带(ultra wide band,UWB)定位中影响定位精度的非视距(non line of sight,NLoS)传播误差问题,提出了一种基于Kalman滤波的NLoS误差二次消除方法.该方法利用NLoS误差与测量误差之间的相互独立性,借助Kalman滤波将NLoS误差从总误差中单独分离出来,对其进行实时估计,并将该NLoS误差估计值作为NLoS误差辨别及测距值修正的依据.通过Kalman滤波对到达时间(time of arrival,TOA)测距值进行二次估计、鉴别及修正以提高TOA测距精度,从而实现室内复杂环境下的UWB精准实时定位.仿真实验结果表明:该方法不仅能够对NLoS误差实现良好的跟踪估计,对视距(line of sight,LoS)/NLoS环境转变也具有较强的灵敏感知能力,同时NLoS误差测距值在应用该方法后的定位性能逼近于LoS环境下的理想状态.

基于NLOS下混合滤波加权组合定位算法的仿真

超宽带(Ultra Wide Band, UWB)技术是一种新兴的无线载波通信技术,其具有发射信号功率谱密度低、系统复杂度低、定位精度高等优势,尤其适用于像电厂等密集多径场所的高速无线连接,但在传输过程中信号会被环境中的各种因素影响,进而会影响室内定位的精度。基于此,针对室内非视距(Non Line of Sight, NLOS)环境下,提出一种非视距混合滤波加权算法,能够有效对测距数据进行平滑处理,进而降低异常值的影响,再利用时间差定位法(Time Difference of Arrival,TDOA)测量方法,在原始Chan算法的基础上提出一种改进的Chan定位算法,解决NLOS误差引起的定位信息不准确的问题,最终实现更精准的TDOA定位。仿真实验证明,所提算法在室内NLOS环境中具有更高的定位精度。

基于改进高斯-牛顿法的NLOS误差消除三维定位模型

针对无线传感网络进行室内定位过程中由于信号非视距(NLOS)传播导致精度低的问题,提出一种基于改进高斯-牛顿法的NLOS误差消除室内三维定位模型.该模型基于欧式距离,利用最小二乘算法得到目标位置的初始解,并根据改进的高斯-牛顿法对非线性最小二乘估计值进行迭代,进一步降低NLOS误差的影响,收敛得到最终的精确位置.实验结果表明:该模型在三维空间的定位误差约在0.64 m,最大定位误差不超过1.29 m,误差小于1.2m的概率为96.5%,较其他定位方法有更好地定位效果.

UWB定位中基于XGBoost的NLOS识别方法

NLOS场景下UWB室内定位精度下降,识别出NLOS有助于进一步提升定位精度。针对超宽带定位中非视距识别的问题,提出基于XGBoost的NLOS识别方法。基于XGBoost决策树算法,采用两个层面的数据源对UWB定位中NLOS进行识别:元数据层面,用真实定位场景中采集的UWB CIR数据作为数据源;统计数据层面,将CIR数据经过一定的加工,得到几个关键的信号特征参数作为数据源。两组实验结果表明,XGBoost算法在元数据和统计数据上识别精确度分别达到91%和92%。UWB定位中XGBoost算法能显著提高识别NLOS信号的准确度。

High-Accuracy NLOS Identification Based on Random Forest and High-Precision Positioning on 60 GHz Millimeter Wave

60 GHz millimeter wave(mmWave)system provides extremely high time resolution and multipath components(MPC)separation and has great potential to achieve high precision in the indoor positioning.However,the ranging data is often contaminated by non-line-of-sight(NLOS)transmission.First,six features of 60GHz mm Wave signal under LOS and NLOS conditions are evaluated.Next,a classifier constructed by random forest(RF)algorithm is used to identify line-of-sight(LOS)or NLOS channel.The identification mechanism has excellent generalization performance and the classification accuracy is over 97%.Finally,based on the identification results,a residual weighted least squares positioning method is proposed.All ranging information including that under NLOS channels is fully utilized,positioning failure caused by insufficient LOS links can be avoided.Compared with the conventional least squares approach,the positioning error of the proposed algorithm is reduced by 49%.

NLOS非视距微波技术在通信保障中的研究应用

为满足城区或乡村改造等场景下的应急通信保障需求,降低城区或乡村区域布局结构调整对移动通信网络产生的影响,建立基于非视距微波技术快速恢复通信网络的支撑手段,为现阶段光缆中断时快速恢复通信提供帮助。

基于改进卡尔曼滤波的NLOS误差消除算法

随着无线传感器的网络的日益发展,TOF测距的应用也越来越广。针对基于TOF测距的测量值中包含的由信号的非视距传播引起的误差,提出了自适应测量噪声和有色噪声卡尔曼滤波相结合的消除NL0S误差的算法。该算法首先对测量噪声建立有色噪声模型,滤波参数根据NL0S环境的恶劣情况动态调整,再结合卡尔曼滤波算法,进而实时调整滤波过程以获得最优估计。通过仿真实验表明,该算法误差小,精确度高,适合用于动态实时定位系统。

一种基于TDOA重构的蜂窝网定位服务NLOS误差消除方法(英文)

在非视距传播 (NLOS)环境中 ,到达时间差 (TDOA)测量值受NLOS误差的影响而产生偏差[1] ,使得Chan算法[2 ] 的定位性能显著下降。基于NLOS误差的先验信息 ,利用平均超量时延和均方根时延扩展之间的关系 ,本文为基于移动台 (MS)的定位方案提出了一种建立在TDOA测量值重构和Chan算法基础上的改进算法 ,使得平均超量时延的影响显著下降。分析和仿真结果表明 ,与Chan算法相比 。

