CN109581291A - 一种基于人工蜂群的直接定位方法 - Google Patents
一种基于人工蜂群的直接定位方法 Download PDFInfo
- Publication number
- CN109581291A CN109581291A CN201811511147.1A CN201811511147A CN109581291A CN 109581291 A CN109581291 A CN 109581291A CN 201811511147 A CN201811511147 A CN 201811511147A CN 109581291 A CN109581291 A CN 109581291A
- Authority
- CN
- China
- Prior art keywords
- solution
- formula
- new explanation
- fitness value
- bee colony
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于人工蜂群的直接定位方法,建立阵列天线接收信号时域模型;得到接收信号的频域观测模型;建立目标函数从而确定适应度函数;初始化控制参数,计算各个初始解的适应度值,采蜜蜂进行领域搜索产生新解,并计算新解对应的适应度值进行贪婪选择;计算与解相关的选择概率,再进行邻域搜索产生新解,并计算新解对应的适应度值,进行贪婪选择;判断是否有要放弃的解,如果存在,则产生一个新解代替要放弃的解并记录,最后判断是否满足终止条件,若满足便输出最优结果,不满足则继续重复产生新解替代旧解及以后步骤;本发明引入人工蜂群算法去解决直接定位过程中非线性最优化问题的求解,减少了运算资源消耗,缩短了定位耗时。
Description
技术领域
本发明涉及一种直接定位方法,尤其涉及一种基于人工蜂群的直接定位方法,属于无线定位技术领域。
背景技术
目前无源定位技术分为两步定位和直接定位。两步定位根据所采用的观测量分为多种,包括到达时间差定位技术、到达角定位技术、多普勒差定位技术,和一些联合定位技术。两步定位法分为两步,其第一步先从原始信号抽样中估计定位参数,第二步是基于这些参数进一步确定目标的位置信息。因为两步定位法需要估计定位参数,这一步会引入较大误差。所以两步定位法存在定位精度较低这一缺陷。
Weiss等人在2004年提出了直接定位的概念,这种定位方法不经过定位参数的估计过程,而是直接利用观测站采集的数据估计出目标的位置。Weiss提出的单目标直接定位使用的是网格搜索算法进行定位求解,即将定位区域划分成若干个格点,将每个格点作为移动终端可能的潜在位置,需要分别计算每个格点的代价函数值,其极小值所对应位置为所求位置。网格搜索算法需要对每一个格点进行计算,所以该方法的缺陷为计算资源消耗大,定位运算耗时长。
发明内容
本发明的目的是为了提供一种精度高,收敛速度快的基于人工蜂群的直接定位方法。
本发明的目的是这样实现的:
一种基于人工蜂群的直接定位方法,包括以下步骤:
步骤一:建立阵列天线接收信号时域模型;
步骤二:将接收信号时域模型先抽样再进行离散傅里叶变换得到接收信号的频域观测模型;
步骤三:由接收信号的频域模型建立代价函数,该代价函数的最小值对应的定位参数值是对目标位置的最小方差估计,将代价函数方程转化为非线性最优化问题的求解,建立目标函数从而确定适应度函数;
步骤四:初始化控制参数,计算各个初始解的适应度值,采蜜蜂进行领域搜索产生新解,并计算新解对应的适应度值进行贪婪选择,即若新解适应度值优于旧解的适应度值,则用新解替换旧解,否则保留旧解不变;
步骤五:计算与解相关的选择概率,跟随蜂再根据轮盘赌选择法以概率选择食物源,再进行邻域搜索产生新解,并计算新解对应的适应度值,进行贪婪选择;
步骤六:判断是否有要放弃的解,如果存在,则产生一个新解代替要放弃的解,并记录迄今为止效果最好的解,最后判断是否满足终止条件,若满足便输出最优结果,不满足则继续重复产生新解替代旧解及以后步骤。
本发明还包括这样一些特征:
1.步骤一具体为:假设待定位的移动终端位于p=(x,y),L个已知位置的基站位于qn=(xn,yn),n=1,…,L,每个基站均装有含M阵元的阵列天线;移动终端向参考基站发出定位请求,各参考基站分别接收移动终端发出的信号,并将信号汇集到定位中心,观测站的阵列天线所接收到的信号时域模型为:
rl(t)=blal(p)s(t-τl(p)-t0)+nl(t) (1)
其中rl(t)表示t时刻阵列输出M×1矩阵,bl表示移动终端与第l个基站之间的信道衰减,al(p)是第l个阵列对方位p的阵列流形矢量,s(t-τl(p)-t0)表示t0时刻产生的信号波形,p表示待定位移动终端的位置,τl(p)表示电磁波从移动终端到基站所经历的传播时延,nl(t)表示噪声矢量;
2.步骤二具体为:对rl(t)抽样Ns点,并且进行离散傅里叶变换得到接收信号频域模型:
上划线表示离散傅里叶系数,T为采样间隔时间;
3.步骤三具体为:根据接收信号频域模型,建立如式(4)的最小方差估计函数:
其中Q(p)含有唯一的未知变量(x,y)为待估计的目标位置,式(4)的最小值对应的(x,y)值即为目标位置的最小方差估计值;
为了求取式(4)函数的最小值,对式(4)进行变形得到:
其中表示al(p)的转置,表示的共轭;
将式(5)的最小值改为求式(6)的最大值,式(6)如下:
式(6)即为式(5)等号右侧减号右边的部分;
将式(6)进行变形化简得:
其中 而目标位置p=(x,y)的最小方差估计通过式(7)可以得到:
式(8)含义为当矩阵C的最大特征值取最大值时对应的参数p为目标位置的最小方差估计,现构造目标函数如式(9)所示:
4.步骤四具体为:初始化蜂群,设置蜂群大小为SN,蜜源数目为SN/2,求解最大迭代次数N,搜索问题的维数为D,第j维的搜索上限和下限分别为ubj和lbj,初始化蜂群个体如式(10):
pij=lbj+rand(0,1)·(ubj-lbj) (10)
其中,i=1,2,…,SN/2;
根据式(11)计算各个初始解pij的适应度值:
其中f(pij)是解pij的目标函数,fit(pij)为解pij的适应度值;
雇佣蜂根据搜索方程即式(12)进行邻域搜索产生新解即新的蜜源vij,并根据式(11)计算新解对应的适应度值,进行贪婪选择,即若新解适应度值优于旧解的适应度值,则用新解替换旧解,否则保留旧解不变,新解搜索方程为:
vij=pbest,j+φij(pij-pkj)(12)
其中pbest,j为上一次迭代最优解,k为不同于i的蜜源,j为随机选择的下标,φij为[-1,1]之间的随机数;
5.步骤五具体为:根据公式(13)计算与解相关的选择概率Pi,跟随蜂再根据轮盘赌选择法以概率Pi选择食物源,再根据搜索方程进行领域搜索产生新解vij,并计算新解对应的适应度值,进行贪婪选择;
其中fit为解的适应度值。
与现有技术相比,本发明的有益效果是:
1、本发明使用了直接定位的方法,这种方法不经过定位参数的估计过程,而是直接利用观测站采集的数据估计出目标的位置,不会存在中间参数估计的误差,与传统的两步定位法相比提高了定位精度。
2、本发明引入人工蜂群算法去解决直接定位过程中非线性最优化问题的求解,与原始直接定位法相比减少了运算资源消耗,缩短了定位耗时。
附图说明
图1是本发明方法的中解决问题的示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的目的在于克服现有技术的上述缺陷,提供一种基于人工蜂群的直接定位新方法,人工蜂群算法在求解非线性最优化问题时具有搜索精度高,收敛速度快的优点,人工蜂群算法用于直接定位中可以缩短运算耗时,减少运算资源消耗。
为了实现上述目的,本发明采用如下的技术方案:
(1)建立观测站的阵列天线所接收到的信号时域模型,该模型表示一个接收天线接收到的定位目标发出信号的表达式,这里考虑时间误差对定位精度的影响,且噪声服从均值为0,方差为σ2的高斯分布。
(2)将接收信号时域观测模型先抽样再进行离散傅里叶变换得到接收信号的频域观测模型。
(3)由接收信号的频域模型建立代价函数,该代价函数的最小值对应的定位参数值是对目标位置的最小方差估计。将代价函数方程转化为非线性最优化问题的求解,建立目标函数从而确定适应度函数。
(4)初始化控制参数,计算各个初始解xij的适应度值,采蜜蜂根据公式进行领域搜索产生新解vij,并计算新解对应的适应度值进行贪婪选择,即若新解适应度值优于旧解的适应度值,则用新解替换旧解,否则保留旧解不变。
