下载  >  开发技术  >  其它  > 论文研究-基于粒子群优化的NLOS环境的节点定位算法 .pdf

论文研究-基于粒子群优化的NLOS环境的节点定位算法 .pdf 评分:

基于粒子群优化的NLOS环境的节点定位算法,文恬,余小平,无线传感网络的非视距NLOS(Non-line-of-sight)环境是影响测距定位精度的重要因素,提出了基于粒子群优化PSO(Particle Swarm Optimization)的NLOS环境�
取国科技论又在线 http://www.paper.edu.cn 式中,h为偏差估计:c为连接因子。如果节点i和j能够连接,c=1;否则c=0。此外, 如果是在LOS环境中,b为无偏差估计,E的}=4 文献[113提出了众多缓解NLOS测距的偏差影响的方案。 从式(4)和(5)可看出,NIOS偏差变量b[n对P估计有直接影响,而在实际环境中, NLOS的测距偏差是不可避免的。因此,在NLOS环境中,定位算法必须考虑NLOS的测 距偏差。为此,本文提出面向NLOS环境的wSN的基于粒子群优化算法NLOS+PSO,以 缓解NLOS测距偏差对位置估计的影响,从而提高定位精度。 算法 分析可知,测距过程中一定存在NLOS的测距偏差,并且该偏差对位置估计有直接的 影响。因此,所提岀的NLOS+PSO算法就是从已有的测距中,选择较准确的测距数据,丢 弃误差的数据,从而提高定位精度。接下来,首先分析传统粒子群优化算法原理,随后提岀 其改进算法。 粒子群优化算法首先在某特定区域随机地选择一组位置坐标,并将该组位置坐标作为初 始粒了;然后将初始粒了代入目标函数,进而计算适应度;最后获取粒了的最优位置和整个 种群当前的最优位置。 粒子群优化算法原理 假定第i个粒了位置坐标为x=(x1,x2,…x),其中r衣示空间维度 Un)为粒子速度,其谂代方式为 (+1)=m()+ran1(Bx-x()-mn1(s-x(4)(6) x(k1)=x(k)+U,(k+1) 式,k为选代次数;B和B,为加速度系数;rand1和rand,分别为两个0~1的随机数;m 为惯性权重系数:P表示第第i个粒子经历的个体最优位置;gn表示当前群体所有粒 子全局最优位置。 此外,适应度表示粒子到每个错节点之间的距离与测距结果的平均误差值,其值为 f(xy)=∑ )-d)(8) 式中,d表示粒子离镭节点讠的测距值。适应度是粒子群优化算法的重要参数,直接影响定 位精度。 粒子优化算法的改进 为了提髙粒子优化算法的定位精度,NIOS-PSO算法对惯性权重系数进行了优化。惯 性权重系数越大,粒子速度越大,仝局搜索能力也越强;反之则局部搜索能力强。为此,将 惯性权重函数定义为:(k)=(aOnm-Omn)Xp iter 式中,h表示扩展常系数;k表示当前的迭代次数:O=和am分别表示惯性权重系数的最 大值和最小值;iter-、表示迭代的最大次数 调整扩展常系数h的值可改变惯性权重函数的非线性。研究表明,h-0.2时,粒子群优 化算法的收敛速度最快。h分别为01、0.2和0.3时,惯性权重函数随迭代次数的变化情况 如图1所示 取国科技论又在线 http://www.paper.edu.cn 迭代次数 图1惯性权重函数 从图1可知,惯性权重函数随迭代次数的增加迅速递减。在迭代初期,惯性权重以凸 凼数递减,有利于全局搜索最优解。随着迭代次数的増加,惯性权重函数以凹函数递减,有 利于算法的收敛。整个曲线变化逼近于凹函数递减曲线,与文献14的结论吻合。在凹函数 递减情况下,调整惯性杈重凹函数递减,可得到最优的定位性能 收敛速度也是表示粒子群优化算法的重要性能,为了提高收敛速度,可对粒子的速度和 位置进行优劣排序,每次迭代,摒弃一半性能较差的粒子,将性能较好的另一半粒子进入 轮迭代,有 so(: N (10) 式中,s(f(1:N)为选择函数:x和υ分别为排序后的粒子位置和速度集合。 算法流程 依摭以上分析,首先提出NLOS+PSO算法的初始参数,再计算每个粒子的目标函数, 然后仔储粒了的个体最优适值P和全局最优适值g’并通过对惯性权重函数的调整,反 复迭代,筛选出最优的测距数据。所提出的 NLOS +PSO算法伪代码如下: (1) initialize terman,CI,c,and/*初始参数* (2)for each particle i do for each dimension r do/每一维数据*/ (4) initialize v; randomly:vmin≤v≤vmax (5) End for (6 End for (7 for (k=0; K<itermax; k++) /*开始迭代* (8) f(ghestf(T)then for each particle i do (10) compute f(xi) (1)f(x)<(8s,) (12) for each dimension r do (13) (14) End for (15) End il (16) If