基于仿射传播聚类的LOS／NLOS环境识别算法
基于仿射传播的拉普拉斯判别投影及应用09-0804
基于仿射传播的拉普拉斯判别投影及应用摘要：提出了一种新的有监督降维算法：基于仿射传播的拉普拉斯判别投影(affinity propagation based laplacian discriminant projection, APLDP)。
APLDP算法将仿射传播引入到传统的线性判别分析中，结合拉普拉斯特征映射(laplacian eigenmap)，通过有监督学习可得到一种有效的线性判别转换矩阵。
样本的类别结构信息保存在基于范例样本点的拉普拉斯矩阵中，并可以对所得到的判别投影子空间加以控制。
在多个数据集上的实验证明了该算法的有效性。
关键字：有监督学习；拉普拉斯映射；仿射传播；降维中图分类号：TP18 文献标识码：AAffinity Propagation based Laplacian DiscriminantProjection and Its ApplicationsAbstract: A new algorithm, affinity propagation based Laplacian Discriminant Projection (APLDP), is proposed in this paper for supervised dimensionality reduction. APLDP aims at learning a linear transformation which is an extension of Linear Discriminant Analysis combining with affinity propagation. After the transformation, the considered pair-wise samples within the same exemplar subset and the same class are as close as possible, while those exemplars between classes are as far as possible. The structural information of classes is contained in the exemplar based Laplacian matrices. Thus the discriminant projection subspace can be derived by controlling the structural evolution of Laplacian matrices. The performance on several data sets demonstrates the competence of the proposed algorithm.Key words: supervised learning; laplacian Eigenmap; affinity propagation; dimensionality reduction1 背景近年来，在模式识别、机器学习等领域，研究人员对降维（Dimensionality Reduction，或称维数约简）投入了极大的热情，新的方法也不断涌现。
基于粒子群优化的nlos环境的节点定位算法
基于粒子群优化的nlos环境的节点定位算法非视距环境（NLOS）下的节点定位具有重要的实际意义。
对NLOS 境中节点定位的挑战，本文提出了一种基于粒子群优化的 NLOS境的节点定位算法（PONL）。
PONL主要思想是通过 PONL法本身的自适应优化，可以帮助节点定位在 NLOS境中得到精确的定位结果。
PONL过建立传输模型，通过传输模型以及传输参数变量，计算相应节点的位置，从而解决 NLOS境中节点定位的精确问题。
首先，PONL先建立了一个 NLOS 传输模型来描述传输信号的衰减。
后，PONL过将每个节点的位置参数命令为一种优化变量，以求解出最优的解，从而帮助节点定位的精度更加准确。
此外，PONL通过粒子群优化算法来模拟 NLOS扰环境中的节点自适应优化行为，使得节点定位在 NLOS境中更加准确。
此外，PONL可以通过优化参数的选择和确定，来解决 NLOS境中的节点定位的问题。
本文还进行了实验，以评估 PONL法在 NLOS境下的定位精度。
结果表明，当传输模型参数和粒子群优化算法参数设置正确时，PONL NLOS境中具有较高的定位精度。
同时，基于 PONL节点定位算法相对其他任何基于粒子群优化算法的 NLOS点定位方法而言，具有更高的定位精度。
本文提出的 PONL法可以帮助 NLOS境中的节点定位更加准确。
此外，PONL可以根据不同的环境调整传输模型参数和粒子群优化算法参数，以求得更好的定位精度。
本文的工作为 NLOS境中的节点定位研究提供了新的思路，并为实现更高精度的节点定位提供了更多的灵活性。
最后，本文提出的 PONL法可以实现 NLOS境中的高精度节点定位。
在未来的研究中，我们可以继续优化 PONL法，以提高算法的定位精度，并进一步研究 PONL法在复杂 NLOS境中的应用。
LOS及NLOS环境下的一种TDOA定位算法
LOS及NLOS环境下的一种TDOA定位算法作者：陈剑军来源：《科技创新导报》2017年第30期摘要：在诸多基于到达时间差（TDOA）的无线终端定位算法中，多数算法是针对视距（LOS）环境而提出的，对非视距（NLOS）环境下测量数据的定位精度不高；而从TDOA的测量数据上区分LOS、NLOS环境是困难的。
本文提出一种LOS及NLOS环境下通用的TDOA算法：将各种因素所致的误差归化为虚拟延时，得到关于各虚拟延时因子、终端位置参数的欠定方程组。
通过对虚拟延时因子的迭代，解决了定位方程组的欠定问题，从而可用最小二乘法估算出终端的位置参数。
测试数据表明：该算法对终端的平面定位精度较高，测高精度略低，如何提高测高精度有待进一步研究。
关键词：无线终端定位 TDOA 虚拟延时延时因子 LOS NLOS中图分类号：G64 文献标识码：A 文章编号：1674-098X（2017）10（c）-0147-02基于TDOA的定位算法中较经典的有：Y.T.Chan提出的LOS环境下最大似然（ML）估计算法[1]以及W.H.Foy提出的泰勒级数展开算法[2]。
但是这些算法都没有考虑影响无线定位精度的关键因素——非视距（NLOS）环境。
对非视距环境下的TDOA测量值，上述算法的性能显著下降。
困难的是：难以判断TDOA测量值是在LOS环境所得还是NLOS环境下所得。
本文假设各个基站之间时间严格同步，将某终端因种种因素导致的延时合并、虚拟为各基站与该终端的延时，提出LOS及NLOS环境下通用的TDOA算法，而无需区分TDOA的测量数据是来自LOS环境还是NLOS环境。
测试数据表明：该算法能获得较理想的平面定位精度。
1 基于虚拟时延的TDOA模型及算法假设各个基站之间是时间严格同步的，某个终端有接受时间延迟，记为。
由于无线电信号的视距（LOS）与非视距（NLOS）传播的原因，每个基站信号到达终端会存在因反射等因素所致的时间延迟，记为：。
losnlos混合环境下的定位算法研究与实现
摘要随着信息技术的不断发展和人们社会生活方式的变化，单纯地依靠以全球定位系统（Global Position System，GPS）为主的定位导航已不能满足各行各业及人们日常生活的需求。
因此，基于无线网络的室内定位技术正越来越受到研究者的关注。
无线网络定位可以有效弥补GPS系统在室内环境下信号被建筑物遮挡而造成的不足，因此引起众多研究者极大的兴趣。
本文在基于接收信号强度指示（Received Signal Strength Indicator，RSSI）测距的无线传感网络上研究在混合视距（Line Of Sight，LOS）和非视距（Non Line Of Sight，NLOS）的室内环境中，基于马尔科夫模型建立了多障碍物的交互多模型（Interactive Multiple Model，IMM）算法，经仿真和实验验证多障碍物模型的IMM算法能够有效消除多种障碍物引起的测距/定位误差。
本文的具体研究内容包括如下三个方面：本文以混合LOS和NLOS的室内环境为研究背景，研究目标节点（Target Node，TN）在室内移动时的定位误差消除。
传统先对非视距进行鉴别再消除非视距的方法，由于对障碍物检测的准确率不高导致其对最终定位精度的提升很有限。
本文采用IMM模型恰当匹配了TN在室内移动时与锚节点（Anchor Node，AN）间的信号传播变化特征，避免了传统消除方法中因NLOS鉴别不准确导致的误差。
在实际的室内环境中，由于存在多种不同的障碍物，其对信号产生的衰减不同。
因此，本文建立一种新的多模型Markov 链并扩展了IMM的NLOS模型集，从而有效增强了IMM模型对室内环境的适应性。
我们以实际的室内场景为实验环境，通过测量统计出室内不同障碍物对信号的NLOS误差模型。
基于ZigBee模块的开发、ZigBee无线信号测距模型参数优化等将实际测得的误差值用于扩展的IMM算法中构建基于RSSI的室内定位误差研究系统。
基于仿射传播聚类的LOS与NLOS环境识别算法
基于仿射传播聚类的LOS与NLOS环境识别算法一、引言近几年来，室内定位技术得到了广泛的研究和应用。
而在室内定位中，光的传播特性对于定位的精度和稳定性有着重要的影响。
在室内环境中，通信信号会经历多种传播模式，包括直射传播（LOS）和非直射传播（NLOS）。
因此，准确地识别LOS和NLOS环境对于室内定位至关重要。
本文提出了一种基于仿射传播聚类的LOS与NLOS环境识别算法。
该算法利用了仿射传播特性的几何特征，并将数据进行聚类分析，从而实现了对LOS和NLOS环境的准确识别。
下面将对算法的具体步骤进行详细介绍。
二、算法步骤1.数据采集与预处理首先，需要在待测试的室内环境中采集一定数量的信号强度数据。
采集到的数据要经过预处理，包括去除异常值和噪声。
可以使用滑动窗口的方法进行平滑处理，以减小数据的波动。
2.仿射传播特性计算对于每个采集点，需要计算其与参考点之间的仿射传播特性。
仿射传播特性可以通过计算信号到达点与参考点之间的欧氏距离和方位角来表示。
此外，还可以计算信号到达点与参考点之间的高度差来获得更为细致的传播特性。
3.仿射传播特性聚类将计算得到的仿射传播特性数据进行聚类分析，以区分LOS环境和NLOS环境。
可以使用K-means算法、DBSCAN算法或谱聚类算法等进行聚类分析。
具体的聚类方法可以根据实际情况进行选择。
