CN115379558A - 一种基于粒子群优化乌鸦算法的移动台位置估计方法 - Google Patents

一种基于粒子群优化乌鸦算法的移动台位置估计方法 Download PDF

Info

Publication number
CN115379558A
CN115379558A CN202211007008.1A CN202211007008A CN115379558A CN 115379558 A CN115379558 A CN 115379558A CN 202211007008 A CN202211007008 A CN 202211007008A CN 115379558 A CN115379558 A CN 115379558A
Authority
CN
China
Prior art keywords
mobile station
individual
algorithm
ith
position estimation
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.)
Pending
Application number
CN202211007008.1A
Other languages
English (en)
Inventor
乐英高
曹莉
王术新
陈斌禾
陈耀丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University of Technology
Original Assignee
Wenzhou University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University of Technology filed Critical Wenzhou University of Technology
Priority to CN202211007008.1A priority Critical patent/CN115379558A/zh
Publication of CN115379558A publication Critical patent/CN115379558A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • 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]
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于粒子群优化乌鸦算法的移动台位置估计方法，方法步骤包括：建立TDOA/AOA混合定位的坐标系，利用最大似然估计算法构建移动台位置估计模型；利用群智能优化乌鸦搜索算法对移动台位置估计模型进行求解，获得移动台的最优位置估计值。该移动台位置估计方法将TDOA/AOA混合定位的函数作为适应度函数进行寻优，找到最佳适应度对应的坐标点，有效的解决了TDOA/AOA混合定位中受误差影响较大，以及非线性优化的问题。

