CN113923591A - 提高超宽带测距精度的滤波函数智能优化方法及系统 - Google Patents
提高超宽带测距精度的滤波函数智能优化方法及系统 Download PDFInfo
- Publication number
- CN113923591A CN113923591A CN202111171069.7A CN202111171069A CN113923591A CN 113923591 A CN113923591 A CN 113923591A CN 202111171069 A CN202111171069 A CN 202111171069A CN 113923591 A CN113923591 A CN 113923591A
- Authority
- CN
- China
- Prior art keywords
- base station
- distance
- parameters
- filtering function
- kalman filtering
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及提高超宽带测距精度的滤波函数智能优化方法及系统,具体涉及通信技术领域。提高超宽带测距精度的滤波函数智能优化方法,方法基于基站系统,基站系统包括:标签基站、参考基站和处理器,方法包括:使用双边双向测距法计算标签基站与参考基站之间的计算距离;使用粒子群优化算法优化卡尔曼滤波函数中的参数;将计算距离代入卡尔曼滤波函数中,得到优化后的标签基站与参考基站之间距离,上述三个步骤可以通过更新优化卡尔曼滤波函数中的参数,并且将通过双边双向测距法计算标签基站与参考基站之间的距离代入更新优化后的卡尔曼滤波函数中,得到该标签基站与参考基站之间的优化距离,该优化距离相对于计算距离而言,准确性得到很大的提高。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种提高超宽带测距精度的滤波函数智能优化方法及系统。
背景技术
近几年来,随着物联网领域的兴起,超宽带技术迎来了更多的发展机遇。超宽带技术作为无线通信领域的技术之一,具有很多的特点。具有对信道衰落不敏感、发射信号功率谱密度低、截获率低、系统复杂度低、能提供数厘米的精度等优点。此外,相比较WiFi、蓝牙、ZigBee等其他定位技术,超宽带技术具备安全性好、定位精度高、系统容量大、功耗低、抗干扰能力强等诸多优势。超宽带技术在实现设备之间的通信时,还可应用于室内测距、室内定位等领域。
现有技术中,设备之间的通信时会因为一些物理原因,使得计算两个基站的距离与实际距离之间存在一定的误差,而这种误差一般是由于设备本身的精度不足或者计算距离的参数存在误差产生的。
因此,需要一种能解决现有技术中精确计算两个基站之间的准确距离的方法或者装置。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种提高超宽带测距精度的滤波函数智能优化方法及系统,以解决现有技术中需要一种能解决现有技术中精确计算两个基站之间的准确距离的方法或者装置的问题。
为实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本申请提供一种提高超宽带测距精度的滤波函数智能优化方法,方法基于基站系统,基站系统包括:标签基站、参考基站和处理器,方法包括:
使用双边双向测距法计算标签基站与参考基站之间的计算距离;
使用粒子群优化算法优化卡尔曼滤波函数中的参数;
将计算距离代入卡尔曼滤波函数中,得到优化后的标签基站与参考基站之间距离。
可选地,该处理器使用粒子群优化算法优化卡尔曼滤波函数中的参数的步骤具体包括:
初始化卡尔曼滤波函数中的参数,其中参数包括过程噪声Q,测量噪声R,标签基站的初始位置X,估计协方差P参数;
将计算距离代入卡尔曼滤波函数进行滤波优化,得到优化后的距离,并计算预设实际距离与优化后的距离之间的差值;
若差值大于预设差值阈值,则使用粒子群优化算法优化卡尔曼滤波函数的参数。
可选地,该若差值大于预设差值阈值,则使用粒子群优化算法优化卡尔曼滤波函数的参数的步骤具体包括:
初始化粒子群优化算法的参数,其中,参数包括学习因子,惯性权重,最大迭代次数,搜索空间维数,初始化群体中粒子数目;