4.LOS与NLOS环境识别根据聚类结果，可以将采集点分为不同的类别。
根据实验表明，LOS环境通常会聚集在一起，而NLOS环境则会分散在不同的聚类中。
因此，可以通过计算每个采集点与同一聚类中心点的距离来判断该点是否位于LOS环境。
距离小于一定阈值的点可以被认为是LOS环境，否则为NLOS环境。
5.环境识别结果评估最后，需要对算法的识别结果进行评估。
可以使用混淆矩阵等评估指标，如准确率、召回率等来评估算法的性能。
三、实验结果通过在不同室内环境下进行实验，本文对算法进行了验证。
实验结果表明，该算法能够准确地识别LOS和NLOS环境，并且具有较高的准确率和召回率。
LOS与NLOS的区别
LOS与NLOS的区别1.前言LOS( line of sight)和NLOS（not line of sight)从名称上而言，是指的是无线信号的视线传输和非视线传输。
简单的使用这两个名词，显然无法将实际上的多样的无线传播环境加以区分，比如水声，比如回波信道等。
而在实际的移动通信的网络规划中，大部分环境都可以分成LOS和NLOS.而且，各个标准的接收检测技术在这两种环境中又可以分别做不同的处理。
因此，对NLOS和LOS的认识，是无线通信人的必修课程。
2. LOS和NLOS的定义我们通常将无线通信系统的传播条件分成视距(LOS)和非视距(NLOS)两种环境。
视距条件下，无线信号无遮挡地在发信端与接收端之间‘直线’传播，这要求在第一菲涅尔区(FirstFresnelzone)内没有对无线电波造成遮挡的物体，如果条件不满足，信号强度就会明显下降。
菲涅尔区的大小取决于无线电波的频率及收发信机间距离。
（Note: first fresnel zone是否近似于天线发射的波瓣，该区域与下倾角，天线形成波束形状，以及传播的无线电波波长有关）（后来找到的比较不错的中文答案）从发射机到接收机传播路径上，有直射波和反射波，反射波的电场方向正好与原来相反，相位相差180度。
如果天线高度较低且距离较远时，直射波路径与反射波路径差较小，则反射波将会产生破坏作用。
实际传播环境中，第一菲涅尔区定义为包含一些反射点的椭圆体，在这些反射点上反射波和直射波的路径差小于半个波长。
从电磁波在空间的传播来讲，第一菲涅尔区是满足直射波和反射波某种特性的波，是从接收区域可以接收到如何的电磁波角度出发的。
视距通信应保证第一菲涅尔区0.6倍焦距内无障碍物。
（是否该参数0.6只是人为定义的情况，该参数是否与rice K有关）（是的）图一视距传播与第一菲涅尔区而在有障碍物的情况下，无线信号只能通过反射，散射和衍射方式到达接收端，我们称之为非视距通信。
nlos误差识别方法
nlos误差识别方法
识别NLOS误差的方法主要有以下几种：
1. 信号采样数据峭度识别法：这种方法通过分析一组UWB信号的采样数据的峭度来识别信道是否为NLOS环境。
如果信道的冲激响应具有较低的峭度，那么该信道很可能受到NLOS误差的影响。
2. 抑制算法：这种方法通过对数据进行平滑处理，消除系统误差，从而识别出NLOS误差。
在处理过程中，找到观测曲线和平滑曲线的最大误差点，此时的误差近似等于系统误差加上NLOS误差。
请注意，这些方法可能不适用于所有情况，具体效果还需要根据实际情况进行评估。
同时，这些方法可能需要一定的专业知识才能理解和实施，建议在专业人士的指导下进行。
基于CIR 特征参量的NLOS 识别方法研究
Copyright©博看网 . All Rights Reserved.
第 47 卷 第 9 期
李 海，等：基于 CIR 特征参量的 NLOS 识别方法研究
21
为基于信号到达时间 (time of arrival，TOA)、基于信 号 到 达 时 间 差 (time difference of arrival， TDOA)、 基于信号到达角度 (angle of arrival，AOA)、基于接 收 信 号 强 度 (received signal strength， RSS) 等 [1-3]。 为了尽可能利用 UWB 信号带宽大、持续时间短、 时间分辨率高的优势，UWB 定位技术中主要采用 基于信号到达时间的测距方式。但目前 UWB 定位 方案所存在的缺陷是在 NLOS 环境中，UWB 信号 会受到障碍物遮挡，从发射端经过障碍物抵达接收 端，会造成一定的时间延迟，使得信号接收端接收 到的信号比较杂乱，直接影响对信号接收时间的测 量，1 ns 时间延迟会造成 30 cm 距离测量误差，间接 导致定位精度不够理想[4]，原理见图 1。图中实线 为 LOS 状态下定位曲线，黄色交点为标签位置，虚 线为受障碍物遮挡状态下曲线，蓝色区域为 NLOS 状态下标签位置，故 NLOS 信道会造成定位误差明 显增大。因此解决多径信号的干扰是当前主要工作。
Abstract: Multipath interference is one of the main sources of ultra-wideband (UWB) positioning errors. The non-line-of-sight propagation of UWB signals will reduce the reliability of communication and positioning accuracy. Therefore, accurate identification of the non line of sight (NLOS) propagation signal in the positioning process is an important measure to improve the positioning accuracy. Aiming at the identification of non-line-of-sight propagation of ultra-wideband signals, this paper proposes a new channel impulse response (channel impulse response, CIR) characteristic parameter-the sum of rise time and peak time (Sum_T) NLOS identification method combined with undetected peak (UD-P). Experimental results show that the identification rate of NLOS signals can reach 95.75% in an indoor office environment. The use of this method in the positioning system will help further improve positioning accuracy. Keywords: ultra-wideband location; NLOS recognition; channel impulse response
一种特殊GDOP场景下的NLOS传播识别算法
一种特殊GDOP场景下的NLOS传播识别算法邓水发;邓平;芮洋【摘要】In ground-based wireless positioning,a crucial factor influencing the positioning accuracy is the non-line-of-sight ( NLOS ) error of radio propagation. Before location estimation, determining the radio propagation between transmitter and receiver is LOS or NLOS is an important issue for improving positio-ning accuracy. Firstly, a NLOS identification algorithm based on intersection area measurements is im-proved. Then,for special geometric dilution of precision(GDOP) scene,a NLOS identification algorithm named step by step test algorithm is proposed. This algorithm realizes the NLOS identification by two steps. The LOS measurements are selected by data test( DT) method in the first step,and then the improved inter-section area measurements algorithm is utilized to make the identification in the second step. The simula-tion results show that this algorithm possesses high identification performance under special GDOP scene.%在地面无线定位中，影响定位精度的最大因素是电波的非视距( NLOS )传播误差，定位估计前识别收发信机之间电波是视距( LOS )还是NLOS传播是提升定位精度需要研究的重要课题。
采用仿射传播的聚类集成算法