f(x <f(gbest) (17 for each dimension r do (18) Puo-ci (19) End for (20) E 取国科技论又在线 http://www.paper.edu.cn 1) update a by (11) (22) for each particle i do (23) for each dimension rdo (24) compute velocity vi(k+l) by( 8) restrict v; to y≤vv (26) compute position xi (k+l)by (9) (27) End for (28) End if (29)sort f(xi) from best to worst (30)End while 系统仿真 系统参数 利用 Matlab建立仿真系统,并分析算法性能。80个传感节点分布于100mx100m区 域。其中,锚节点个数在5~30之间变化;另外,节点通信范围30m;加速度系数β和 为1494;惯性权重系数的最大值和最小值分别为mn=0.9和onmn=0.4;最大迭代次数 ter=50;粒子最人速度υ=10。每次实验独立重复100次,取平均值作为最终的仿 真数据。 此外,选择平均定位误差e作为性能指标,有: ∑√(x-x)2 y:) my 式中,x;、y表示第;个节点的真实位置;文、j为估计位置:m表示已定位的未知节点个 数 仿真结果 为了更充分地分析算法性能,选择LS、IMR和传统的粒子群算法PSO进行仿真比较。 (1)平均定位误差 10个只有偏差的锚节点所占百分比为0%时,平均定位误差随NLOS偏差的变化曲线如 图2所示。 = :二:=:〓〓:=:〓:=盘:=:三盘: 则距误差 图2平均定位误差随NLOS误差变化曲线 从图2可知,随着NLOS误差的增加,所有算法的平均定位误差旱增加趋。其中LS算 法的波动最大,当NLOS误差达到7m时,LS算法的平均定位诶差已高达65%,而其他的 IMR、PSO和NLOS+PSO算法平均定位误差的变化较平衡,其中NLOS+PSO算法的平均定 位误差最小,表明提高了在NLOS环境中的定位精度 取国科技论又在线 http://www.paper.edu.cn 在NLOS偏差服从均值为6,标准差为1的高斯分布环境中,平均定位误差随锚节点个 数的变化情况如图3所示。 锚节点个数 图3平均定位误差随锚节点个数的变化曲线 从图3可知,平均定位误差随锚节点个数的増加呈下降趋势。但是本文所提出的 NLOS+PSO算法的定位精度史高,原因在于NLOs+PSO算法进行区域约束,锚芍点越多, 对未知节点的区域估计越准确。 (2)迭代次数 迭代次数是考量算法的重要性能,为此,分析传统的PSO和本文所提NLOS-PSO算法 的迭代次数性能。 迭代次数对算法性能的影响如图4所示 锚节点个数 =mm-·---”…---,--,…-= 误差 图4迭代次数对算法性能的影响 图4表示NLOS偏差服从4~8m均匀分布,锚节点个数分别为10、15、20、25时, 达代次数对算法性能的影响;以及锚节点个数为15,NLOS偏差分别为4m、6m和8m时 迭代次数对算法性能的影响算法。 从图4可知,本文所提出的NLOS+PSO算法的迭代次数远少于PSO这主要是通过对 贳性权值的吏新,加速」算法的收敛。 (3)时间 相同迭代次数时,各算法的耗时如表1所示。从表1可知,LS算法的耗时最长,PSO 耕时最短,而本文所提出的NLOS+PSO算法的耗时略多于PSO。原因在于NLOS+PSO算 法的惯性权重在形式上更为复杂,增加了计算量。 表1算法耗时(单位:毫秒) 迭代次 算法 10 100 39.82 41.19 93.36 IMR 31.82 29.23 52.23 23.82 30.92 40.18 NLOS+PSO 30.14 34.02 42.38 取国科技论又在线 http://www.paper.edu.cn 总结 本文针对NLoS测距误差,提岀了基于粒子群优化PSO的NLOS环境的节点定位算法, 并将粒子群优化算法引用至无线传感网络定位。首先对粒子样优化算法的参数进行了改进, 对惯性权重进行非线性调整,提髙了算法的收敛速度:另外,对目标值进行排序,降低了计 算量。仿真结果表眀,本文所提出的算法降低了NIOS误差的影徧响,提高了定位精度。今 后将硏究适应度函数的选取,合理地构造适应度函数,进一步芫高算法的定位准确性。 参考文献( [1 Hackmann G, Castaneda N. a holistic approach to decentralized structural damage localization using wireless sensor networks[J]. Computer Communications, 2012, 36(1): 29-41 2」下行育,刘志强,黄秋原.wSN中一种改进的边界盒定倞算法lJ计算机L稈,2011,37(20:57-59 Wang Xingfu, Liu Zhiqiang, Huang Qiuyuan. Improved bounding-box localization algorithm in WSUJ] Computer Engineering, 2011, 37(20): 57-59.(in Chinese 3]Niculescu D, Nath B DV bascd positioning in ad hoc nctworks[J]. Tclccommunication Systcms, 2003, 22(1-4) 267-280 [4 He Tian, Huang Chengdu, Blum B M. Range-free localization schemes in large scale sensor networks] Mobile computing and Networking, 2013, 142): 81-95 [5]Shang Yi, Ruml W, Zhang Ying Localization from mere connectivity[J]. Mobile Ad Hoc Networking and Computing,2011,12(5):201-212 [OLui K Wk, So H C, Ma WK. Maximum a posteriori approach to time-of-arrival-based localization in non-linc-of-sight environment[J]. IEEE Transactions on Vchicular Tcchnology, 2010, 59(3): 1517-1523 [7 Chen Pengchao. A non-line-of-sight error mitigation algorithm in location estimation[J]. IEEE Wireless Communications and Networking Conference IEEE, 1999: 316-320 8]Nguyen T V, Jeong Y, Shin H, et al. Least square cooperative localization[]. IEEE Transactions on Vehicular Technology,2015,64(4):1318-1330 [9]Chan FK w, So H C. Accurate distributed range-based positioning algorithm for wireless sensor networks IEEE Transactions on Signal Processing, 2009, 57(10): 4100-4105 [10] Larsson E G, Dancy D. Accuracy comparison of LS and squared-range LS for sourcc localization [J]. IEEE Transactions on Signal Processing, 2010, 58(2): 916-923 [11 Marano S, Gifford WM. Wymeersch H, et al. NLOS identification and mitigation for localization based on UWB experimental data[J. IEEE Journal on Selected Areas in Communications, 2010, 2807): 1026-1035 2] Wymeersch H, Marano S, Gifford W M, et al. A machine learning approach to ranging error mitigation for UWB localization[J]. IEEE Transactions on Communications, 2012, 60(6): 1719-1728 [13 Decarli N. Guerra A, Conti A, et al. Non-regenerative relaying for network localization J. IEEE Transactions on Wireless Communications, 2014, 13(1):174-185 14]Dardari D. Threshold-based time-of-arrival estimators in UWB dense multipath channels[J]. IEEE Transactions on Communications, 2008, 56(8): 1366-1378