将参数代入卡尔曼滤波函数中,得到预测距离;
将预测距离代入到优化准则中,得到粒子的适应度;
比较所有粒子的对应的适应度,并将适应度最小的粒子对应的局部最优解作为全局最优解;
将全局最优解对应的适应度与预设精度进行比较,若适应度不大于预设精度,则将全局最优解向量中的参数作为优化后的卡尔曼滤波函数中的参数。
可选地,该双边双向测距法为:
TOF表示信号在空中的飞行时间;Ra表示标签基站接收准许发送信号的时刻与标签基站发送的请求信号的时刻的差值;Da表示标签基站发送数据包的时刻与标签基站接收准许发送信号的时刻的差值;Db表示参考基站发出准许发送信号的时刻与参考基站接收请求信号的时刻的差值;Rb表示参考基站接收数据包的时刻与参考基站发出准许发送信号的时刻的差值;
dwt_time_units表示超宽带芯片的时间单元,为一固定值;
计算标签基站与参考基站之间的计算距离的公式为:d=TOF*c;其中,c表示电磁波传播速度,d表示标签基站与参考基站的计算距离。
可选地,该卡尔曼滤波函数的卡尔曼增益值的计算方法为:
其中,K(i)表示第i次的卡尔曼增益值,P(i-1)为第(i-1)次的协方差,R代表测量噪声;
卡尔曼滤波函数的优化后的距离为:
X(i)=X(i-1)+K(i)*(data(i)-X(i-1))
其中,X(i)为第i次的估计最优值,K(i)为第i次的Kalman增益值,data(i)为第i次的测量值,X(i-1)为第(i-1)次的估计最优值;
卡尔曼滤波函数的协方差矩阵为:
P(i)=P(i-1)-K(i)*P(i-1)+Q
其中,P(i)为第i次的协方差值,P(i-1)为第(i-1)次的协方差值,K(i)为第i次的Kalman增益值,Q为过程噪声。
可选地,该粒子群优化算法为:
vi(t+1)=wvi(t)+c1r1(pi-xi(t))+c2r2(pg-xi(t))
xi(t+1)=xi(t)+vi(t+1)
其中:xi和vi分别表示第i个粒子的位置向量和速度向量,w表示惯性权值,pi表示局部最优位置,pg表示全局最优位置,c1和c2是常数,r1和r2是[0,1]之间的随机数,iter表示当前迭代次数,itermax表示最大迭代次数,wmax和wmin分别表示惯性权值的最大值和最小值。
可选地,该优化准则为:
其中,sum代表误差平方和,xpre代表滤波优化之前的数据,xdes代表目标距离数据,也就是预设实际距离,N为数据个数。
第二方面,本申请提供一种提高超宽带测距精度的滤波函数智能优化系统,系统包括:第一计算模块、优化模块、第二计算模块;
第一计算模块用于使用双边双向测距法计算标签基站与参考基站之间的计算距离;
优化模块用于使用粒子群优化算法优化卡尔曼滤波函数中的参数;
第二计算模块用于将计算距离代入卡尔曼滤波函数中,得到优化后的标签基站与参考基站之间距离。
可选地,该优化模块具体用于:
初始化卡尔曼滤波函数中的参数,其中参数包括过程噪声Q,测量噪声R,标签基站的初始位置X,估计协方差P参数;
将计算距离代入卡尔曼滤波函数进行滤波优化,得到优化后的距离,并计算预设实际距离与优化后的距离之间的差值;
若差值大于预设差值阈值,则使用粒子群优化算法优化卡尔曼滤波函数的参数。
可选地,该优化模块还用于:
初始化粒子群优化算法的参数,其中,参数包括学习因子,惯性权重,最大迭代次数,搜索空间维数,初始化群体中粒子数目;
将参数代入卡尔曼滤波函数中,得到预测距离;
将预测距离代入到优化准则中,得到粒子的适应度;
比较所有粒子的对应的适应度,并将适应度最小的粒子对应的局部最优解作为全局最优解;
将全局最优解对应的适应度与预设精度进行比较,若适应度不大于预设精度,则将全局最优解向量中的参数作为优化后的卡尔曼滤波函数中的参数。
第三方面,本申请提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,上述提高超宽带测距精度的滤波函数智能优化方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行上述提高超宽带测距精度的滤波函数智能优化方法。
本发明的有益效果是:
提高超宽带测距精度的滤波函数智能优化方法,方法基于基站系统,基站系统包括:标签基站、参考基站和处理器,方法包括:使用双边双向测距法计算标签基站与参考基站之间的计算距离;使用粒子群优化算法优化卡尔曼滤波函数中的参数;将计算距离代入卡尔曼滤波函数中,得到优化后的标签基站与参考基站之间距离,上述三个步骤可以通过更新优化卡尔曼滤波函数中的参数,并且将通过双边双向测距法计算标签基站与参考基站之间的距离代入更新优化后的卡尔曼滤波函数中,得到该标签基站与参考基站之间的优化距离,该优化距离相对于计算距离而言,准确性得到很大的提高,从而解决现有技术中精确计算两个基站之间的准确距离的方法或者装置的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请提供的一种应用场景示意图;
图2为本申请实施例提供的一种提高超宽带测距精度的滤波函数智能优化方法的流程示意图;
图3为本申请实施例提供的另一种提高超宽带测距精度的滤波函数智能优化方法的流程示意图;
图4为本申请实施例提供的另一种提高超宽带测距精度的滤波函数智能优化方法的流程示意图;
图5为传统优化方法得到的标签基站与参考基站之间的误差图;
图6为本申请的提高超宽带测距精度的滤波函数智能优化方法得到的标签基站与参考基站之间的误差图;
图7为本申请实施例提供的一种提高超宽带测距精度的滤波函数智能优化系统的模块示意图。
具体实施方式
下面将结合本申请中附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请提供的一种应用场景示意图,如图1所示,本申请中的方法可以应用于图1所示的电子设备10。如图1所示,电子设备10可以包括:标签基站11、参考基站12、处理器13。
标签基站11、参考基站12相互之间直接或间接地电性连接,以实现数据的传输或交互,该处理器13控制并处理该标签基站11、参考基站12之间传输的信号。
处理器13可能是一种集成电路芯片,具有数据的处理能力。上述的处理器12可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等。可以实现或者执行本申请中的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,一般的,该处理器12可以是PCB603C01的芯片,该芯片灵敏度为100mV/g,量程为±50g,频带为5-10kHz,适用温度为-54℃~+121℃。
可以理解,图1所示的结构仅为示意,电子设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
在上述基础上,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备10执行下述的方法。
为了使本发明的实施过程更加清楚,下面将会结合附图进行详细说明。
图2为本申请实施例提供的一种提高超宽带测距精度的滤波函数智能优化方法的流程示意图;如图2所示,本申请提供一种提高超宽带测距精度的滤波函数智能优化方法,方法基于基站系统,基站系统包括:标签基站、参考基站和处理器,方法包括:
S101、使用双边双向测距法计算标签基站与参考基站之间的计算距离。
可选地,该双边双向测距法为:
TOF表示信号在空中的飞行时间;Ra表示标签基站接收准许发送信号的时刻与标签基站发送的请求信号的时刻的差值;Da表示标签基站发送数据包的时刻与标签基站接收准许发送信号的时刻的差值;Db表示参考基站发出准许发送信号的时刻与参考基站接收请求信号的时刻的差值;Rb表示参考基站接收数据包的时刻与参考基站发出准许发送信号的时刻的差值;dwt_time_inits表示超宽带芯片的时间单元,为一固定值;
计算标签基站与参考基站之间的计算距离的公式为:d=TOF*c;其中,c表示电磁波传播速度,d表示标签基站与参考基站的计算距离。
通过上述公式1计算得到信号在标签基站与参考基站之间的飞行时间,根据飞行时间与信号的传递速度,计算得到该标签基站与参考基站之间的计算距离,由于信号在标签基站与参考基站之间飞行的时候,可能受到干扰,使得计算得到的计算距离存在偏差,则需要对该计算距离存在的偏差进行修正优化,进而得到该标签基站与参考基站之间的优化距离。
S102、使用粒子群优化算法优化卡尔曼滤波函数中的参数。
图3为本申请实施例提供的另一种提高超宽带测距精度的滤波函数智能优化方法的流程示意图;如图3所示,可选地,该处理器使用粒子群优化算法优化卡尔曼滤波函数中的参数的步骤具体包括:
S201、初始化卡尔曼滤波函数中的参数。
预设给定该卡尔曼滤波函数中的参数,其中该卡尔曼滤波函数中的参数包括过程噪声Q,测量噪声R,信号发射基站的初始位置X,估计协方差P参数,即此步骤包括给定该卡尔曼滤波函数中的Q,R,X,P参数,给定该卡尔曼滤波函数中的参数的过程称为初始化该卡尔曼滤波函数中的参数,该给定的参数的范围根据实际需要进行设置,在此不做具体限定。
S202、将计算距离代入卡尔曼滤波函数进行滤波优化,得到优化后的距离,并计算预设实际距离与优化后的距离之间的差值。
可选地,该卡尔曼滤波函数的卡尔曼增益值的计算方法为:
其中,K(i)表示第i次的卡尔曼增益值,P(i-1)为第(i-1)次的协方差,R代表测量噪声;
卡尔曼滤波函数的优化后的距离为:
X(i)=X(i-1)+K(i)*(data(i)-X(i-1)) (3)
其中,X(i)为第i次的估计最优值,K(i)为第i次的Kalman增益值,data(i)为第i次的测量值,X(i-1)为第(i-1)次的估计最优值;
卡尔曼滤波函数的协方差矩阵为:
P(i)=P(i-1)-K(i)*P(i-1)+Q (4)
其中,P(i)为第i次的协方差值,P(i-1)为第(i-1)次的协方差值,K(i)为第i次的Kalman增益值,Q为过程噪声。
将计算得到的计算距离代入上述公式(3)中,并结合初始化的卡尔曼滤波函数的参数,得到优化后的距离,计算该预设实际距离,与优化后的距离的差值,一般的,使用该预设实际距离减去优化后的距离,然后求该差值的绝对,需要说明的是,该预设实际距离,是预先设置的,在此不做具体限定。
S203、若差值大于预设差值阈值,则使用粒子群优化算法优化卡尔曼滤波函数的参数。
该预设差值阈值根据实际需要进行设置,需要说明的是,该预设差值阈值越小,则最终计算得到的标签基站与参考基站准确性越高;若该差值不大于预设差值阈值,则说明误差很小,停止优化,得出优化后的距离值。
图4为本申请实施例提供的另一种提高超宽带测距精度的滤波函数智能优化方法的流程示意图;如图4所示,可选地,该若差值大于预设差值阈值,则使用粒子群优化算法优化卡尔曼滤波函数的参数的步骤具体包括:
S301、初始化粒子群优化算法的参数。
可选地,该粒子群优化算法为:
vi(t+1)=wvi(t)+c1r1(pi-xi(t))+c2r2(pg-xi(t)) (5)
xi(t+1)=xi(t)+vi(t+1) (6)
其中:xi和vi分别表示第i个粒子的位置向量和速度向量,w表示惯性权值,pi表示局部最优位置,pg表示全局最优位置,c1和c2是常数,r1和r2是[0,1]之间的随机数,iter表示当前迭代次数,itermax表示最大迭代次数,wmax和wmin分别表示惯性权值的最大值和最小值。
将粒子群优化算法中的参数进行初始化,即给定该粒子群优化算法中每个参数的值,该粒子群优化算法中的参数包括学习因子,惯性权重,最大迭代次数,搜索空间维数,初始化群体中粒子数目。
S302、将参数代入卡尔曼滤波函数中,得到预测距离。
将初始化的卡尔曼滤波函数的参数,代入到卡尔曼滤波函数中,经过计算得到预测距离。
S303、将预测距离代入到优化准则中,得到粒子的适应度。
可选地,该优化准则为:
其中,sum代表误差平方和,xpre代表滤波优化之前的数据,xdes代表目标距离数据,也就是预设实际距离,N为数据个数。
并将S302步骤得到的预测距离代入到优化准则中,进行计算得到适应度,需要说明的是,该优化准则输出的结果被称为适应度。
S304、比较所有粒子的对应的适应度,并将适应度最小的粒子对应的局部最优解作为全局最优解。
给定一个粒子对应的局部最优解和全局最优解,然后对该粒子群优化算法中的所有粒子放入该粒子群优化算法中进行迭代,在迭代的过冲中,分别使用上述公式(5)计算,每个粒子的速度,当计算得到的速度超出范围,将其拉大到边界,即当计算得到的速度大于预设速度阈值时,将该粒子作为不准确的结果放弃;并且将每个粒子计算得到的适应度,与预设的局部最优解进行比较,若粒子的适应度小于局部最优解则将该粒子的适应度作为局部最优解,并且同时将该局部最优解与全局最优解进行比较,若该局部最优解小于全局最优解,则将该局部最优解作为全局最优解,即迭代完成后,该全局最优解为所有粒子中适应度最小的值。
并且在迭代的过程中,使用权值惯性递减,其计算方式如下:.