第45卷 第8期2011年8月西 安 交 通 大 学 学 报JOU RNA L OF XI AN JIAOT ONG UN IVERSIT Y Vol 45 No 8Aug.2011收稿日期:2011 03 20. 作者简介:王羡慧(1980-),男,博士生,讲师;覃征(联系人),男,教授,博士生导师. 基金项目:国家自然科学基金资助项目(60673024);高等学校博士学科点专项科研基金资助项目(20100201110063);国防 十一五 预研资助项目.网络出版时间:2011 07 18网络出版地址:htt p://w w /kcms/detail/61.1069.T.20110718.1730.005.html采用仿射传播的聚类集成算法王羡慧1,3,覃征1,2,张选平1,高洪江4(1.西安交通大学电子与信息工程学院,710049,西安; 2.清华大学计算机科学与技术系,100084,北京;3.新疆大学信息科学与工程学院,830046,乌鲁木齐; 4.鲁东大学信息科学与工程学院,264025,山东烟台)摘要:针对K 均值聚类随机初始聚类中心导致的聚类结果不稳定问题,提出一种基于仿射传播的聚类集成算法.该算法把每个聚类集成的成员个体结果看成是原始数据的一个属性,然后在其基础上对聚类成员个体的聚类结果进行加权集成,集成算法采用简单高效的仿射传播聚类,并且提出了直接集成、利用平均规范化互信息(NM I)和聚类有效性Silho uette 指标进行加权集成.最后,运用H ungarian 算法对仿射传播聚类集成的结果进行类别标签的统一和匹配.在加州大学尔湾分校数据集上进行了实验,结果表明,与集成前的K 均值聚类及其他聚类集成算法相比,该算法能有效地提高聚类结果的准确性、鲁棒性和稳定性,建立起来的聚类集成算法具有良好的扩展性和灵活性,而且简单有效.关键词:仿射传播;加权集成;K 均值聚类;H ungarian 算法中图分类号:TP181 文献标志码:A 文章编号:0253 987X(2011)08 0001 06C luster Ensemble Algorithm Using Affinity PropagationWANG Xianhui 1,3,QIN Zheng 1,2,ZH ANG Xuanping 1,GA O H ongjiang 4(1.Sch ool of Electronics and Information Engineering,Xi an Jiaoton g Un iversity,Xi an 710049,China;2.Departmen t of Computer Science and Techn ology,T singhu a University,Beijing 100084,Ch ina;3.S chool of Information Science and Engin eering,Xinjiang University,U rumqi 830046,Chin a;4.School of In formation Science and Engineering,Ludong University,Yantai,Sh and ong 264025,China)Abstract :The r esult of K means cluster is instable for random initial clustering center s.A clus ter ensemble algo rithm based o n affinity propagatio n is proposed,w here the r esult o f each cluster indiv idual is r eg arded as a pro perty of the orig inal data.Fo llow ing the new properties sets,the results o f each cluster indiv idual are carried out to a w eighted ensemble,and simple and efficientaffinity propagatio n cluster is chosen in the ensemble algor ithm.Furthermo re the direct ensem ble,the ensemble to w eighted ensemble fr om av erag e no rmalized mutual info rmatio n (NM I)and cluster validatio n indexes Silhouette are uniformly pro posed.Finally,H ungarian alg orithm is em ploy ed to unify and m atch the categ ory labels for the results of affinity propag ation cluster.The results o f ex perim ents on University of California Irvine data sets sho w the higher efficiency fo r im pr oving the accuracy ,robustness and stability of cluster results than the K means cluster ing be fore com bination and the other cluster ing ensem ble algor ithms.The cluster ing ensemble algo r ithm gets more ex tendable and flexible.Keywords :affinity pro pagation;w eighted cluster ensemble;K means cluster;H ung ar ian algorithm聚类分析是按照某种相似性测度(例如欧几里德距离)将多维数据分割成自然分组或者簇的过程,是人工智能、模式识别和机器学习的一个重要研究方向.在过去的几十年里,聚类分析已经成功应用于数据挖掘、图像分割、语音识别和信息检索等领域[1 3].K均值[4 5]算法是所有聚类算法中的经典算法之一,应用广泛.K均值聚类算法随机选取初始聚类中心,选取的点不同,聚类结果可能就不同.如果由初始聚类中心得到的分类严重偏离全局最优分类,算法就会陷入局部最优解.K均值聚类算法对初始聚类中心的依赖性,导致了K均值聚类结果的不稳定性.通过聚类集成可以有效地提高K均值聚类的准确性、鲁棒性和稳定性[6 8].聚类集成的关键问题是如何根据不同的聚类成员个体聚类结果得到更好的聚类集成结果.文献[9]最早明确定义了聚类集成问题,将聚类集成问题形式化为一个基于互信息的优化问题.然后,提出了获得高质量聚类集成结果的3种有效算法:基于聚类的相似度划分算法(CS PA)、超图划分算法(H GPA)和元聚类算法(M CLA).文献[7]提出了基于投票机制的聚类集成算法.但是,上面这一类算法都不具有可扩展性[10],因此限制了它们的应用范围.文献[10]提出了基于隐含变量的聚类集成模型,将聚类成员个体结果看成是原始数据的属性,在此处理方式基础之上建立聚类集成算法.这种新的视角,使得提出的聚类集成算法具有良好的扩展性和灵活性.本文利用仿射传播聚类(AP)[11 13]的简单、高效和稳定,将其作为聚类集成算法,提出了一种基于仿射传播的聚类集成算法,可以有效地提高K均值聚类的准确性、鲁棒性和稳定性.1 聚类集成问题令数据集D={X1,X2, ,X N},N为数据点的个数.X i={x i1,x i2, ,x id}(i=1,2, ,N)为一个d维数据点.假设有M个聚类集成成员个体对数据集D进行聚类,得到M个长度为N的成员个体聚类结果,则聚类集成问题定义为G:{l i|l1,l2, ,l M} L*(1)式中:l i和L*是维数为N的向量;聚类集体l1,l2, ,l M分别是M个聚类集成成员个体l i的聚类结果;L*是l1,l2, ,l M通过集成方法G产生的聚类集成结果.本文借鉴文献[10]的思想,把每个聚类个体结果看成是原始数据的一个属性,然后在其基础上对N个M维的数据进行聚类,得到原始数据的聚类结果.通过此方法建立起来的聚类集成算法,具有良好的扩展性和灵活性,而且简单有效.由此,聚类集成问题转换为G :{y i|y1,y2, ,y N} L (2)式中:y i是维数为M的向量,其每一维的分量是聚类成员个体的聚类结果,y i总共有N个;L 是维数为N聚类集成结果,它是y1,y2, ,y N通过集成方法G 产生的聚类集成结果.原则上,G 可以选择任何聚类算法进行集成.AP是一种通过数据点之间的消息传递来发现聚类的新方法.与以往的聚类算法相比,AP能在很短的时间内发现带有更低误差的聚类结果.因此, AP被成功应用于人脸图像聚类、基因表达数据中的基因识别、文章中的关键句子识别和最优航空路线确定等问题中[11].因此,本文使用AP作为聚类集成算法来对聚类成员个体结果进行集成.2 仿射传播聚类AP把一对数据点之间的相似度作为输入,在数据点之间交换有真实价值的消息,直到一个最优的类代表点集合(称为聚类中心或exemplar)和聚类逐渐形成.此时,所有的数据点到其最近的类代表点的相似度之和最大.给定数据集合D={X1,X2, ,X N},X i={x i1, x i2, ,x id}(i=1,2, ,N)为一个数据点.AP算法以N个数据点之间的相似度矩阵S=[s(i,k)]N N 为基础进行聚类.本文选用欧氏距离作为相似度的测度指标,任意两点之间的相似度为两点欧氏距离平方的负数.例如,对于点X i和点X k,则有s(i,k)=- X i-X k 2i,k=1,2, ,N;i k(3) AP算法为每一个数据点k设定其参数选择p k (k=1,2, ,N)作为输入,初始s(k,k)=p k,(k=1, 2, ,N).p k越大,说明相应的数据点k被选中作为类代表点的可能性越大.AP算法初始假设所有数据点被选中成为类代表点的可能性相同,所以p k 取相同值p,即s(k,k)取相同值p.假设数据集合D的聚类标记为c={c1,c2, , c n},AP可以被看作一个搜索能量函数最小值的方法E(c)=-Ni=1s(i,c i)(4)2西 安 交 通 大 学 学 报 第45卷式中:聚类标记c i指数据点i的典型样例;s(i,c i)指数据点i和它的典型样例的相似度.AP算法中数据点之间有两种消息交换,分别定义为响应度矩阵R=[r(i,k)]N N和效用度矩阵A=[a(i,k)]N N.A P算法的循环迭代过程就是这两种消息交换迭代更新的过程,每种信息考虑了不同种类的竞争.AP的信息更新公式如下r(i,k) s(i,k)-maxs.t.k k{a(i,k )+s(i,k )}(5)IF i k,a(i,k) m in0,r(k,k)+s.t.i {i,k}max{0,r(i ,k)}(6) a(k,k) s.t.i k max{0,r(i ,k)}(7) AP算法在每一次循环迭代过程中,r(i,k)和a(i,k)被设置成为:(1- )乘以当前迭代过程中的更新值加上 乘以上一步迭代的结果.阻尼因子取值范围为[0,1],缺省值为0 5.