基于LM法的光束法平差巡视器导航定位

光束法平差是一种通过高斯牛顿法进行最优估计的方法,在利用相机图像进行巡视器导航定位时起着重要的作用.为获得在缺少足够控制信息的月面环境下的高精度定位信息,提出一种利用列文伯格-马夸尔特算法(LM算法)代替高斯牛顿算法,进行图像光束法平差的巡视器导航定位方法.根据LM算法的核心思想和巡视器图像的构网特征,构建光束法平差模型,并给出了合适的阻尼策略和验后权估计方法.实验结果表明,基于LM算法的光束法平差巡视器导航定位,可以克服高斯牛顿算法适用性弱的缺点,具有较高的定位精度和理想的收敛速率.

一种基于DV-HOP改进的无线传感器网络定位算法

针对无线传感器网络中经典定位算法DV-HOP定位精度低的缺陷,提出改进算法。该算法采用新的方式计算未知节点与锚节点的距离,提出锚节点信任度的概念,并利用加权最小二乘法计算节点坐标。Matlab仿真实验结果表明,在相同网络环境下,该算法能有效减小距离计算带来的定位误差,提高定位精度。

基于极大后验估计和指数加权的自适应UKF滤波算法

针对传统Unscented卡尔曼滤波器(Unscented Kalman filter,UKF)在噪声先验统计未知时变情况下非线性滤波精度下降甚至发散的问题,设计了一种带噪声统计估计器的自适应UKF滤波算法.首先根据极大后验(Maximum a posterior,MAP)估计原理,推导出一种次优无偏MAP常值噪声统计估计器;接着在此基础之上,采用指数加权的方法,给出了时变噪声统计估计器的递推公式;最后对自适应UKF算法进行了性能分析.相比于传统UKF,该自适应UKF算法在噪声统计未知时变情况下不仅滤波依然收敛,滤波精度及稳定性显著提高,而且其具有应对噪声变化的自适应能力.仿真实例验证了其有效性.

基于RSSI的改进加权质心定位修正算法

针对现有无线传感器网络中RSSI定位算法易受外部环境影响、定位精度低的问题,提出一种基于RSSI的改进加权质心定位修正算法.该算法先根据RSSI测距值,利用极大似然法对未知节点位置进行初步估计,根据估计坐标值计算未知节点与RSSI信标节点间的近似距离,剔除误差较大的测量组,然后根据"能与未知节点通信的三个信标节点构成的三角形三边相等时定位误差最小"这一理论,得出权值公式,利用加权质心定位算法,结合TDOA信标节点计算未知节点的坐标并修正.仿真结果表明,该算法较传统的RSSI定位算法可有效减小定位误差,提高定位精度.

一种结合辅助估距锚点的WSN改进型DV-Hop算法

针对传统的无线传感器网络定位算法(DV-Hop算法)在进行距离估算时定位精度较差的问题,文中提出一种基于估距方式分类的无线传感器网络定位算法。该算法将最优辅助估距锚点引入,并且未知节点估算距离时,首先根据要估算的距离搜寻最优辅助估距锚点,再根据估距所属的类型来实施估距计算,以此改善距离估算的精度。为将定位精度进一步提高,所提算法在三边定位法中结合"非线性-跳数"加权因子,以此得到未知节点最终估计坐标的期望。实验结果表明,该算法在一定程度上提高通信开销,算法的定位精度能够明显改善。

基于估距方式分类的无线传感器网络定位算法

针对传统无需测距的无线传感器网络定位算法(DV-Hop算法)在估算距离时因存在较大误差而导致定位精度不高的问题,文中提出了基于估距方式分类的无线传感器网络定位算法.该算法引入最优辅助估距锚点,未知节点每次在估算距离时,首先依据所需估算的距离寻找最优辅助估距锚点,再按其估距所属类型进行估距计算,以提高距离估算的精度.为进一步提高定位精度,文中算法在三边定位法中引入"非线性-跳数"加权因子,通过它获得未知节点最终估计坐标的期望.仿真实验结果表明,在适当增加通信开销的条件下,文中算法的定位精度显著提高.

基于跳数分类的改进DV-Hop节点定位算法

在传统DV-Hop节点定位算法中,不同的网络节点密度使得节点之间不同跳数的平均每跳距离差异较大,跳数越多误差越大。为了减小平均每跳距离差异对节点定位精度的影响,提出一种DV-Hop改进算法。改进算法首先提出跳数分类的策略对网络中不同的跳数进行分类,以减小不同跳数之间平均每跳距离差异的影响,提高节点的定位精度;然后对加权最小二乘估计进行改进,采用改进的权系数取值策略来适应累积误差的非线性变化,从而更好地控制不同跳数在最小二乘估计中的权重,以减小因跳数增加而产生的累积误差,进一步提高节点的定位精度。实验结果表明,改进算法可以有效地减小平均每跳距离差异以及高跳数对节点定位的影响,节点定位性能显著优于传统DV-Hop节点定位算法,相较于对比文献也有一定的提升,并且对不同的网络节点密度具有更好的适应性。

水声传感器网络信号到达时间差目标定位的最小二乘法估计性能

为解决水声传感器网络中测量误差和传感器节点位置误差同时存在时的目标定位问题,提出一种双误差模型下基于加权整体最小二乘方法。建立双误差条件下的信号到达时间差目标定位模型,采用加权整体最小二乘法对该模型进行求解,并推导权值的表达式。所提算法模型与实际符合性更好,且利用了测量误差方差和传感器节点位置误差方差的先验信息,以迭代方法得到最终的目标位置估计值。在模拟测量误差和传感器节点位置误差同时存在情况下对该方法进行仿真与水池试验验证,结果表明所提基于加权整体最小二乘的目标定位方法具有良好的定位性能。

