CN110784823B - 基于bp神经网络和tdoa的室外目标定位方法 - Google Patents
基于bp神经网络和tdoa的室外目标定位方法 Download PDFInfo
- Publication number
- CN110784823B CN110784823B CN201911068319.7A CN201911068319A CN110784823B CN 110784823 B CN110784823 B CN 110784823B CN 201911068319 A CN201911068319 A CN 201911068319A CN 110784823 B CN110784823 B CN 110784823B
- Authority
- CN
- China
- Prior art keywords
- tdoa
- neural network
- time difference
- target
- value
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开一种基于BP神经网络和TDOA的室外目标定位方法,其步骤是:采集1组不含非可视距NLOS误差的TDOA值和10组带有非可视距NLOS误差的TDOA值;构建BP神经网络;以不含非可视距NLOS误差的TDOA值作为BP神经网络的标签值,10组带有非可视距NLOS误差的TDOA值作为输入值训练BP神经网络10次;用训练好的BP神经网络修正在非可视距NLOS环境下的TDOA数据;最终用到TDOA方法对待定位目标定位。本发明可以降低修正非可视距NLOS误差的算法复杂度,提高了非可视距NLOS环境下室外定位的定位精度并且具有良好的实时性。
Description
技术领域
本发明属于无线通信技术领域,更进一步涉及无线定位技术领域中的一种基于误差反向传播BP(Back Propagation)神经网络和信号到达时间差TDOA(Time Difference ofArrival)的室外目标定位方法。本发明可在室外的非视距NLOS(Non-Line of Sight)环境中用于蜂窝网、无线传感器网络或其他网络的电磁频谱信号源定位与跟踪业务中采用信号到达时间差TDOA定位时,消除监测设备之间的非视距误差。
背景技术
在无线室外定位中,当待定位物体与基站间的直线传播路径被建筑物或其他一些障碍物遮挡,电磁波将会发生绕行或者放射,衍射现象,通过其他路径到达目的地,从而产生非可视距误差。通过测量信号到达时间差TDOA值来进行定位具有隐蔽性好,抗干扰能力强,定位速度快等特点。但该定位技术需要测量待定物体与基站的传播时间,非视距传播会导致这两种技术的测量值远远大于实际值,从而使得的定位结果与待定位物体的实际位置相差很大,所以消除或抑制该误差可以有效的提高定位精度。同时,在实际的室外定位中除了要有稳健的定位精度以外,良好的实时性才会有更好的应用意义,而方法的算法复杂度是影响定位实时性的重要因素。
中电科仪器仪表有限公司在其申请的专利文献“一种多测量站的时差定位方法及装置”(公开号:CN110261820A,申请号:2019106495551,申请日:2019年7月18日)中公开了一种多测量站的时差定位方法。该方法包括:采用时间延迟估计方法获取个时间差测量值;利用投影矩阵p,对时差测量值Told进行投影处理,得到投影后的时差测量值Tnew;然后选取第m个测量站作为主站,其它测量站作为辅站,从Tnew中选取辅站与主站之间的N-1个对应的时差测量值,并利用上一步获取的时差测量值,计算辐射源的坐标位置;然后指定N个测量站分别作为主站,得到不同主站情况下的GDOP等值线分布图;比较解算的坐标位置在N个等值线分布图中的GDOP值,确定该坐标位置是否为最终的解算结果。该方法存在的不足之处是:没有考虑到非可视距误差对时差数据的影响,当有非可视据误差的存在时,会严重影响定位精度。
玉林师范学院在其申请的专利文献“基于信号强度的非视距定位方法”(公开号:CN107820206A,申请号:2017111265620,申请日:2017年11月15日)中公开了一种基于信号强度的非视距定位方法。该方法首先采用3GPP 3D路径损耗模型计算待定位目标和至少3个基站之间的距离,然后利用目标和基站之间的距离的观测方程式求目标坐标的最小二乘估计,作为下一步梯度法的迭代初始值,最后用梯度法最小化目标和各个基站的距离观测值和测量值之间误差的目标函数f,求出目标坐标的最优解。该方法存在的不足之处是,采用路径损耗模型和梯度法最小化目标函数算法复杂度较高,当非视距误差较大时会对室外目标定位结果的产生时刻有延迟,实时性不高。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于BP神经网络和TDOA的室外目标定位方法,以减小非可视距NLOS误差,提高了定位精度和定位实时性。