假设当前迭代次数为t,信息更新为r(t)(i,k)=(1- )r(t)(i,k)+ r(t-1)(i,k)(8)IF i k,a(t)(i,k)=(1- )a(t)(i,k)+ a(t-1)(i,k)(9) a(t)(k,k)=(1- )a(t)(k,k)+ a(t-1)(k,k)(10) 3 基于仿射传播的聚类集成算法聚类集成可以分为两个阶段:聚类成员个体生成阶段和对聚类成员个体结果进行集成阶段.3 1 聚类成员个体生成在聚类成员个体生成阶段,可以通过不同的方法生成成员个体.文献[9]使用3种方法来生成个体: 通过同一算法在数据集的不同特征子集上进行聚类生成个体; 通过同一算法在数据的不同子集上进行聚类生成个体; 通过不同的聚类算法在同一个完整的数据集上进行聚类生成个体. Fred[6,14]利用K均值聚类的随机选择初始聚类中心来生成个体.本文利用K均值聚类的随机性,运行多次,每次随机选择初始聚类中心来产生不同的聚类个体.3 2 聚类集成算法按照式(1),文献[9]提出了3种基于图划分的聚类集成算法: CSPA将数据点作为图的顶点、成对数据点之间的相似性作为边的权重,利用图划分算法MET IS来得到聚类结果; H GPA将数据点作为超图的顶点、每个聚类成员个体的每个簇作为一条超边,利用超图划分算法H MET IS来得到聚类结果; M CLA将每个聚类成员个体的每个簇作为图的顶点、成对簇之间共有相同数据点的比例作为边的权重,利用图划分算法M ET IS压缩超边集得到元簇,最后根据数据点的比例来决定聚类结果.按照式(2),本文使用仿射传播聚类对聚类成员个体结果进行集成.表1为聚类集成G,表2为聚类集成G .聚类集成G表示将聚类集成成员个体的聚类结果l1,l2, ,l M通过集成方法G产生聚类集成结果.聚类集成G 表示将聚类个体结果看成是原始数据的一个属性,通过对y1,y2, ,y N使用集成方法G 产生聚类集成结果.表1 聚类集成G数据点聚类标签l1l2l M X1l1(X1)l2(X1) l M(X1)X2l1(X2)l2(X2) l M(X2)X N l1(X N)l2(X N) l M(X N)表2 聚类集成G数据点聚类标签l1l2l My i X1l1(X1)l2(X1) l M(X1)y1X2l1(X2)l2(X2) l M(X2)y2X N l1(X N)l2(X N) l M(X N)y N3 3 聚类成员个体聚类结果加权集成由于聚类成员个体之间的差异性,不同聚类成员个体对最终聚类集成结果的影响力不同.现有的聚类集成算法将每个聚类成员个体的结果平等对待,这忽略了集成个体的差异性.因此,本文对聚类成员个体的结果在聚类集成G 的基础上进行加权集成.假设聚类成员个体l i(i=1,2, ,M)的加权权重为w(l i),本文提出4种加权方法.(1)平等对待聚类成员个体,直接集成,即权值相等w1(l i)=1M(11) (2)利用聚类成员个体结果之间的规范化互信3第8期 王羡慧,等:采用仿射传播的聚类集成算法息[8 9]来表示聚类成员个体的差异度,然后利用平均规范化互信息来加权.假设有两个聚类成员个体的聚类结果为l (a)和l (b),则两者的规范化互信息表示为I (l (a),l (b))=k (a)h=1k (b )l=1n h,l lb nn h,ln (a)h n (b)l k (a)h=1n(a)h lbn (a)hnk (b )l=1n(b)llbn (b)l n1/2(12)式中:k (a)和k (b)分别为聚类结果l (a)和l (b)中簇的个数;n h,l 为同时位于l (a )的h 簇和l (b)的l 簇中数据点的个数;n (a)h 为l (a)的h 簇中点的个数;n (b)l 为l (b)的l 簇中点的个数.对于单个聚类成员个体l i ,其平均规范化互信息表示为I (l i )A =1M -1 Mj =1,j iI (l i ,l j )(13)利用I (l i )A 来加权,权值表示为w 2(l i)=I(l i)A /Mi =1I(l i)A Mi=1w2(l i)=1, w 2(l i )>0, i =1,2, ,M(14)(3)利用I (l i )A 的倒数来加权,权值定义如下w 3(l i )=1I(l i )A(Mi=11I(l i )A)-1Mi=1w 3(l i )=1, w 3(l i )>0, i =1,2, ,M (15)(4)聚类有效性Silhouette [15 16]指标可以用来评价聚类结果的质量,令聚类的Silhouette 指标值为S.本文利用Silho uette 指标值S 来加权,权值定义如下w 4(l i)=S(l i)/Mi =1S(l i)Mi=1w 4(l i )=1, w 4(l i )>0, i =1,2, ,M(16)3 4 聚类集成结果准确性评价聚类成员个体产生的聚类结果使用AP 聚类进行加权集成后,为了评价聚类集成结果的准确性,需要对聚类集成结果和数据的分类结果进行类别标签的统一和匹配.本文使用H ung arian [17]算法完成统一和匹配.聚类集成结果经过类别标签的统一和匹配后,可以使用M icr o Precision [18]测度来进行准确性评价.M icro Precisio n 测度P M P 定义如下P M P=1NQi =1ai(17)式中:Q 为聚类集成结果中类别的个数;a i 为分类正确的某一类数据点的个数.4 实 验4 1 实验数据集本文实验使用加州大学尔湾分校(U CI )标准数据集[19],9个数据集信息如表3所示.表3 实验使用的U CI 数据集信息数据集样本数特征数类别数ir is15043ionospher e 351342w ine178133wpbc 198332bupa 34562g lass 21496balance sca le62543wdbc569302Image_seg mentat ion21001974 2 实验结果本文选择推荐的20个聚类集成成员个体进行集成[8],即M =20.聚类成员个体由K 均值聚类每次随机初始化聚类中心产生,聚类中心的个数为数据集的类别数.为了增加实验结果的可靠性,所有的实验结果为运行50次的平均值.对比实验采用K 均值聚类算法、AP 算法、CSPA 算法、H GPA 算法、M CLA 算法.本文所提出的算法为A PE w 1、APE w 2、APE w 3和APE w 4,其中APE 代表基于仿射传播的聚类集成方法,w 1、w 2、w 3、w 4分别代表4种加权集成方法.表4列出了所有对比集成算法的实验结果,实验结果为50次运行实验的均值和标准差.根据表4,比较APE 聚类集成算法和集成前的K 均值算法.由表4可知,在数据集ir is 、w ine 和balance scale 上,4种APE 聚类集成算法的聚类准确性明显优于集成前的K 均值算法;在数据集ion ospher e 、w pbc 、bupa 和w dbc 上,4种APE 聚类集4西 安 交 通 大 学 学 报第45卷成算法获得了和集成前K均值算法同等的性能;在数据集Image_segmentation上,APE w2和A PE w3的聚类准确性优于集成前的K均值算法,A PE w1和APE w4的低于集成前的K均值算法;在数据集glass上,4种APE聚类集成算法的聚类准确性都低于集成前的K均值算法.表4 不同聚类集成算法的实验结果数据集聚类准确度K均值CSPA H GPA M CLA APE w1APE w2APE w3APE w4APiris 0 81910 02710 87050 01810 60240 08990 89330 00000 89330 00000 89330 00000 89330 00000 89330 00000 89330 0000ionos pher e 0 71230 00000 67810 00000 58400 00000 71230 00000 71230 00000 71230 00000 71230 00000 71230 00000 70940 0000w ine 0 67470 01130 68030 00600 55080 08320 70220 00000 70100 00870 70220 00000 69690 01800 70100 00870 71910 0000w pbc 0 63640 00000 56060 00000 53540 00000 63640 00000 63640 00000 63640 00000 63640 00000 63640 00000 60100 0000bupa 0 55360 00000 56230 00000 50750 00530 55360 00000 55360 00000 55360 00000 55360 00000 55360 00000 55360 0000glas s 0 51780 00700 40930 02760 37500 04330 46640 03520 47420 02450 47640 02370 47240 02320 49120 03190 53740 0000balance scale 0 51050 01620 51420 02160 41330 00910 50060 03190 51150 05370 51870 04460 51390 06000 51370 05220 50080 0433w dbc 0 85410 00000 66960 00000 51490 00000 85410 00000 85410 00000 85410 00000 85410 00000 85410 00000 84890 0000Im age_ segmentation 0 52820 01160 43580 06460 54670 02520 52040 02160 48610 11580 53250 03310 52330 04550 48910 09750 4926010000由表4可知,在数据集iris、io nosphere、w pbc、glass和wdbc上,4种APE聚类集成算法都获得了优于CSPA、H GPA、MCLA或者同等的聚类准确度;在数据集w ine上,APE2w2和M CLA获得了此数据集上的最好聚类集成性能,APE2w1、APE2w4和APE2w3的集成性能略差,但仍优于CSPA和H GPA;在数据集balance2scale上,APE2w2获得了此数据集上的最好聚类集成性能;在数据集bupa 上,虽然CSPA获得了此数据集上的最好聚类集成性能,但是4种APE聚类集成算法都优于H GPA 且等于MCLA;在数据集Im ag e_seg mentatio n上,虽然H GPA获得了此数据集上的最好聚类集成性能,但是4种APE聚类集成算法都优于CSPA, APE2w2和A PE2w3优于MCLA.