其中,w表示惯性权值,iter表示当前迭代次数,itermax表示最大迭代次数,wmax和wmin分别表示惯性权值的最大值和最小值。
S305、将全局最优解对应的适应度与预设精度进行比较,若适应度不大于预设精度,则将全局最优解向量中的参数作为优化后的卡尔曼滤波函数中的参数。
该预设精度为了保证参数的精度,进而保证计算得到的标签基站与参考基站之间距离的准确性,则该预设精度越小,则计算得到的标签基站与参考基站之间距离的准确性越高,将全局最优解对应的适应度与该预设精度进行比较,若该全局最优解对应的适应度小于预设精度,则将该全局最优解的向量中的参数作为优化后的卡尔曼滤波函数中的参数,需要说明的是,该该全局最优解的向量是一个四维向量,放置的参数包括Q,R,X,P。
S103、将计算距离代入卡尔曼滤波函数中,得到优化后的标签基站与参考基站之间距离。
将计算得到的标签基站与参考基站之间计算距离,代入到优化参数后的卡尔曼滤波函数中,即上述公式(2)、(3)和(4)中,经过计算得到优化后的标签基站与参考基站之间距离,即该标签基站与参考基站之间的准确距离。
为了清楚的说明,在此以再次对提高超宽带测距精度的滤波函数智能优化方法进行说明,具体步骤如下:
步骤1:建立超宽带测距系统并根据测距原理得到测距数据;
步骤2:构建Kalman滤波函数的参数,包括过程噪声Q,测量噪声R,信号发射基站的初始位置X,估计协方差P;
初始化上述配置参数分别为:Q=0.01,R=0.00015,X=1,P=10;
步骤3:将测距数据进行Kalman滤波优化;
步骤4:计算Kalman滤波后的距离与实际距离的误差;
步骤5:判断误差值是否达到设定条件,如果没有达到设定条件,则利用种群优化算法优化Kalman滤波函数的参数;
Kalman滤波函数的参数包括过程噪声Q,测量噪声R,信号发射基站的初始位置X,误差协方差P,四个参数的最优值组合对滤波效果有很大的影响,期望通过种群优化算法求解最优值组合;
粒子群优化算法是一种常用的种群优化算法,具有结构简单和易于实施等优点。将建立的神经网络模型和优化准则集成到粒子群优化算法中,利用惯性权值线性递减的粒子群优化算法优化Kalman滤波函数的设计参数,惯性权值线性递减的粒子群优化算法可以描述为上述公式(5)、(6)和(7),利用惯性权值线性递减的粒子群优化算法优化Kalman滤波函数的设计参数的过程为:
(1)初始化粒子群优化算法的参数,如表1所示,表1为粒子群优化算法的初始化参数。
表1
(2)根据滤波函数的参数,利用误差平方和的性能指标构建优化准则,其表达式如下:
其中,sum代表误差平方和,xpre代表滤波优化之前的数据,xdes代表目标距离数据,也就是预设实际距离,N为数据个数;
(3)根据构建的优化准则的性能指标,利用种群优化算法优化滤波函数的参数;
(4)判断是否获得最优的Kalman滤波函数的参数,若是,则完成优化设计,否则返回步骤(3)。
本实施例中,按照期望的性能指标,利用上述提高超宽带测距精度的滤波函数智能优化方法,对Kalman滤波函数的参数进行了优化,优化出的过程噪声Q、测量噪声R、信号发射基站的初始位置X和误差协方差P分别为2.2433,-0.0717,0.5917和12.9421。按照优化后的滤波函数的参数,利用MATLAB软件仿真传统优化和智能优化的测距误差平方和,结果如表2所示:
表2
通过表2可以看出,利用智能优化方法得到的测距误差平方和要小于传统优化方法得到的测距误差平方和,说明提出的智能优化方法能获得最优化的滤波函数的设计参数,有效提高超宽带测距滤波函数的滤波功能,提高测距精度。
图5为传统优化方法得到的标签基站与参考基站之间的误差图;图6为本申请的提高超宽带测距精度的滤波函数智能优化方法得到的标签基站与参考基站之间的误差图;如图6和图7所示,经过本申请的智能优化之后,最大测距误差从29.83厘米降低到21.61厘米,这说明我们提出的提高超宽带测距精度的滤波函数智能优化方法是有效果的。
图7为本申请实施例提供的一种提高超宽带测距精度的滤波函数智能优化系统的模块示意图;如图7所示,本申请提供一种提高超宽带测距精度的滤波函数智能优化系统,系统包括:第一计算模块、优化模块、第二计算模块;
第一计算模块用于使用双边双向测距法计算标签基站与参考基站之间的计算距离;
优化模块用于使用粒子群优化算法优化卡尔曼滤波函数中的参数;
第二计算模块用于将计算距离代入卡尔曼滤波函数中,得到优化后的标签基站与参考基站之间距离。
可选地,该优化模块具体用于:
初始化卡尔曼滤波函数中的参数,其中参数包括过程噪声Q,测量噪声R,信号发射基站的初始位置X,估计协方差P参数;
将计算距离代入卡尔曼滤波函数进行滤波优化,得到优化后的距离,并计算预设实际距离与优化后的距离之间的差值;
若差值大于预设差值阈值,则使用粒子群优化算法优化卡尔曼滤波函数的参数。
可选地,该优化模块还用于:
初始化粒子群优化算法的参数,其中,参数包括学习因子,惯性权重,最大迭代次数,搜索空间维数,初始化群体中粒子数目;
将参数代入卡尔曼滤波函数中,得到预测距离;
将预测距离代入到优化准则中,得到粒子的适应度;
比较所有粒子的对应的适应度,并将适应度最小的粒子对应的局部最优解作为全局最优解;