实现本发明的技术思路是,针对在非可视距NLOS环境下非可视距误差对量测的影响,通过利用误差反向传播BP神经网络修正非可视距NLOS误差和到达时间差TDOA值方法,进行非可视距NLOS环境下的室外定位。
本发明的具体实现步骤包括如下:
(1)采集时差数据:
(1a)将7个无源基站中的第1个基站作为主站,其他的无源基站作为辅站;
(1b)利用到达时间差公式,计算在不含非可视距误差和设备测量误差的环境中待定位目标辐射的电磁波到达主站和其他每个辅站的到达时间差TDOA值;
(1c)利用含噪声的到达时间差公式,计算10组在非可视距NLOS环境中待定位目标辐射的电磁波到达主站和其他每个辅站的到达时间差TDOA值,每组为6个时差数据;
(2)构建误差反向传播BP神经网络:
构建用于修正含噪声的到达时间差TDOA值的3层误差反向传播BP神经网络模型并设置参数;
(3)训练误差反向传播BP神经网络:
将步骤(1b)的到达时间差TDOA值作为误差反向传播BP神经网络标签值,步骤(1a)中的每组信号到达时间差TDOA值作为误差反向传播BP神经网络的输入值,训练误差反向传播BP神经网络10次,得到训练好的误差反向传播BP神经网络;
(4)修正时差数据:
利用含噪声的到达时间差公式,计算待定位目标的到达时间差TDOA值并输入训练好的误差反向传播BP神经网络,得到修正了的到达时间差TDOA值;
(5)利用信号到达时间差TDOA定位:
利用到达时间差TDOA方法,根据修正的到达时间差TDOA值,对室外目标进行定位,得到室外目标的坐标。
本发明与现有技术相比具有以下优点:
第一,由于本发明通过构建误差反向传播BP神经网络,克服了现有技术存在的修正非可视距NLOS误差的算法复杂度带来的室外定位时的延时问题,使得本发明提高了在非可视距NLOS环境下室外定位的实时性。
第二,由于本发明通过训练误差反向传播BP神经网络来修正非可视距NLOS误差,克服了现有技术存在的非可视距NLOS误差对定位效果的影响问题,使得本发明提高了在非可视距NLOS环境下室外定位的精度。
附图说明
图1为本发明的流程图;
图2为在非可视距NLOS环境下对静止目标的定位仿真图;
图3为在非可视距NLOS环境下对匀速直线运动目标的定位仿真图;
图4为在非可视距NLOS环境下对机动运动目标的定位仿真图。
具体实施方式
下面结合附图对本发明的做进一步的描述。
参考图1,本发明的实现步骤如下:
步骤1,采集时差数据。
将7个无源基站中的第1个基站作为主站,其他的无源基站作为辅站。
利用到达时间差公式,计算在不含非可视距误差和设备测量误差的环境中待定位目标辐射的电磁波到达主站和其他每个辅站的到达时间差TDOA值。
到达时间差公式如下:
其中,为待定位目标辐射的电磁波到达主站和第i个辅站的时间差TDOA的测量值,i=2,3,...,7,rj为待定位目标与第j个无源基站之间的距离。x,y为待定位目标在平面坐标系中的坐标值,xi,yi为第i个无源基站在平面坐标系中的坐标值,xt,yt为主站在平面坐标系中的坐标值,C为电磁波传播速度。
利用含噪声的到达时间差公式,计算10组在非可视距NLOS环境中待定位目标辐射的电磁波到达主站和其他每个辅站的到达时间差TDOA值,每组为6个时差数据。
含噪声的到达时间差公式如下:
其中,为待定位目标辐射的电磁波到达主站和第j个辅站的时间差TDOA的测量值,j=2,3,...,7,τrms为均方根延时扩展,其服从标准值为σy的对数正态分布,取σy为4dB,所以每一次的计算结果都是不同的。
步骤2,构建误差反向传播BP神经网络。
构建用于修正含噪声的到达时间差TDOA值的3层误差反向传播BP神经网络模型并设置参数。
所述的3层误差反向传播BP神经网络模型的结构设置为:输入层→隐含层→输出层;其中各层的参数设置如下:
将输入层设置为6个神经单元。
将隐含层设置为18个神经单元,传递函数为Sigmoid型函数。
将输出层设置为6个神经单元,传递函数为Purelin线性传递函数。
步骤3,训练误差反向传播BP神经网络。
将步骤1中的不含非可视距误差和设备测量误差的环境中得到的到达时间差TDOA值作为误差反向传播BP神经网络标签值,在非可视距NLOS环境中得到的每组信号到达时间差TDOA值作为误差反向传播BP神经网络的输入值,训练误差反向传播BP神经网络10次,得到训练好的误差反向传播BP神经网络。
