5G超密集网络下的室内压缩重构指纹定位算法

为减少室内定位复杂度并进一步提高定位精度,提出了一种5G超密集网络下的室内压缩重构指纹定位算法。该算法分为离线建库阶段和在线匹配阶段两个阶段。离线建库阶段采用了矩阵填充理论进行指纹库的构建,只需采取少量的指纹点构建具有低秩特性的局部指纹库,并通过非精确增广拉格朗日乘子法(Inexact Augmented Lagrangian Multiplier Method,IALM)算法进行矩阵填充,从而恢复完整的指纹库。在线匹配阶段采用卡方距离代替传统的欧式距离来计算待定位点与参考指纹点的相似度,并用加权K近邻算法估算出待定位点坐标。经过实验仿真分析,所提算法以1.13%的误差节约了40%的工作量,在信噪比为10 dB时定位误差最小为0.2008 m,与传统K近邻指纹匹配算法相比具有更好的定位精度。

基于复杂网络的Psor链路预测算法

复杂网络领域中,链路预测在网络演化规律的研究中被广泛应用,具有巨大的实际应用价值。针对现有的基于网络拓扑的链路预测方法存在预测精度偏低的问题,提出了一种基于复杂网络的Psor链路预测算法。该算法综合节点自身和邻居节点的度,定义了节点的Psor指数和Psor相似性指标进行链路预测。该算法能够全面考虑复杂网络的局部结构信息,更加准确地对复杂网络链路进行预测。仿真结果表明,Psor链路预测算法的预测精度相比8种经典的相似性算法的预测精度最高提升了37.96%。

基于V2X和UAV的车辆协同定位方法研究

针对城市峡谷等全球导航卫星系统(GNSS)盲区中V2X定位方法定位连通性及定位精度较低问题,提出一种基于V2X和无人机(UAV)的车辆协同定位方法。该方法利用UAV与待定位车辆间的相对运动模型联立多组到达时间(TOA)方程,并以辅助节点为基准站利用距离差分法消除TOA的测距误差,从而对目标位置进行解算。同时利用联邦滤波器对V2X及UAV定位方法进行融合,进一步为待定位车辆提供连续、准确的位置服务。仿真结果表明,所提定位方法解决了车联网情况中V2X定位连通性较低的问题,且平均定位精度提升了10.7%,具有一定的应用价值。