(5)根据公式计算与解相关的选择概率Pi,跟随蜂再根据轮盘赌选择法以概率Pi选择食物源,再根据公式进行邻域搜索产生新解vij,并计算新解对应的适应度值,进行贪婪选择。
(6)判断是否有要放弃的解,如果存在,则根据公式产生一个新解代替要放弃的解,并记录迄今为止效果最好的解,最后判断是否满足终止条件,若满足便输出最优结果,不满足则继续重复产生新解替代旧解及以后步骤。
如图1所示,本发明提供一种基于人工蜂群的直接定位方法,包括以下步骤:
步骤1:建立阵列天线接收信号时域模型。假设待定位的移动终端位于p=(x,y),L个已知位置的基站位于qn=(xn,yn),n=1,…,L,每个基站均装有含M阵元的阵列天线;移动终端向参考基站发出定位请求,各参考基站分别接收移动终端发出的信号,并将信号汇集到定位中心。观测站的阵列天线所接收到的信号时域模型为:
rl(t)=blal(p)s(t-τl(p)-t0)+nl(t) (1)
其中rl(t)表示t时刻阵列输出M×1矩阵,bl表示移动终端与第l个基站之间的信道衰减,al(p)是第l个阵列对方位p的阵列流形矢量,s(t-τl(p)-t0)表示t0时刻产生的信号波形,p表示待定位移动终端的位置。τl(p)表示电磁波从移动终端到基站所经历的传播时延,nl(t)表示噪声矢量。
步骤2:根据阵列天线接收信号时域模型,对rl(t)抽样Ns点,并且进行离散傅里叶变换得到接收信号频域模型:
上划线表示离散傅里叶系数,T为采样间隔时间。
步骤3:根据接收信号频域模型,建立如式(4)的最小方差估计函数:
其中Q(p)含有唯一的未知变量(x,y)为待估计的目标位置,式(4)的最小值对应的(x,y)值即为目标位置的最小方差估计值。
步骤4:为了求取步骤3中式(4)函数的最小值,对式(4)进行变形得到:
其中表示al(p)的转置,表示的共轭;
步骤5:为了简化问题,将求取步骤4中式(5)的最小值改为求式(6)的最大值,式(6)如下:
式(6)即为式(5)等号右侧减号右边的部分。
步骤6:将式(6)进行变形化简得:
其中 而目标位置p=(x,y)的最小方差估计通过式(7)可以得到:
式(8)含义为当矩阵C的最大特征值取最大值时对应的参数p为目标位置的最小方差估计。这是一个非线性最优化问题的求解,在本发明中采取人工蜂群算法来解决这个问题。现构造目标函数如式(9)所示:
步骤7:初始化蜂群,设置蜂群大小为SN,蜜源数目为SN/2,求解最大迭代次数N,搜索问题的维数为D,第j维的搜索上限和下限分别为ubj和lbj。初始化蜂群个体如式(10):
pij=lbj+rand(0,1)·(ubj-lbj) (10)
其中,i=1,2,…,SN/2。
步骤8:根据式(11)计算各个初始解pij的适应度值:
其中f(pij)是解pij的目标函数,fit(pij)为解pij的适应度值。
步骤9:雇佣蜂根据搜索方程即式(12)进行邻域搜索产生新解即新的蜜源vij,并根据式(11)
计算新解对应的适应度值,进行贪婪选择,即若新解适应度值优于旧解的适应度值,则用新解替换旧解,否则保留旧解不变。搜索方程为:
vij=pbest,j+φij(pij-pkj) (12)
其中pbest,j为上一次迭代最优解,k为不同于i的蜜源,j为随机选择的下标,φij为[-1,1]之间的随机数。
步骤10:根据公式(13)计算与解相关的选择概率Pi,跟随蜂再根据轮盘赌选择法以概率Pi选择食物源,再根据搜索方程进行领域搜索产生新解vij,并计算新解对应的适应度值,进行贪婪选择。
其中fit为解的适应度值。
步骤11:判断是否有要放弃的解,如果存在,则根据公式(12)产生一个新解代替要放弃的解,并记录迄今为止效果最好的解,最后判断是否达到最大迭代次数N,若未达到则返回步骤8继续循环,若达到则终止迭代,输出最优结果,即为所求的目标位置。
以上所述,仅为本发明最佳的具体实施方法,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (6)
1.一种基于人工蜂群的直接定位方法,其特征是,包括以下步骤:
步骤一:建立阵列天线接收信号时域模型;
步骤二:将接收信号时域模型先抽样再进行离散傅里叶变换得到接收信号的频域观测模型;
步骤三:由接收信号的频域模型建立代价函数,该代价函数的最小值对应的定位参数值是对目标位置的最小方差估计,将代价函数方程转化为非线性最优化问题的求解,建立目标函数从而确定适应度函数;