步骤4,修正时差数据。
利用含噪声的到达时间差公式,计算待定位目标的到达时间差TDOA值并输入训练好的误差反向传播BP神经网络,得到修正了的到达时间差TDOA值。
含噪声的到达时间差公式如下:
其中,为待定位目标辐射的电磁波到达主站和第j个辅站的时间差TDOA的测量值,j=2,3,...,7,τrms为均方根延时扩展,其服从标准值为σy的对数正态分布,取σy为4dB,所以每一次的计算结果都是不同的。
步骤5,利用信号到达时间差TDOA定位。
利用到达时间差TDOA方法,根据修正的到达时间差TDOA值,对室外目标进行定位,得到室外目标的坐标。
根据步骤4中得到的到达时间差TDOA值,对待定位目标进行定位,得到待定位目标的坐标:
主站和第j个辅站到待定位目标的距离dt,dj分别为:
其中,(xt,yt)为主站的坐标,(x,y)为待定位目标的坐标,(xi,yi)为辅站的坐标,其中,j=2,3,...7,。dt和dj两者的距离差dtj为:
根据步骤(4)中得到的到达时间差TDOA值,计算出dij:
dij=c×TDOAt,j
其中,C为电磁波传播速度,TDOAt,j为待定位目标信号传播到主站和第j个辅站的时间差TDOA值,j=2,3,...7。
以上两个式子相等得到待定位目标坐标为未知变量的方程:
取不同的t,j,得到两个上式这样的式子,联立这两个式子,求得待定位目标的坐标(x,y)。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真实验的硬件平台为:处理器为Intel i5 7300HQ CPU,主频为2.5GHz,内存8GB。
本发明的仿真实验的软件平台为:Windows 10操作系统和Matlab2018。
本发明仿真实验中由于没有实测的带有NLOS噪声的TDOA数据,仿真中采用移动通信中的蜂窝网络的7基站模型,NLOS误差服从COST259模型。仿真的七个基站平面坐标布置为BS1(0,0),BS2BS3BS4BS5BS6BS7R=100,单位为米,其中BS表示无源基站。
2.仿真内容及其结果分析:
本发明仿真实验是采用本发明设置的三层BP神经网络通过10组含有非可视距NLOS误差的到达时间差TDOA值来进行数据训练,达到对非可视距NLOS误差的修正效果,再利用到达时间差TDOA方法来对待定位目标进行定位。
本发明仿真实验有三个,在非可视NLOS环境下,分别对静止目标,匀速直线运动目标,机动运动目标三种待定位目标进行仿真。
仿真实验1,对于静止目标,设定待定位目标位置为(500,500),先通过10组带有NLOS噪声的TDOA数据训练好误差反向传播BP网络模型,再将定位时测量的带有非可视距NLOS误差的到达时间差TDOA值作为输入模型输入来对非可视距NLOS误差进行修正,最终运用到达时间差TDOA算法进行定位,得到了定位结果如图2所示。
仿真实验2,对于匀速直线运动目标,设定待定位目标起始位置为(0,500),沿直线匀速运动到位置(500,0),一共500个时刻,得到了待定位目标运动轨迹图如图3(a)所示。先通过10组带有非可视距NLOS误差的到达时间差TDOA值训练好500个时刻的误差反向传播BP网络模型,再将定位时测量的带有非可视距NLOS误差的TDOA数据实时输入训练好的500个时刻的误差反向传播BP网络模型来对非可视距NLOS误差进行修正,最终运用到达时间差TDOA算法进行定位,得到了定位过程中第125,250,375,500的4个时刻的定位结果,分别如图3(c)、图3(d)、图3(e)、图3(f)所示。
仿真实验3,对于机动运动目标,设定待定位目标起始位置为(0,500),沿曲线机动运动到位置(500,0),一共500个时刻,得到了待定位目标运动轨迹图如图4(a)所示。先通过10组带有非可视距NLOS误差的到达时间差TDOA值训练好500个时刻的误差反向传播BP网络模型,再将定位时测量的带有非可视距NLOS误差的TDOA数据实时输入训练好的500个时刻的误差反向传播BP网络模型来对非可视距NLOS误差进行修正,最终运用到达时间差TDOA算法进行定位,得到了定位过程中第125,250,375,500的4个时刻的定位结果分别如图4(c)、图4(d)、图4(e)、图4(f)所示。
下面结合图2、3、4的仿真图对本发明的效果做进一步的描述。
图2为在非可视距NLOS环境下对静止目标的定位仿真图。图2中的横坐标和纵坐标表示仿真场景的大小,方块表示无源基站位置,黑色“×”则为带有非可视距NLOS误差的到达时间差TDOA值直接定位出的位置,“*”为利用本发明的方法得到的定位位置,坐标为(499.9799,499.9679)。
图3为在非可视距NLOS环境下对匀速直线运动目标的定位仿真图。图3中横坐标和纵坐标表示仿真场景的大小,单位为米,方块表示无源基站位置,直线为目标的运动轨迹,“*”表示每一时刻定位出的目标位置。图3(a)为基站位置及目标运动轨迹,图3(b)是用带有非可视距NLOS误差的到达时间差TDOA值直接通过到达时间差TDOA方法定位的效果。图3(c)、图3(d)、图3(e)、图3(f)分别是用本发明的定位方法在500个时刻中的第125,250,375,500的4个时刻的定位结果图。用具体实施方式中的步骤5计算得到4个时刻待定位的真实目标位置坐标、直接定位位置坐标、利用本发明的定位位置坐标,绘制成表1:
表1 4个定位时刻不同数据定位位置比较
结合表1,将目标真实位置和带有NLOS误差直接定位位置结合可以看出带有非可视距NLOS误差的数据定位效果极差。将目标真实位置和本发明方法的定位位置结合可以看出本发明对于具有匀速直线运动的目标可以实现定位,且定位精度较高。
图4为在非可视距NLOS环境下对机动运动目标的定位仿真图。图4中横坐标和纵坐标表示仿真场景的大小,单位为米,方块表示无源基站位置,曲线为目标的运动轨迹,“*”表示每一时刻定位出的目标位置。图4(a)为基站位置及目标运动轨迹,图4(b)是用带有非可视距NLOS误差的到达时间差TDOA值直接通过到达时间差TDOA方法定位的效果。图4(c)、图4(d)、图4(e)、图4(f)分别是用本发明的定位方法在500个时刻中的第125,250,375,500的4个时刻的定位结果图。用具体实施方式中的步骤5计算得到4个时刻待定位的真实目标位置坐标、直接定位位置坐标、利用本发明的定位位置坐标,绘制成表2:
表2 4个定位时刻不同数据定位位置比较
结合表2,将目标真实位置和带有NLOS误差直接定位位置结合可以看出带有非可视距NLOS误差的数据定位效果极差。将目标真实位置和本发明方法的定位位置结合可以看出本发明对于具有匀速直线运动的目标可以实现定位,且定位精度较高。
以上仿真实验表明:本发明方法构建并训练误差反向传播BP神经网络,能够有效修正非可视距NLOS误差对到达时间差TDOA值的影响,利用误差反向传播BP神经网络和到达时间差TDOA的定位方法,解决了现有技术中非可视距NLOS环境下定位算法复杂度高,实时性不强的问题,是一种非常实用且高效的非可视距NLOS环境下的室外定位方法。
Claims (3)
1.一种基于BP神经网络和TDOA的室外目标定位方法,其特征在于,构建误差反向传播BP神经网络,通过到达时间差TDOA值训练误差反向传播BP神经网络,修正时差数据;该方法的步骤包括如下:
(1)采集时差数据:
(1a)将7个无源基站中的第1个基站作为主站,其他的无源基站作为辅站;
(1b)利用到达时间差公式,计算在不含非可视距误差和设备测量误差的环境中待定位目标辐射的电磁波到达主站和其他每个辅站的到达时间差TDOA值;
(1c)利用含噪声的到达时间差公式,计算10组在非可视距NLOS环境中待定位目标辐射的电磁波到达主站和其他每个辅站的到达时间差TDOA值,每组为6个时差数据;
(2)构建误差反向传播BP神经网络:
构建用于修正含噪声的到达时间差TDOA值的3层误差反向传播BP神经网络模型,其结构依次为:输入层→隐含层→输出层;各层参数设置为:将输入层设置为6个神经单元;将隐含层设置为18个神经单元,传递函数为Sigmoid型函数;将输出层设置为6个神经单元,传递函数为Purelin线性传递函数;
(3)训练误差反向传播BP神经网络:
将步骤(1b)的到达时间差TDOA值作为误差反向传播BP神经网络标签值,步骤(1a)中的每组信号到达时间差TDOA值作为误差反向传播BP神经网络的输入值,训练误差反向传播BP神经网络10次,得到训练好的误差反向传播BP神经网络;
(4)修正时差数据:
利用含噪声的到达时间差公式,计算待定位目标的到达时间差TDOA值并输入训练好的误差反向传播BP神经网络,得到修正了的到达时间差TDOA值;
(5)利用信号到达时间差TDOA定位:
利用到达时间差TDOA方法,根据修正的到达时间差TDOA值,对室外目标进行定位,得到室外目标的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068319.7A CN110784823B (zh) | 2019-11-05 | 2019-11-05 | 基于bp神经网络和tdoa的室外目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068319.7A CN110784823B (zh) | 2019-11-05 | 2019-11-05 | 基于bp神经网络和tdoa的室外目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110784823A CN110784823A (zh) | 2020-02-11 |
CN110784823B true CN110784823B (zh) | 2021-01-05 |
Family
ID=69389159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911068319.7A Active CN110784823B (zh) | 2019-11-05 | 2019-11-05 | 基于bp神经网络和tdoa的室外目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110784823B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111970641B (zh) * | 2020-07-28 | 2022-06-14 | 国网上海市电力公司 | 一种基于tdoa的定位追踪方法 |
CN113281700B (zh) * | 2021-04-20 | 2023-10-31 | 宜宾学院 | 一种无线电磁定位系统及方法 |
CN114126042A (zh) * | 2021-11-22 | 2022-03-01 | 中大检测(湖南)股份有限公司 | 一种基于tdoa的wlan定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2442950A1 (en) * | 2003-09-26 | 2005-03-26 | Chahe Nerguizian | Method and system for indoor geolocation using an impulse response fingerprinting technique |
CN105491659A (zh) * | 2015-11-17 | 2016-04-13 | 北京邮电大学 | 一种室内定位的非视距补偿方法 |
CN106455059A (zh) * | 2016-12-09 | 2017-02-22 | 北京邮电大学 | 一种室内定位的方法及装置 |
CN106912105A (zh) * | 2017-03-08 | 2017-06-30 | 哈尔滨理工大学 | 基于pso_bp神经网络的三维定位方法 |
CN108318854A (zh) * | 2018-01-17 | 2018-07-24 | 北京邮电大学 | 一种定位方法、装置、电子设备及可读存储介质 |
-
2019
- 2019-11-05 CN CN201911068319.7A patent/CN110784823B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2442950A1 (en) * | 2003-09-26 | 2005-03-26 | Chahe Nerguizian | Method and system for indoor geolocation using an impulse response fingerprinting technique |
CN105491659A (zh) * | 2015-11-17 | 2016-04-13 | 北京邮电大学 | 一种室内定位的非视距补偿方法 |
CN106455059A (zh) * | 2016-12-09 | 2017-02-22 | 北京邮电大学 | 一种室内定位的方法及装置 |
CN106912105A (zh) * | 2017-03-08 | 2017-06-30 | 哈尔滨理工大学 | 基于pso_bp神经网络的三维定位方法 |
CN108318854A (zh) * | 2018-01-17 | 2018-07-24 | 北京邮电大学 | 一种定位方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (5)
Title |
---|
A location and tracking algorithm based on BP neural network with NLOS propagation;Mao Yongyi等;《2009 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery》;20191011;全文 * |