IR-UWB测距中NLOS状态的鉴别

NLOS效应是IR-UWB测距定位系统中影响精度的主要因素之一。该文提出不依赖于信道估计,直接从接收信号采样序列中提取特征参量进行NLOS鉴别的方法,构造了采样序列的首均比与峰均比乘积作为鉴别参量,并与使用峭度和平均附加时延这两个参量的鉴别性能进行了对比。仿真结果表明:相干测距所对应的鉴别性能要好于非相干测距,原因是更为精确的DP检测结果及高采样速率使得参量提取值更能准确地反映信道状态信息;使用峭度和平均附加时延作为鉴别参量所能获得鉴别性能均不理想,而使用采样序列的首均比与峰均比乘积能使鉴别成功率提高10%左右。在定位模块中融入该文所获得的NLOS的鉴别结果将有助于定位精度的进一步提升。

基于NLOS环境下的TOA/AOA混合定位算法

非视距传播(NLOS)误差是影响各种蜂窝网络定位精度的主要原因.通过计算波达时间(TOA)和波达角(AOA)相对于移动台(MS)参考位置的残差来对NLOS误差进行鉴别,找出含有NLOS的基站.然后利用所得到的关于NLOS的信息,对算法进行加权处理.仿真实验表明,该算法有效的降低了NLOS的影响,可以得到更好的位置估计结果.

一种用于NLOS环境基于MIMO模型的单站定位方法

在无线定位中,信号的非视距传播成为高精度定位的主要障碍,它严重制约了移动台的定位精度。在该领域中,大多数研究都把焦点集中在NLOS的鉴别与抑制上。在基于MIMO模型下,给出一种新的定位方法。该方法可以充分利用NLOS传播路径而不是去抑制它,其定位模型由只利用2条NLOS路径扩展到利用多条NLOS路径来估计MS位置并实现单基站定位。计算机仿真结果验证了该算法的有效性。

NLOS环境下低复杂度的UWB-SRAKE接收机性能分析

该文提出一种适用于NLOS环境UWB多径信道下低复杂度的选择性RAKE接收机(RC-SRAKE),通过本地参考波形与接收信号的卷积抽样来确定SRAKE的Finger参数,不需要已知信道信息或信道估计过程,降低了复杂度。给出了RC-SRAKE误码率的表达式,分析了Finger数目和信道噪声对RC-SRAKE性能的影响。通过对IEEE.802.15.4a中NLOS信道的仿真实验表明,与能获得准确信道信息的理想SRAKE相比,在Finger数目较少的情况下RC-SRAKE能达到与之相近的性能。

一种NLOS环境下基于散射模型的TOA定位方法

减小非视距(Non Line Of Sight,NLOS)误差定位算法大多要求在移动台和基站之间至少存在一条视距(Line Of Sight,LOS)路径。提出一种新的NLOS环境中基于散射模型分类传播环境的TOA(Time Of Arrival)定位方法,将散射模型中NLOS传播的统计特性加入到定位算法中,使用散射模型研究了3种定位算法,方差匹配算法,期望最大算法和贝叶斯算法。并对算法进行仿真,仿真结果表明,本算法性能优于传统定位算法。

LOS/NLOS环境中融合TOA与RSSI的IMM目标跟踪

针对视距(Line-of-sight,LOS)和非视距(None-line-of-sight,NLOS)混合环境中的运动目标跟踪问题,提出一种基于TOA(到达时间)与RSS(I接收信号强度)测量融合的交互式多模型(Interacting Multiple Model,IMM)鲁棒跟踪算法。目标与基站之间的LOS、NLOS传输分别用扩展卡尔曼滤波(EKF)和扩展H$滤波(EHF)进行匹配,并采用马尔可夫过程对模型间的转换进行描述。Monte Carlo仿真结果表明,与单纯TOA测量跟踪相比,该算法具有较高的定位精度和较好的跟踪稳定性,且计算复杂度相当,具有较好的可实现性。

LOS/NLOS混合环境中基于交互式多模型的鲁棒目标跟踪

针对视距(line-of-sight,LOS)和非视距(none-line-of-sight,NLOS)混合环境的定位跟踪问题,提出一种基于扩展H∞滤波(EHF)和扩展卡尔曼滤波(EKF)的交互式多模型(IMM)定位跟踪算法。目标与基站之间的LOS、NLOS传输信道分别用EKF和EHF匹配,模型间的转换用马尔可夫过程进行描述。Monte Carlo仿真结果表明,该算法具有较高的定位精度、较好的跟踪稳定性,且计算时间与基于EKF的IMM算法相当,具有较好的可实现性。

一种NLOS环境下的TOA/AOA定位算法

为了减小NLOS传播的影响,基于几何结构的单次反射统计信道模型,该文提出一种NLOS环境下的TOA/AOA定位算法。利用RBF神经网络较快的学习特性和逼近任意非线性映射的能力,对NLOS传播的误差进行修正以减小NLOS传播的影响,再利用最小二乘(LS)算法进行定位,从而提高系统的定位精度。仿真结果表明,该算法在NLOS环境下有较高的定位精度,性能优于Chan算法,Taylor算法和LS算法。