步骤四:初始化控制参数,计算各个初始解的适应度值,采蜜蜂进行领域搜索产生新解,并计算新解对应的适应度值进行贪婪选择,即若新解适应度值优于旧解的适应度值,则用新解替换旧解,否则保留旧解不变;
步骤五:计算与解相关的选择概率,跟随蜂再根据轮盘赌选择法以概率选择食物源,再进行邻域搜索产生新解,并计算新解对应的适应度值,进行贪婪选择;
步骤六:判断是否有要放弃的解,如果存在,则产生一个新解代替要放弃的解,并记录迄今为止效果最好的解,最后判断是否满足终止条件,若满足便输出最优结果,不满足则继续重复产生新解替代旧解及以后步骤。
2.根据权利要求1所述的基于人工蜂群的直接定位方法,其特征是,步骤一具体为:假设待定位的移动终端位于p=(x,y),L个已知位置的基站位于qn=(xn,yn),n=1,…,L,每个基站均装有含M阵元的阵列天线;移动终端向参考基站发出定位请求,各参考基站分别接收移动终端发出的信号,并将信号汇集到定位中心,观测站的阵列天线所接收到的信号时域模型为:
rl(t)=blal(p)s(t-τl(p)-t0)+nl(t) (1)
其中rl(t)表示t时刻阵列输出M×1矩阵,bl表示移动终端与第l个基站之间的信道衰减,al(p)是第l个阵列对方位p的阵列流形矢量,s(t-τl(p)-t0)表示t0时刻产生的信号波形,p表示待定位移动终端的位置,τl(p)表示电磁波从移动终端到基站所经历的传播时延,nl(t)表示噪声矢量。
3.根据权利要求1所述的基于人工蜂群的直接定位方法,其特征是,步骤二具体为:对rl(t)抽样Ns点,并且进行离散傅里叶变换得到接收信号频域模型:
上划线表示离散傅里叶系数,T为采样间隔时间。
4.根据权利要求1所述的基于人工蜂群的直接定位方法,其特征是,步骤三具体为:根据接收信号频域模型,建立如式(4)的最小方差估计函数:
其中Q(p)含有唯一的未知变量(x,y)为待估计的目标位置,式(4)的最小值对应的(x,y)值即为目标位置的最小方差估计值;
为了求取式(4)函数的最小值,对式(4)进行变形得到:
其中表示al(p)的转置,表示的共轭;
将式(5)的最小值改为求式(6)的最大值,式(6)如下:
式(6)即为式(5)等号右侧减号右边的部分;
将式(6)进行变形化简得:
其中 而目标位置p=(x,y)的最小方差估计通过式(7)可以得到:
式(8)含义为当矩阵C的最大特征值取最大值时对应的参数p为目标位置的最小方差估计,现构造目标函数如式(9)所示:
5.根据权利要求1所述的基于人工蜂群的直接定位方法,其特征是,步骤四具体为:初始化蜂群,设置蜂群大小为SN,蜜源数目为SN/2,求解最大迭代次数N,搜索问题的维数为D,第j维的搜索上限和下限分别为ubj和lbj,初始化蜂群个体如式(10):
pij=lbj+rand(0,1)·(ubj-lbj) (10)
其中,i=1,2,…,SN/2;
根据式(11)计算各个初始解pij的适应度值:
其中f(pij)是解pij的目标函数,fit(pij)为解pij的适应度值;
雇佣蜂根据搜索方程即式(12)进行邻域搜索产生新解即新的蜜源vij,并根据式(11)计算新解对应的适应度值,进行贪婪选择,即若新解适应度值优于旧解的适应度值,则用新解替换旧解,否则保留旧解不变,新解搜索方程为:
vij=pbest,j+φij(pij-pkj) (12)
其中pbest,j为上一次迭代最优解,k为不同于i的蜜源,j为随机选择的下标,φij为[-1,1]之间的随机数。
6.根据权利要求1所述的基于人工蜂群的直接定位方法,其特征是,步骤五具体为:根据公式(13)计算与解相关的选择概率Pi,跟随蜂再根据轮盘赌选择法以概率Pi选择食物源,再根据搜索方程进行领域搜索产生新解vij,并计算新解对应的适应度值,进行贪婪选择
其中fit为解的适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811511147.1A CN109581291B (zh) | 2018-12-11 | 2018-12-11 | 一种基于人工蜂群的直接定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811511147.1A CN109581291B (zh) | 2018-12-11 | 2018-12-11 | 一种基于人工蜂群的直接定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109581291A true CN109581291A (zh) | 2019-04-05 |