Description

一种基于粒子群优化乌鸦算法的移动台位置估计方法
技术领域
本发明涉及一种移动目标位置估计方法，尤其是一种基于粒子群优化乌鸦算法的移动台位置估计方法。
背景技术
近年来，随着我国导航***和无线通信技术的发展，无线定位技术越来越受到人们的广泛关注。在目前的研究中，移动通信定位技术全球定位***，其原理是根据运转在轨道上的导航卫星来进行测时和测距，来提供位置信息，定位***包括空间卫星导航部分，地面控制部分和用户终端部分。目前全球一共有四大定位***，分别为美国GPS***、中国的北斗***、俄罗斯的GLONASS(格洛纳斯)和欧盟的Galileo(伽利略)，目前这四个导航***中比较稳定可靠的是北斗和GPS***，到目前为止，我国已经实现北斗卫星在全球覆盖的布局，北斗不仅能够提供精确的定位服务，还具有卫星报文通信功能，授时功能，尤其在军事领域，我国目前已经实现了全覆盖。除此之外，北斗***还广泛的应用在救灾救援、森林防火、监测探测、户外导航、野外作业通信等领域。通过对接收到的无线电波的一些参数进行测量，然后根据特定的算法来判断出移动台当前的位置。
移动通信中研究的无线定位技术有两种实现方案。基于方向的定位技术，如到达角(AOA:Angle Of Arrival)定位技术是基站通过阵列天线测出接收信号从移动台到2个以上基站的传输路径的到达方向获得位置信息的。基于距离的定位技术，如到达时间差(TDOA，Time Difference of Arrival)定位技术，即利用基站检测到信号的时间与移动台发射信号的时间差，由发射信号到达两个基站的时间差可以确定一条双曲线，为了确定移动台的位置，最少用三个基站我们可以确定移动台的位置。现有的AOA定位技术在非视距情况下，反射或散射的信号会导致出现很大的定位误差，由于在室内环境下的非视距路径，使AOA技术不适用于室内定位***，而较适合于多径影响较小的郊区。当移动台距离基站较远时,基站定位角度的微小偏差会产生定位距离的较大误差，影响定位精度。而TDOA定位技术要求所有参与定位的基站之间必须完全时间同步，但不需要知道从移动台发射的时间，也不需要移动台与基站之间的同步，在误差环境下性能相对优越，但对时间基准的依赖性也较高。但在非视距情况下定位精度较差且容易产生模糊解，性能明显下降。
针对上述的AOA或TDOA所存在的问题，现有技术中提出了TDOA/AOA混合定位算法。TOA-AOA定位法是一种综合TOA和AOA技术的定位方法。该方法的基本思想是由移动台的服务基站测量移动台发射信号到达移动台的时间和角度。与TOA定位法相同，发射信号中也要包含发射时间标记，但是该方法不要求网络的基站时间同步，而只要求移动台时间和服务基站的时间同步，这可以通过基站的同步信道来实现。TOA-AOA定位法只需要一个基站参与测量即可以知道移动台的位置。TDOA/AOA混合定位算法相对于单独的TDOA算法或AOA算法具有更加精确的定位性能。TDOA是通过电波到达时间差对MS的位置建立方程，AOA是通过信号到达角度对MS的位置建立方程，如何求解这两种不同类型非线性方程组成的非线性方程组，是各类TDOA/AOA混合定位方法的重点和难点。群智能优化乌鸦搜索算法(crow searchalgorithm，CSA)在高维函数寻优、特征选择等方面均有良好表现。于是本发明提出一种基于粒子群优化乌鸦算法的移动台位置估计方法，能够使粒子群算法快速收敛，达到寻优的目的，从而快速实现移动目标的精确定位。
发明内容
发明目的：提供一种基于粒子群优化乌鸦算法的移动台位置估计方法，能够使粒子群算法快速收敛，达到寻优的目的，从而快速实现移动目标的精确定位。
技术方案：本发明所述的基于粒子群优化乌鸦算法的移动台位置估计方法，包括如下步骤：
步骤1，建立TDOA/AOA混合定位的坐标系，利用最大似然估计算法构建移动台位置估计模型；
步骤2，利用群智能优化乌鸦搜索算法对移动台位置估计模型进行求解，获得移动台的最优位置估计值。
进一步的，步骤1中，构建的移动台位置估计模型为：
Figure BDA0003809369190000021
式中，Δr＝r-r1+n，Δr＝[r2，1，r2，1，…，rM，1]T，r＝[r2，r3，…，rM]T，r1＝[r1，r1，…，r1]T，n＝[n2，1，n3，1，…，nM，1]T，M为基站数量，ri表示移动台个体到第i个基站的距离，ri，1为移动台个体到第i(i≠1)个基站和第1个基站的实际距离差值，ni，1为检测TDOA测量值时引入的噪声，ni，1服从均值为0、方差为σ2的正态分布，ri，1服从均值为(ri-r1)、方差为σ2的正态分布，α服从均值为
Figure BDA0003809369190000022
方差为std2α的正态分布，x1和y1分别表示第1个基站的横坐标和纵坐标，x和y分别表示移动台个体的横坐标和纵坐标。
进一步的，步骤2中，利用群智能优化乌鸦搜索算法对移动台位置估计模型进行求解的具体步骤为：
步骤2.1，初始化算法参数：最大迭代次数T、发现概率AP以及惯性因子ω；
步骤2.2，初始化第i个移动台个体在第t次迭代时的位置为
Figure BDA0003809369190000031
再根据移动台位置估计模型建立适应度函数为：
Figure BDA0003809369190000032
步骤2.3，根据适应度函数计算第i个移动台个体的个体最优位置为pbi以及全局最优位置为gbi；
步骤2.4，从t代种群中选择第i个移动台个体，并设置一个[0，1]区间内的随机数w；
步骤2.5，根据下式计算出第i个移动台个体在t+1次迭代时的速度为：
Figure BDA0003809369190000033
式中，
Figure BDA0003809369190000034
为第i个移动台个体在当前迭代周期的速度，c3表示第j个移动台个体对第i个移动台个体的影响程度，s1、s2以及s3是[0，1]内的随机数，c1和c2为学习因子，
