一个健壮的室内移动的无线传感器网络定位算法混合洛杉矶/仿真结果的环境

文摘

无线传感器网络(WSN)是一个自组织网络是由大量的廉价微传感器节点部署在监测区域,由无线通信。因为它具有快速部署的特点和强烈的抵抗破坏,WSN定位技术已经广泛的应用前景。在WSN定位,nonline视线(仿真结果影响精度是一个非常常见的现象。在本文中,我们提出一个仿真结果校正法算法基于到达时间(TOA)解决仿真结果的问题。我们首先提出一个趋势修正算法为了正确几何仿真结果错误。其次,本文提出一种粒子选择策略选择的标准差粒子群进化的基础上,结合遗传进化算法,粒子滤波算法,无味卡尔曼滤波(UKF)算法。与此同时,我们应用矩形理论UKF使它有能力处理目标轨迹突变。最后,我们使用本地化最大似然(ML)来确定移动节点的位置(MN)。仿真和实验结果表明,该算法可以执行优于扩展卡尔曼滤波器(EKF),卡尔曼滤波器(KF)和健壮的交互式多模型(RIMM)。

1。介绍

由于微机电系统的发展,无线通信,和微处理器、WSN一直发展迅速。应用程序的基础吸引了许多研究者的关注。应用场景包括军事工业社区和卫生监测。传感器网络是一个系统,它是由许多小的传感器具有计算和通信的能力,所以它有很多优势,如自组织、成本低、精度高。近年来,随着定位精度的提高要求,无线定位系统技术发展迅速。我们迫切需要一个定位系统由障碍更少的干扰与GPS定位精度比较高。此时,无线定位系统已经被人们越来越重视,它可以准确地定位在一个复杂的环境,如室内或市区。无线定位系统设置一个信标节点数量(BN)区域定位MN的位置。它可以广泛应用在很多方面。在军队里,它可以追踪敌人的目标,在平民,它可以用来帮助人们得到朋友的位置等等。

在无线定位系统,最常用的方法是TOA和到达时间差(辐射源脉冲)。这些方法可以实现低成本的定位没有更换用户的设备。TOA的原理是测量信号传输的时间从bn MN和计算的位置根据TOA女士虽然几何关系。

最严重的问题在室内定位仿真结果是噪音。在[1),陈等人在计算机上的仿真结果表明,该仿真结果误差可以显著降低定位精度,,很难分辨的测量值视距(LOS)仿真结果距离的距离。在[2),Berdugo等人测试不同通信协议仿真结果链接和干扰无线传感器网络(WSN)试验台位于Balanquilla,哥伦比亚。虽然效果好,由于仿真结果,性能仍然没有达到预期的结果。在[3),作者提到使用GPS定位的可用性是大大减少由于GPS信号的反射建筑。造成的误差仿真结果几乎存在于无处不在。如果信号传播将阻塞密度高,建筑在城市地区,由于衍射、反射、干涉和其他条件。仿真结果造成的噪声仿真结果噪音)通常不会显示分布像洛杉矶,这严重地损害了定位精度。因此,如何减轻仿真结果噪声已成为最重要的问题。

在本文中,我们提出了遗传进化算法和一种趋势修正算法过滤算法来减轻噪声仿真结果。本文的主要贡献如下:(1)让数据的标准差作为标准的遗传进化算法消除引入到非线性的粒子滤波(UPF)(2)一个多级处理思想中使用的算法。首先,我们使用矩形滤波器和健壮的扩展卡尔曼滤波器(REKF)一起削弱噪声大的仿真结果,然后遗传进化算法用于帮助UPF值处理这些数据。通过这种方式,我们可以获得更好的努力虽然我们不知道仿真结果出现(3)算法可以应用在许多不同的仿真结果环境,如正态分布、均匀分布、指数分布(4)矩形理论应用于UKF使它有能力应对环境的突然改变

本文的结构如下:相关作品中描述的部分2。的测量模型,并简要介绍一些算法,如KF、PF, UKF和给出的部分3。节4,我们详细描述我们提出的算法。该算法的性能评估部分所示5。论文的结论是部分6。