A UWB Positioning Scheme Based on BP Neural Network in NLOS Environment;Xiuzhen Wang等;《 2011 7th International Conference on Wireless Communications, Networking and Mobile Computing》;20110925;全文 * |
An efficient machine learning approach for indoor localization;Lingwen Zhang等;《China Communications》;20171222;全文 * |
基于BP神经网络的定位跟踪算法;毛永毅等;《计算机工程与应用》;20111031;全文 * |
基于神经网络的TDOA定位改进算法研究;乔梁;《河南师范大学学报(自然科学版)》;20140831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110784823A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110784823B (zh) | 基于bp神经网络和tdoa的室外目标定位方法 | |
CN110045324B (zh) | 一种基于uwb和蓝牙技术的室内定位融合方法 | |
CN110174643B (zh) | 一种无需噪声功率信息的基于到达时间差的定位方法 | |
CN104363616A (zh) | 一种室外到室内传播模型预测室内三维空间场强的方法 | |
CN109151714A (zh) | 一种三维鲁棒估计定位方法 | |
CN110493742A (zh) | 一种用于超宽带的室内三维定位方法 | |
CN106125043B (zh) | 一种基于定位位置残差加权的定位方法 | |
CN108761387B (zh) | 一种固定辐射源的双站时差频差联合定位方法 | |
CN107241797B (zh) | Nlos环境下基于散射体信息的单站定位方法 | |
CN108811082B (zh) | 一种无线定位方法、系统及定位终端 | |
CN104502911A (zh) | 一种穿墙成像雷达的墙壁参数估计方法 | |
CN104330788A (zh) | 基于到达路径反向追踪的无线电定位方法 | |
CN110954865A (zh) | 一种基于电离层信息的短波时差定位方法 | |
CN107148080A (zh) | 一种基于海伦公式计算面积残差的二次规划定位方法 | |
Wang et al. | Real-time passive localization of TDOA via neural networks | |
Li et al. | A correlation-based electromagnetic time reversal technique to locate indoor transient radiation sources | |
Aguilera et al. | Doppler compensation algorithm for chirp-based acoustic local positioning systems | |
KR100953435B1 (ko) | 두 개의 기지국 신호를 사용하여 AoA방식과ToA방식을 결합한 위치 측위 방법 | |
CN104683949A (zh) | 一种应用于无线Mesh网中基于天线阵列的混合自定位方法 | |
CN106455059B (zh) | 一种室内定位的方法及装置 | |
CN113030858A (zh) | 一种基于直线距离差的短波天波传播时差定位方法 | |
CN106019222B (zh) | 一种基于定位算法残差的二次规划定位方法 | |
CN116908778A (zh) | 轨道区段定位方法、轨道区段定位装置、电子设备及介质 | |
CN115826004B (zh) | 一种基于二维角度及时差联合的三星协同直接定位方法 | |
CN112904275B (zh) | 一种基于泰勒级数直线距离的短波天波传播时差定位方法 |
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 |