由表4可知,在数据集iris、ionosphere、w pbc、bupa、balance2scale和w dbc上,4种APE聚类集成算法都获得了与AP算法同等或更优的聚类准确度;在数据集Image_segm entation上,APE2w2和APE2w3优于A P算法,但是AP算法优于APE2w1和APE2w4;在w ine和g lass上,AP算法优于4种APE聚类集成算法.根据表4,在数据集iris、ionosphere、w pbc、bu2 pa和w dbc上,4种APE加权集成算法获得了同等的聚类准确度;在数据集w ine、balance2scale和Imag e_seg mentation上,A PE2w2都获得了数据集上4种APE聚类集成算法中的最好性能;在数据集g lass上,APE2w4获得了4种APE聚类集成算法中的最好性能.综上所述,在大多数数据集上,A PE聚类集成算法都有效地提高了集成前聚类结果的准确性.与CSPA、H GPA、M CLA经典聚类集成算法相比,在大多数数据集上,APE能够获得更优的聚类集成结果.APE与AP算法相比,在较为复杂的高维数据集(io nosphere、w pbc、w dbc、Image_segm entation)上,通过引入集成学习,A PE可以更加有效地提高AP算法的聚类准确性,这说明APE对处理高维复5第8期王羡慧,等:采用仿射传播的聚类集成算法杂数据更有优势.4种APE加权集成算法中,APE2 w2在较多的数据集上获得了最优性能,这说明利用平均规范化互信息来加权集成是一种较好的方案.5结论本文提出一种基于仿射传播的聚类集成算法.该算法把每个聚类集成的成员个体结果看成是原始数据的一个属性,然后在其基础上对聚类成员个体的聚类结果进行加权集成,并采用简单高效的仿射传播聚类.通过此方法建立起来的聚类集成算法,具有良好的扩展性和灵活性,而且简单有效.当运行聚类分析任务时,在没有先验知识的情况下,在大多数数据集上,本文所提算法有效地提高了集成前聚类结果的准确性,并且获得了优于或等于传统的CS2 PA、H GPA、M CLA的聚类结果.在U CI数据集上的实验结果表明,与集成前的K均值聚类及其他聚类集成算法相比,本文方法能有效地提高聚类结果的准确性、鲁棒性和稳定性.参考文献:[1]XU R,WU N SCH D.Surv ey o f clustering algo rithms[J].IEEE T ransactions o n N eural Netw or ks,2005,16(3):6452678.[2]O M RA N M G H,EN G EL BR ECH T A P,SA LM ANA.A n ov erv iew of cluster ing metho ds[J].Intellig entData A naly sis,2007,11(6):5832605.[3]孙吉贵,刘杰,赵连宇.聚类算法研究[J].软件学报,2008,19(1):48261.SU N Jigui,L IU Jie,ZH AO L ianyu.Clustering algo2rithms resea rch[J].Journal o f So ftwar e,2008,19(1):48261.[4]M A CQU EEN J.Some met ho ds for classificatio n andanaly sis of multivar iate observat ions[C]M Pro ceedingsof the Fifth Berkeley Sy mpo sium o n M athematical St a2tistics and Pro bability.Berkeley,Califor nia,U SA:U2niver sity o f Califo rnia P ress,1967:2812297.[5]徐森,卢志茂,顾国昌.解决文本聚类集成问题的两个谱算法[J].自动化学报,2009,35(7):99721002XU Sen,L U Zhimao,G U G uo chang.T wo spect ral al2go rithms for ensembling do cument clusters[J].ActaA utomatica Sinica,2009,35(7):99721002.[6]FR ED A,JAIN A.Co mbining multiple cluster ingsusing evidence accumulation[J].IEEE T ransact ions onP attern A naly sis and M achine Intellig ence,2005,27(6):8352850.[7]ZHO U Z H,T A N G W.Cluster er ensemble[J].Know ledge2Based Systems,2006,19(1):77283. [8]罗会兰,孔繁胜,李一啸.聚类集成中的差异性度量研究[J].计算机学报,2007,30(8):131521324.LU O H uilan,K O NG Fansheng,L I Yix iao.An analy2 sis o f diversity measur es in cluster ing ensembles[J].Chinese Journal of Comput er s,2007,30(8):131521324.[9]ST REH L A,G HO SH J.Cluster ensembles:a know l2edge r euse fr amewo rk fo r combining multiple partit ions[J].T he Jo ur nal of M achine L ear ning Resear ch,2002(3):5832617.[10]王红军,李志蜀,成飚,等.基于隐含变量的聚类集成模型[J].软件学报,2009,20(4):8252833.WA N G H ong jun,L I Zhishu,CH EN G Biao,et al.Alatent var iable mode fo r cluster ensemble[J].Jour nalof Softw are,2009,20(4):8252833.[11]F REY B J,DU ECK D.Cluster ing by passing messa2g es betw een data points[J].Science,2007,315(5814):9722976.[12]F REY B J,DU ECK D.Response to comment on/clustering by passing messag es between data points0[J].Science,2008,319(5864): 2.[13]M EZ AR D puter science:where ar e the exem2plars?[J].Science,2007,315(5814):9492951. [14]FRED A.F inding co nsistent clusters in data partit ions[M].H eidelberg,Ger man:Springer,2001:3092318.[15]H RU SCH KA E R,CA M P ELL O R,F REIT A S A A,et al.A sur vey of evo lutio nar y algo rithms for cluste2 r ing[J].I EEE T r ansactio ns on Sy stems,M an and Cy2 bernetics:P art C A pplicat ions and Reviews,2009,39(2):1332155.[16]K A U FM AN L,RO U SSEEU W P J.F inding g ro ups indata:an intro ductio n to cluster analysis[M].N ewYo rk:W iley,1990:7264.[17]KU H N H W.T he H ungar ian method fo r the assign2ment problem[J].N aval R esear ch L og istics Quar ter2 ly,1955,2(2):83297.[18]M ODH A D S,SP A NG L ER W S.Feature weightingin k2means cluster ing[J].M achine Lear ning,2003,52(3):2172237.[19]F RA N K A,ASU N CIO N A.U CI machine learning re2posit or y[EB/OL].[2010212222].htt p:M archive./ml.(编辑杜秀杰武红江)6西安交通大学学报第45卷。
基于粒子群优化的 NLOS 环境的节点定位算法
基于粒子群优化的 NLOS 环境的节点定位算法文恬;余小平;贾勇【期刊名称】《中国科技论文》【年(卷),期】2015(000)020【摘要】Non-line-of-sight (NLOS)environment in wireless sensor network is key issue for the precision in localization.A parti-cle swarm optimization-based node localization algorithm in non-line-of-sight environment is proposed (marked as NLOS+PSO al-gorithm).The non-linear inertia weight strategy is applied in NLOS+PSO algorithm to improve the convergence rate.In addi-tion,the fitness is sorted and particle with low performance is discard to reduce the computation.Simulation results show thatNLOS+PSO algorithm presents better localization precision and can effectively suppress NLOS ranging-error to improve the con-vergence rate.%无线传感网络的非视距 NLOS（non-line-of-sight）环境是影响测距定位精度的重要因素。
