CN111460051B - 一种基于树形结构与逐层次节点删减的数据关联方法 - Google Patents
一种基于树形结构与逐层次节点删减的数据关联方法 Download PDFInfo
- Publication number
- CN111460051B CN111460051B CN202010253442.2A CN202010253442A CN111460051B CN 111460051 B CN111460051 B CN 111460051B CN 202010253442 A CN202010253442 A CN 202010253442A CN 111460051 B CN111460051 B CN 111460051B
- Authority
- CN
- China
- Prior art keywords
- layer
- node
- association
- nodes
- tree structure
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于树形结构与逐层次节点删减的数据关联方法,得到角度观测值;计算三站交叉定位结果;计算交叉定位点角度误差;逐层建立一个树形结构,并进行初步的节点删减;对树形结构进行进一步的逐层次节点删减;获取最终的数据关联组合;本方法综合利用节点的当前角度误差与数据组合累积角度误差进行节点删减,有效地降低了计算复杂度,较好地兼顾了数据关联准确率与计算实时性的要求;本发明通过建立树形结构,并对每一层节点进行逐层处理与删减,可以保证较高的统计关联准确率,并有较低的运算复杂度。相对遍历所有数据关联组合的暴力破解法,该方法计算复杂度较低,速度快,有效的保证了算法实时性。
Description
技术领域
本发明涉及一种数据关联方法,尤其涉及一种基于树形结构与逐层次节点删减的数据关联方法,属于电子侦察领域。
背景技术
角度是电子侦察中可获取的目标辐射源较为稳定、可靠的信息。基于角度信息的测向交叉定位是复杂多变的电磁环境下的电子侦察关键技术。目前,无源多站多目标测向交叉定位存在的主要问题是,观测站同时获得多个辐射源目标的视线矢量(角度)数据,无法自动分辨多个站点的哪些视线矢量数据来自同一目标,会产生错误关联现象,即出现大量虚假点目标的问题。
已有暴力破解数据关联方法,准确率高,但是需要遍历所有数据关联组合,计算复杂度过高,随着目标数目增加呈指数级增长时,无法保证算法实时性;经典的角度冗余关联法等逐目标匹配方法,虽大大减小了运算量,保证了算法的实时性,但在按顺序对目标逐个配对时,每次配对只考虑了当前自身角度误差,而未考虑累积角度误差,且容易造成数据关联误差传播,无法保证数据关联的准确率。为了在保证数据关联准确率的同时,降低计算复杂度,保证实时性,本发明提出一种采用树形结构与逐层次节点删减的数据关联方法。
发明内容
本发明的目的是针对多站点、多目标无源定位问题,提出了一种基于树形结构与逐层次节点删减的数据关联方法。
本发明的目的是这样实现的:
一种基于树形结构与逐层次节点删减的数据关联方法,包括如下步骤:
步骤一:得到所有观测站对每个辐射源目标的角度观测值,从已知三个站点中分别取一个视线矢量,计算三站交叉定位结果,遍历三个站点的所有可能视线矢量组合,给出三站交叉定位点集合;
步骤二:计算集合中每个交叉定位点的角度误差;
步骤三:逐层建立一个树形结构,并根据每一层所有关联配对交叉定位点集合的角度误差进行初步的节点删减;
步骤四:对树形结构进行进一步的逐层次节点删减,保留其所有父节点及节点本身角度误差之和小于累积角度误差阈值的节点;
步骤五:树形结构的最后一层每一个节点及其对应的所有父节点构成一个关联组合,计算每个节点对应的关联组合的累积角度误差并排序,累积角度误差最小者即为所求关联组合。
本发明还包括这样一些特征:
1.所述步骤一中三站交叉定位结果为:
其中:
ai,j=sin(θi,j)
bi,j=-cos(θi,j)
ci,j=xSisin(θi,j)-ySicos(θi,j)
2.所述步骤二具体为:计算交叉定位点站点间的连线与来自该站点的视线矢量的夹角;每个站点对应一个夹角;交叉定位点的角度误差为三个站点的夹角求和;
3.所述步骤三具体为:
(3.1)逐层建立一个树形结构,如果有NT个目标,则该树形结构有NT层;
(3.2)树形结构的每一个节点对应一个三站视线矢量关联配对、对应的交叉定位点、角度误差、累积角度误差和父节点索引号;第一层节点无父节点;