...展开详情
2019-08-16 上传 大小:308KB
举报 收藏
分享
论文研究-基于粒子群优化的NLOS环境的节点定位算法 .pdf

基于粒子群优化的NLOS环境的节点定位算法,文恬,余小平,无线传感网络的非视距NLOS(Non-line-of-sight)环境是影响测距定位精度的重要因素,提出了基于粒子群优化PSO(Particle Swarm Optimization)的NLOS环境�

立即下载
论文研究-基于联合条件概率判决NLOS的数据融合定位算法.pdf

提出一种基于小波对比度的小波域自适应水印算法,充分利用小波对比度更适合人类视觉特性的特点自适应地确定小波域上各分块的嵌入的强度和位置。理论分析和实验结果表明,该算法很好地解决了水印鲁棒性和不可见性之间的矛盾,对一般的图像处理和攻击有很好的鲁棒性。

立即下载
论文研究-一种适用于NLOS环境的LTE终端迭代定位算法.pdf

NLOS(non line of sight,非视距)误差是影响LTE终端定位精度主要因素之一,针对这一问题,提出了一种减小该误差的迭代定位算法,通过引入误差系数重构OTDOA(observed time difference of arrival,到达时间观测差)测量值,采用迭代计算获取一组最优误差系数来改善NLOS误差的影响。该算法不需要信道环境的先验信息,且可通过分层细化减小计算量。仿真结果表明,该算法能有效地减小NLOS环境下的定位误差。

立即下载
论文研究-基于IMT-Advanced信道模型的室内MIMO性能研究.pdf

LTE-Advanced与多输入多输出(MIMO)技术的结合极大地改善了MIMO在不同信道环境下的传输质量和可靠性。为此,在基于IMT-Advanced几何分布统计信道模型基础上,建立LTE-Advanced通信系统的MIMO信道模型,深入研究室内多天线系统的性能。针对MIMO发射分集技术,研究在瑞利衰落信道下不同调制技术对系统误码率(BER)性能的影响,并通过理论验证仿真结果的可行性,进而在非视距(NLOS)情况下,结合不同载波频率的路径损耗,理论分析不同载波频率对系统误码率性能的影响。仿真结果表明,IMT-Advanced室内信道模型只适用于8 GHz以下的低载波频段通信。

立即下载
NLOS环境下无线通信网络中的TDOAAOA混合定位算法

NLOS环境下无线通信网络中的TDOAAOA混合定位算法

立即下载
NLOS 定位算法代码

NLOS蜂窝网络抑制非视距定位算法研究.详细介绍了几种基本的定位方法:圆周定位法(TOA, Time Of Arrival)、双曲线定位法(TDOA, Time Different Of Arrival)、角度测量值定位法(AOA, Angle Of Arrival)和混合定位法,并对这些方法进行了比较。

立即下载
NLOS环境下无线通信网络中的TDOAAOA混合定位算

NLOS环境下无线通信网络中的TDOAAOA混合定位算,很好的资料哦

立即下载
论文研究-一种在NLOS环境下提高TOA定位算法精度的改进方法 .pdf

一种在NLOS环境下提高TOA定位算法精度的改进方法,杨瑾,赵成林,TOA定位算法是移动通信系统基础定位算法之一,具有定位参数易获得,定位精度较高等特点。但在非视距(NLOS)环境中,时间测量参数��

立即下载
LOS_NLOS无线定位方法研究

电子科技大学博士论文:LOS_NLOS无线定位方法算法研究

立即下载
论文研究-基于基站选择法的定位算法 .pdf

基于基站选择法的定位算法,杨真,郑娟,本文中提出了一种基站选择定位算法,算法基于到达时间差(TDOA)计算距离,首先利用NLOS环境下距离测量样本的标准差大于LOS环境下的标

立即下载
论文研究-抑制蜂窝网定位中测量值NLOS误差的两种算法研究 .pdf

抑制蜂窝网定位中测量值NLOS误差的两种算法研究,何伟俊,,本文提出了在蜂窝网定位中两种用改进的卡尔曼滤波器减少到达时间(Time of Arrival,TOA)测量值中非视距(Non—Line of Sight.NLOS)误差的方法。