本文提出了基于粒子群优化PSO（particle swarm optimization）的NLOS 环境的节点定位 NLOS＋PSO 算法。
基于粒子滤波的NLOS抑制算法研究的开题报告
基于粒子滤波的NLOS抑制算法研究的开题报告一、选题背景和意义在室内定位系统中，非直射路径(NLOS)是一个十分严重的问题。
当接收机在定位和跟踪信号时，会接受到由于多路径传播导致的误差信号，使得定位精度大幅度降低。
因此，抑制NLOS的算法研究对于室内定位系统的精确度提高具有重要意义。
目前，常用的NLOS抑制方法主要是基于距离或时间信息的修正方法。
但是，由于存在多源信号、多径效应和信号噪声等问题，这些方法会产生一定的局限性和误差。
因此，本文将提出基于粒子滤波的NLOS抑制算法来解决这些问题，以提高室内定位系统的性能和可靠性。
二、研究的主要内容和研究方法本文将基于粒子滤波技术，提出一种新的NLOS抑制算法，主要包括以下几个方面：1. 建立室内多径传播模型，包括LOS和NLOS信号路径。
2. 采用距离测量技术，获取多源信号距离数据，同时建立初始状态概率分布。
3. 通过该距离数据对状态进行估计，并建立状态转移概率模型。
4. 基于粒子滤波算法进行状态估计和预测，同时采用重采样算法对状态进行更新。
5. 对算法进行仿真验证，验证其在抑制NLOS情况下的定位精度和鲁棒性。
三、研究计划和预期成果本文的研究计划分为以下几个阶段：1. 收集和分析相关文献，深入了解NLOS抑制算法研究的现状和方法。
2. 建立多径传播模型，探究信号的传播机制并计算信号的传播误差。
3. 设计基于粒子滤波的NLOS抑制算法，并实现仿真验证。
4. 通过实验数据对算法进行验证，分析算法在不同条件下的定位精度和鲁棒性。
预期成果如下：1. 建立基于粒子滤波的NLOS抑制算法并进行仿真验证。
2. 对算法的实现和仿真结果进行详细分析，并与其他NLOS抑制算法进行比较。
3. 提出改进算法并指出改进思路。
4. 产生论文和报告，对研究成果进行总结和分享。
基于散射体信息的室内NLOS多站协作定位算法
(7)
( ) 其中，aP θ = e− j2πf (P−1)d sinθ /c ，θ 为路径的 AOA，c
进一步表示为
A(θ ,τ ) = ⎡⎣a (θ1 ) ⊗ b(τ1 ), ,a (θN ) ⊗ b(τ N )⎤⎦ (6) 其中，⊗ 表示克罗内克（Kronecker）积，a (θ ) 和 b(τ )
可分别表示为
a (θ ) = ⎡⎣a1 (θ ), , aP (θ )⎤⎦T
b(τ ) = ⎡⎣b1 (τ ), ,bK (τ )⎤⎦T
算法可应用于现有的商用 Wi-Fi 和 LTE 网络。 2) 由于缺少出射角（AOD, angle of departure），
将导致散射体的位置出现较大的位置模糊。为了解 决这个问题，本文算法充分利用多个接入点（AP, access point）的优势，结合房屋结构的先验信息， 并利用多个 AP 相互协同缩小了散射体的模糊范 围，从而限制了散射体区域。此外，定位方程的求 解使用了列文伯格马夸尔特（LM, Leverberg Maquardt）算法。
School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
Abstract: In indoor environments, the localization accuracy of existing line of sight (LOS) solutions will deteriorate severely in non-line-of-sight (NLOS) environment. In order to solve this problem, an scatterer information based indoor NLOS multiple base stations cooperative localization algorithm was proposed, which could realize localization when no LOS path was available. Firstly, the target NLOS area and scatterer blur area were collaboratively determined through multiple AP and joint scene prior information. Secondly, the areas of scatterer were further constrained according to the angle of arrival. Then, an error minimization equation based on the differential time of flight was established by employing angle, scatterer and time. Finally, a hybrid algorithm using genetic algorithm and Levenberg Marquardt algorithm was proposed to solve the objective equation. Simulation and measurement results show that the proposed algorithm can localize the target with only NLOS paths. Keywords: indoor localization, non-line-of-sight, multiple base station, scatterer
基于散射体信息的室内NLOS单基站定位算法
基于散射体信息的室内NLOS单基站定位算法
王亚;田增山;李泽;李升
【期刊名称】《重庆邮电大学学报:自然科学版》
【年(卷),期】2022(34)3
【摘要】针对室内非视距(non-line-of-sight,NLOS)环境下的定位问题,提出一种基于散射体信息的室内NLOS单基站定位算法。
根据室内场景的先验信息获得散射体的分布范围,选定一条反射路径的飞行时间(time of flight,TOF)作为参考,利用剩余路径的TOF与其做差分来构造差分TOF观测值,从而消除由于收发两端时钟不同步造成的相位误差影响;根据每条路径的AOA及散射体的分布范围进一步确定散射体的位置范围;利用差分TOF构造非线性定位目标方程,进一步将此方程转换为非线性最小二乘优化问题,利用遗传算法(genetic algorithm,GA)对目标进行初步定位,采用列文伯格-马夸尔特(Levenberg-Marquard,LM)算法对目标进行精确定位。
仿真结果表明,该算法可以有效解决室内NLOS环境下的单站定位问题。
【总页数】10页(P515-524)
【作者】王亚;田增山;李泽;李升
【作者单位】重庆邮电大学通信与信息工程学院
【正文语种】中文
【中图分类】TN929.5
【相关文献】
1.基于散射体信息的双基站定位
2.基于分形理论的移动单基站定位参数估计算法
3.基于散射体信息的单站内三角形质心定位算法
4.基于B-LM圆环模型的NLOS信息\r约束单基站定位算法
5.基于散射体信息的室内NLOS多站协作定位算法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于误差先验知识的NLOS移动节点定位算法
基于误差先验知识的NLOS移动节点定位算法何中越;颜俊华【摘要】Aiming at the problem that there were many block obstacles to communication between blocking nodes in the actual application environment,so that the communication between nodes became non line-of-sight (NLOS) type,we proposed a kind of NLOS mobile node localization algorithm based on error prior knowledge.The algorithm first calculated the number of NLOS measurements with errors in the total number of percentage K according to the error prior knowledge.And then according to the K to select the larger measured value of error.Finally,the NLOS measured value with larger error was corrected.The simulation results show that,compared with the traditional mobile node localization algorithm,the proposed algorithm can effectively reduce the NLOS error and improve the node localization accuracy.%针对实际应用环境中存在阻挡节点间通信的障碍物,使节点间的通信变成非视距(NLOS)类型的问题,提出一种基于误差先验知识引导的NLOS移动节点定位(NSES)算法.该算法首先根据误差先验知识,判断并计算出带有误差的NLOS测量值个数在总个数中的百分数K;然后根据K选出误差较大的测量值;最后对误差较大的NLOS测量值进行校正操作.仿真实验结果表明,该算法较传统移动节点定位算法能有效降低NLOS误差,提高节点定位精度.【期刊名称】《吉林大学学报（理学版）》【年(卷),期】2017(055)005【总页数】6页(P1221-1226)【关键词】无线传感器网络;节点定位;节点位置信息;非视距误差【作者】何中越;颜俊华【作者单位】西南石油大学计算机科学学院,成都610500;西南石油大学计算机科学学院,成都610500【正文语种】中文【中图分类】TP212.9目前, 无线传感器网络节点定位技术因其具有重要的实际应用价值而被广泛应用[1-3]. 定位技术是无线传感器网络的重要组成部分, 但在城市或室内等特殊复杂环境中, 由于障碍物阻挡了节点间的通信, 使通信变成非视距类型[4], 精确定位较难, 甚至会出现较大误差. 但复杂环境是无线传感器网络定位技术常要面对的应用环境, 所以研究非视距(non line-of-sight, NLOS)环境下的定位机制十分必要.目前, 利用无线传感器网络进行非视距移动节点定位的研究已取得了很多成果. 文献[5]提出了一种结合非视距概率密度函数估计和位置估计的非视距环境下循环定位算法, 将非视距位置估计和概率密度函数估计相结合, 通过不断进行迭代和循环计算出节点的具体位置; 但该算法存在数据估算比例过高, 可能引入新的误差等问题. 文献[6]提出的定位方法适用于低速自主移动节点, 因为这些节点受非视距影响较严重, 但应用场景有限. 文献[7]给出了一种利用粒子群优化算法削弱非视距误差的节点定位算法, 在节点定位中应用改进了参数设置和目标函数选取的粒子群优化算法. 文献[8]研究了信标节点选择机制(主要针对最小二乘算法), 该方法讨论了两种情况：在视距环境下, 为了提高定位精度, 可以利用具有最小残差的信标节点进行定位；在非视距环境下, 为了提高定位精度, 可以采用最小残差与残差加权、三步定位法相结合的定位算法; 该方法虽然增加了节点定位精度, 但复杂度略高. 文献[9]提出了一种基于非视距检测的定位算法, 但也存在复杂度高的问题. 文献[10]根据改进后的Kalman滤波算法, 进一步提出了检测和削弱非视距的算法, 即将检测出的非视距误差作为限制条件, 不断地检测非视距, 建立目标函数, 处理视距环境下得到的测量值并进行最终的定位计算; 该算法的非视距检测是在Kalman滤波预测过程中进行的, 限制了应用范围.针对上述无线传感器网络非视距移动节点定位算法的不足, 本文提出一种新的基于误差先验知识引导的NLOS移动节点定位(NSES)算法. 该算法首先根据误差先验知识, 判断并计算出带有误差的NLOS测量值个数在总个数中的百分数K, 然后根据K值选出误差较大的测量值, 最后对误差较大的NLOS测量值进行校正. 结果表明, 该算法降低了计算复杂度, 减小了节点定位误差.通常情况下信号沿直线传播, 这种传播方式称为视距传播. 但信号的传播有时并不一直按直线传播, 例如当移动节点和信标节点之间存在障碍物时, 即原来的直射路径被障碍物阻挡后, 信号则无法继续沿直线传播, 只能通过反射及衍射进行传播, 这时通过测量得到的数据无法正确反映发送方与接收方的距离, 这种现象称为非视距传播. 在用TOA(time of arrival)进行测距的无线传感器网络中, 障碍物可能会阻挡不同传感器节点之间原有的LOS(line of sight)路径, 从而信号的传播只能通过反射和衍射, 因此, NLOS误差不可避免地出现在TOA距离的测量值中. 事实上, LOS 传播路径通常比NLOS传播路径短, 即NLOS误差是一个随机误差, 且误差的平均值是正数. 所以在NLOS环境中, 节点间的实际真实距离值通常小于其距离测量值. 因此, 如何有效地降低NLOS误差是提高对移动目标节点定位精度的关键.2.1 算法测量模型本文采用接收信号强度值(RSSI)测距法测量信标节点和移动节点间的距离. 假设移动节点可以和所有的信标节点通信, 同时可以在监测区域内进行随意移动, 整个无线传感器网络的监测区域内共部署M个信标节点. 在实验过程中, 信标节点持续不断地向外界发射无线电信号(通过自身的发射器), 移动节点则负责接收信号, 然后根据收到的信号强度计算评估出它与信标节点间的距离.假设第m个信标节点发送给目标节点一个信号, 则信号的强度与两个节点间距离的关系模型为如果再考虑到随机误差, 则可得相应的对数阴影模型为其中: PL0表示在参考距离d0时接收到的信标节点发送的信号强度, 参考距离d0由测试内容决定, 通常选取1 m作为参考距离； n为路径损耗参数, 表示随着距离的增长, 路径损耗也随之增长的速率, 通常在NLOS环境下nlos=4～6, 在LOS环境下nlos=1.6～1.8； Slos表示LOS的测量误差, 服从均值为0、方差为的高斯分布, 即； Snlos表示NLOS测量误差,且σnlos>σlos, 误差参数可以通过仿真实验获得； dm=表示移动节点与信标节点m间的真实距离表示测量距离; (x,y)表示移动节点的位置坐标; (xm,ym)表示信标节点m的位置坐标.由式(1)和式(2)可得测量距离与真实距离之间存在如下关系：根据文献[2]可知, 在LOS和NLOS环境下, 可以分别近似得到：其中σ2>σ1. 则式(3)可改写为本文假设在一段时间(t1-tN)内, 移动节点共接收了N个信标节点m发送的信号, 并通过计算估计, 获得N个与信标节点m的测量距离值.2.2 NLOS误差的鉴别与校正算法如果节点在移动过程中碰到障碍物, 则节点的传播信号极有可能发生反射和衍射现象, 从而出现NLOS误差, 严重影响节点的定位精度. 基于此, 本文提出一种由误差先验知识引导的NLOS误差校正算法, 算法的主要结构如图1所示. 该算法由以下三部分组成：1) 根据LOS/NLOS误差先验知识, 判断由式(5)计算出的N个距离测量值中是否包含有NLOS误差;2) 若包含NLOS误差, 则计算带有NLOS误差的测量值在所有测量值个数中的百分数K;3) 在K上辨别出包含较大NLOS误差的测量值, 然后对其进行校正.由LOS/NLOS误差先验知识可知, 可以将测量值标准差和LOS误差标准差相结合, 用于判别测量值中是否存在NLOS误差. 在NLOS下, LOS测量值误差的标准差通常大于真实误差的标准差, 将实际测量的误差标准差与LOS误差的标准差值进行比较, 即可判断出测量值中是否包含相应的NLOS误差.信标节点m与移动节点之间测量距离的误差标准差为(在一个特定的时间段内)：其中:表示在时刻ti移动节点与信标节点m之间的测量距离; N表示测量值的个数表示测量距离的平均值. 因为通常未知, 所以只能对测量值进行三阶多项式拟合估计其值, 拟合多项式为式(7)可改写为如果测量值的误差标准差大于LOS误差的标准差, 则NLOS存在误差. 因此, 为了校正NLOS误差, 需要辨别出所有包含NLOS误差的测量值并对它们进行校正. 如果带有NLOS误差的数据已经存在于测量的N个数据中, 则采用((ti)-pm,N(ti))～N(μN(K),(K)),(11)进行校正. 其中, L和N分别表示LOS环境和NLOS环境. 由式(9)可得又由于由式(13)可知, X,Y服从非中心卡方分布, 即式中: (1-K)N和KN表示自由度; λ1(K)=和λ2(K)=表示非中心卡方分布的参数; NC表示非中心.根据非中心卡方分布的性质可得测量值误差方差的平均值为如果测量值个数N较大, 则式(15)可改写为测量值误差的方差为其中：Var(Y)=2KN+4μN(K).如果N较大, 则Var(S2)相对很小, 由此可判断S2的均值与实际值相差较小, 即S2≈E(S2), 所以根据式(16)可得(K).进一步, 假设σL(K)≈σ1, σN(K)≈σ2, 则可得包含NLOS误差的测量值占总测量值个数的百分数K为下面根据K值辨别出包含较大NLOS误差的测量值. 由于NLOS的测量值通常大于LOS测量值, 而P{Nlos>1.5σ1}=0.066 8, 因此LOS误差基本小于1.5σ1, 表明NLOS环境会产生较大的偏差. 令p=P{Nnlos>1.5σ1}, 则包含较大NLOS误差的测量值数目即为pNK. 将N个测量值进行正序排列, 则排在最前面的pNK个数据即为找到的包含较大NLOS误差的测量值. 然后校正这pNK个测量值. 首先利用拟合曲线的误差计算出这组测量值误差的平均值, 又因为NLOS误差是正值, 因此把该组测量值减去MN后作为校正后的测量值, 即2.3 移动节点的定位根据校正后得到误差较小的测量值, 本文采用残差加权法得到移动节点的坐标.1) 在t1时刻, 对M个节点提供的测量值进行分组, 共分成N组, 则可以得到的组合数N为其中每种组合的索引集合为{Sk|k=1,2,…,Z};2) 对每种组合分别采用最小二乘法进行估计和定位, 可得相应的估计位置为3) 采用残差加权,其中(xj,yj)即为第j个信标节点的位置坐标.为了验证本文算法定位精度的准确性, 将本文算法(NSES)与最小均方(LSM)算法和不需要NLOS测量值先验信息的残差加权(Rwgh)算法进行对比. 仿真实验环境为：每隔0.2 s进行一次统计, 在一个(160×200)m2的长方形区域内, 采用完全随机的方式放置6个信标节点和2个用于阻隔传播路径的物品, 移动节点可在监测区域内任意移动, 速度均保持1 m/s. 实验参数如下： NLOS误差标准差为5 m, NLOS误差均值为3 m, LOS误差标准差为2 m, 信标节点个数为6个.图2为在LOS情形下测量误差标准差对定位算法的影响. 由图2可见, 3种无线传感器网络定位算法的误差与测量误差标准差数值成正比. LSM算法相比其他算法随着测量误差标准差数值的增加涨幅最大. NSES算法的定位误差相对于Rwgh算法平均降低了5.33%.图3为NLOS误差的标准差与平均定位误差的关系曲线. 由图3可见, 平均定位误差对LSM算法的影响较大, 降低了约10%, 而对NSES算法和Rwgh算法的影响较小. 当NLOS误差的标准差较大时, NSES算法的定位精度相对于Rwgh算法提高了8.13%; 当NLOS误差的标准差较小时, NSES算法的定位精度相对于Rwgh 算法提高了2.4%. 因此本文NSES算法能有效地减少NLOS误差, 提高了定位精度. 图4为平均定位误差与NLOS误差均值的关系曲线. 由图4可见, 随着平均定位误差的增加, 所有算法的定位精度都降低. NSES算法的定位精度比Rwgh算法平均提高了5.14%.综上可见, 本文针对应用环境中存在阻挡节点间通信的障碍物, 使节点间的通信变成非视距类型的问题, 提出了一种基于误差先验知识引导的NLOS移动节点定位算法. 该算法首先根据误差先验知识, 判断并计算出带有误差的NLOS测量值个数在总个数中的百分数K, 然后根据K值选出误差较大的测量值, 最后对误差较大的NLOS测量值进行校正. 仿真实验结果表明, 本文算法相比传统移动节点定位算法能更有效地降低NLOS误差, 进一步提高节点的定位精度.