基于接收信號(hào)強(qiáng)度指示(RSSI)的移動(dòng)目標(biāo)定位和跟蹤常采用三邊或角度測(cè)量定位技術(shù)。盡管該技術(shù)簡(jiǎn)單,易實(shí)施,但由于RSSI值與距離間的非線性關(guān)系,它們?nèi)菀讓?dǎo)致較大的定位誤差。通用回歸神經(jīng)網(wǎng)絡(luò)(GRNN)能夠快速訓(xùn)練稀疏數(shù)據(jù)集。提出基于GRNN的移動(dòng)目標(biāo)跟蹤(GMTT)算法,該算法依據(jù)GRNN處理RSSI與目標(biāo)位置間的非線性關(guān)系,利用卡爾曼濾波(KF)修正目標(biāo)位置。仿真實(shí)驗(yàn)結(jié)果表明,相比于RSSI+KF,GMTT算法可以有效地降低目標(biāo)定位的根均方誤差。

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

Fig.3Speedvariationinxdirection圖3目標(biāo)在x軸的速度變化05101520253035

點(diǎn)�；就ㄟ^(guò)與電腦相連，進(jìn)而運(yùn)行定位算法。令T表示總的運(yùn)行時(shí)間，并將其劃分為多個(gè)時(shí)隙。令dt表示時(shí)隙。用kX表示移動(dòng)目標(biāo)在第k個(gè)時(shí)刻的狀態(tài)，且,,,kkkkkXxyxy，其中,kkxy表示目標(biāo)在x軸、y軸的位置；,kkxy表示在在x軸、y軸的速度。因此，可建立式(14)和式(15....

圖2GRNN結(jié)構(gòu)的基本框架

式(4)中n表示對(duì)觀察值的抽樣個(gè)數(shù)。圖2中，n=4。此外，式(4)中表示平滑因子。作為神經(jīng)網(wǎng)絡(luò)算法的重要參數(shù)，其控制了算法的收斂速度。依據(jù)文獻(xiàn)[8]分析可知，適當(dāng)?shù)剡x取值，可提高GRNN的精確度[8]。receivingterminaljR,jkjkxytransmittingt....

圖4目標(biāo)在y軸的速度變化

現(xiàn)KF的操作。在預(yù)測(cè)階段，利用第k1步的估計(jì)值估計(jì)當(dāng)前k步的值。而在更新階段，利用當(dāng)前的測(cè)量值更新預(yù)測(cè)階段的值，進(jìn)而提高估計(jì)精確度。預(yù)測(cè)：111kkkkxxuAB(9)1TkkkkPPQAA(10)更新：TTkkkkkkkKPPRHHH(11)1kkkkkkxxKzxH(12)k....

圖6RSSI隨平滑因子σ的影響

。同時(shí)，1,iitttstartingtrainingGRNNmodeltheseRSSIvaluesaredispatchedtobasestationonlinepositionestimationusingKFframeworkthebasestationrunGRNNal....

本文編號(hào)：3897172