立即下载
TDOA定位算法

室内定位算法TDOA总结,包括NLOS和LOS环境中的定位算法。

立即下载
基于GNSS UWB的室内外无缝定位方法研究.pdf

通过比较分析常用的 UWB 定位方法,确定本文使用 UWB TW-TOA 测距进行定位,并对 TW-TOA 测距误差来源进行分析,从理论上推导出 UWB 会受到固定误差和比例误差影响,设计使用有偏卡尔曼滤波鉴别和抑制 NLOS 误差,设计一种改进卡尔曼滤波定位算法,将经过标定和抑制NLOS误差的UWB测距信息作为改进卡尔曼滤波的量测信息,利用实验对上述理论和方法进行验证,结果表现良好,可实现高精度的室内定位。

立即下载
无线定位NLOS误差消除资料

消除无线定位NLOS误差,相关论文,个人觉得很有用

立即下载
论文研究-基于RBF神经网络的泰勒级数展开定位算法.pdf

泰勒序列展开定位算法在视距(LOS)环境下有着较好的定位精度,但是在非视距(NLOS)环境下,泰勒序列展开定位算法的定位精度大大下降。为了减小NLOS传播的影响,提出了基于RBF神经网络的泰勒序列展开定位算法。利用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,再利用泰勒序列展开定位算法进行定位。仿真结果表明,该算法减小了NLOS传播的影响,在NLOS环境下有较高的定位精度,性能优于泰勒序列展开定位算法、Chan算法和LS算法。

立即下载
考虑非视距误差的一种新定位算法

提出了一种当接收端(或基站)在平面上随机分布时,考虑非视距(NLOS)传播误差条件下对移动台定位的有效算法。该方法基于到达时间定位技术,其主要思想是通过概率定位和几何定位联合检测具有 NLOS 误差的测量值(在各接收端处估计的信号时延),然后估计这些测量值的 NLOS 误差的大小并更新这些测量值,最后重新估计移动台位置。文中给出了算法的步骤,推导了算法估计误差的方差。同时,本文推导了 NLOS 环境下定位估计误差的克拉美罗下限,并将所提算法的性能与克拉美罗下限做了比较和分析。仿真部分也给出了不同算法与本文算法的性能比较,从仿真结果可以看出,该算法估计精度高。

立即下载
室内TDOA定位chan算法

此文档是关于室内NLOS环境下的定位算法,采用的是TDOAchan算法进行设计

立即下载
论文研究-一种非视距传播环境下的TDOA定位算法.pdf

在基于时差定位的各种算法中,Chan氏算法应用普遍。但在非视线传播环境(NLOS,Non-Line Of Sight)下,其定位性能显著下降。在分析基于视线传播的Chan氏算法基础上,给出了一种改进算法,利用TDOA残差对Chan结果进行加权,研究了当NLOS为确定性和随机性误差两种情况下该算法的性能。仿真结果表明,该算法在不同场合和环境下,都能有效地抑制NLOS误差,定位精度明显提高。

立即下载
基于通信基站的三维室内定位matlab

有程序和资料。16年华为杯数学建模C题。问题一,根据给定的10组LOS或NLOS传播环境下从手持终端到基站的TOA测量数据和所有基站的三维坐标,首先,根据每一组的终端与基站之间的TOA,计算出这三十个基站分别与各个终端之间的空间距离。对于每个终端,利用四点定位算法(在三维空间中,至少要采用四个基站才能实现坐标定位),根据所给的多个基站,采用分组定位,然后取均值的方法,可得出较精确的每个终端三维坐标。 问题二,根据题目中给定的10组TOA测量数据和所有基站的三维坐标(对应附录中编号为case011_input.txt到case020_input.txt的文件),首先使用问题一中的模型求解出终端坐

立即下载
TDOA positioning in NLOS scenarios by particle filtering

TDOA positioning in NLOS scenarios by particle filtering

立即下载