蜂窩網(wǎng)信息融合定位理論與方法

上 篇
第1章 緒論 3
1．1 蜂窩網(wǎng)定位技術(shù)概述 3
1．1．1 無(wú)線定位技術(shù)的概念 3
1．1．2 蜂窩網(wǎng)定位技術(shù)的應(yīng)用領(lǐng)域 4
1．1．3 蜂窩網(wǎng)定位技術(shù)的發(fā)展 5
1．1．4 蜂窩網(wǎng)定位系統(tǒng)的分類 7
1．2 信息融合技術(shù)概述 9
1．2．1 信息融合技術(shù)基礎(chǔ) 9
1．2．2 信息融合的體系結(jié)構(gòu)和分類 10
1．2．3 信息融合技術(shù)的研究現(xiàn)狀 11
1．2．4 多源信息融合的優(yōu)勢(shì) 12
1．2．5 多源信息融合存在的主要問(wèn)題 13
1．3 蜂窩網(wǎng)信息融合定位技術(shù)的可行性分析 15
1．3．1 基于信息融合的定位技術(shù)研究現(xiàn)狀 15
1．3．2 蜂窩網(wǎng)信息融合定位技術(shù)的可行性和意義 15
參考文獻(xiàn) 17
第2章 無(wú)線定位理論基礎(chǔ) 18
2．1 無(wú)線定位常用方法 18
2．1．1 場(chǎng)強(qiáng)定位方法 18
2．1．2 基于到達(dá)時(shí)間測(cè)量的定位方法 19
2．1．3 基于到達(dá)時(shí)間差測(cè)量的定位方法 20
2．1．4 基于信號(hào)到達(dá)角的定位方法 21
2．1．5 基于指紋匹配的定位方法 22
2．2 傳統(tǒng)的定位參數(shù)測(cè)量方法 23
2．2．1 時(shí)延估計(jì) 23
2．2．2 角度估計(jì) 24
2．2．3 時(shí)延和到達(dá)角聯(lián)合估計(jì) 27
2．3 NLOS誤差鑒別與抑制方法 28
2．4 傳統(tǒng)的移動(dòng)臺(tái)位置解算算法 30
2．4．1 非迭代定位算法 31
2．4．2 迭代定位算法 36
2．5 定位性能指標(biāo) 40
參考文獻(xiàn) 42
第3章 蜂窩網(wǎng)定位中的時(shí)延估計(jì)算法 47
3．1 超分辨時(shí)延估計(jì)算法 47
3．1．1 OFDM信號(hào)時(shí)延估計(jì)模型 47
3．1．2 子空間類時(shí)延估計(jì)算法 49
3．1．3 最大似然時(shí)延估計(jì)算法 53
3．2 基于蒙特卡羅直接抽樣的最大似然時(shí)延估計(jì)算法 58
3．2．1 信號(hào)模型 59
3．2．2 算法原理 60
3．2．3 克拉美羅下界 62
3．2．4 算法仿真與分析 63
3．3 基于重要性抽樣的最大似然時(shí)延估計(jì)算法 66
3．3．1 信號(hào)模型 66
3．3．2 算法原理 67
3．3．3 克拉美羅下界 71
3．3．4 算法仿真與分析 72
3．4 本章小結(jié) 76
參考文獻(xiàn) 76
第4章 蜂窩網(wǎng)定位中的時(shí)延和到達(dá)角聯(lián)合估計(jì)算法 78
4．1 基于求根MUSIC的時(shí)延和到達(dá)角聯(lián)合估計(jì) 78
4．1．1 時(shí)延和到達(dá)角聯(lián)合估計(jì)模型 79
4．1．2 算法原理 80
4．1．3 算法仿真與分析 83
4．2 基于Hadamard積擴(kuò)展子空間的時(shí)延和到達(dá)角聯(lián)合估計(jì) 90
4．2．1 算法原理 91
4．2．2 克拉美羅下界 93
4．2．3 算法仿真與分析 96
4．3 本章小結(jié) 100
參考文獻(xiàn) 100
第5章 蜂窩網(wǎng)定位系統(tǒng)的NLOS誤差抑制算法 102
5．1 蜂窩網(wǎng)定位系統(tǒng)的誤差分析 102
5．2 典型的定位誤差鑒別與抑制算法分析 103
5．2．1 NLOS誤差鑒別算法 103
5．2．2 NLOS誤差抑制算法 105
5．3 基于信號(hào)斜度歸零準(zhǔn)則的NLOS誤差抑制算法 107
5．3．1 NLOS誤差的信道模型 108
5．3．2 基于信號(hào)斜度歸零準(zhǔn)則的NLOS誤差鑒別算法 108
5．3．3 基于數(shù)據(jù)斜度歸零準(zhǔn)則的NLOS誤差抑制算法 110
5．3．4 算法仿真與分析 111
5．4 基于偏差Kalman濾波器和神經(jīng)網(wǎng)絡(luò)的NLOS誤差抑制算法 114
5．4．1 偏差Kalman濾波器 114
5．4．2 Kalman濾波器對(duì)TOA進(jìn)行無(wú)偏估計(jì)的算法推導(dǎo) 115
5．4．3 基于BP神經(jīng)網(wǎng)絡(luò)的NLOS誤差環(huán)境模型系數(shù)估計(jì) 116
5．4．4 算法總體流程 118
5．4．5 算法仿真與分析 118
5．5 本章小結(jié) 122
參考文獻(xiàn) 122
第6章 蜂窩移動(dòng)通信系統(tǒng)信息融合定位理論 124
6．1 引言 124
6．2 信息融合定位系統(tǒng)的總體設(shè)計(jì)方案 125
6．3 基于信息融合的蜂窩網(wǎng)定位系統(tǒng)結(jié)構(gòu) 127
6．3．1 信息融合定位系統(tǒng)的功能結(jié)構(gòu) 127
6．3．2 信息融合定位系統(tǒng)的層次結(jié)構(gòu) 128
6．3．3 信息融合定位系統(tǒng)的整體框架 129
6．4 基于多源測(cè)量參數(shù)信息的數(shù)據(jù)層融合定位算法 130
6．4．1 經(jīng)典無(wú)線位置估計(jì)算法 130
6．4．2 基于多目標(biāo)優(yōu)化理論的多源測(cè)量參數(shù)信息融合定位 132
6．5 多目標(biāo)優(yōu)化信息融合定位的求解方法 134
6．5．1 多目標(biāo)優(yōu)化理論的最優(yōu)解 134
6．5．2 多目標(biāo)優(yōu)化問(wèn)題的經(jīng)典求解方法 135
6．5．3 基于遺傳算法的多目標(biāo)進(jìn)化算法 137
6．6 基于多目標(biāo)優(yōu)化的數(shù)據(jù)層信息融合定位方法 138
6．7 基于分布式結(jié)構(gòu)的改進(jìn)遺傳算法 141
6．7．1 改進(jìn)遺傳算法的必要性 141
6．7．2 常見(jiàn)的變異改進(jìn)型遺傳算法 142
6．7．3 分布式遺傳算法原理 143
6．7．4 分布式遺傳算法設(shè)計(jì) 144
6．8 基于分布式遺傳算法的測(cè)量參數(shù)數(shù)據(jù)層定位算法 145
6．8．1 目標(biāo)種群設(shè)計(jì) 145
6．8．2 子種群設(shè)計(jì) 146
6．8．3 分布式遺傳算法的整體流程 148
6．8．4 算法仿真與分析 148
6．9 本章小結(jié) 153
參考文獻(xiàn) 154
第7章 移動(dòng)臺(tái)位置融合決策與系統(tǒng)性能評(píng)估優(yōu)化 155
7．1 信息融合定位系統(tǒng)的決策層融合結(jié)構(gòu) 155
7．1．1 決策層融合的概念和常用方法 155
7．1．2 信息融合定位系統(tǒng)的決策層融合結(jié)構(gòu) 156
7．2 基于貝葉斯規(guī)則的決策層融合算法 159
7．2．1 貝葉斯決策層融合算法 159
7．2．2 貝葉斯決策層融合的序貫遞推 160
7．2．3 貝葉斯決策層融合的性能分析 161
7．3 基于閉環(huán)反饋結(jié)構(gòu)的改進(jìn)粒子濾波決策層融合定位 162
7．3．1 基本的粒子濾波算法 162
7．3．2 閉環(huán)反饋型的改進(jìn)粒子濾波器 165
7．3．3 基于IUKF算法的粒子重采樣 167
7．4 算法仿真與分析 175
7．5 信息融合定位系統(tǒng)的性能評(píng)估 178
7．5．1 信息融合定位系統(tǒng)性能評(píng)估的作用 178
7．5．2 信息融合定位系統(tǒng)的測(cè)試評(píng)估原理 179
7．6 信息融合定位系統(tǒng)的控制優(yōu)化 181
7．6．1 控制優(yōu)化的整體策略 181
7．6．2 基于信息反饋的控制優(yōu)化結(jié)構(gòu) 182
7．6．3 基于專家系統(tǒng)輔助的性能優(yōu)化方法 183
7．7 本章小結(jié) 188
參考文獻(xiàn) 188
下 篇
第8章 基于數(shù)據(jù)域融合的直接定位方法 191
8．1 直接定位方法基本原理 191
8．1．1 直接定位技術(shù)概述 191
8．1．2 直接定位信號(hào)模型 192
8．1．3 直接定位解算方法 193
8．2 基于角度和多普勒信息的多站直接定位方法 194
8．2．1 基于角度和多普勒信息的信號(hào)接收模型 195
8．2．2 基于最大似然準(zhǔn)則的直接定位算法 196
8．2．3 克拉美羅下界推導(dǎo) 199
8．2．4 算法仿真與分析 201
8．3 基于時(shí)延和多普勒信息的多站直接定位方法 206
8．3．1 基于時(shí)延和多普勒信息的信號(hào)接收模型 207
8．3．2 基于分段信號(hào)相關(guān)累加的移動(dòng)臺(tái)直接定位算法 208
8．3．3 克拉美羅下界推導(dǎo) 212
8．3．4 算法仿真與分析 214
8．4 本章小結(jié) 218
參考文獻(xiàn) 218
第9章 融合多徑信息的直接定位方法 220
9．1 基于反射體信息輔助的多徑點(diǎn)源直接定位算法 220
9．1．1 基于角度和時(shí)延信息的多徑信號(hào)接收模型 220
9．1．2 算法基本原理 222
9．1．3 克拉美羅下界推導(dǎo) 228
9．1．4 算法仿真與分析 232
9．2 基于旋轉(zhuǎn)不變性的多徑分布源直接定位算法 236
9．2．1 相干分布源信號(hào)接收模型 236
9．2．2 算法基本原理 239
9．2．3 計(jì)算量分析 241
9．2．4 算法仿真與分析 242
9．3 基于迭代優(yōu)化的低復(fù)雜度直接定位方法 247
9．3．1 基于子空間正交性的直接定位濾波模型 247
9．3．2 修正容積卡爾曼濾波算法原理 249
9．3．3 計(jì)算量分析 252
9．3．4 算法仿真與分析 252
9．4 本章小結(jié) 256
參考文獻(xiàn) 256
第10章 基于路徑追蹤溯源的蜂窩網(wǎng)定位方法 258
10．1 基于路徑追蹤溯源的蜂窩網(wǎng)定位理論基礎(chǔ) 258
10．1．1 經(jīng)典蜂窩網(wǎng)信道模型 258
10．1．2 地理信息系統(tǒng)（GIS） 262
10．1．3 路徑追蹤對(duì)于無(wú)線定位技術(shù)的意義 264
10．2 基于路徑追蹤溯源的蜂窩網(wǎng)定位原理 265
10．2．1 位置指向性路徑與區(qū)域指向性路徑 266
10．2．2 基于虛擬定位站的路徑追蹤定位算法框架 269
10．3 無(wú)線信號(hào)傳播環(huán)境模型的建立 271
10．3．1 無(wú)線信號(hào)傳播環(huán)境模型 271
10．3．2 基于GIS環(huán)境模型的建立 273
10．4 基于聚類分析的反向路徑追蹤算法 276
10．4．1 位置指向性路徑的反向追蹤算法 277
10．4．2 區(qū)域指向性路徑的反向追蹤算法 281
10．4．3 算法仿真與分析 283
10．5 路徑追蹤定位算法的CRLB與GDOP 290
10．5．1 鏡像定位站位置估計(jì) 291
10．5．2 克拉美羅下界推導(dǎo) 297
10．5．3 幾何精度因子（GDOP） 304
10．5．4 算法仿真與分析 318
10．6 基于路徑追蹤的決策層信息融合定位算法 325
10．6．1 移動(dòng)臺(tái)位置粗估計(jì)過(guò)程 325
10．6．2 異常檢測(cè)過(guò)程 326
10．6．3 加權(quán)融合過(guò)程 328
10．6．4 算法總體流程 331
10．6．5 算法仿真與分析 332
10．7 本章小結(jié) 338
參考文獻(xiàn) 339