CN105376857A - 基于压缩采样的超宽带传感器网络异步定位方法 - Google Patents
基于压缩采样的超宽带传感器网络异步定位方法 Download PDFInfo
- Publication number
- CN105376857A CN105376857A CN201510839509.XA CN201510839509A CN105376857A CN 105376857 A CN105376857 A CN 105376857A CN 201510839509 A CN201510839509 A CN 201510839509A CN 105376857 A CN105376857 A CN 105376857A
- Authority
- CN
- China
- Prior art keywords
- ultra
- signal
- anchor node
- pulse
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/7163—Spread spectrum techniques using impulse radio
- H04B1/717—Pulse-related aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于压缩采样的超宽带传感器网络异步定位方法。具体实现步骤为:(1)锚节点1广播超宽带脉冲1;(2)其它锚节点和TAG节点对接收信号进行压缩采样,得到脉冲1的到达时间;(3)TAG节点广播超宽带脉冲2;(4)各锚节点分别对接收信号进行压缩采样,锚节点1记录脉冲往返传输时间,其它锚节点得到脉冲2的到达时间并分别将两次到达时间报告给锚节点1;(5)锚节点1计算TAG的坐标位置。一方面,本发明将压缩采样方法应用于超宽带传感器网络定位系统,以远低于Nyquist采样率获取超宽带脉冲。另一方面,本发明不需要各节点严格时钟同步,复杂度较低,能有效降低异步超宽带系统的定位误差。
Description
技术领域
本发明属于信号处理与无线通信定位领域,涉及压缩感知、超宽带异步定位等方法,具体地说是一种基于压缩采样的超宽带传感器网络异步定位方法。
背景技术
超宽带信号具有持续时间极短的窄脉冲,它具有超高的时间分辨率和精确的到达时间(TimeofArrival,TOA)估计,因此,当超宽带技术应用于室内定位领域时可以获得很高的定位精度。然而,根据奈奎斯特采样定理可知,对超宽带信号进行采样需要一个具有超高采样率的ADC,这在硬件上实现代价过大。为了解决采样的问题,压缩感知技术开始应用于超宽带系统,从而实现以远低于奈奎斯特的采样率获得超宽带信号。压缩感知理论指出,如果信号在某个变换域上是稀疏的,我们将稀疏变换所得信号通过一个投影矩阵进行降维处理,就能以少于原信号维度的观测值去重构出原始信号。石光明在文章《UWBechosignaldetectionwithultra-lowratesamplingbasedoncompressedsensing》中将压缩感知技术应用于超宽带信道估计,文章指出,超宽带信号在某个预先设定的字典上具有稀疏性。吴绍华在专利《基于多模板字典的压缩感知超宽带信道估计方法及系统》中公布了一种基于多模板字典的压缩感知超宽带信道估计方法。该方法包括信道簇信息获取步骤、信道冲激响应估计步骤。基于贝叶斯压缩感知框架,无需知道信道的稀疏程度,且重构算法融入了信道的簇位置结构特征,实现起来复杂度不高且估计性能相对传统方法有一定提升。文章《Compressivesensingbasedsub-mmaccuracyUWBpositioningsystems:Aspace–timeapproach》中将压缩感知应用于超宽带定位系统,仿真表明,在基于贝叶斯压缩感知(BayesianCompressiveSensing,BCS)的超宽带定位系统中,该文章提出的时空法可以使定位误差降为毫米级。张霆廷在专利《基于双向测距的异步超宽带定位方法及系统》中,公布了一种基于双向测距的异步超宽带定位方法。该方法不需要收发节点的时钟同步,因此复杂度较低。
综上所述,以上方案的局限性如下:
a.超宽带定位系统采用的是传统采样方法,而并没有对超高采样率进行改进;
b.只是基于锚节点与TAG节点之间完全同步的假设,而没有考虑到异步情况下超宽带定位系统的定位性能;
c.只考虑了超宽带系统在视距环境下的定位性能,而没有考虑到非视距环境。
因此,有必要提供一种定位方法,在超宽带定位系统中,该方法既能有效降低信号的采样率,又能实现当系统处于异步情况下时,TAG在视距与非视距两种环境中都能获得良好的定位精度。
发明内容
为了解决现有技术的缺陷,本发明提供了一种基于压缩采样的超宽带传感器网络异步定位方法。与传统超宽带定位方法相比,本发明通过基于贝叶斯压缩采样的两次脉冲传输能够以远低于奈奎斯特的采样率获得更高的定位精度。
本发明提供了一种基于压缩采样的超宽带传感器网络异步定位方法。具体实现步骤如下:
(1)在时刻,锚节点1广播超宽带脉冲1;
(2)其它锚节点和TAG节点对接收信号进行压缩采样,得到脉冲1的到达时间;
(3)TAG节点广播超宽带脉冲2;
(4)各锚节点分别对接收到的信号进行压缩采样,锚节点1记录脉冲往返传输时间,其它锚节点得到脉冲2到达时间并分别将两次到达时间估计值报告给锚节点1;
(5)锚节点1根据各锚节点得到的时间信息和到达时间估计方法的数学模型,计算TAG节点的坐标位置。
对于第个节点来说,接收端的原始信号为:
(1)其中,为发送的超宽带脉冲,为脉冲经过信道模型后的接收端的接收脉冲,为第个路径的幅值,为传播路径的数目,为第条路径的时延。
所述的压缩采样步骤为:基于压缩感知理论,在第个接收端采用投影矩阵 对接收信号进行随机压缩;经ADC采样后得到测量值;最后,在贝叶斯框架下,根据快速相关向量机策略,通过迭代更新计算,从维的测量信号中重构出维的超宽带原始信号。
对原始接收信号的随机投影过程可用下式进行建模:
(2)
其中原始接收信号在时域上具有稀疏性,为压缩测量值,为零均值、方差为的高斯白噪声,为投影矩阵。
在非视距环境下,本发明引入阈值,在对信号进行随机投影之前将幅值小于阈值的信号置为0,从而提高信号的稀疏性,进一步改善定位精度。
重构所采用的快速相关向量机策略执行步骤如下:
首先得到高斯似然模型如下:
(3)在贝叶斯框架下,信号服从一个能够促进其稀疏化的先验分布,因而给权值稀疏向量赋予一个分层的稀疏先验:
首先给每个赋予一个零均值的高斯先验:
(4)
其中为高斯密度函数方差的倒数;先验分布中的参数服从一个伽马分布:
(5)
其中表示超参数的参数;
最后利用最大化后验概率可求得原始信号向量的均值和方差分别为:
(6)其中;利用期望最大法可得:
(7)
其中表示均值的第个元素,,为中的第个对角元素,从而迭代求解出原始信号的均值和方差,并且用均值来对信号进行估计。
所述步骤(3)中,为避免符号间干扰,TAG节点接收到来自锚节点1的信号后,需经最大处理时间后再广播超宽带脉冲2,的值需预先设定并取决于脉冲能量消散的时间。
将重构后的接收信号在时间的长度上求平均得,用平均后信号与本地模板信号进行互相关:
(8)
其中为最大处理时间与脉冲宽度之和;对互相关结果进行峰值检测,峰值对应的路径的时延即为该脉冲到达时间估计值。
锚节点1为处理中心,处理中心利用最小二乘法求解以下公式得到步骤(5)中的坐标估计:
(9)
其中,锚节点的坐标已知,用表示;表示TAG节点的坐标,表示TAG节点与第个锚节点之间的距离,表示光速,是到达时间估计值。
与已有技术相比,本发明的技术特点与效果:
第一、在超宽带信号采样阶段,本发明采用贝叶斯压缩采样方法,能够以远低于Nyquist采样率获得超宽带信号,极大地降低了ADC采样率;
第二、在基于贝叶斯压缩采样的超宽带定位系统中,本发明利用锚节点1与TAG节点先后发射两次脉冲的方法得到到达时间估计值,不要求收发节点之间的时钟同步,且不论TAG处于视距或非视距环境,都能达到优于传统方法的定位精度。
附图说明
图1是本发明的系统流程图。
图2是本发明的实施例中超宽带传感器网络异步定位系统模型。
图3是基于两次脉冲传输的到达时间估计方法的时序图。
图4是视距环境下重构信号与原始信号对比图。
图5是本发明与其他方法的定位精度对比图,其中图5(a)、(b)、(c)分别为本发明与其他方法在场景1、2、3下的定位情况;圆圈为锚节点,三角形为TAG节点真实位置,正方形1、正方形2和正方形3分别表示利用传统异步TOA方法、基于贝叶斯压缩采样的传统异步TOA法和传统多脉冲传输TOA法得到的TAG估计位置;正方形4则是利用本发明的方法得到的TAG估计位置。
具体实施方式
下面结合具体实施例对本发明进行详细说明,以下实施例将有助于本领域的技术人员进一步理解本发明。图1为本发明的超宽带传感器网络异步定位系统流程图,具体实施步骤如下:
(1)在时刻,锚节点1广播超宽带脉冲1;
(2)其它锚节点和TAG节点对接收信号进行压缩采样,得到脉冲1的到达时间;
(3)TAG节点广播超宽带脉冲2;
(4)各锚节点分别对接收到的信号进行压缩采样,锚节点1记录脉冲往返传输时间,其它锚节点得到脉冲2到达时间并分别将两次到达时间估计值报告给锚节点1;
(5)锚节点1根据各锚节点得到的时间信息和到达时间估计方法的数学模型,计算TAG节点的坐标位置。
不失一般性,为简单起见,本实施例考虑二维平面的情况,对一个TAG节点进行定位,参照图2可对本发明进行进一步理解。如图2所示,本实施布置了一个简单的场景,区域大小为,4个固定锚节点分别放置于区域的4个角,区域中随机放置有一个TAG节点,TAG节点的实际坐标设为(4,7)。本实施例中,锚节点1和TAG节点分别装备有超宽带信号接收端和信号发射端,锚节点2、锚节点3和锚节点4分别装备有超宽带信号接收端。图3为信号的时序图,为锚节点1与锚节点2、锚节点3和锚节点4之间的传播时延,分别为各个锚节点的脉冲到达时间估计值。
本实例的运行环境为MATLABR2010a,在视距与非视距环境下,仿真分别采用IEEE.802.15.4a标准CM3和CM4信道模型。信号的发射脉冲为高斯一阶导函数,脉冲宽度为0.5ns,投影矩阵一般可采用高斯随机矩阵、伯努利矩阵或托普利兹矩阵,本实施例选用高斯随机矩阵,每个测量值赋予一个标准方差为0.005的零均值高斯噪声。本发明采用重构比来考查超宽带信号的重构精度,其中为原始信号,为重构信号。
视距环境下超宽带信号经过贝叶斯压缩采样后得到仿真结果如图4所示。可以看到,信号的绝大部分重要多径都实现了精确的重构,信号重构比为77.53%。在非视距环境下,本发明对超宽带信号取不同的阈值,针对不同阈值下的信号重构性能进行对比,结果如表1所示。
表1:不同阈值下的信号重构比
g | 0 | 0.01 | 0.03 | 0.04 | 0.05 | 0.06 | 0.08 |
P/% | 19.12 | 26.36 | 53.65 | 74.3 | 76.17 | 74.67 | 72.72 |
t/s | 2.86 | 3.03 | 2.66 | 2.98 | 1.25 | 2.96 | 2.36 |
可以看出,加入阈值后信号的重构性能有了明显的改善。当阈值取0.05时,信号能够以最短的重构时间达到最佳的重构性能。
在仿真中,为了更全面地验证系统在视距和非视距环境下的定位性能,本实施例设置了3种场景:
场景1:4个锚节点都处于视距环境;
场景2:锚节点3处于非视距环境,锚节点1、锚节点2和锚节点4处于视距环境;
场景3:4个锚节点都处于非视距环境。
为了突出本发明的优势,将本方法与其他定位方法进行比较,其他方法包括:传统异步TOA法、基于贝叶斯压缩采样的传统异步TOA法和传统多脉冲传输TOA法。仿真设定最大处理时间,信噪比为10dB,仿真结果如图5所示。可以看出,在超宽带定位系统中,与传统异步TOA方法相比,本发明的方法能获得更高的定位精度。具体的定位误差如表2所示。
表2不同方法的定位误差
以上对本发明的具体实施例进行了描述。应当理解的是,本发明至少需要3个或3个以上的锚节点进行定位;另外,锚节点1可选为网络中的任一锚节点并作为处理中心。因此,对于锚节点个数的确定以及锚节点1的选取,本发明并不局限于上述特定实施方式,凡在本发明的精神实质与原理之内所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (9)
1.一种基于压缩采样的超宽带传感器网络异步定位方法,其特征在于,该方法的具体实现步骤如下:
(1)在时刻,锚节点1广播超宽带脉冲1;
(2)其它锚节点和TAG节点对接收信号进行压缩采样,得到脉冲1的到达时间;
(3)TAG节点广播超宽带脉冲2;
(4)各锚节点分别对接收到的信号进行压缩采样,锚节点1记录脉冲往返传输时间,其它锚节点得到脉冲2到达时间并分别将两次到达时间估计值报告给锚节点1;
(5)锚节点1根据各锚节点得到的时间信息和到达时间估计方法的数学模型,计算TAG节点的坐标位置。
2.根据权利要求书1所述的基于压缩采样的超宽带传感器网络异步定位方法,其特征在于,对于第个节点来说,接收端的原始信号为:
其中,为发送的超宽带脉冲,为脉冲经过信道模型后到达接收端的接收脉冲,为第条路径的幅值,为传播路径的数目,为第条路径的时延。
3.根据权利要求书1所述的基于压缩采样的超宽带传感器网络异步定位方法,其特征在于,所述的压缩采样步骤为:基于压缩感知理论,在第个接收端采用投影矩阵 对接收信号进行随机压缩;经ADC采样后得到测量值;最后,在贝叶斯框架下,根据快速相关向量机策略,通过迭代更新计算,从维的测量信号中重构出维的超宽带原始信号。
4.根据权利要求书1所述的基于压缩采样的超宽带传感器网络异步定位方法,其特征在于,对原始接收信号的随机投影过程可用下式进行建模:
其中原始接收信号在时域上具有稀疏性,为压缩测量值,为零均值、方差为的高斯白噪声,为投影矩阵。
5.根据权利要求书1所述的基于压缩采样的超宽带传感器网络异步定位方法,其特征在于,在非视距环境下,本发明引入阈值,在对信号进行随机投影之前将幅值小于阈值的信号置为0,从而提高信号的稀疏性,进一步改善定位精度。
6.根据权利要求书1所述的基于压缩采样的超宽带传感器网络异步定位方法,其特征在于,重构所采用的快速相关向量机策略执行步骤如下:
首先得到高斯似然模型如下:
在贝叶斯框架下,信号服从一个能够促进其稀疏化的先验分布,因而给权值稀疏向量赋予一个分层的稀疏先验:
首先给每个赋予一个零均值的高斯先验:
其中为高斯密度函数方差的倒数;先验分布中的参数服从一个伽马分布:
其中表示超参数的参数;
最后利用最大化后验概率可求得原始信号向量的均值和方差分别为:
其中;利用期望最大法可得:
其中表示均值的第个元素,,为中的第个对角元素,从而迭代求解出原始信号的均值和方差,并且用均值来对信号进行估计。
7.根据权利要求书1所述的基于压缩采样的超宽带传感器网络异步定位方法,其特征在于,所述步骤(3)中,为避免符号间干扰,TAG节点接收到来自锚节点1的信号后,需经最大处理时间后再广播超宽带脉冲2,值取决于脉冲能量消散的时间。
8.根据权利要求书1所述的基于压缩采样的超宽带传感器网络异步定位方法,其特征在于,将重构后的接收信号在时间的长度上求平均得,用平均后的信号与本地模板信号进行互相关:
其中为最大处理时间与脉冲宽度之和;对互相关结果进行峰值检测,峰值对应的路径的时延即为该脉冲到达时间。
9.根据权利要求书1所述的基于压缩采样的超宽带传感器网络异步定位方法,其特征在于,锚节点1为处理中心,处理中心利用最小二乘法求解以下公式得到步骤(5)中的坐标估计:
其中,锚节点的坐标已知用表示;表示TAG节点的坐标,表示TAG节点与第个锚节点之间的距离,表示光速,是到达时间估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510839509.XA CN105376857A (zh) | 2015-11-27 | 2015-11-27 | 基于压缩采样的超宽带传感器网络异步定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510839509.XA CN105376857A (zh) | 2015-11-27 | 2015-11-27 | 基于压缩采样的超宽带传感器网络异步定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105376857A true CN105376857A (zh) | 2016-03-02 |
Family
ID=55378547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510839509.XA Pending CN105376857A (zh) | 2015-11-27 | 2015-11-27 | 基于压缩采样的超宽带传感器网络异步定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105376857A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105916200A (zh) * | 2016-05-31 | 2016-08-31 | 山东大学 | 一种基于压缩采样的超宽带无线定位方法与定位装置 |
CN105929365A (zh) * | 2016-04-27 | 2016-09-07 | 严炜 | 一种uwb高精度定位系统及定位方法 |
CN105960018A (zh) * | 2016-06-29 | 2016-09-21 | 陈晓禾 | 基于异步到达时间差的双曲线定位方法 |
CN110348258A (zh) * | 2019-07-12 | 2019-10-18 | 西安电子科技大学 | 一种基于机器学习的rfid应答信号帧同步系统及方法 |
CN111988730A (zh) * | 2019-05-24 | 2020-11-24 | 瑞士优北罗股份有限公司 | 利用无线信号进行定位的方法和设备 |
CN112672302A (zh) * | 2020-12-21 | 2021-04-16 | 国网甘肃省电力公司电力科学研究院 | 一种应用于光伏电站无线传感器的分簇与数据感知方法 |
CN113395762A (zh) * | 2021-04-18 | 2021-09-14 | 湖南财政经济学院 | 超宽带定位网络中位置校正方法及装置 |
CN115327475A (zh) * | 2022-10-17 | 2022-11-11 | 中国人民解放军国防科技大学 | 基于紫外光散射通信的集群接收端定位系统、方法和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1650642A (zh) * | 2002-03-29 | 2005-08-03 | 空气磁体公司 | 检测无线局域网中的伪接入点 |
JP2008076188A (ja) * | 2006-09-20 | 2008-04-03 | Yokosuka Telecom Research Park:Kk | 無線測位システム及び無線装置 |
CN104093207A (zh) * | 2014-07-28 | 2014-10-08 | 湘潭大学 | 一种基于测距误差模型修正的无线定位方法 |
-
2015
- 2015-11-27 CN CN201510839509.XA patent/CN105376857A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1650642A (zh) * | 2002-03-29 | 2005-08-03 | 空气磁体公司 | 检测无线局域网中的伪接入点 |
JP2008076188A (ja) * | 2006-09-20 | 2008-04-03 | Yokosuka Telecom Research Park:Kk | 無線測位システム及び無線装置 |
CN104093207A (zh) * | 2014-07-28 | 2014-10-08 | 湘潭大学 | 一种基于测距误差模型修正的无线定位方法 |
Non-Patent Citations (3)
Title |
---|
DONGWOO KANG等: "A Simple Asynchronous UWB Position Location Algorithm Based On Single Round-Trip Transmission", 《PROCEEDINGS ICACT2006 P1458-1461》 * |
SHIHAO JI等: "Bayesian Compressive Sensing", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
ZHOU Y等: "Low rate sampling techniques for UWB systems:a survey"", 《PROCEEDINGS OF THE 34TH CHINESE CONTROL CONFERENCE》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105929365A (zh) * | 2016-04-27 | 2016-09-07 | 严炜 | 一种uwb高精度定位系统及定位方法 |
CN105929365B (zh) * | 2016-04-27 | 2018-07-24 | 成都精位科技有限公司 | 一种uwb高精度定位系统及定位方法 |
US11035941B2 (en) | 2016-04-27 | 2021-06-15 | Chengdu JingWei Technology Co., Ltd. | UWB high-precision positioning system, positioning method and apparatus, and computer readable medium |
CN105916200A (zh) * | 2016-05-31 | 2016-08-31 | 山东大学 | 一种基于压缩采样的超宽带无线定位方法与定位装置 |
CN105916200B (zh) * | 2016-05-31 | 2019-03-29 | 山东大学 | 一种基于压缩采样的超宽带无线定位方法与定位装置 |
CN105960018A (zh) * | 2016-06-29 | 2016-09-21 | 陈晓禾 | 基于异步到达时间差的双曲线定位方法 |
CN111988730A (zh) * | 2019-05-24 | 2020-11-24 | 瑞士优北罗股份有限公司 | 利用无线信号进行定位的方法和设备 |
CN111988730B (zh) * | 2019-05-24 | 2024-02-09 | 瑞士优北罗股份有限公司 | 利用无线信号进行定位的方法和设备 |
CN110348258A (zh) * | 2019-07-12 | 2019-10-18 | 西安电子科技大学 | 一种基于机器学习的rfid应答信号帧同步系统及方法 |
CN112672302A (zh) * | 2020-12-21 | 2021-04-16 | 国网甘肃省电力公司电力科学研究院 | 一种应用于光伏电站无线传感器的分簇与数据感知方法 |
CN112672302B (zh) * | 2020-12-21 | 2022-07-26 | 国网甘肃省电力公司电力科学研究院 | 一种应用于光伏电站无线传感器的分簇与数据感知方法 |
CN113395762A (zh) * | 2021-04-18 | 2021-09-14 | 湖南财政经济学院 | 超宽带定位网络中位置校正方法及装置 |
CN115327475A (zh) * | 2022-10-17 | 2022-11-11 | 中国人民解放军国防科技大学 | 基于紫外光散射通信的集群接收端定位系统、方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105376857A (zh) | 基于压缩采样的超宽带传感器网络异步定位方法 | |
Wu et al. | CSI-based indoor localization | |
CN109298388B (zh) | 基于方位信息的超视距目标地理坐标直接估计方法 | |
El Ghannudi et al. | α-stable interference modeling and Cauchy receiver for an IR-UWB ad hoc network | |
US9706358B2 (en) | Distance determination of a mobile device | |
CN104469941A (zh) | 基于无线局域网 wlan ofdm 信号循环前缀的室内无线定位方法 | |
US8279898B2 (en) | Distance measuring method | |
Banin et al. | Next generation indoor positioning system based on WiFi time of flight | |
Czink et al. | Low-complexity geometry-based modeling of diffuse scattering | |
CN105554882B (zh) | 基于能量检测的60GHz非视距识别与无线指纹定位方法 | |
CN109088834A (zh) | 一种基于压缩感知的超宽带信道估计算法 | |
Kay et al. | Improvement of TDOA position fixing using the likelihood curvature | |
CN104219761A (zh) | 一种基于最大斜率的超宽带无线定位方法 | |
Arrue et al. | Design of an IR-UWB indoor localization system based on a novel RTT ranging estimator | |
Li et al. | Location based TOA algorithm for UWB wireless body area networks | |
Lee | Weighted-average based aoa parameter estimations for LR-UWB wireless positioning system | |
CN106383333A (zh) | 一种基于互相关的改进时延估计方法 | |
Schmitz et al. | TDOA fingerprinting for localization in non-line-of-sight and multipath environments | |
CN110536410B (zh) | 非视距环境下基于rss和tdoa测量的定位方法 | |
Althaus et al. | UWB geo-regioning in rich multipath environment | |
Xie et al. | An enhanced TDoA approach handling multipath interference in Wi-Fi based indoor localization systems | |
CN104901718A (zh) | 基于直接序列扩频信号载波频率测量的多普勒估计方法 | |
Hollósi | Distribution of ultra wideband (UWB) receive timestamps in dense indoor environment based on the Saleh-Valenzuela channel model | |
CN105738866A (zh) | 一种基于能量检测的60GHz非视距识别与无线指纹定位方法 | |
CN104779993A (zh) | 基于频域均衡的深空测控系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160302 |