将全局最优解对应的适应度与预设精度进行比较,若适应度不大于预设精度,则将全局最优解向量中的参数作为优化后的卡尔曼滤波函数中的参数。
本申请提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述提高超宽带测距精度的滤波函数智能优化方法。
本申请提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行上述提高超宽带测距精度的滤波函数智能优化方法。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种提高超宽带测距精度的滤波函数智能优化方法,所述方法基于基站系统,所述基站系统包括:标签基站、参考基站和处理器,其特征在于,所述方法包括:
使用双边双向测距法计算所述标签基站与所述参考基站之间的计算距离;
使用粒子群优化算法优化卡尔曼滤波函数中的参数;
将所述计算距离代入所述卡尔曼滤波函数中,得到优化后的所述标签基站与所述参考基站之间距离。
2.根据权利要求1所述的提高超宽带测距精度的滤波函数智能优化方法,其特征在于,所述处理器使用粒子群优化算法优化卡尔曼滤波函数中的参数的步骤具体包括:
初始化卡尔曼滤波函数中的参数,其中所述参数包括过程噪声Q,测量噪声R,标签基站的初始位置X,估计协方差P参数;
将所述计算距离代入卡尔曼滤波函数进行滤波优化,得到优化后的距离,并计算所述预设实际距离与所述优化后的距离之间的差值;
若所述差值大于预设差值阈值,则使用粒子群优化算法优化所述卡尔曼滤波函数的参数。
3.根据权利要求2所述的提高超宽带测距精度的滤波函数智能优化方法,其特征在于,所述若所述差值大于预设差值阈值,则使用粒子群优化算法优化所述卡尔曼滤波函数的参数的步骤具体包括:
初始化粒子群优化算法的参数,其中,所述参数包括学习因子,惯性权重,最大迭代次数,搜索空间维数,初始化群体中粒子数目;
将所述参数代入卡尔曼滤波函数中,得到预测距离;
将所述预测距离代入到优化准则中,得到粒子的适应度;
比较所有粒子的对应的适应度,并将适应度最小的粒子对应的局部最优解作为全局最优解;
将所述全局最优解对应的适应度与预设精度进行比较,若所述适应度不大于所述预设精度,则将所述全局最优解向量中的参数作为优化后的卡尔曼滤波函数中的参数。
4.根据权利要求3所述的提高超宽带测距精度的滤波函数智能优化方法,其特征在于,所述双边双向测距法为:
TOF表示信号在空中的飞行时间;Ra表示标签基站接收准许发送信号的时刻与标签基站发送的请求信号的时刻的差值;Da表示标签基站发送数据包的时刻与标签基站接收准许发送信号的时刻的差值;Db表示参考基站发出准许发送信号的时刻与参考基站接收请求信号的时刻的差值;Rb表示参考基站接收数据包的时刻与参考基站发出准许发送信号的时刻的差值;dwt_time_units表示超宽带芯片的时间单元,为一固定值;
计算所述标签基站与所述参考基站之间的计算距离的公式为:d=TOF*c;其中,c表示电磁波传播速度,d表示所述标签基站与所述参考基站的计算距离。
5.根据权利要求4所述的提高超宽带测距精度的滤波函数智能优化方法,其特征在于,所述卡尔曼滤波函数的卡尔曼增益值的计算方法为:
其中,K(i)表示第i次的卡尔曼增益值,P(i-1)为第(i-1)次的协方差,R代表测量噪声;
所述卡尔曼滤波函数的优化后的距离为:
X(i)=X(i-1)+K(i)*(data(i)-X(i-1))
其中,X(i)为第i次的估计最优值,K(i)为第i次的Kalman增益值,data(i)为第i次的测量值,X(i-1)为第(i-1)次的估计最优值;
所述卡尔曼滤波函数的协方差矩阵为:
P(i)=P(i-1)-K(i)*P(i-1)+Q
其中,P(i)为第i次的协方差值,P(i-1)为第(i-1)次的协方差值,K(i)为第i次的Kalman增益值,Q为过程噪声。
8.一种提高超宽带测距精度的滤波函数智能优化系统,其特征在于,所述系统包括:第一计算模块、优化模块、第二计算模块;
所述第一计算模块用于使用双边双向测距法计算标签基站与参考基站之间的计算距离;
所述优化模块用于使用粒子群优化算法优化卡尔曼滤波函数中的参数;
所述第二计算模块用于将所述计算距离代入所述卡尔曼滤波函数中,得到优化后的所述标签基站与所述参考基站之间距离。
9.根据权利要求8所述的提高超宽带测距精度的滤波函数智能优化系统,其特征在于,所述优化模块具体用于:
初始化卡尔曼滤波函数中的参数,其中所述参数包括过程噪声Q,测量噪声R,标签基站的初始位置X,估计协方差P参数;
将所述计算距离代入卡尔曼滤波函数进行滤波优化,得到优化后的距离,并计算所述预设实际距离与所述优化后的距离之间的差值;
若所述差值大于预设差值阈值,则使用粒子群优化算法优化所述卡尔曼滤波函数的参数。
10.根据权利要求9所述的提高超宽带测距精度的滤波函数智能优化系统,其特征在于,所述优化模块还用于:
初始化粒子群优化算法的参数,其中,所述参数包括学习因子,惯性权重,最大迭代次数,搜索空间维数,初始化群体中粒子数目;
将所述参数代入卡尔曼滤波函数中,得到预测距离;
将所述预测距离代入到优化准则中,得到粒子的适应度;