2。相关的工作

通过仿真结果来解决测量偏差的原因,一些过滤器广泛应用。最受欢迎的一个是扩展卡尔曼滤波器(EKF),它使用泰勒展开方法附加的雅可比矩阵方程,将线性模型KF非线性模型。另一种方法是UKF,利用无香味的转换计算后验均值和协方差传播后的非线性函数通过一系列σ点独立同分布的。无香味的粒子滤波(UPF),它结合了UKF和PF在一起,将UKF的结果作为初始取样。

如今,为了解决这个问题,提出了许多新方法并不局限于使用各种过滤,然后我们将这些方法是否接收到的信号仿真结果或洛杉矶。

在[4),仿真结果区分算法称为PPSA(概率位置选择算法)。该算法总结三个步骤:首先,生成随机粒子,粒子的选择和评估的过程。他们充分利用地图信息,安排粒子,在仿真结果的距离检测来确定一个解决方案。然而,在实践中,障碍可以随时移动,因此该算法仍有很大的局限性。在[5),Berdugo等人提出一个仿真结果识别算法特征选择策略和定位算法的基础上,导入向量机(IVM)精度高和低复杂性。他们使用IVM输出结果,但与他们的算法相比,我们的算法具有很高的灵活性和实时性能的优势,因为它不使用机器学习算法。在[6基于残余),仿真结果识别算法分析和模糊 - - - - - -方式方法提出。然后,它提出了一个算法基于投票削弱仿真结果,最后用KF, UKF, ML一起获得最终的位置;结合多个过滤器,然后使用毫升的想法是值得学习的。然而,由于缺乏强劲的算法,精度仍将大大影响当面对强大的仿真结果。

解决这个问题引起的仿真结果,一组研究人员提出一个wi - fi定位基于无监督融合扩展候选人的位置设置(宴请7]。由于“提供一个融合空间可能包括用户的真实位置。他们打算建立一个“欧洲,向CLS其他位置估计(位置预测概率大于某一阈值)从每个分类器,并使用一个拐点搜索算法来构建它。此外,宴请来自联合优化权重和用户的位置。在[8),提出了一种新的分布式一致同意的自适应卡尔曼滤波估计算法跟踪锰。为了估计目标的国家,他们试图最小化均方估计误差获得卡尔曼增益。在过滤器,他们设定一个动态集群的选择。同时,两级分层融合结构是用来获得一个完美的准确估计。在[9),Alshamaa等人提出一种算法在室内环境中定位传感器。首先,将目标区域划分为若干部门。然后,RSS信息来估计传感器部分。最后,所有的数据融合的计算器MN的位置。在[10],王等人一起结合卡尔曼滤波器和PF和解决粒子退化问题,减少粒子数在某个阶段,因为粒子滤波是基于蒙特卡罗理论来近似目标概率密度函数的随机选择从后验概率粒子子集,因此它可以应用于任何情况下,UKF只执行错误呈现高斯分布,但由于长时间运行时间和样本的有效性和多样性的损失造成的重采样在某些情况下,这种方法仍然需要改进。在[11),一个框架称为Maxlifd用毫升提出与指纹相结合相互距离信息。在Maxlifd,毫升扮演重要的角色。在[12),徐等人提出了一项关键数据预处理算法基于经验模态分解区间阈值过滤首先削弱噪声并为后者提供更准确的信息的过程。然后,外源输入的非线性自回归最小二乘支持向量机(NARX)模型(LSSVM-NARX),然后把它和KF来构造一个新的LSSVM-NARX / KF混合算法设计。这个想法是值得参考的,因为大型仿真结果滤噪后,所有剩余的小错误可以被视为洛杉矶噪音。semitightly耦合的集成方案于一体的INS / GNSS提出基于网格的同时定位和地图(13]。该方案是基于EKF。在这种方法中,他们充分利用方向和速度信息。一个特殊的想法这个方案是提高融合GNSS / INS使用基于网格的大满贯,这样我们可以得到准确的测量。在[14),一个learner-based分类和信息融合算法,在15),研究人员提出一种新的平方根求容积法解决粒子滤波仿真结果的问题。作者还采用自适应人工鱼群算法优化粒子群。除此之外,他们还使用一个传感器的选择方法,从而降低网络的能量消耗几个bn醒来在每一个时间。然后,作者提出一种新的融合方法称为相似度融合方法融合当地估计一起为分布式融合体系结构得到更好的结果。利用智能优化算法改善的想法丰富的粒子的粒子滤波很好;除了鱼人工蜂群算法,智能优化算法还包括灰狼策略,蚁群算法,进化算法。在我们的算法中,我们已经尝试的进化算法,取得了良好效果。在[16),研究人员认为,这个问题完全可以解决二等分的过程。他们提议添加毫升的算法,它不需要知道先验信息,该算法的计算复杂度是线性参考节点的数量。在[17),常等人以传输能量为常数和加权最小二乘估计量提出了一个新颖的非凸可把仿真结果的问题变成一个二阶锥规划问题的答案;他们还提出一个混合二次锥规划最大似然算法或者估计目标节点位置和传输能量。在[18),一个健壮的平滑方法的仿真结果。它变成了一个广义信赖域子问题通过应用一定的近似,最后解决二等分的过程。在[19),该算法使用超宽频值改善PDR系统的准确性和粒子滤波用于数据融合和达到了良好的效果。系统的最突出的优势是,它非常低功耗。在[20.杨),提出了一种新颖的仿真结果缓解方法。超宽频测距模块具有传输速度高,抗干扰能力强,传输距离长;交互多模型(IMM)提出了21];两个KF用于并行使用马尔可夫链。数据融合后,最终位置估计可以计算,实现高精度定位,但它使用残差与真实位置在计算估计的位置,这是不可能在现实条件。提出了RIMM (22],它承认REKF和卡尔曼滤波器。他们使用REKF来提高该算法的原因是,对仿真结果REKF并不敏感。在[23),陈等人提出一个投票算法MN的位置。