Figure BDA0003809369190000035
为第j个移动台个体在第t次迭代时的个体最优位置，
Figure BDA0003809369190000036
为第i个移动台个体在第t次迭代时的个体最优位置，
Figure BDA0003809369190000037
为第i个移动台个体在第t次迭代时的全局最优位置；
步骤2.6，根据下式计算第i个移动台个体在t+1次迭代时的位置为：
Figure BDA0003809369190000038
式中，xmin和xmax分别是第i个移动台个体的最小位置和最大位置；
步骤2.7，判断
Figure BDA0003809369190000039
与
Figure BDA00038093691900000310
的差值是否小于等于速度收敛阈值以及
Figure BDA00038093691900000311
与
Figure BDA00038093691900000312
的差值是否小于等于位置收敛阈值，若均满足收敛，则进入步骤2.8，否则迭代次数t自加1，再返回步骤2.4；
步骤2.8，判断迭代次数t+1是否大于等于T，若是，则停止迭代，输出
Figure BDA00038093691900000313
作为第i个移动台个体的最优位置估计值，否则迭代次数t自加1，再返回步骤2.4。
本发明与现有技术相比，其有益效果是：本发明将TDOA/AOA混合定位的函数作为适应度函数进行寻优，找到最佳适应度对应的坐标点，有效的解决了TDOA/AOA混合定位中受误差影响较大，以及非线性优化的问题。仿真结果表明，与TDOA/AOA、Taylor、Chan、PSO、CPSO、CSA算法相比，本发明公开的算法优于TDOA/AOA算法及其他同类型算法，该算法在节点定位精度、收敛速度及鲁棒性等方面都具有良好的效果。
附图说明
图1为本发明的方法流程图；
图2为本发明仿真实验的基站与移动台位置示意图；
图3为本发明仿真实验的标准误差与基站关系图；
图4为本发明仿真实验的准误差与小区半径关系图；
图5为本发明仿真实验的标准误差与测量误差关系图；
图6为本发明仿真实验的基站取4个标准误差与测量误差的关系图；
图7为本发明仿真实验的不同基准坐标下的标准误差与测量误差的关系图；
图8为本发明仿真实验的测量误差与均方误差关系图；
图9为本发明仿真实验的基站个数与均方误差关系图；
图10为本发明仿真实验的半径与均方误差关系图。
具体实施方式
下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例1：
如图1所示，本发明公开的基于粒子群优化乌鸦算法的移动台位置估计方法，包括如下步骤：
步骤1，建立TDOA/AOA混合定位的坐标系，利用最大似然估计算法构建移动台位置估计模型；
步骤2，利用群智能优化乌鸦搜索算法对移动台位置估计模型进行求解，获得移动台的最优位置估计值。
进一步的，步骤1中，构建的移动台位置估计模型为：
Figure BDA0003809369190000041
式中，Δr＝r-r1+n，Δr＝[r2，1，r2，1，…，rM，1]T，r＝[r2，r3，…，rM]T，r1＝[r1，r1，…，r1]T，n＝[n2，1，n3，1，…，nM，1]T，M为基站数量，ri表示移动台个体到第i个基站的距离，ri，1为移动台个体到第i(i≠1)个基站和第1个基站的实际距离差值，ni，1为检测TDOA测量值时引入的噪声，ni，1服从均值为0、方差为σ2的正态分布，ri，1服从均值为(ri-r1)、方差为σ2的正态分布，α服从均值为
Figure BDA0003809369190000051
方差为std2α的正态分布，x1和y1分别表示第1个基站的横坐标和纵坐标，x和y分别表示移动台个体的横坐标和纵坐标。
进一步的，步骤2中，利用群智能优化乌鸦搜索算法对移动台位置估计模型进行求解的具体步骤为：
步骤2.1，初始化算法参数：最大迭代次数T、发现概率AP以及惯性因子ω；
步骤2.2，初始化第i个移动台个体在第t次迭代时的位置为
Figure BDA0003809369190000052
再根据移动台位置估计模型建立适应度函数为：
Figure BDA0003809369190000053
步骤2.3，根据适应度函数计算第i个移动台个体的个体最优位置为pbi以及全局最优位置为gbi；
步骤2.4，从t代种群中选择第i个移动台个体，并设置一个[0，1]区间内的随机数w；
步骤2.5，根据下式计算出第i个移动台个体在t+1次迭代时的速度为：
Figure BDA0003809369190000054
式中，
Figure BDA0003809369190000055
为第i个移动台个体在当前迭代周期的速度，c3表示第j个移动台个体对第i个移动台个体的影响程度，s1、s2以及s3是[0，1]内的随机数，c1和c2为学习因子，
Figure BDA0003809369190000056
为第j个移动台个体在第t次迭代时的个体最优位置，
Figure BDA0003809369190000057
为第i个移动台个体在第t次迭代时的个体最优位置，
Figure BDA0003809369190000058
为第i个移动台个体在第t次迭代时的全局最优位置；
步骤2.6，根据下式计算第i个移动台个体在t+1次迭代时的位置为：
Figure BDA0003809369190000059
式中，xmin和xmax分别是第i个移动台个体的最小位置和最大位置；
步骤2.7，判断
Figure BDA0003809369190000061
与
Figure BDA0003809369190000062
的差值是否小于等于速度收敛阈值以及
Figure BDA0003809369190000063
与
Figure BDA0003809369190000064
的差值是否小于等于位置收敛阈值，若均满足收敛，则进入步骤2.8，否则迭代次数t自加1，再返回步骤2.4；
步骤2.8，判断迭代次数t+1是否大于等于T，若是，则停止迭代，输出
Figure BDA0003809369190000065
作为第i个移动台个体的最优位置估计值，否则迭代次数t自加1，再返回步骤2.4。
本发明的定位仿真实验如下：
一、实验场景与评价指标
算法的实验环境基于MATLAB2018b平台，Windows10，64位***的计算机。本实施例对Taylor算法、Chan算法、TDOA/AOA混合算法、混沌CSA算法和本发明的PSO_CSA算法的定位性能进行了比较，因3个基站时性能不佳，所有选择的基站都在3个以上。本实施例的主要参数设置为：采用9个移动台的蜂窝结构，基站个数选择在4～9个之间，小区半径选择为3000m，服务基站为BS1，基站的坐标选取分别为：BS1(0，0)，
Figure BDA0003809369190000066
Figure BDA0003809369190000067
BS8(0，2)，BS9(0，-2)。由TDOA测量误差服从均值为0，方差分别取30m、60m、90m、120m、150m的高斯正态分布，信道环境造成的非视距误差满足信道模型，服务基站BS1提供的AOA测量误差服从均值为0的高斯正态分布。PSO算法的学习因子c1和c2为2.4，初始的惯性因子ω为0.9，迭代至最大代数时的惯性因子ω为0.2，初始粒子数为60，迭代次数为20次。CSA算法中的发现概率AP为0.1，飞行长度fl为2。基站与移动台位置示意图如图2所示。
二、基站数量、小区半径和测量误差作为变量比较算法定位性能
(1)定位性能受基站个数的影响。由图3可看出，在误差取30m，半径取3000m，移动台的初始坐标设置为(0.8，0.2)。随着基站个数由4个到9个的增加，各个算法的定位精度不断提升，标准误差减小。整体来看，本发明的PSO_CSA算法的曲线明显低于其他所有算法，定位性能最佳，CCSA算法和传统CSA次之，其他算法依次排开。
图3中，由总体平均值可知，CSA算法及其改进算法相对于Taylor算法、Chan算法、TDOA/AOA算法，定位的精度和准确度有明显的提升；从稳定性方面来看，CSA算法及其改进算法曲线平滑，体现了算法具有更好的稳定性。
(2)定位性能受小区半径的影响。由图4可看出，在基站取4个，测量误差为30m的情况下，随着小区半径的不断增加，定位误差呈现上升趋势。标准误差与小区半径关系如图4所示。图4中可以看出，PSO_CSA算法的定位性能和可靠性相对于其他定位算法，具有明显的优越性，这是由于PSO_CSA算法是对TDOA/AOA的函数式进行寻优，消除了一定的误差，一定程度上减小了由半径变化带来的误差，提高了定位的精度。
(3)定位性能受测量误差的影响。由图5可以看出，在半径取3000m，基站取7个的情况下，测量误差方差在30m到240m，随着测量误差的增加，标准误差也随之增加。标准误差与测量误差关系如图5所示。图5中，CSA算法及其改进算法相对于其他算法，使得定位性能得到明显的提升且稳定性较高。其他定位方法，受误差影响较大，由于随着测量误差的增加，最终的测量结果出现偏差的概率也就越大，算法表现出来的性能也就越不稳定。
当其他条件相同时，取4个基站，两者的关系如图6所示。相对而言，标准误差均有所增加，显示出了均方根误差受基站个数影响较大，基站的减少会使得对TDOA测量值和AOA测量值不够精确，带来误差的增大。当基站取7个，基准坐标选择(0.8,0.6)时，两者的关系如图7所示，由图7可看出，在靠近基站形成的中心时，CSA算法及其改进算法表现出了更好的性能，获得更好定位精度，因此在测量过程中，基准坐标的选择能够让定位算法表现出更好的优越性。但传统CSA算法与改进算法相差较少。
(4)测量误差、小区半径、基站个数与均方误差之间的关系，设横坐标为分别为测量误差、基站个数、小区半径，纵坐标y＝10lg(MSE)，位置估计MSE根据下式经过200次实验计算：
Figure BDA0003809369190000071
式中，x～(l)表示x的第l次的估计位置值，测量结果如图8、9、10所示，图8中所示，随着测量误差的增加，均方误差也随之递增，PSO_CSA算法在平均均方误差中，表现出了良好的定位性能，这是由于PSO_CSA算法降低了测量误差对定位的影响，使得定位更加精确。从稳定性方面来看，CSA算法及其改进算法相对于Taylor算法、Chan算法、TDOA/AOA算法、PSO算法和CPSO算法，曲线更加平滑，效果更加稳定。
图9中所示，基站在4～5个时，PSO算法定位精度稍优于CSA算法，本发明提出的PSO_CSA算法的定位精度明显高于其他算法。基站数大于5个之后，CSA算法优于PSO算法，精度受基站数量的影响不大，原因是修正了BS与MS之间的TDOA测量值，此时是AOA的测量偏差对定位性能起作用。
图10中所示，本发明提出的PSO_CSA算法定位性能优于其他算法，这是由于利用遍历性，避免了非线性在运算过程中线性化，继而导致算法陷入局部最优解的问题，使得TDOA/AOA混合定位的定位性能得到了提高，所以将PSO_CSA算法用于TDOA/AOA混合定
综上，本发明将TDOA/AOA混合定位的函数作为适应度函数进行寻优，找到最佳适应度对应的坐标点，有效的解决了TDOA/AOA混合定位中受误差影响较大，以及非线性优化的问题。仿真结果表明，与TDOA/AOA、Taylor、Chan、PSO、CPSO、CSA算法相比，本发明公开的算法优于TDOA/AOA算法及其他同类型算法，该算法在节点定位精度、收敛速度及鲁棒性等方面都具有良好的效果。由于其简单性，混沌PSO算法的TDOA/AOA混合定位算法在实际应用中具有研究意义。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (3)

1.一种基于粒子群优化乌鸦算法的移动台位置估计方法，其特征在于，包括如下步骤：
步骤1，建立TDOA/AOA混合定位的坐标系，利用最大似然估计算法构建移动台位置估计模型；
步骤2，利用群智能优化乌鸦搜索算法对移动台位置估计模型进行求解，获得移动台的最优位置估计值。
2.根据权利要求1所述的基于粒子群优化乌鸦算法的移动台位置估计方法，其特征在于，步骤1中，构建的移动台位置估计模型为：
Figure FDA0003809369180000011
式中，Δr＝r-r1+n，Δr＝[r2,1,r2,1,…,rM,1]T，r＝[r2,r3,…,rM]T，r1＝[r1,r1,…,r1]T，n＝[n2,1,n3,1,…,nM,1]T，M为基站数量，ri表示移动台个体到第i个基站的距离，ri,1为移动台个体到第i(i≠1)个基站和第1个基站的实际距离差值，ni,1为检测TDOA测量值时引入的噪声，ni,1服从均值为0、方差为σ2的正态分布，ri,1服从均值为(ri-r1)、方差为σ2的正态分布，α服从均值为
Figure FDA0003809369180000012
方差为std2α的正态分布，x1和y1分别表示第1个基站的横坐标和纵坐标，x和y分别表示移动台个体的横坐标和纵坐标。
3.根据权利要求2所述的基于粒子群优化乌鸦算法的移动台位置估计方法，其特征在于，步骤2中，利用群智能优化乌鸦搜索算法对移动台位置估计模型进行求解的具体步骤为：
步骤2.1，初始化算法参数：最大迭代次数T、发现概率AP以及惯性因子ω；
步骤2.2，初始化第i个移动台个体在第t次迭代时的位置为
Figure FDA0003809369180000013
再根据移动台位置估计模型建立适应度函数为：
Figure FDA0003809369180000014
步骤2.3，根据适应度函数计算第i个移动台个体的个体最优位置为pbi以及全局最优位置为gbi；
步骤2.4，从t代种群中选择第i个移动台个体，并设置一个[0，1]区间内的随机数w；
步骤2.5，根据下式计算出第i个移动台个体在t+1次迭代时的速度为：
Figure FDA0003809369180000021
式中，
Figure FDA0003809369180000022
为第i个移动台个体在当前迭代周期的速度，c3表示第j个移动台个体对第i个移动台个体的影响程度，s1、s2以及s3是[0,1]内的随机数，c1和c2为学习因子，
Figure FDA0003809369180000023
为第j个移动台个体在第t次迭代时的个体最优位置，
Figure FDA0003809369180000024
为第i个移动台个体在第t次迭代时的个体最优位置，
Figure FDA0003809369180000025
为第i个移动台个体在第t次迭代时的全局最优位置；
步骤2.6，根据下式计算第i个移动台个体在t+1次迭代时的位置为：
Figure FDA0003809369180000026
式中，xmin和xmax分别是第i个移动台个体的最小位置和最大位置；
步骤2.7，判断
Figure FDA0003809369180000027
与
Figure FDA0003809369180000028
的差值是否小于等于速度收敛阈值以及
Figure FDA0003809369180000029
与
Figure FDA00038093691800000210
的差值是否小于等于位置收敛阈值，若均满足收敛，则进入步骤2.8，否则迭代次数t自加1，再返回步骤2.4；
步骤2.8，判断迭代次数t+1是否大于等于T，若是，则停止迭代，输出
Figure FDA00038093691800000211
作为第i个移动台个体的最优位置估计值，否则迭代次数t自加1，再返回步骤2.4。
CN202211007008.1A 2022-08-22 2022-08-22 一种基于粒子群优化乌鸦算法的移动台位置估计方法 Pending CN115379558A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211007008.1A CN115379558A (zh) 2022-08-22 2022-08-22 一种基于粒子群优化乌鸦算法的移动台位置估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211007008.1A CN115379558A (zh) 2022-08-22 2022-08-22 一种基于粒子群优化乌鸦算法的移动台位置估计方法

Publications (1)

Publication Number Publication Date
CN115379558A true CN115379558A (zh) 2022-11-22

Family

ID=84068502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211007008.1A Pending CN115379558A (zh) 2022-08-22 2022-08-22 一种基于粒子群优化乌鸦算法的移动台位置估计方法

Country Status (1)

Country Link
CN (1) CN115379558A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106823A (zh) * 2023-02-18 2023-05-12 中国人民解放军海军工程大学 一种基于粒子群优化的tdoa-pdoa联合定位方法
CN116400318A (zh) * 2023-06-08 2023-07-07 中国人民解放军国防科技大学 基于在线粒子群优化的多观测目标位置估计方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106823A (zh) * 2023-02-18 2023-05-12 中国人民解放军海军工程大学 一种基于粒子群优化的tdoa-pdoa联合定位方法
CN116400318A (zh) * 2023-06-08 2023-07-07 中国人民解放军国防科技大学 基于在线粒子群优化的多观测目标位置估计方法及装置
CN116400318B (zh) * 2023-06-08 2023-08-04 中国人民解放军国防科技大学 基于在线粒子群优化的多观测目标位置估计方法及装置

Similar Documents

Publication Publication Date Title
Peng et al. Angle of arrival localization for wireless sensor networks
US8478292B2 (en) Wireless localization method based on an efficient multilateration algorithm over a wireless sensor network and a recording medium in which a program for the method is recorded
CN110856106B (zh) 基于uwb和气压计的室内高精度三维定位方法
CN115379558A (zh) 一种基于粒子群优化乌鸦算法的移动台位置估计方法
CN110045324B (zh) 一种基于uwb和蓝牙技术的室内定位融合方法
CN110926461B (zh) 一种基于超宽带室内定位方法和***、导航方法和***
CN105188082B (zh) 用于室内wlan环境下rss/aoa/tdoa定位性能的评价方法
CN103270801B (zh) 用于定位用户设备的方位的方法和***
CN102621522B (zh) 一种水下无线传感器网络的定位方法
Bekcibasi et al. Increasing RSSI localization accuracy with distance reference anchor in wireless sensor networks
Yingxi et al. WSN node localization algorithm design based on RSSI technology
Galov et al. Bayesian filters for ToF and RSS measurements for indoor positioning of a mobile object
CN110636436A (zh) 基于改进chan算法的三维uwb室内定位方法
Monica et al. A swarm-based approach to real-time 3D indoor localization: Experimental performance analysis
Aernouts et al. Combining TDoA and AoA with a particle filter in an outdoor LoRaWAN network
Ahammed et al. LICA: robust localization using cluster analysis to improve GPS coordinates
Kuxdorf-Alkirata et al. Reliable and low-cost indoor localization based on bluetooth low energy
Bouras et al. Time difference of arrival localization study for SAR systems over LoRaWAN
Gu et al. The effect of ground truth accuracy on the evaluation of localization systems
Khalel Position location techniques in wireless communication systems
Zhou et al. Optimal location method of spontaneous data fusion based on TDOA/AOA
Gazzah et al. Selective Hybrid RSS/AOA Approximate Maximum Likelihood Mobile intra cell Localization.
CN112954591B (zh) 一种协同分布式定位方法及***
CN115327589A (zh) 一种基于北斗卫星导航的室内外一体化定位方法及***
CN102238724A (zh) 一种异型空间内无线传感定位方法

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