比较所有粒子的对应的适应度,并将适应度最小的粒子对应的局部最优解作为全局最优解;
将所述全局最优解对应的适应度与预设精度进行比较,若所述适应度不大于所述预设精度,则将所述全局最优解向量中的参数作为优化后的卡尔曼滤波函数中的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111171069.7A CN113923591B (zh) | 2021-10-08 | 2021-10-08 | 提高超宽带测距精度的滤波函数智能优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111171069.7A CN113923591B (zh) | 2021-10-08 | 2021-10-08 | 提高超宽带测距精度的滤波函数智能优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113923591A true CN113923591A (zh) | 2022-01-11 |
CN113923591B CN113923591B (zh) | 2022-07-22 |
Family
ID=79238126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111171069.7A Active CN113923591B (zh) | 2021-10-08 | 2021-10-08 | 提高超宽带测距精度的滤波函数智能优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113923591B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168556A (zh) * | 2018-01-11 | 2018-06-15 | 中国矿业大学 | 融合粒子群优化与Taylor级数展开的掘进支护支架超宽带定位方法 |
CN109788551A (zh) * | 2019-02-26 | 2019-05-21 | 重庆邮电大学 | 一种三维室内定位系统及方法 |
CN110375730A (zh) * | 2019-06-12 | 2019-10-25 | 深圳大学 | 基于imu和uwb融合的室内定位导航系统 |
CN111242971A (zh) * | 2019-12-03 | 2020-06-05 | 西安电子科技大学 | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 |
WO2021063549A1 (en) * | 2019-10-02 | 2021-04-08 | Bayerische Motoren Werke Aktiengesellschaft | Methods, computer programs and wireless communication devices for determining a propagation time of wireless transmissions between wireless communication devices |
CN113099463A (zh) * | 2021-03-28 | 2021-07-09 | 国网浙江省电力有限公司经济技术研究院 | 基于bim和进度计划的uwb基站布局分析系统及方法 |
-
2021
- 2021-10-08 CN CN202111171069.7A patent/CN113923591B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168556A (zh) * | 2018-01-11 | 2018-06-15 | 中国矿业大学 | 融合粒子群优化与Taylor级数展开的掘进支护支架超宽带定位方法 |
CN109788551A (zh) * | 2019-02-26 | 2019-05-21 | 重庆邮电大学 | 一种三维室内定位系统及方法 |
CN110375730A (zh) * | 2019-06-12 | 2019-10-25 | 深圳大学 | 基于imu和uwb融合的室内定位导航系统 |
WO2021063549A1 (en) * | 2019-10-02 | 2021-04-08 | Bayerische Motoren Werke Aktiengesellschaft | Methods, computer programs and wireless communication devices for determining a propagation time of wireless transmissions between wireless communication devices |
CN111242971A (zh) * | 2019-12-03 | 2020-06-05 | 西安电子科技大学 | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 |