(3.3)生成该树形结构第i(i=1,2,…,NT)层的候选关联配对集合;以站点一的第i个视线矢量为基准,与站点二、站点三的所有视线矢量逐一关联,则在每层得到NT 2个关联配对;
(3.4)对于三中每一层所得的NT 2个关联配对,通过交叉定位点的角度误差阈值进行删减,得到每一层的候选关联配对集合;
(3.5)每层节点由上一层的父节点生成,每个上一层父节点对应该层一个子节点集合;该子节点集合为该层候选关联配对集合,且剔除掉与所有上层父节点含有至少一个相同视线矢量的关联配对;第一层节点无父节点,直接对应候选关联配对集合的每一个关联配对;
4.所述步骤(3.4)中通过交叉定位点的角度误差阈值进行删减,得到每一层的候选关联配对集合具体为:
(3.4.1)集合中每一个关联配对的角度误差即为对应交叉定位点的角度误差;
(3.4.2)若任意一个关联配对的角度误差大于误差阈值threshold,则删除该关联配对,误差阈值threshold为经验阈值;
5.所述步骤四中具体为:
(4.1)对于树形结构该层的每一个节点,计算其所有父节点及其本身角度误差之和,保留小于累积误差阈值thresholdall的节点,累计误差阈值thresholdall为经验阈值;
(4.2)第一层节点不执行步骤四的操作;
6.所述步骤五中具体为:
(5.1)假设通过对树形结构的逐层次节点删减后,在第NT层中,得到n个节点;找到n个节点中每个节点所有的父节点,构成n个关联组合;
(5.2)将每个关联组合中所有各自的节点角度误差相加,即得到每个关联组合的累积角度误差;
(5.3)将每个关联组合的累积角度误差进行排序,和值最小的关联组合即为所求数据关联组合。
与现有技术相比,本发明的有益效果是:
本发明通过建立树形结构,并对每一层节点进行逐层处理与删减,可以保证较高的统计关联准确率,并有较低的运算复杂度。相对遍历所有数据关联组合的暴力破解法,该方法计算复杂度较低,速度快,有效的保证了算法实时性。相对于角度冗余关联法,该方法在保证了高实时性的条件下,在每一层选择关联配对时,不仅考虑了自身角度误差,还兼顾了累积角度误差,并且保留了多组满足阈值条件的关联组合,降低了测向角度观测噪声与误差传播的影响,有效地提高了关联准确率。本方法综合利用节点的当前角度误差与数据组合累积角度误差进行节点删减,有效地降低了计算复杂度,较好地兼顾了数据关联准确率与计算实时性的要求。
附图说明
图1是本发明的流程示意图;
图2是基于角度信息的测向交叉定位原理图;
图3是三站视线矢量关联配对的角度误差计算原理图;
图4是树形结构建立与逐层次节点删减的处理流程示意图。
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。
本发明的发明目的是通过以下技术方案实现的,具体步骤如下:
首先,得到所有观测站对每个辐射源目标的角度观测值,构成一个角度矩阵θall:
其中,NS为观测站数量,NT为辐射源目标数量。
第二,从三个站点中分别取一个视线矢量,计算三站交叉定位结果。遍历三个站点的所有可能视线矢量组合,给出三站交叉定位点集合。已知三个观测站点,站点坐标分别为S1(x1,y1)、S2(x2,y2)、S3(x3,y3)。设有NT个辐射源目标,用最小二乘法,得到三站交叉定位点坐标:
其中:
ai,j=sin(θi,j)
bi,j=-cos(θi,j)
ci,j=xSisin(θi,j)-ySicos(θi,j)
对于三个观测站,NT个辐射源,使用三站交叉定位方法进行目标位置估计。如果估计出的定位交叉点坐标超出探测范围(例如,设站点呈线性排列,以站点连线中心为原点的300km*300km范围),将该交叉点作为虚假目标点删除,得到预处理后的交叉定位点集合。
其中,i为观测站序号,j为辐射源序号,(xSi,ySi)为站点坐标。
交叉定位点的角度误差Δθj定义为各个站点的估计视线角度与对应的视线角度观测值的差值绝对值之和:
第四,逐层建立一个树形结构,并在建立过程中根据每一层所有关联配对集合(交叉定位点)的角度误差进行初步的节点删减。
1.逐层建立一个树形结构,如果有NT个目标,则该树形结构有NT层;
2.树形结构的每一个节点对应一个三站视线矢量关联配对、对应的交叉定位点、角度误差、累积角度误差和父节点索引号;第一层节点无父节点;
3.生成该树形结构第i(i=1,2,…,NT)层的候选关联配对集合。第i层以站点一的第i个视线矢量为基准,与站点二、站点三的所有视线矢量逐一关联,在每层得到NT 2个关联配对;
4.对于3中每一层所得的NT 2个关联配对,将每个关联配对的交叉定位点角度误差与角度误差阈值threshold进行比较,若大于角度误差阈值threshold,则删除该关联配对,得到每一层删减后的候选关联配对集合;
5.每层节点由上一层的父节点生成;每个上一层父节点生成该层一个子节点集合,该子节点集合对应该层候选关联配对集合的所有满足条件的关联配对;条件为关联配对与其所有上层父节点无任何共同的视线矢量;第一层节点无父节点,每个节点直接对应候选关联配对集合的每一个关联配对。
第五,对树形结构进行进一步的逐层次节点删减。对于树形结构某一层(第一层除外)的每一个节点,计算累积角度误差,即其所有父节点及其本身角度误差之和;保留累积角度误差小于累积误差阈值thresholdall的节点。
第六,获取最终的数据关联组合。设上一步骤的树形结构最底层(第NT层)中得到n个节点:
1.遍历获取n个节点中每个节点所有的父节点,构成n个关联组合;
2.将关联组合中所有节点的角度误差相加,得到每个关联组合的累积角度误差;
将每个关联组合的累积角度误差进行排序,累积角度误差最小的关联组合即为所求数据关联组合。
实施例
为表示方便,只考虑对目标的二维平面定位。在XOY平面内,设有3个观测站,NT个辐射源,观测站坐标记为S1、S2、S3,测角精度分别为σ1、σ2、σ3,辐射源目标坐标记为 如图1所示,本发明是一种基于树形结构与逐层次节点删减的数据关联方法,主要包括如下步骤:
一、得到角度观测值
观测站分别对NT个辐射源目标测向得到的角度观测值,构成一个角度观测矩阵θall:
其中,θi,j代表第i个站点对未知目标j的观测结果,对应一个视线矢量,如图2所示,该角度值为观测站对目标的视线矢量与X轴正向的夹角。
二、计算三站交叉定位结果
从三个站点中分别各取一个视线矢量,计算三站交叉定位结果。遍历三个站点的所有可能视线矢量组合,给出三站交叉定位点集合。
1、根据θall矩阵变换得到a、b、c矩阵,其计算公式为:
ai,j=sin(θi,j)
bi,j=-cos(θi,j)
ci,j=xSisin(θi,j)-ySicos(θi,j)
2、根据下述公式计算得到三站交叉定位点:
三、计算交叉定位点角度误差
其中,i为观测站序号,j为辐射源序号,(xSi,ySi)为站点坐标。
如图3所示,交叉定位点的角度误差Δθj定义为各个站点的估计视线角度与对应视线角度观测值的差值绝对值之和:
四、如图4所示,逐层建立一个树形结构,并进行初步的节点删减
1.逐层建立一个树形结构,如果有NT个目标,则该树形结构有NT层;
2.树形结构的每一个节点对应一个三站视线矢量关联配对、对应的交叉定位点、角度误差、累积角度误差和父节点索引号。第一层节点无父节点。
3.生成该树形结构第i(i=1,2,…,NT)层的候选关联配对集合。第i层以站点一的第i个视线矢量为基准,与站点二、站点三的所有视线矢量逐一关联,在每层得到NT 2个关联配对;
4.对于3中每一层所得的NT 2个关联配对,将每个关联配对的交叉定位点角度误差与角度误差阈值进行比较,若大于角度误差阈值,则删除该关联配对,得到每一层删减后的候选关联配对集合,如图4所示,第i层的NT 2个关联配对经删减后,剩余n(i)个关联配对,构成该层的候选关联配对集合;
5.角度误差阈值threshold=k1*σ,其中,σ为三个站点测角精度的平均值,即σ=(σ1+σ2+σ3)/3,k1通常可以设置为4。
6.每层节点由上一层的父节点生成。每个上一层父节点生成该层一个子节点集合,该子节点集合对应该层候选关联配对集合的所有满足条件的关联配对。条件为关联配对与其所有上层父节点无任何共同的视线矢量。第一层节点无父节点,每个节点直接对应候选关联配对集合的每一个关联配对。如图4所示,第i层节点i_j1...i_jk为第i-1层节点i-1_m的子节点集合,该子节点集合中的任何一个节点,与其所有上层父节点(包括i-1_m、i-2_h、...、2_p、1_q)无任何共同的视线矢量。如果某一节点没有任何一个满足条件的子节点,如图4中节点i_jp,则删除该节点。
五、对树形结构进行进一步的逐层次节点删减
1.对于树形结构某一层(第一层除外)的每一个节点,计算累积角度误差,即其所有父节点及其本身角度误差之和,保留累积角度误差小于累积误差阈值的节点。如图4所示,节点i_jq的累积角度误差不满足阈值条件,删除该节点;
2.累积误差阈值thresholdall=k2*i*σ,其中,σ为三个站点的测角精度的平均值,i为节点所在的层数,k2通常设置为3,也可以随着层数增加适当降低。
3.第一层节点不执行此步骤的操作。
六、获取最终的数据关联组合
设上一步骤的树形结构最底层(第NT层)中得到n个节点:
1.遍历获取n个节点中每个节点所有的父节点,构成n个关联组合;
2.将关联组合中所有节点的角度误差相加,得到每个关联组合的累积角度误差;
3.将每个关联组合的累积角度误差进行排序,累积角度误差最小的关联组合即为所求数据关联组合。如图4所示,在第NT层累积角度误差排序中,节点NT_k的累积角度误差最小,找到其所有父节点所对应的关联配对,共同构成一个关联组合,即为所求数据关联组合。
为验证本专利提出的一种基于树形结构与逐层次节点删减的数据关联方法的有效性,与角度冗余关联法算法(专利公开号:CN108871416A)进行对比,进行仿真实验研究。
仿真条件与参数设置如下:
1、所有的工程误差都叠加到测向误差中,且所有观测站的测向精度相同;
2、测角误差服从均值为零的高斯分布,且每个观测站的测角误差之间相互独立;
3、为简化模型,所有观测站和目标都在XOY平面内。
假设空间区域分布五个目标,坐标分别为:T1(150,80),T2(180+d,80),T3(180-d,80),T4(180,80+d),T5(180,80-d),其中,d为目标间距离,单位为km。使用三个观测站对上述目标进行定位,测站的坐标分别为S1(0,30),S2(0,0),S3(0,-30),单位为km。
设置参数,观测站测角误差σ=σ1=σ2=σ3=0.15°,d=5km。
测试结果如下:
表1为不同测角误差下,进行的50000次蒙特卡罗仿真的识别准确率(d=5km):
表2为不同目标距离下,进行的50000次蒙特卡罗仿真的识别准确率(delta=0.15°):
表3为在典型电脑(英特尔Corei5-9600KF六核处理器,主频:3.70GHZ,内存:8GHZ)配置下,进行50000次蒙特卡洛仿真的每次平均运行时间(d=5km,delta=0.15°):
使用方法 | 运行时间(单位:ms) |
暴力破解法 | 601.90ms |
角度冗余关联法 | 3.25ms |
本文方法 | 4.08ms |
综上所述:本专利发明了一种基于树形结构与逐层次节点删减的数据关联方法,属于电子侦察领域。本方法包含以下步骤:步骤一、从三个站点中分别取一个视线矢量,计算三站交叉定位结果。遍历三个站点的所有可能视线矢量组合,给出三站交叉定位点集合;步骤二、计算每个交叉定位点的角度误差;步骤三、逐层建立一个树形结构,并根据每一层所有关联配对集合(交叉定位点)的角度误差进行初步的节点删减;步骤四、对树形结构进行进一步的逐层次节点删减,保留其所有父节点及节点本身角度误差之和(累积角度误差)小于累积角度误差阈值的节点;步骤五、树形结构的最后一层每一个节点及其对应的所有父节点构成一个关联组合,计算每个节点对应的关联组合的累积角度误差并排序,累积角度误差最小者即为所求数据关联组合。
Claims (7)
1.一种基于树形结构与逐层次节点删减的数据关联方法,其特征是,包括如下步骤:
步骤一:得到所有观测站对每个辐射源目标的角度观测值,从已知三个站点中分别取一个视线矢量,计算三站交叉定位结果,遍历三个站点的所有可能视线矢量组合,给出三站交叉定位点集合;
步骤二:计算集合中每个交叉定位点的角度误差,所述交叉定位点的角度误差为三个站点的夹角求和;
步骤三:逐层建立一个树形结构,并根据每一层所有关联配对交叉定位点集合的角度误差进行初步的节点删减,并且删减顺序按照误差越大就先删减;步骤四:对树形结构进行进一步的逐层次节点删减,保留其所有父节点及节点本身角度误差之和小于累积角度误差阈值的节点;
步骤五:树形结构的最后一层每一个节点及其对应的所有父节点构成一个关联组合,计算每个节点对应的关联组合的累积角度误差并排序,累积角度误差最小者即为所求关联组合。
3.根据权利要求1所述的基于树形结构与逐层次节点删减的数据关联方法,其特征是,所述步骤二具体为:计算交叉定位点站点间的连线与来自该站点的视线矢量的夹角;每个站点对应一个夹角;交叉定位点的角度误差为三个站点的夹角求和。
4.根据权利要求1所述的基于树形结构与逐层次节点删减的数据关联方法,其特征是,所述步骤三具体为:
(3.1)逐层建立一个树形结构,如果有NT个目标,则该树形结构有NT层;
(3.2)树形结构的每一个节点对应一个三站视线矢量关联配对、对应的交叉定位点、角度误差、累积角度误差和父节点索引号;第一层节点无父节点;
(3.3)生成该树形结构第i(i=1,2,…,NT)层的候选关联配对集合;以站点一的第i个视线矢量为基准,与站点二、站点三的所有视线矢量逐一关联,则在每层得到NT 2个关联配对;
(3.4)对于三中每一层所得的NT 2个关联配对,通过交叉定位点的角度误差阈值进行删减,得到每一层的候选关联配对集合;
(3.5)每层节点由上一层的父节点生成,每个上一层父节点对应该层一个子节点集合;该子节点集合为该层候选关联配对集合,且剔除掉与所有上层父节点含有至少一个相同视线矢量的关联配对;第一层节点无父节点,直接对应候选关联配对集合的每一个关联配对。
5.根据权利要求4所述的基于树形结构与逐层次节点删减的数据关联方法,其特征是,所述步骤(3.4)中通过交叉定位点的角度误差阈值进行删减,得到每一层的候选关联配对集合具体为:
(3.4.1)集合中每一个关联配对的角度误差即为对应交叉定位点的角度误差;
(3.4.2)若任意一个关联配对的角度误差大于误差阈值threshold,则删除该关联配对,误差阈值threshold为经验阈值。
6.根据权利要求1所述的基于树形结构与逐层次节点删减的数据关联方法,其特征是,所述步骤四中具体为:
(4.1)对于树形结构该层的每一个节点,计算其所有父节点及其本身角度误差之和,保留小于累积误差阈值thresholdall的节点,累计误差阈值thresholdall为经验阈值;
(4.2)第一层节点不执行步骤四的操作。
7.根据权利要求1所述的基于树形结构与逐层次节点删减的数据关联方法,其特征是,所述步骤五中具体为:
(5.1)假设通过对树形结构的逐层次节点删减后,在第NT层中,得到n个节点;找到n个节点中每个节点所有的父节点,构成n个关联组合;
(5.2)将每个关联组合中所有各自的节点角度误差相加,即得到每个关联组合的累积角度误差;
(5.3)将每个关联组合的累积角度误差进行排序,和值最小的关联组合即为所求数据关联组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010253442.2A CN111460051B (zh) | 2020-04-02 | 2020-04-02 | 一种基于树形结构与逐层次节点删减的数据关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010253442.2A CN111460051B (zh) | 2020-04-02 | 2020-04-02 | 一种基于树形结构与逐层次节点删减的数据关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460051A CN111460051A (zh) | 2020-07-28 |
CN111460051B true CN111460051B (zh) | 2020-11-20 |
Family
ID=71685831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010253442.2A Active CN111460051B (zh) | 2020-04-02 | 2020-04-02 | 一种基于树形结构与逐层次节点删减的数据关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460051B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3403050A1 (en) * | 2016-02-15 | 2018-11-21 | Pictometry International Corp. | Automated system and methodology for feature extraction |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2747032A1 (de) * | 2012-12-21 | 2014-06-25 | 3D Reality Maps GmbH | Verfahren zur fotorealistischen Visualisierung von einem dreidimensionalen Gelände-Datensatz in Echtzeit |