CN109581291B CN109581291B (zh) | 2023-08-01 |
Family
ID=65928175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811511147.1A Active CN109581291B (zh) | 2018-12-11 | 2018-12-11 | 一种基于人工蜂群的直接定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109581291B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110376544A (zh) * | 2019-07-23 | 2019-10-25 | 天津工业大学 | 一种基于定位精度贡献度的uhf rfid阵列天线优化部署方法 |
CN111323750A (zh) * | 2020-03-19 | 2020-06-23 | 哈尔滨工程大学 | 一种基于声矢量阵列网络的直接定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927580A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于改进人工蜂群算法的工程约束参数优化方法 |
CN104993889A (zh) * | 2015-07-07 | 2015-10-21 | 西安电子科技大学 | 一种基于人工蜂群算法的多频带协作频谱感知优化方法 |
CN105510948A (zh) * | 2015-12-05 | 2016-04-20 | 中国人民解放军信息工程大学 | 联合无线电信号复包络和载波相位信息的多目标直接定位方法 |
CN106546953A (zh) * | 2016-11-02 | 2017-03-29 | 东南大学 | 一种基于人工蜂群算法的室内水下目标定位方法 |
CN108375902A (zh) * | 2018-02-01 | 2018-08-07 | 西安工程大学 | 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法 |
US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
CN108717176A (zh) * | 2018-04-12 | 2018-10-30 | 哈尔滨工程大学 | 基于人工蜂群算法的多站时差定位方法 |
-
2018
- 2018-12-11 CN CN201811511147.1A patent/CN109581291B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927580A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工程大学 | 一种基于改进人工蜂群算法的工程约束参数优化方法 |
CN104993889A (zh) * | 2015-07-07 | 2015-10-21 | 西安电子科技大学 | 一种基于人工蜂群算法的多频带协作频谱感知优化方法 |
CN105510948A (zh) * | 2015-12-05 | 2016-04-20 | 中国人民解放军信息工程大学 | 联合无线电信号复包络和载波相位信息的多目标直接定位方法 |
US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
CN106546953A (zh) * | 2016-11-02 | 2017-03-29 | 东南大学 | 一种基于人工蜂群算法的室内水下目标定位方法 |
CN108375902A (zh) * | 2018-02-01 | 2018-08-07 | 西安工程大学 | 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法 |