CN113099463A (zh) * | 2021-03-28 | 2021-07-09 | 国网浙江省电力有限公司经济技术研究院 | 基于bim和进度计划的uwb基站布局分析系统及方法 |
Non-Patent Citations (1)
Title |
---|
刘明佳等: "基于ToA技术与扩展卡尔曼滤波的室内无线定位算法设计", 《舰船电子工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113923591B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | RSSI-based bluetooth indoor localization | |
Yan et al. | An improved NLOS identification and mitigation approach for target tracking in wireless sensor networks | |
US20200175334A1 (en) | Edge computing | |
CN105307118B (zh) | 基于质心迭代估计的节点定位方法 | |
Own et al. | Signal fuse learning method with dual bands WiFi signal measurements in indoor positioning | |
JP6681617B2 (ja) | 波源位置推定装置、コンピュータに実行させるためのプログラム、およびプログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN105828287A (zh) | 一种基于强化学习的无线传感器网络协同跟踪方法 | |
US20220343117A1 (en) | Reinforcement learning systems for controlling wireless communication networks | |
CN107484123A (zh) | 一种基于集成HWKNN的WiFi室内定位方法 | |
CN106992822A (zh) | 一种无线传感器网络盲节点的定位方法 | |
Yan et al. | Improved hop‐based localisation algorithm for irregular networks | |
CN108737952A (zh) | 基于rssi测距改进的多边形加权质心定位方法 | |
CN114449584B (zh) | 基于深度强化学习的分布式计算卸载方法及装置 | |
WO2022151900A1 (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
CN112714397B (zh) | 一种基于测距优化和改进麻雀搜索算法的wsn节点定位方法 | |
CN113923591B (zh) | 提高超宽带测距精度的滤波函数智能优化方法及系统 | |
CN118075868A (zh) | 一种基于toa测距的多终端定位方法 | |
CN117454416A (zh) | 具有隐私保护激励的空中计算网络用联邦学习方法及系统 | |
CN108322933A (zh) | 一种节点加速梯度下降定位方法 | |
Meng et al. | A Projection Based Fully Distributed Approach for Source Localization in Wireless Sensor Networks. | |
Zhu et al. | Localization optimization algorithm of maximum likelihood estimation based on received signal strength | |
Ren et al. | An improved indoor positioning algorithm based on RSSI filtering | |
Gou et al. | [Retracted] Three‐Dimensional DV‐Hop Localization Algorithm Based on Hop Size Correction and Improved Sparrow Search | |
Yang et al. | A Fuzzy Logic‐Based Energy‐Adaptive Localization Scheme by Fusing WiFi and PDR | |
Souissi et al. | A self-localization algorithm for mobile targets in indoor wireless sensor networks using wake-up media access control protocol |
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 |