基于射頻識別的指紋濾波定位技術(shù)是當(dāng)前室內(nèi)定位中常使用的技術(shù)之一。針對該技術(shù)存在的卡爾曼濾波算法不能準(zhǔn)確適應(yīng)環(huán)境噪聲變化,致使定位精度不高的問題,提出了一種適應(yīng)時(shí)變噪聲的貝葉斯卡爾曼濾波算法。所提算法結(jié)合Sage-Husa濾波模型和貝葉斯模型,實(shí)現(xiàn)了過程和測量協(xié)方差矩陣的最優(yōu)化,有效地降低了噪聲,提高了指紋濾波定位的精度。實(shí)驗(yàn)結(jié)果表明,與變分貝葉斯卡爾曼濾波和Sage-Husa濾波相比,無障礙情況下,基于改進(jìn)算法的定位精度提高了6%以上;有障礙干擾下,則提高了14. 6%以上。 

【文章來源】：電訊技術(shù). 2020,60(03)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

基于RFID的指紋濾波定位模型結(jié)構(gòu)框圖

在(1,1)、(1,14)、(10,1)、(10,14)、(19,1)、(19,14)坐標(biāo)處放置RFID讀取器，小車從坐標(biāo)(2,5)處向東沿11.5 m×5 m的近方形軌跡以0.5 m/s速度移動、運(yùn)行67 s，實(shí)驗(yàn)結(jié)果如圖2所示。其中，圖2(a)為測得的不同算法估計(jì)的移動目標(biāo)位置，圖2(b)是不同算法下估計(jì)的位置單位均方根誤差。從圖2(a)可以發(fā)現(xiàn)KF的軌跡波動幅度最大，說明其定位效果是最差的，其余算法的定位效果在圖2(a)中很難分辨。為了進(jìn)一步分析算法的定位效果，圖2(b)給出了不同算法下均方根誤差隨時(shí)間改變的變化趨勢。通過局部放大圖可以發(fā)現(xiàn)，從35 s后TNBKF的曲線相比于其他三種算法的均方根誤差是不斷下降的。表1給出了無障礙物干擾下不同算法的位置估計(jì)性能比較，可見，這四種算法的αpos為Sage-Husa>KF>VBKF>TNBKF。δi值的變化則進(jìn)一步清晰說明了定位精確度改進(jìn)幅度，可以發(fā)現(xiàn)其他算法的誤差都比TNBKF算法的誤差增加了6!以上。由此可見，本文提出的TNBKF算法定位精度相比于其他三種算法有較大提升。

一般而言，增加定位系統(tǒng)中讀取器的數(shù)量可以有效提升定位精準(zhǔn)度。本文進(jìn)一步分析了讀取器數(shù)量改變情況下TNBKF對比其他算法的精準(zhǔn)度改進(jìn)情況。圖3給出了讀取器個數(shù)變化下不同算法的誤差相對系數(shù)γi，從讀取器個數(shù)為3開始，可以發(fā)現(xiàn)TNBKF的相對誤差系數(shù)明顯低于其他三種算法。表2給出了不同算法誤差相對系數(shù)百分比與讀取器數(shù)量關(guān)系，隨著讀取器數(shù)量的增加，從Reader=3開始，δSage-Husa、δVBKF、δKF的值均為正。從誤差趨勢和誤差幅度而言，在讀取器增加的情況下，TNBKF的性能相比于其他三種算法的改進(jìn)更大。2.2.2 RFID讀取器位置不同的算法性能比較

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)的Sage-Husa自適應(yīng)擴(kuò)展卡爾曼濾波的車輛狀態(tài)估計(jì)[J]. 李剛,趙德陽,解瑞春,韓海蘭,宗長富.  汽車工程. 2015(12)
[2]基于威沙特分布的二元過程均值與協(xié)方差監(jiān)控[J]. 趙永滿.  統(tǒng)計(jì)與決策. 2015(05)
[3]基于卡爾曼濾波和指紋定位的礦井TOA定位方法[J]. 孫繼平,李晨鑫.  中國礦業(yè)大學(xué)學(xué)報(bào). 2014(06)
[4]基于Sage-Husa自適應(yīng)濾波的車載三維航位推算算法[J]. 劉濤,孟凡磊,姚躍亭,崔偉成.  彈箭與制導(dǎo)學(xué)報(bào). 2013(06)
[5]基于RSSI的動態(tài)權(quán)重定位算法研究[J]. 詹杰,劉宏立,劉述鋼,朱凡.  電子學(xué)報(bào). 2011(01)
[6]基于核嶺回歸的自適應(yīng)藍(lán)牙定位方法[J]. 江德祥,胡明清,陳益強(qiáng),劉軍發(fā),周經(jīng)野.  計(jì)算機(jī)應(yīng)用研究. 2010(09)



本文編號：2993177