节水机关建设下的给水管道智慧探漏研究

利用在人工智能领域广泛应用的麦克风阵列声源定位技术,基于时延估计(TDE,Time Delay Estimation),采用广义互相关(GCC,Generalized Cross‑correlation)算法,并引入相位变换(PHAT,Phase Transform)加权函数抑制噪声干扰,实现给水管道的快速智能泄漏检测。

基于加权改进模糊C均值聚类的欠定混合矩阵估计

语音欠定混合矩阵估计问题中,针对模糊C均值聚类(FCM)算法对初始聚类中心敏感、易受噪声点干扰、鲁棒性差的缺陷,提出一种基于加权的进化规划与FCM相结合的改进算法(WE-FCM)。首先,利用进化规划(EP)算法强大的搜索能力优化FCM得到基于进化规划的FCM算法(EP-FCM),以获得较佳的初始聚类中心;然后,利用局部离群点检测(LOF)算法对EP-FCM加权以降低噪声点的影响。通过仿真实验得出,所提算法在源信号数为3路和4路时归一化均方误差值与偏离角度值均远小于经典的K均值聚类(K-means)算法、K-Hough、基于遗传算法的FCM算法(GAFCM)和基于密度峰值的FCM算法(FDP-FCM)。实验结果表明,所提算法明显提高了FCM算法的鲁棒性和混合矩阵的估计精度。

针对不规则网络的高精度和高效率的多跳定位算法

针对不规则网络中多跳定位性能下降的问题,文章提出了一种高精度、高效率的多跳定位算法。首先,采用高效距离估计方法,获取节点间的估计距离。然后,依据距离估计的误差推导出最优加权矩阵,在其帮助下运用双曲线估计法,消除累积误差的干扰,进而提高定位精度和稳定性。最后,通过节点间的几何关系分析,发现并纠正因锚节点分布不当造成的异常估计问题。性能与实验分析表明,文章方案定位精度高且运行开销低。

基于方位优选多信息指纹的无源标签室内定位研究

基于指纹的超高频射频识别(UHFRFID)定位现存的方法主要依赖于一些单指纹和全局参考点上,针对指纹库存在数据量冗余和易受到环境变化影响的问题,提出了一种方位优选多信息指纹(OPMIF)技术.OPMIF是一种指纹融合技术,它结合对目标到达角(DOA)的模糊估计,为不同位置目标构建特定的指纹数据库.首先,通过阵列天线相位控制筛选方位优选参考标签(OPRT),无需精确计算目标的DOA因而不会增加计算量和定位时延.然后,利用阵列天线接收OPRT标签的多频多径响应(MFMP)获取多种指纹.多种指纹融合包含更多环境相关的信息,可以改善单一指纹定位易受环境变化影响的缺点.多信息指纹(MIF)包括信号协方差矩阵(SCM)、接收信号强度(RSS)和信号子空间(SSP).然后将定位问题转化为模式识别问题,基于集成学习算法随机森林(RF)设计多个分类器来训练不同类型的指纹.最后,针对同一样本数据多指纹训练的不同学习器的估计结果可能不同,同时对于不同采样数据的同一种指纹学习器的估计结果也有可能不同,提出了一种后验权重估计定位(PWEL)算法来融合不同分类器和样本的预测.仿真实验通过定位误差累积分布函数(CDF)曲线来对比单指纹与多指纹融合,全局指纹与方位优选指纹的性能来验证OPMIF的有效性,并在真实场景中做实验验证提出的定位系统性能优于传统的单指纹方法.

基于双基地阵元级数据融合的声源定位算法

针对双基地声呐系统中,利用几何关系构建定位方程求解定位方式在多目标时存在定位模糊的现象,本文利用阵元级数据融合提出了一种目标定位算法。利用双基地系统中目标时延和方位的耦合关系,将接收数据近似地表示成广义方位估计的模型,实现对时延和方位的同时补偿,将定位问题转换为空间谱估计问题。通过添加虚拟源的方式改进了经典的最小方差无偏估计算法权值的计算方法,得到了旁瓣更低的增强型最小方差无偏估计算法,使得该算法在多目标情况下也不存在定位模糊现象,从而可以省去后续的数据关联等步骤。数值仿真结果表明:相比于基于方位估计的双基地定位算法,本文利用双基地阵元级数据融合提出的算法在单目标和双目标情况下获得了更高的定位精度,在一定信噪比条件下定位误差较经典方法低5 dB。数值仿真和分析展示了本文所提方法在双基地声呐中的应用潜力。

自适应加权质心算法在高精度星点定位中的应用

为实现空间飞行器在高目标星等、像移和光学系统像差等因素影响下的高精度星点定位,提出了一种自适应加权质心细分定位算法。基于最大似然估计推导、建立数学模型并进行仿真实验。结果表明,与质心法、加权质心法及高斯拟合法等传统星点定位算法相比,提出的算法定位精度提高了50%以上,且具有良好的收敛速度,经过5次迭代后,质心定位误差相对较稳定,可以满足实际应用中对实时性的要求。

基于动态集成算法的航空发动机气路参数预测

针对单一学习机对航空发动机气路参数预测困难的问题,提出了基于动态加权核密度估计(DWKDE)组合方法的集成预测算法,该组合方法选择测试样本的近邻样本,通过评估学习机在近邻样本的局部性能动态确定各学习机的权值,并基于该权值利用加权核密度估计实现数据序列的集成预测。该组合方法不易受离群值和样本不对称分布的影响,将该组合方法用于AdaBoost.RT和AdaBoost.R2算法,获得了改进后的集成学习算法。实验证明:相比于神经网络和原始集成学习算法,改进后的集成学习算法较好地提高了航空发动机气路参数序列的预测精度,方均根误差(RMSE)指标至少可降低27%。