3所示。问题陈述

这部分是由两部分组成的。部分3所示。1是符号描述,部分3所示。2信号模型和部分吗3所示。3是一些关于UKF的简介和USTF。

3.1。符号描述

关键概念如表所示1:

3.2。信号模型

在本部分中,我们将介绍在《环境和信号模型在仿真结果的环境下,假设bn部署在一个区域 。MN在的位置时间步长是 。在《环境、时间测量模型可以写成:

在仿真结果环境中,信号不会以直线的方式传播,导致测量的距离要大于实际价值由于干涉衍射或反射和其他条件。在仿真结果的测量模型 在哪里BN和MN之间是真正的时间,是零均值的高斯白噪声方差和遵循正态分布的一个积极的平均值和方差的 。的由仿真结果造成的误差。真正的距离BN和锰是

之间的实际距离BN和锰是

3.3。简要介绍

3.3.1。简要介绍卡尔曼滤波器(KF)

KF是系统状态的最优估计算法,通过一个线性系统状态方程和系统输入和输出观测数据。它适用于线性、离散和有限维系统。

我们可以使用一个KF在什么地方我们不确定的一些动态信息系统,我们可以猜出个八九系统下一步会做什么。与此同时,他们有优势,他们在内存不需要保留任何历史其他比之前的状态。

在KF,最重要的部分是卡尔曼滤波增益矩阵 ,当测量噪声协方差矩阵的增加,增益矩阵变得越来越小,噪声越大,噪声对最终结果的影响越小,和预测价值的比例增加。

3.3.2。简要介绍PF

粒子滤波的概念是基于蒙特卡罗方法,它使用粒子子集代表概率。它的核心思想是由国家来表达分布随机粒子从后验概率。这是一个序贯抽样方法,它可以表达更广泛的比高斯分布模型和具有较强的建模能力变量参数的非线性特征。在该算法中,我们使用PF达到更好的结果时,误差提出了一种非高斯分布。

3.3.3。UKF的简要介绍

UKF和卡尔曼滤波器是相同的递推贝叶斯估计的方法。这是一个算法基于KF和无味的转换(UT),但与卡尔曼滤波器,它使用UT作为它的线性化方法。

开始回升的转换(UT)方法的特点如下:(1)近似非线性函数的概率密度分布的对象,和非线性函数的显式表达式不需要在近似(2)它有相同的顺序的计算作为卡尔曼滤波器滤波算法(3)Nondifferentiable非线性函数可以处理,因为它不需要推导出雅可比矩阵

3.3.4。在矩形UKF基地理论的简要介绍(的)

研究显示输出残差序列正交与否可以作为基础来区分滤波器的性能(24]。UKF是次优滤波算法使用高斯分布来近似系统的后验概率密度,和输出残差序列不能完全无关的但是只要剩余序列显示了疲软的自相关;它可以认为过滤器可以获得一个完美的效果。在过滤过程中,如果是有区别的估计价值过滤系统的状态与实际状态,可以反映在不同输出的平均值和振幅残差序列。在这个时候,我们应该调整卡尔曼增益矩阵在线为了使残差序列仍然是相互正交的,性质类似于高斯白噪声。

基于这一理论,介绍了衰减因子算法在线调整卡尔曼增益矩阵,这样可以实现高精度的时候MN突然变化。

4所示。该方法

两个平行的过滤器(REKF和)起初用于降低噪声仿真结果,然后使用马尔可夫链保险丝。然后,我们使用的基础校正算法进一步降低噪音。最后,距离GEUPF处理的数据,最终得到女士的位置用毫升与其他BN的数据。

4.1。算法结构

图1该算法的流程图。算法的输入 ,和信标节点的数量。是当的输出REKF的输出,那么这些数据融合与马尔可夫链的输出是什么 ,之后,使用趋势修正案来消除噪声数据和明显的仿真结果的距离。最后,使用GEUPF平滑数据和计算的位置MN毫升。

4.2。基于矩形无味卡尔曼滤波理论(的)

在UKF,决定了σ点的离散程度,通常采取小积极价值;本文模拟的值是1。的默认值通常是0。用于描述的分布信息吗 ,在高斯分布的情况下,最优值是2。是测量误差。

然后,计算 σ分

他们的重量可以分开计算:

然后,我们计算转移σ点通过非线性函数的结果 。

在哪里体重的平均值和吗方差的重量。

残差序列的定义如下:

然后,实际输出残差序列的协方差矩阵可以由以下公式估计:

一般来说,强大的跟踪贬值因素 。

定义

和是状态转移矩阵。

是矩阵跟踪运营商。

最后,衰落因子引入预测误差协方差矩阵:

我们计算卡尔曼增益矩阵

输出滤波和协方差计算的距离

STUKF如下(算法的一部分1)。

4.3。趋势修正算法

如果我们拥有至少四个距离值,我们可以计算最后三个时刻的速度, , ,和 。如果三个速度增加,这意味着目标是加速远离它。如果这三个速度下降,这意味着目标减速。如果这次的速度与前三个性能一致的想法,那么这次的速度将被清除( )。然后,使用下面的公式来计算一个阈值,如果观察超过这个极限,使用这个值,而不是观察。

4.4。基于遗传进化算法和粒子滤波无味卡尔曼滤波(GEUPF)

把融合位置信息来自REKF和成UKF的第一个初始粒子群,假设每个粒子的对应值 ,及其相应的协方差 。

用遗传进化算法来提高粒子群的多样性。它被设置,当粒子群的标准差(在本文中,我们组0.6)或运行时间超过50的数量,计算必须停止以确保实时算法,交叉率(在本文中,我们设置交叉汇率0.3),和突变率(变异率设置为0.3)必须设置最初,遍历整个人口的步长2,和每次生成一个随机数兰德。如果 ,交叉进行如下: 在哪里和是随机数字,每个粒子的值是在人口,在这个模拟中,服从高斯分数均值为0,方差为1,是[0,1]之间的均匀分布。

然后,比较两个数之差的绝对值,如果差异的绝对值变大,然后用这个值替换原来的值。

否则,没有替换。

同样的,我们随机生成一个兰德,如果 ,然后计算变化如下:

使用相同的方法来判断是否接受的价值。

在哪里生成的随机数两次零均值的高斯分布,重复这个过程,直到满足标准的数据。

4.1.1。重要性抽样

首先,计算因素根据以下公式:

然后,我们计算每个粒子的重量根据以下公式:

计算每个粒子的重量值后,正常的重量值:

然后,做一个残差重采样来解决这个问题经典粒子匮乏的蒙特卡洛方法。最后获得MN通过使用这些粒子的位置及其权重。

残差重采样的伪代码列出如下:

4.5。扩展卡尔曼滤波器的基础上 - - - - - -估计

REKF是一个过滤器,KF和鲁棒算法相结合在一起时获得的非线性环境。首先,构造状态转移矩阵:

误差传递矩阵计算如下:

状态向量是 在哪里和代表了 - - - - - -协调和 - - - - - -协调的锰、和分别代表目标节点的水平和垂直坐标在二维平面上,而且,分别代表目标节点的速度在2 d平面。然后,可以得到以下方程:

观察和预测之间的偏差显示如下:

我们观察的一阶导数方程:

我们计算出卡尔曼增益:

在因素计算如下:

最终的坐标估计

然后,协方差是这样的:

然后, - - - - - -估计是这样的。

状态值和测量值可以写成

雅可比矩阵。是一个状态转换矩阵,

可以这样计算:

所以,你有一个线性回归模型的形式

其中,

和因素可以这样计算: 位置的选择需要连续的函数和 ,和 和 ;在这个模拟中,如果 停止,否则去(方程(38))。

4.6。数据融合算法基于交互多模型(IMM)

模型转换的概率表示为

仿真结果的概率,在初始阶段是洛杉矶 。

在那之后,我们第一次更新的概率

然后,数据融合和输入并行模型

其中,

输入混合数据模型,然后计算协方差的预测剩余(方程(29日)),然后计算模型可能根据以下公式:

exp()代表指数算符和侦破()代表矩阵行列式运算符。然后,更新矩阵 。

4.7。最大似然方法

假设随机设置节点的水平和垂直坐标矩阵和 ,分别。

然后,我们可以获得二维坐标的位置

5。仿真和实验结果

5.1。仿真结果

在这一部分中,我们评估算法的性能。MATLAB仿真平台。我们比较和KF算法(3),卡尔曼滤波器(21),和RIMM (21]。结果是基于蒙特卡洛实现500倍。为了评估算法的精度性能,我们采用均方根误差(RMSE)作为性能指标: 在哪里是数据的总数。和MN的横向和纵向坐标。和的横纵坐标MN时的我。在这个仿真, 。

超宽频技术是一种无线运营商的技术、系统复杂性低的优势,定位精度高和宽光谱范围。在仿真中,默认设置的超宽频节点是7,其他默认参数表2。

5.1.1。仿真结果服从高斯分布

图2是一种模拟实验。图中的红线2(一个)代表真正的追踪,蓝线代表RIMM后的跟踪处理,黄线,绿线代表KF和卡尔曼滤波器,分别和黑色线代表了该算法。从仿真结果中,我们可以看到,KF有坏的影响,而RIMM和该算法非常接近真正的跟踪,我们可以明显区分,在正确的图。该算法比一般RIMM。根据蒙特卡罗模拟,触发阈值修正的概率是87%。

如图3仿真结果不存在时,算法的效果几乎一致RIMM效应,并略优于EKF。随着洛标准差的升起,RMSE的四个算法增加和增加的速度从大到小按升序KF,卡尔曼滤波器,RIMM,和算法,当洛标准差是8,该算法excel RIMM约13.41%,与卡尔曼滤波器相比,效果是增加23.18%的可见性标准偏差是4,RIMM超过15.51%的效果。

图4每个算法的仿真结果显示了CDF实验组的平均值等于7;从这幅图中,我们可以清楚地知道算法提出了CDF图的斜率明显高于其他三种算法。它可以得出结论,该算法是相对稳定的。通过比较四种算法的鲁棒性,我们可以发现,最好的是该算法(90%概率的误差在5米),其次是RIMM、卡尔曼滤波器和KF。

如图5,仿真结果标准偏差的增加,所有的四个算法表现出增加的趋势。当仿真结果的标准差等于洛杉矶标准差(仿真结果不存在),本文提出的算法与RIMM相比并不明显。但当仿真结果的标准差增加,KF和EKF迅速增加,而RIMM基本上是平行于该算法。与RIMM相比,该算法的定位精度提高了约16.56%,并与卡尔曼滤波器,定位精度提高了约34.99%。

5.1.2中。仿真结果服从指数分布

如图6从图可以看出,在指数分布下,RMSE显示的趋势增加,增加的速度按升序KF,卡尔曼滤波器,RIMM和算法。当仿真结果的标准偏差是2,这个算法的效果和RIMM相比,增长约15.95%的影响,该算法与卡尔曼滤波器相比增加了约24.88%。

图7时算法的性能仿真结果在指数分布。在仿真结果中值是5,5米内错误的概率是87%算法,虽然KF的概率,RIMM,卡尔曼滤波器是50%。很明显,我们可以知道,该算法比RIMM和卡尔曼滤波器具有更好的鲁棒性。

如图8错误提出了指数分布时,算法的优点是更加明显。仿真结果误差的平均值等于2,效果与卡尔曼滤波器相比,提高了约27.96%和20.96%和RIMM相比。当仿真结果平均误差超过7,曲线的上升速度明显减慢,所有四个算法。

5.1.3。仿真结果服从均匀分布

如图9在均匀分布下,该算法的效果优于EKF和RIMM提高仿真结果的标准偏差。四个算法并行的趋势。效果优于RIMM约18.10%和24.21%优于EKF。

如图10当仿真结果误差变化的平均值从2到8,该算法的效果优于EKF和RIMM。当仿真结果误差的平均值是2,EKF和RIMM非常接近的效果,增加约14.35%。平均值是8时,该算法的效果与RIMM相比增加了7.65%。

5.2。实验结果

5.2.1。实验设备

图11显示了在实验中使用的设备。超宽频信标节点的硬件版本用于真正的实验是D-DWM-PG1.7V,这是一个评估板基于DWM1000官方定位模块。USB串行端口采用方案CP2102硬件串口更稳定。

5.2.2。真正的实验结论

为了进一步验证该算法的定位精度,我们在现实环境中进行实验。如图12房间里,有七个bn设置;这个房间长10米,宽12米。因为房间里有许多障碍,测量由仿真结果因素容易被打扰,为了避免超宽频信号从地面的反射,MN搬到离地面1.5米。

仿真结果表明该算法性能良好;我们验证了该算法的性能在真正的室内环境。如图127,我们随机部署在信标节点 米的区域。在整个过程中,每个节点获得80套的距离 。

如图13算法的影响,提出了四个算法完全是最好的,其次是RIMM算法。KF和EKF显示一个非常接近的效果,但与RIMM相比仍有差距。

从图14,我们可以知道四个算法的曲线以相同的速度增加,但在后者KF预先形成安静的坏。RIMM和卡尔曼滤波器也有类似的表现,同时该算法是最好的。

6。结论

鲁棒跟踪的问题,本文提出了地址在仿真结果中使用TOA测量环境。我们减少使用REKF仿真结果现象的影响。然后,我们将和GEUPF进一步削弱噪声信号在传输的过程中。过滤后,我们使用一个动态可调阈值限制每一步的步长。最后,我们使用毫升确定MN的位置。定意算法预成型时伟大的环境包含严重的仿真结果,因为 - - - - - -估计,可调阈值,介绍了遗传算法。真正的实验和计算机仿真表明,该算法具有较强的鲁棒性和比RIMM EKF, KF。在未来,我们将继续改善趋势判断算法和调查相应的滤波器的自适应算法,以便在更复杂的环境中实现更好的结果。

数据可用性

所有数据、模型或代码生成或使用期间的研究可从相应的作者的请求。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. z z h . y . Chen g . Wang Wang h . c .所以,和h诉穷,“公布在无线传感器网络节点定位基于半定规划,“IEEE无线通信,11卷,不。1,第116 - 108页,2012。视图:出版商的网站|谷歌学术搜索
2. g . Berdugo m . buchele m . Calle和j·c·维”与非线性评估无线传感器网络实验平台的链接,”2012年国际研讨会上无线通信系统(ISWCS)2011年8月,巴黎,法国,。视图:谷歌学术搜索
3. g . x和y高,视线外直接位置估计利用GPS信号仿真结果)lllinois香槟分校大学厄巴纳香槟市,美国,2016年。
4. 邢k汉、h、z邓和y Du,“RSSI / PDR-based概率位置选择算法与仿真结果识别室内本地化,”ISPRS国际信息杂志》上,7卷,不。6,232 - 254年,2018页。视图:出版商的网站|谷歌学术搜索
5. x, f .赵,t·陈,“仿真结果识别基于进口的超宽频定位向量机”AEU -国际期刊的电子和通信卷,87年,第4315 - 4311页,2018年。视图:出版商的网站|谷歌学术搜索
6. y y y l . Cheng Li Wang Bi, l .冯和m .雪”一个triple-filter仿真结果为无线传感器网络定位算法基于模糊c均值,”传感器,19卷,不。5,1215 - 1240年,2019页。视图:出版商的网站|谷歌学术搜索
7. 郭x, s .朱l . Li f . Hu和n·安萨里,“准确的wi - fi本地化的无监督融合扩展候选人位置设置,“IEEE物联网》第六卷,没有。2、2476 - 2485年,2019页。视图:出版商的网站|谷歌学术搜索
8. h . h .张x, z . Wang Yan, j .太阳,“自适应一致同意的分布式目标跟踪与动态集群在传感器网络中,“IEEE控制论卷,49号5,1580 - 1591年,2019页。视图:出版商的网站|谷歌学术搜索
9. d . Alshamaa f . Mourad, p . Honeine“分散式无线传感器网络中基于本地化使用信念函数,“IEEE传感器杂志11卷,第4159 - 4149页,2019年。视图:谷歌学术搜索
10. j . x g . Wang Wang聂,l .林”Magnetic-based室内定位通过融合算法使用智能手机,”IEEE传感器杂志,19卷,不。15日,第6485 - 6477页,2019年。视图:出版商的网站|谷歌学术搜索
11. 他,g . Chan和刘n, l . Yu”Maxlifd:联合最大似然定位融合指纹和相互的距离,“IEEE移动计算,3卷,第617 - 602页,2019年。视图:谷歌学术搜索
12. l, c, c . c .姚明,l . Bin和x的歌,“多传感器融合方法提高车辆定位、土地”信息融合,46卷,51 - 62,2019页。视图:出版商的网站|谷歌学术搜索
13. k . w .蒋介石g . j .蔡h·w·张,c·乔利和n . EI-Sheimy“无缝导航和映射使用INS / GNSS /基于网格的大满贯semi-tightly耦合的集成方案,“信息融合,50卷,第196 - 181页,2019年。视图:出版商的网站|谷歌学术搜索
14. j .阳光、吴z z阴,z,“SVM-CNN-based融合算法对车辆导航考虑典型的观察,“IEEE信号处理信件,2卷,第216 - 212页,2019年。视图:谷歌学术搜索
15. h·冯和z Cai”,目标跟踪基于改进平方根求容积法通过水下无线传感器网络,粒子滤波”专业的沟通,13卷,不。8,1008 - 1015年,2019页。视图:出版商的网站|谷歌学术搜索
16. Tomic和m .倍科“bisection-based方法准确的目标定位在仿真结果的环境中,“信号处理卷,143年,第335 - 238页,2017年。视图:谷歌学术搜索
17. w . s . Chang, y, h . Wang,和吴y,“基于rss的合作定位在无线传感器网络中通过二阶锥放松,”IEEE多学科》第六卷,第54105 - 54097页,2018年。视图:谷歌学术搜索
18. Tomic和m倍科”,一个健壮的仿真结果偏差减排技术RSS-TOA-based目标定位,“IEEE信号处理信件1卷,第68 - 64页,2019年。视图:谷歌学术搜索
19. 问:田,k . Wang和z Salcic,“低成本INS和超宽频融合行人跟踪系统,”IEEE传感器杂志,10卷,第3740 - 3733页,2019年。视图:谷歌学术搜索
20. y专,j·杨,l .气y, y曹,和n . e . Sheimy”普遍集成平台的低成本MEMS传感器和无线信号对于室内定位,“IEEE物联网,5卷,不。6,4616 - 4631年,2018页。视图:出版商的网站|谷歌学术搜索
21. b . s . Chen c . y .杨f . k .廖和j·f·廖,“移动位置估计在粗糙的无线环境中使用扩展Kalman-based IMM和数据融合,“IEEE车辆技术,卷。58岁的没有。3、1157 - 1169年,2009页。视图:出版商的网站|谷歌学术搜索
22. 哈姆和a . m . Zoubir“健壮的MT跟踪基于M-estimation和交互多模型算法,”IEEE信号处理卷,59号7,3398 - 3409年,2011页。视图:出版商的网站|谷歌学术搜索
23. j·l . Cheng挂,王y, y Bi,“基于模糊c和分层投票RSSI量化为无线传感器网络定位方法,”IEEE访问7卷,第47422 - 47411页,2019年。视图:出版商的网站|谷歌学术搜索
24. j .老挝和z郭亮,”基于算法的神经网络算法过滤。”现代电子技术,2卷,2009年。视图:谷歌学术搜索

版权

版权©2020欧永康和程长。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。