CN109657918B (zh) * | 2018-11-19 | 2023-07-18 | 平安科技(深圳)有限公司 | 关联评估对象的风险预警方法、装置和计算机设备 |
CN109766374B (zh) * | 2018-12-26 | 2020-10-02 | 科大国创软件股份有限公司 | 一种信用联合监管平台 |
-
2020
- 2020-04-02 CN CN202010253442.2A patent/CN111460051B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3403050A1 (en) * | 2016-02-15 | 2018-11-21 | Pictometry International Corp. | Automated system and methodology for feature extraction |
Also Published As
Publication number | Publication date |
---|---|
CN111460051A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104703143B (zh) | 一种基于wifi信号强度的室内定位方法 | |
CN110012428B (zh) | 一种基于WiFi的室内定位方法 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN110673090B (zh) | 基于dbscan的无源多站多目标定位方法 | |
CN108051779B (zh) | 一种面向tdoa的定位节点优选方法 | |
CN109348416B (zh) | 基于二分k均值的指纹室内定位方法 | |
CN110333480B (zh) | 一种基于聚类的单无人机多目标aoa定位方法 | |
CN115952691B (zh) | 多站无源时差交叉联合定位系统的优化布站方法及装置 | |
CN111050282A (zh) | 一种多次模糊推理加权knn定位方法 | |
CN108834047B (zh) | 一种路径损耗模型的ap选择室内定位方法 | |
US20230152121A1 (en) | Indoor map generation method and apparatus | |
CN112584311A (zh) | 一种基于wknn融合的室内三维空间指纹定位方法 | |
CN115907304A (zh) | 一种基于区间层次分析法的评估指标权重优化方法 | |
CN116008671A (zh) | 一种基于时差和聚类的闪电定位方法 | |
CN111460051B (zh) | 一种基于树形结构与逐层次节点删减的数据关联方法 | |
CN108562893B (zh) | 一种外辐射源雷达多站混合跟踪方法 | |
CN111263295B (zh) | 一种wlan室内定位方法和装置 | |
CN110045363B (zh) | 基于相对熵的多雷达航迹关联方法 | |
CN112637823A (zh) | 一种基于蓝牙设备的层次渐进定位方法 | |
CN112859807A (zh) | 基于态势模拟和蒙特卡罗的水下航行器协同搜索效能评估方法 | |
CN116842818A (zh) | 基于鹈鹕优化算法的结构面产状分组方法 | |
CN114269006B (zh) | 一种基于信息增益率的室内ap聚类选取方法和设备 | |
CN113008235B (zh) | 基于矩阵k-l散度的多源导航信息融合方法 | |
Levedahl et al. | Optimal non-assignment costs for the gnp problem | |
Fang | The automatic positioning method for defect data of 5G mobile communication based on cloud computing |
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 |