【相关文献】[1] Vaghefi R M, Amuru S D, Buehrer R M. Improving Mobile Node Tracking Performance in NLOS Environments Using Cooperation [C]//IEEE International Conference on Communications. Piscataway, NJ: IEEE, 2015: 6595-6600.[2] ZHANG Lan, CHEN Feng, YU Yao. Research on Hybrid Location Algorithm with High Accuracy in Indoor Environment [C]//Control Conference. Piscataway, NJ: IEEE, 2015: 8764-8767.[3] Zaidi S, Assaf A E, Affes S, et al. Range-Free Nodes Localization in Mobile Wireless Sensor Networks [C]//IEEE International Conference on Ubiquitous Wireless Broadband. Piscataway, NJ: IEEE, 2015: 1-6.[4] LIU Yunting, GUO Hui, QIAN Xiaolong, et al. Non-line of Sight Node Tracking Algorithm Based on Modified Kalman Filter for Wireless Sensor Networks [C]//Cuntrol and Decision Conference. Piscataway, NJ: IEEE, 2015: 1170-1174.[5] YIN Feng, Fritsche C, Gustafsson F, et al. TOA-Based Robust Wireless Geolocation and Cramer-Rao Lower Bound; Analysis in Harsh LOS/NLOS Environments [J]. IEEE Transactions on Signal Processing, 2013, 61(9): 2243-2255.[6] 朴云, 董利达, 丁力. 能够克服局部NLOS影响的自主移动节点定位方法 [J]. 浙江大学学报(工学版), 2011, 45(7): 1147-1153. (PIAO Yun, DONG Lida, DING Li. Novel Localization Method for Mobile Sensor Node under Local NLOS Environment [J]. Journal of Zhejiang University (Engineering Science), 2011, 45(7): 1147-1153.)[7] 鲁旭阳, 张效义, 刘广怡, 等. 一种降低NLOS误差影响的节点定位算法 [J]. 信息工程大学学报, 2012, 13(5): 573-577. (LU Xuyang, ZHANG Xiaoyi, LIU Guangyi, et al. Node Localization Algorithm with Reduced NLOS Error Influence [J]. Journal of Information Engineering University, 2012, 13(5): 573-577.)[8] WU Shixun, LI Jiping, LIU Shouyin. Improved Localization Algorithms Based on Reference Selection of Linear Least Squares in LOS and NLOS Environments [J]. Wireless Personal Communications, 2013, 68(1): 187-200.[9] Wang Y, Hu N. A Novel Partical Swarm Optimiation Based Non-line of Sight Mobile Node Localization Algorithm [J]. Journal of Computational Information Systems, 2014,10(20): 8759-8766.[10] KE Wei, WU Lenan. Mobile Location with NLOS Identification and Mitigation Based on Modified Kalman Filtering [J]. Sensors, 2011, 11(2): 1641-1656.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
定位 ．但是 室内环境 下存在大 量的 ＮＬ ＯＳ环境 ，使得
联 合 多个 ＡＰ 的 Ａ ＯＡ 定 位 方 法 无 法 正 确 的 估 计 出直 射 路
境识别算法 主要 基于信号特征 ［ ４ － ５ ］ 、位 置残 差 ［ ６ － ７ ］ 、先验概
率 。 以及混合定位 方法等 基于信号特 征的 Ｎ Ｌ ＯＳ环 境
ｙ （ ） ＝ （ ） （ Ｐ ） ＋ ， ７
号 的傅 里 叶 变换
．
（ １ ）
其中ｙ （ ） 和 ｖ （ ） 分别代表接收信号与发送信
， － － １ 代表频域 上的信道 函数 ． ， ７ 表
２ 正 交频 分复用和信道频率响应
加循环前缀
，
通过射频发射
在 接 收 端 ．接 收 机 首 先 对 射
４ ５ ２ ０ １ ７ ０ ７ 广 东 通 信 技 术
圜 新技 术． 新业 务
对 信 号 的 Ａ ｏ Ａ 和 Ｔ ｏ Ａ 进 行 估 计 ， 同 时 利 用 聚 类 算 法 对 信
号的Ａ ｏ Ａ和Ｔ ｏ Ａ 信息进行聚类， 给每个类分配一个权值，
统计最 大权 值来 判断 当前环 境属 于 Ｌ Ｏｓ环 境 还 是 ＮＬ Ｏｓ
／ Ｊ （ ， ） ＝ ∑“ ， （ ｆ
３ ）
图 ２阵 列天线系统到达波示意图
结 合参考 文献 ” ．利 用 ＭＵ Ｓ Ｉ Ｃ ［ １ ６ 】 算法 可以估计 出
不 计 ．同 时 由 于 在 Ｉ Ｅ ＥＥ ８ ０ ２ ． １ １等 传 输 系 统 中 ， 多采 用 突
列 中的每一个 天线 ｆ 由 两 部 分 组 成 ，分 别 是 信 号 到 达 时
间Ｔ ＯＡ和 阵 列 天 线 几 何 布局 产 生 的 波 程 差 ／ ｓ ｉ ｎ 带 来 的 时 间 延 迟 由 以 上 的 分析 可 知 ．子 载 波 的 ＣＦ Ｒ 信 息 中 反
Ｄ ＯＩ ： １ ０ ３ ９ ６ ９ ￣ｉ ｓ ｓ ｎ １ ０ ０ ６ — ６ ４ ０ ３ ２ ０１ ７ ０ ７ ０ １ ２
基 于仿射 传播聚类 的 Ｌ ＯＳ ／ Ｎ Ｌ ＯＳ环境识 别算法
［ 魏思菁 周亭亭 ］
Ｉ 圜
Ｄ ｉ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｏ ≥ ｆ 萎 Ａ ｒ ｉ ｖ ａ ｌ ， Ｔ Ｄ Ｏ Ａ ） ， ￣ ＇ ＃ Ｔ ｉ ｍ ｅ ｏ ｆ
映２所 示
发 传 输 ， 以数 据 包 为单 位 进 行数 据 交 互 ．每 个 数 据 包 的传
输 时 间 很 短 ，可 以认 为码 元 的传 输 速 率 远 大 于 传 播 时延 ．
即 相 干 带 宽 远 大 于 数 据 带 宽 ．此 时可 以认 为 信 道 在 数 据 传 输 过 程 中是 不 变 的 因此 ，式 （ ２） 可 以 简化 为
画 田 茎 塑每
岂 隧 ～…
＼
＼
＼
广 —
言 遭兰 冲１
１
匿
．
：
Ｉ Ｉ Ｈ
匪
０ Ｆ Ｄ 、 Ｉ 鼍号
餐 ＼
持
Ｐ ５ 专 符号
图１ ＯＦ ＤＭ 系统 框 图
基于仿射传播聚类 的 Ｌ Ｏ Ｓ ／ Ｎ Ｌ Ｏ Ｓ环境识别算法
径的信号到达角
．
从 而 引 起 定 位 精 度 严 重 下 降 ． 因此 研 究
Ｌ ＯＳ ／ ＮＬ ＯＳ环 境 识 别 技 术 对 Ａ ＯＡ 定 位 精 度 的提 高 有 着 重 要 的 意 义 Ｎ Ｌ ＯＳ环 境 下 的 Ａ ＯＡ 定 位 需 要 解 决 两 个 关 键 问 题 ： Ｎ Ｌ ＯＳ环 境 识 别 以及 Ｎ Ｌ ＯＳ 影 响 消 除 现有的 Ｎ Ｌ ＯＳ环
３ ＡＯ Ａ ／ Ｔ ＯＡ联合估计
由于 ＷＬ ＡＮ 无 线 局 域 网 采 用 的 是 ＯＦ Ｄ Ｍ 的 调 制 技
） ＝ ｌ （ ／ ｂ
ｒ 和 引 起 的 相 位 差
， 、
ａ ； ｌ ， ｌ Ｚ ＂ ｔ ） Ｉ
Ｉ ） 『 １ （ ８）
术 ，对 于 这 样 的 多 载 波 调 制 系 统 每 个 子 载 波 都 有 对 应 的 ＣＦ Ｒ 信 息 通 常 情 况 下 ，信 道 对 单 个 信 号 的传 播会 带 来 ３ 种 影 响 ．分 别 是 信 号 的 幅 度 衰 减 ，信 号 的 传播 时 延 和 造 成 信 号 的 多 径 传 播 ．根 据 上 述 信 息 可 以建 立 以 下 的 时 变 的 信
道 模 型 ” 。 ：
其中 （ ， ） 代表第 ｉ 个子载波在第 ｎ 个天线上由
２ …
以 （ ， ） ＝
结 合 图 ２阵 列 天 线 系 统 到 达 波 示 意 图 可 知 ， 对 于 阵
） ＝ ∑ ｆ ） ” 。 ¨ 州 Ｈ “ ㈩
其中，ｈ ｆ ｒ ， ， ） 表 示 信 道 在 ，时 刻 对 ， 一ｆ时 刻 发 出 的 脉； 中的 响应 “ ， （ ， ） 代 表 第 ｎ条路 径 上 的 时 变信 号 的 衰 减 由于 在 室 内无 线 通 信 领 域 里 不 存 在 物 体 的 高 速 移 动 ． 那 么物 体 由 于 相 对 移 动 造 成 的 多普 勒 频 偏 很 小 ．可 以忽 略
囊 礓 懒善 蕊 母 缱
辩嚷瀚
魏 思 菁 中海 电 信有 限 公 司
周亭亭
宁 夏 走学 物 理 与 乜子 电 气工 程 学 院
新 技 采 ～． 赶 业 务
１ 引言
当代 社会 ，伴 随 着信 息技 术 的 发展 ，导 航 、定 位 等 信 息 在 人 们 的 信 息 要 求 中扮 演 着 越 来 越 重 要 的 角色 而 无 线 局域网 （ ＷＬ ＡＮ ）的兴 起 为 室 内 定 位 指 出 了 一 条 新 道 路 目前 在 室 内 定 位 领 域 的 研 究 中 ，通 常采 用 ＡＯＡ信 息 进 行