CN108717176A (zh) * | 2018-04-12 | 2018-10-30 | 哈尔滨工程大学 | 基于人工蜂群算法的多站时差定位方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110376544A (zh) * | 2019-07-23 | 2019-10-25 | 天津工业大学 | 一种基于定位精度贡献度的uhf rfid阵列天线优化部署方法 |
CN110376544B (zh) * | 2019-07-23 | 2024-03-22 | 天津工业大学 | 一种基于定位精度贡献度的uhf rfid阵列天线优化部署方法 |
CN111323750A (zh) * | 2020-03-19 | 2020-06-23 | 哈尔滨工程大学 | 一种基于声矢量阵列网络的直接定位方法 |
CN111323750B (zh) * | 2020-03-19 | 2022-08-02 | 哈尔滨工程大学 | 一种基于声矢量阵列网络的直接定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109581291B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105301558B (zh) | 一种基于蓝牙位置指纹的室内定位方法 | |
CN108508411B (zh) | 基于迁移学习的被动雷达外辐射源信号识别方法 | |
CN110221241A (zh) | 一种基于rbf神经网络的低仰角doa估计方法 | |
CN105068049B (zh) | 一种分置天线mimo雷达的克拉美罗界计算方法 | |
CN109581291A (zh) | 一种基于人工蜂群的直接定位方法 | |
CN104812061A (zh) | 一种基于mimo-ofdm信道状态信息的室内测距及定位方法 | |
CN104105196B (zh) | 基于射频指纹定位的方法及系统 | |
CN102427603A (zh) | 基于定位误差估计的wlan室内移动用户定位方法 | |
CN104185270A (zh) | 室内定位方法、系统和定位平台 | |
CN107529222A (zh) | 一种基于深度学习的WiFi室内定位系统 | |
CN106912101B (zh) | 到达时间差定位法及装置 | |
CN109975754A (zh) | 联合角度、时延与多普勒信息的运动多站直接定位方法 | |
CN103068041A (zh) | 一种定位方法 | |
CN110636466A (zh) | 一种机器学习下基于信道状态信息的WiFi室内定位系统 | |
CN113438731B (zh) | 一种基于信号质量控制与特征指纹增强的定位方法及系统 | |
CN106411436A (zh) | 使用匹配追踪确定到达时间的通信系统 | |
CN108717176A (zh) | 基于人工蜂群算法的多站时差定位方法 | |
CN105954731A (zh) | 冲击噪声下基于免疫布谷鸟搜索的双基地mimo雷达测向方法 | |
CN105652235A (zh) | 基于线性回归算法的wlan室内定位多用户rss融合方法 | |
CN106125059B (zh) | 非参数联合估计信号及位置的被动定位方法 | |
CN114545342B (zh) | 利用多通道侦察接收机的雷达脉冲信号参数测量方法 | |
CN105974362A (zh) | 一种联合估计信号参数和位置的高精度被动定位方法 | |
CN109061591A (zh) | 一种基于序贯聚类的时频线谱检测方法 | |
Colpaert et al. | Massive MIMO channel measurement data set for localization and communication | |
CN106357583A (zh) | 分布式mimo‑ofdm系统下基于cazac序列的定时同步方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |