自适应定位（共12篇）
自适应定位 篇1
随着无线传感网络的广泛应用, 其节点定位成为研究热点。国内外学者提出的无线传感网络定位算法, 根据定位过程是否与实际测量节点间的距离有关, 分为基于测距的和非基于测距的两类。前者通过对参考节点和未知节点间距离和方位等信息的测量, 采用三角测量法、极大似然估计法来计算未知节点的坐标, 可通过多次测量求平均值的方法获得较准确的RSSI值, 因此较为常用。后者无需测量, 但必须依赖网络的连通性实现定位, 易受网络环境因素的干扰, 定位精度较低[1,2]。因此在定位过程中选择最优参考节点的最优RSSI值, 对提高定位精度具有重要意义。
文献[3]提出了平面二维加权质心定位算法, 通过求圆面交叉区域形成三角形的质心, 求得未知节点的位置坐标, 但忽略了未知节点位置的三维特性。文献[4]提出了RSSI三维加权质心定位算法, 但其仍以参考节点和未知节点间的距离为加权因子, 依然存在由距离引进的定位误差。本文提出的改进算法充分考虑未知节点的三维特性, 并以筛选处理过的最优RSSI值作为基础加权因子, 是基于测距和非基于测距的RSSI加权质心定位算法的结合。
1 自适应缩小定位区域
在实际定位环境中, 对于未知节点的当前区域, 参考节点数目和位置均具有随机性, 因此需要先从大量参考节点中筛选出最佳参考节点。参考节点周期性地向未知节点发送包括其自身位置及ID信息的数据包, 未知节点从中提取出参考节点相对应的RSSI值[5]。从所有参考节点中选择RSSI值最大的一个节点作为参考节点记为N1, 再以N1到未知节点间的距离为半径形成的圆周区域所属参考节点中, 选择RSSI值最大的一个记为N2, 到此已经筛选出两个参考节点。选择圆周区域的目的在于根据已选择出的最优节点, 自适应地缩小定位区域, 选择其余最优参考节点, 以此方法继续再找出两个参考节点。本文实验研究中, 需要以4个参考节点到未知节点的距离构造4个球体, 因此首先在大范围区域内筛选出最佳参考节点是下一步研究的前提。
2 改进加权质心算法
2.1 改进算法描述
传统二维定位算法以4个参考节点为基准, 每3个节点和未知节点之间均可构成一个圆形, 3个圆形的交叉点组成的三角形质心即可近似确定为未知节点的位置。但在实际三维定位环境中, 大多球体交叉为一个区域, 球体之间的位置关系有外切、相交、内切、相离、内含几种情况。4个球体相交出现的区域, 即是未知节点出现的近似区域。通过本文第1节内容, 选择出最优的4个参考节点, 作为4个球体的球心, 则4个球体每两个球心连线与球面出现12个交点, 根据球体球心即参考节点位置坐标已知, 可求出12个交点的位置坐标[3]。计算公式为
根据式 (1) 球面方程和式 (2) 两点间的线性方程, 即可求得上述12个交点坐标。本文将这12个交点坐标重新当作筛选过的最优参考节点, 从这些参考节点中任选不在同一个平面上的4个构成4面体。以此为基础进一步研究未知节点的位置坐标信息, 以上操作在一定程度上缩小了定位误差。
如图1所示, 将4面体可看作4个二维平面, 每个平面分别求出质点坐标, 作为未知节点的近似位置[6]。研究选用RSSI的绝对值作为加权因子, 从而避免了传统加权质心算法选用距离作为加权因子带来的误差[7]。无线传感器网络中, 未知节点在同一地点接收多次参考节点发射来的RSSI值, 必然会存在因干扰造成RSSI值发生变化的情况, 但因这属于一个小概率事件, 所以参考节点发射的RSSI值的概率依然服从高斯分布函数, 在本文研究中利用高斯函数结合单传感器分批估计融合理论[8,9], 对RSSI进行滤波处理, 选取最优RSSI值, 作为基础加权因子。以图2为例, 用代表节点的RSSI信号强度值, 4个平面的三维加权因子分别表示为
未知节点坐标用E (X0, Y0, Z0) 表示, 则
根据式 (4) 即可确定未知节点的坐标信息。
2.2 本文改进算法流程
(1) 首先根据RSSI值自适应缩小定位区域, 筛选出4个较优参考节点。通过这个4个参考节点和未知节点间的距离构造4个球体。
(2) 求出4个球心连线和球体的12个交点坐标, 并将交点重新作为最佳参考节点, 进一步缩小定位范围。
(3) 从12个参考节点中任意选取不在同一平面的4个构成4面体, 将每个平面的质心坐标当作未知节点近似位置。
(4) 根据未知节点收到的质心坐标发射的RSSI值, 经高斯函数和分批估计融合理论处理, 将其作为基础加权因子, 并进一步求出每个平面的加权因子。
(5) 求出未知节点坐标, 并重复步骤3-5, 每次选择4个不同的参考节点构成不同的4面体, 多次求出未知节点的坐标。最后对多次坐标值求平均值, 作为未知节点的最终定位坐标。
(6) 定位误差公式为
其中 (X, Y, Z) 是未知节点的真实坐标, (X0, Y0, Z0) 是未知节点的定位坐标。若实验过程中进行n次定位估算, 则最终未知节点的平均定位误差为e0, 则
3 算法仿真分析
采用Matlab 2010b软件对本文改进算法进行仿真, 选择100 m×2 m×4 m的学校实验室外走廊通道为实际仿真实验环境。选择载频为2.4 GHz的无线信号, 通信范围设置约为100 m。节点安排布置如图3所示, 在走廊两端分别放置两个参考节点, 中间位置设置一个参考节点N5。实验过程中, 定位节点E接收各个参考节点发送的RSSI值, 若N1和N2的RSSI值是最大的, 则可确定定位节点在N1、N2、N5组成的区域中;若N3、N4的RSSI值为最大, 则可确定定位节点在N3、N4、N5组成的区域中[10], 自适应缩小定位区域, 能大幅简化定位流程, 排除其余参考节点的干扰。
图4的实验仿真结果表明, 传统的加权质心算法和本文改进后的算法, 在定位节点到走廊两端信标节点的距离发生变化时, 因受环境因素及路径衰减系数变化的影响, 整体变化趋势一致, 均是从定位误差低到高再到低的变化。但本文改进算法整体定位误差比传统加权质心算法低, 并且变化幅度较小, 定位性能趋于稳定, 定位误差范围在2~5 m之间。图5的实验仿真结果表明, 定位误差随着定位测试时间的变化而不断变化。在刚开始5 s内, 两种算法定位误差均为最大, 随后在20 s时刻, 误差均达到最低值。仿真结果表明, 改进算法在一定程度上提高了定位精度, 对环境具有较好的适应性。
4 结束语
文中采用了信号强度值RSSI自适应缩小定位区域, 并用其作为加权因子的三维空间定位方法。实验仿真结果表明, 改进的算法对于传统加权质心算法在定位精度和稳定性上均有所提高, 具有一定的实用意义。但本文改进算法考虑的参考节点均为静态, 如何将移动的参考节点应用到定位过程中是下一步的工作重点。
摘要：针对无线传感网络RSSI加权质心定位算法精度较低的问题, 提出了一种采用RSSI值作为加权因子的三维加权质心定位算法。依据RSSI值自适应缩小定位区域, 并根据筛选出的最优参考节点构建三维球体定位模型。仿真结果表明, 改进的定位算法在相同测试条件下, 在精度与稳定性上相较传统加权质心算法有了大幅提高。
关键词：自适应,最优参考节点,交点坐标,RSSI加权因子
参考文献
[1]Chen C C, Chang C Y, Li Y N.Range-free localization scheme in wireless sensor networks based on bilateration[J/OL].International Journal of Distributed Sensor Networks, (2013-05-16) [2015-02-15]http://dx.doi.org/10.1155.2013/620248.
[2]于海存, 石为人, 冉启可, 等.基于虚拟静态锚节点的加权质心定位算法[J].传感技术学报, 2013, 26 (9) :1276-1282.
[3]丁恩杰, 乔欣, 常飞.基于RSSI的WSNs J加权质心定位算法[J].传感器与微系统, 2013, 32 (7) :53-56.
[4]陈豫章.基于RSSI的室内三维定位技术研究与实现[D].云南:云南大学信息学院, 2013.
[5]王琦.基于RSSI测距的室内定位技术[J].电子科技, 2012, 26 (6) :64-67.
[6]陈群, 高星伟, 郭杭.一种基于RSSI的三维加权质心定位算法[J].测绘科学, 2013, 38 (4) :91-93.
[7]陈钧, 李稳操.基于RSSI的三维加权质心定位研究[J].软件, 2014, 35 (3) :77-78.
[8]李勇, 鲁黎, 张强.一种消除盲区的无线传感器网络四边加权质心定位算法[J].科技视界, 2014 (3) :56-58.
[9]马春英, 张启英.基于高斯函数及分批估计融合理论的无线网络定位算法[J].长春工业大学学报:自然科学版, 2012, 33 (1) :59-63.
[10]陈娇, 吴斌, 董艳侠.基于RSSI自适应选择定位算法的研究[J].工业控制计算机, 2014, 27 (10) :36-38.
自适应定位 篇2
在八周的自适应控制学习中，我了解了自适应控制的基本概念和定义，自适应控制的原理和数学模型以及发展状况。其中，老师重点给我们讲了李亚普诺夫稳定理论设计MRAC系统和MIT方案，波波夫超稳定理论设计MRAC系统和MIT方案和自校正控制系统。虽然这些理论知识掌握的不是很牢固，理解的也不够透彻，但是这为我以后的学习和实践奠定了一定的基础。
自适应控制的定义：(1)不论外界发生巨大变化或系统产生不确定性，控制系统能自行调整参数或产生控制作用，使系统仍能按某一性能指标运行在最佳状态的一种控制方法。(2)采用自动方法改变或影响控制参数，以改善控制系统性能的控制。
自适应控制的基本思想是：在控制系统的运行过程中，系统本身不断的测量被控系统的状态、性能和参数，从而“认识”或“掌握”系统当前的运行指标并与期望的指标相比较，进而做出决策，来改变控制器的结构、参数或根据自适应规律来改变控制作用，以保证系统运行在某种意义下的最优或次优状态。
按这种思想建立起来的控制系统就称为自适应控制系统。自适应控制是主动去适应这些系统或环境的变化，而其他控制方法是被动地、以不变应万变地靠系统本身设计时所考虑的稳定裕度或鲁棒性克服或降低这些变化所带来的对系统稳定性和性能指标的影响。好的自适应控制方法能在一定程度上适应被控系统的参数大范围的变化，使控制系统不仅能稳定运行，而且保持某种意义下的最优或接近最优。
自适应控制也是一种基于模型的方法，与基于完全模型的控制方法相比，它关于模型和扰动的先验知识比较少，自适应控制策略可以在运行过程中不断提取有关模型的信息，自动地使模型逐渐完善。
李亚普诺夫稳定理论设计MRAC系统和MIT方案的学习中，如果要设计一个关于李雅普诺夫函数的MRAC系统。首先构造出系统的李亚普诺夫函数，然后用李雅普诺夫稳定性理论的设计方法，能够成功地设计稳定的模型参考自适应系统。在这一章的学习中，理解李亚普诺夫稳定性理论和构造系统的李亚普诺夫函数是重点。
超稳定性概念是波波夫于六十年代初研究非线性系统绝对稳定性时发展起来的。当时，波波夫对某种类型的非线性系统的渐近稳定性问题，提出了一个具有充分条件的频率判据，对研究的这类非线性系统的稳定性提供了比较实用的方法。波波夫所研究的这类非线性系统，是由线性时不变部分与非线性无记忆元件相串联而构成的反馈系统。波波夫超稳定性理论来设计模型参考自适应系统，它可以给出一族自适应规律，并且有一整套设计理论。因此，有利于学习掌握这种自适应控制的设计方法和结合实际系统灵活选择适当的自适应控制规律。
自校正控制系统又称为参数自适应系统,它源于随机调节问题，该系统有两个环路,一个环路由参数可调的调节器和被控系统所组成,称为内环,它类似于通常的反馈控制系统；另一个环路由递推参数估计器与调节器参数计算环节所组成,称为外环。自校正控制系统与其它自适应控制系统的区别为其有一显性进行系统辨识和控制器参数计算(或设计)的环节这一显著特征。自校正控制的思想是将在线参数估计与调节器的设计有机的结合在一起。自适应控制常常兼有随机性、非线性和时变等特征,内部机理也相当复杂,所以分析这类系统十分困难。目前,已被广泛研究的理论课题有稳定性、收敛性和鲁棒性等,但取得的成果与人们所期望的还相差甚远。
在传统的控制理论与控制工程中，当对象是线性定常、并且完全已知的时候，才能进行分析和控制器设计。无论是采用频域方法还是状态空间方法对象一定是已知的。这类方法称为基于完全模型的方法。在模型能够精确的描述实际对象时，基于完全模型的控制方法可以进行各种分析、综合，并得到可靠、精确和满意的控制效果。因此，在控制工程中，要成功设计一个良好的控制系统，不论是通常的反馈控制系统或是最优控制系统，都需要掌握好被控系统的数学模型。
然而，有一些实际被控系统的数学模型是很难事先通过机理建模或离线系统辨识来确知的，或者它们的数学模型的某些参数或结构是处于变化之中的。对于这些事先难以确定数学模型的系统，通过事先鉴定好控制器参数的常规控制难以应付。
面对这些系统特性未知或经常处于变化之中而无法完全事先确定的情况，如何设计一个满意的控制系统，使得能主动适应这些特性未知或变化的情况，这就是自适应控制所要解决的问题。
自适应控制技术在20世纪80年代即开始向产品过渡，在我国得到了较好的推广应用，取得了很大的经济效益。且理论研究也有一些开创性的成果。但总的来说推广应用还很有限，主要是由于其通用性和开放性严重不足。
虽然现已能设计出安全、有效、稳定、快速且现场操作比较简单的自适应控制系统，但今后较长一段时期内，相对简单实用的反馈、反馈加前馈或其他一些成熟的控制技术仍将继续占据实际应用的主流。
自适应控制理论必须有新的突破，才能在工程应用中对PID控制等传统方法取得显著的优势，结合人工智能技术，尤其是神经网络技术与模糊理论，或许是最终实现这一远景的可能途径。
数据有增加 图表自适应 篇3
如需利用柱形图展示员工的工作业绩，当员工人数增加或减少时，柱形图的个数实现自动进行相应的变化，即增加或减少（图1）。在一般操作中，实例中柱形图的数值系列的数据源是由手动选取的B2：B9，水平（分类）轴标签的数据源也是手动选取的A2：A9，这些数据源都是固定不变的。要想实现上述效果，需要将这两个数据源更改为可变的表达式。
用Excel 2013打开数据表，点击“公式→定义名称”，在弹出窗口的名称处输入“分类轴”，引用位置处输入“=OFFSET（$A$2，，，COUNTA（$A：$A）-1，1）”；以同样的方式再定义一个名称为“数值轴”的名称，引用位置处输入“=OFFSET（$B$2，，，COUNTA（$A：$A）-1，1）”（图2）。
数据源名称定义完成后，就该修改柱形图的两个数据源了。
右击柱形图，选择“选择数据”，在弹出的窗口中点击“图例项（系列）”下的“编辑”按钮，在弹出的窗口系列值处输入“Sheet1！数值轴”（ Sheet1这要根据数据表的名称而定）；点击“水平（分类）轴标签”下的“编辑”按钮，在弹出的窗口中输入“=Sheet1！分类轴”（图3）。
自适应定位 篇4
随着GPS、GLONASS、Galileo以及中国北斗地不断发展,卫星导航定位系统在全球各个领域得到了广泛的应用,但在复杂的电磁环境中,仍极易受到各种干扰。尤其当干扰信号的方向与导航信号相同时,会在其来波方向产生很深的零陷,导致部分导航信号[1]被抑制,严重影响了卫星导航系统的性能。为此,文献[2]提出了结合IIR陷波滤波器和空时FIR滤波器的改进STAP算法,但是由于FIR滤波器抽头的限制,自适应处理器的频率分辨力很低,同时由于窄带干扰的频谱和统计特性是未知的,因此该方法不适合捕获快速变化的信号。文献[3]提出了结合级联的时频域IIR格型陷波器和改进的MSNWF算法,在一定程度上缓解了STAP算法对降维过程不敏感的问题,但需要不断地递推和迭代,运算过程比较复杂,所需计算存储空间大,对实际的工程应用的要求较高。
本文提出了一种改进的自适应波束干扰抑制算法。首先,将接收到的信号通过IIR格型陷波器在时- 频域进行预处理,滤除与卫星导航信号同向的窄带干扰,然后利用基于直接数据域自适应波束形成技术抑制剩余的宽带干扰。该算法只需对阵元输出的单快拍数据进行处理,避免了样本协方差矩阵的构造和求逆运算,进一步降低了运算的复杂度,并且对非平稳和多径相干干扰也有很好的抑制效果。在实际捷变环境中更具处理的实时性。
1 改进的自适应波束干扰抑制算法
考虑天线阵列采用N( N为奇数) 阵元的均匀圆阵。前端由天线阵列接收信号,包括导航信号、干扰和噪声。t时刻接收到的信号可以表示为:
其中,s( t) 为信号载波,卫星信号是编码的伪随机噪声序列( PRN码) ,它可以近似认为满足高斯分布,信号的功率很小,一般在噪声以下。Jp( t) 为干扰信号,假定包含一个与导航信号同向的窄带干扰和P个不同向的宽带干扰。N( t) 为均值为0,方差为 σ2的加性高斯白噪声。
由于窄带干扰与导航信号来向相同,不能直接通过波束形成技术将其滤除,所以需要额外的干扰抑制处理。
图1 为改进的自适应波束干扰抑制算法的处理流程图。信号入射到天线阵元上后依次进行下变频、A/D转换。IIR陷波器预处理部分使用级联的IIR陷波器阵列,有效的估计窄带干扰的频率和带宽,自适应的配置陷波器参数,在窄带干扰处形成陷波,从而实现对窄带干扰的抑制。然后将预处理后的结果输入到直接数据域处理部分,通过直接数据域算法自适应调节权矢量在导航信号来向上形成主瓣波束并在宽带干扰方向形成零陷,从而提高输出信号的信干噪比。
1. 1 IIR陷波器预处理
对于卫星导航信号中的同向窄带干扰,由于其带宽小,在整个频谱中所占的比例比较低,如果能将该频点上的窄带干扰滤除,那么窄带干扰得到抑制地同时又不影响卫星导航信号。IIR格型陷波器[4]在时频域上对于窄带干扰有较好的抑制效果。
IIR格型陷波器在对信号中的同向窄带干扰进行抑制处理过程中,除了零陷的深度和宽度,陷波器的相位特性也影响相关输出的信干燥比。本文采用实际工程中应用十分广泛地2 阶IIR格型陷波器。IIR格型陷波器的转换方程为:
其中,z01,z02为零点,zp1,zp2为极点。如果z01,2=e± jw,zp1,2= αe± jw,那么转换方程可以写为:
通过上式可以看出,β 为陷波因子[5],β =- cosw0来滤除频率为w0的窄带干扰。α 为极点结构因子,接近而小于1 以确保陷波器的稳定,而 α 越大,则IIR陷波器的陷波带宽将会越窄。二阶IIR格型陷波器结构如图2 所示。
利用IIR格型陷波器来滤除窄带干扰最关键的步骤是获得陷波的频率和带宽,进而配置和调整陷波器的陷波参数。本文采用时- 频域相结合的IIR格型陷波器,其主要分为时域和频域处理两大部分。频域处理部分主要包含最优加窗模块、FFT变换模块、干扰检测模块、频谱矫正模块和IIR陷波系数生成模块,负责干扰频率和带宽的检测估计,生成IIR陷波器系数。时域处理部分则由可配置IIR陷波器构成,根据频域处理部分生成的IIR陷波器系数配置陷波器,完成陷波处理。时- 频域相结合的IIR格型陷波器框图如图3 所示。
1. 2 直接数据域处理
经过IIR格型陷波器预处理后的信号已将同向窄带干扰部分滤除,剩余的宽带干扰则通过直接数据域算法[6,7,8,9,10]来抑制。该算法只需对信号数据进行一次采样,通过自适应算法调整权值向量,使宽带干扰和热噪声等无用分量对天线的贡献最小,而期望信号对天线的贡献最大。
均匀圆阵阵列如图4 所示,圆阵中心位于原点,半径为R,n = 1 阵元为相位参考点。
在经过IIR陷波器预处理后,只剩余p个与导航信号不同来向的宽带干扰。在t时刻送入到直接数据域处理部分的信号可以表示为:
A为N × ( P + 1) 的导向矩阵,可以表示为:
( θ0,φ0) 为期望信号的方向,( θi,φi) ( i =1,…,p) 为第i个干扰的方向,( xn,yn) ( n = 1,…,N ) 第n个天线阵元坐标。在以下讨论中,由于处理的是同快拍数据,所以t可以省略。
根据各阵元接收到的信号的单快拍数据组成的矩阵为:
其中,。
则相邻两阵元( n = 1,2 ) 空域加权相消得:
由式7 可以看出,得出的结果不含期望信号,只含干扰及噪声等无用信号分量。不失一般性,可推广到其他相邻的阵元得:
式8 的结果只包含非期望信号分量。将式8 作为矩阵元素,可构造( L - 1) × L维非期望信号降维矩阵T :
在自适应处理中,为了恢复期望信号,在矩阵T中增加一行将目标信号方向为( θ0,φ0) 上的L个单元的增益设为常数C,其余各行为0。得到矩阵方程:
亦可缩写成FW = C。
通过线性矩阵方程式( 10) 求解出自适应权值向量W,对于线性矩阵方程可以通过最小二乘法或共轭梯度法进行求解。采用最小二乘法求解的直接数据域算法又称为直接数据域最小二乘法( D3LS) ,其优势在于不需要迭代,与共轭梯度法相比,加快了运算速度,减少了运算量。共轭梯度法的求解过程参见文献[11]。
期望信号待估计幅度为α,如果,则信号可以恢复为:
2 仿真结果与分析
窄带干扰设置为载波频率的点频信号,宽带干扰为与期望信号相同带宽20MHz的高斯白噪声。IIR格型陷波器频率估计通过累积1024 点中频数据,做FFT变换来估计。
2. 1 IIR陷波器抑制窄带干扰
假设期望信号是100MHz和150MHz的幅度相同的正弦信号的和。点频干扰信号为正弦信号,幅度为单个期望信号幅度的两倍,频率为50MHz。则整个信号通过陷波器的陷波响应频率w0为50MHz,结构因子 α 选择大小为0. 96。IIR陷波器的性能测试结果如图5 所示。
从图5 中可以看出,IIR格型陷波器能根据点频干扰信号的频率和带宽形成足够深且窄的陷波凹槽,陷波深度达- 120d B,经陷波处理后50MHz的点频干扰信号基本被滤除,并且期望信号也几乎没受到影响。因此,在自适应波束形成处理前级联IIR滤波器能有效地预测并滤除同向的窄带干扰。
2. 2 改进的自适应波束干扰抑制算法
考虑采用N = 7 均匀圆阵天线阵列,半径R为宽带中心频率对应波长的一半,每个阵元后接级联二阶IIR陷波器和多级维纳滤波器,陷波器结构因子 α 选择大小为0. 96。实验中期望信号幅度为1V / m,两个不相干宽带干扰幅度均为100V / m,相位为0,方位、俯仰角分别为( 30°,45°) ,( 130°,45°) 。一个窄带干扰与期望信号同向。输入的信噪比为- 30d B,每个干扰源的强度一样,输入信干噪比- 50d B。仿真结果如图6 所示。
将接收到的信号依次通过IIR格型陷波器、直接数据域自适应波束形成技术进行处理。图6( a)为存在一个同向窄带干扰和方位角为30°单个宽带干扰情况下的阵列方向图; 图6( b) 为存在一个同向窄带干扰和两个方位角分别为30°、130°不相干宽带干扰情况下的阵列方向图。从阵列方向图中可以看出,经过IIR格型陷波器预处理后,同向的窄带干扰基本滤除,在期望信号方向上形成稳定的主瓣接收波束,得到固定的增益。当存在单个宽带干扰时,在干扰方向形成了很深的零陷; 当存在双宽带干扰时也有很好的抑制效果。图7 为当两个不相干宽带干扰和一个同向窄带干扰同时存在的情况下,考察输入信噪比由- 40d B到30d B的变化情况,传统的波束形成与改进的自适应波束干扰抑制算法的输出信干噪比随输入信噪比变化的曲线。显然,当与期望信号同向的窄带干扰存在的情况下,传统自适应波束形成算法不能有效滤地除信号中的干扰,输出的信干燥比最高只能达到- 20d B。而改进的自适应波束干扰抑制算法通过IIR格型陷波器有效地滤除了与期望信号同向的窄带干扰,且不影响后续的直接数据域算法对宽带干扰的处理。因此,改进自适应抗干扰算法对干扰的抑制更加的彻底,显著提高了系统输出信干噪比。
3 结束语
针对卫星导航信号中存在同向窄带干扰难以抑制的问题,提出了一种改进的自适应波束干扰抑制算法,将时频域结合的IIR格型陷波器与基于直接数据域自适应波束形成算法相结合,通过IIR格型陷波器预测并抑制窄带干扰,利用直接数据域算法抑制宽带干扰。改进的干扰抑制方法只需对阵元输出的单快拍数据进行处理,避免了样本协方差矩阵的构造及矩阵求逆运算,并且能更彻底有效地抑制干扰信号,显著提高系统输出信干噪比,改善卫星导航系统的抗干扰性能。因此,自适应波束改进抗干扰算法更适用于卫星和移动通信等领域的实时性处理。
摘要：在全球卫星导航系统抗干扰问题的研究中,自适应波束形成技术很好地解决了与信号不同来向的干扰的抑制问题。但对与信号同向的窄带干扰抑制程度不够,同时会滤除部分导航信号。针对以上问题,提出了一种改进的自适应波束干扰抑制算法。首先,通过级联IIR格型陷波器预测并抑制与信号同向的窄带干扰,然后,利用基于直接数据域自适应波束形成技术抑制剩余的宽带干扰。该改进算法能够有效的滤除窄带和宽带干扰,提升卫星导航系统的抗干扰性能,并在实际卫星通信应用中更具处理的实时性。最后,通过仿真实验证明了该算法的可行性。
关键词：IIR格型陷波器,直接数据域,自适应波束形成,单块拍处理
参考文献
[1]李云志.基于误差分析的导航信号性能评估方法[J].计算机测量与控制,2014,22(10):3259-3262.
[2]Ren C,Wang YQ.An Improved Anti-jam-ming Algorithm Based on Space-time Adaptive Processing.ACTAARMAMENTA RH 2010,31(12):1622-1626.
[3]杨阳,文晓聪,李立欣,等.一种基于多级维纳滤波的改进空时抗干扰算法[J].计算机系统应用,2014,32(1):78-85.
[4]龚文飞,吴嗣亮,李加琪.直扩系统中IIR格型滤波器抑制窄带干扰新方法与性能分析[J].电子与信息学报,2010,32(10):2473-2480.
[5]张贤达.现代信号处理[M].北京:清华大学出版社,1995.
[6]Choi W,Sarkar T K,Wang H,et al.Adaptive processing using real weights based on a direct data domain least squares approach[J].IEEE Trans on An tennas and Propagation,2006,54(1):182-191.
[7]张苹.直接数据域波束形成算法研究[D].武汉:华中师范大学,2014.
[8]Sarkar T K,Koh J,Adve R,et al.A pragmatic approach to adaptive antennas[J].IEEE Antennas and Propagation Magazine,2000,42(2):39-53.
[9]幸高翔,蔡志明.任意阵型直接数据域算法[J].海军工程大学学报,2010,22(6):19-23.
[10]任燕飞.基于均匀圆阵的宽带信号唯幅度直接数据域最小均方算法[C].2009年全国天线年会论文集(下).北京:电子工业出版社,2009.
自适应算术编码的FPGA实现 篇5
在利用FPGA实现自适应算术编码的过程中，首先遇到的问题就是将浮点运算转化为定点运算，即将[0,1]区间的一个小数映射为一个便于硬件实现的定点数。考虑到硬件实现的简便性，本文中将[0,1]之间的浮点数与[0,256]之间的定点数对应。相应的对应关系如表2所示。
表2浮点与定点之间的关系
浮点00.20.50.71定点051128179256
编码器在实现编码的整个过程中按照耦合弱、聚合强的原则分为四个模块：修改码表、计算确定区间、并行编码、串行输出。四个模块相对独立，通过输入、输出信号使其构成一个整体。系统的顶层结构如图2所示。
3.2码表的设计及修改
自适应算术编码器可以在许多场合中得到应用。本文实现的自适应算术编码器应用在采用6符号对小波变换系数进行零树编码的小波域视频编码中[3]，因此设计的码表中含有六个符号。这样根据自适应算术编码的基本原理，将区间分成六个子区间，整个区间含水量有七个分割点。所以码表可以用七个8位寄存器表示。初始时设定等概率，这时七个寄存器可以顺序地存储0到6这七个数，即每个子区间的数值为1。随着符号不断地输入，自适应地修改码表，并且在修改码表的过程中时刻要保持寄存器中的数值是递增的。
修改码表时，首先判断输入符号，确定其所在区间，同时为后续模块输出该子区间的两个端点值l_count和h_count以及码表的最后一个端点值scale，然后进行码表的修改：将当前符号所在区间之后的所有端点值都加1，即当前区间及后面所有子我间的h_count=h_count+1,这样即完成了码表的修改。在数值不断累加过程中，寄存器中的数值为255时，需要对每一个寄存器中的值都取半，并同时对相邻的两个寄存器中的值进行比较，时刻保持数值是递值的。这样，处理前后的概率十分接近，对压缩比影响不大。
修改码表模块在输出h_count、l_count和scale之后，后面的计算子区间的模块即可进行计算;而修改码表模块在输出h_count、l_count和scale之后，亦可进行码表的修改。因此，这两个操作可以采用并行处理的方法实现，极大地节省了所用的时钟周期，相应地提高了速度，达到了优化的目的。表3给出了输入符号为3(对应于寄存器2与寄存器3之间的区间)时码表的修改过程。
表3码表修改前后对照表
寄存器0123456修改前04345677112233修改后04345778113234修改前023545657234255修改后011272829117127
3.3区间计算及确定
初始时符号所在的总区间为high=0xff,low=0(high和low分别表示已编码的符号序列所在子区间的上下界)。随着符号的不断输入，high和low的值也不断地减小，用以表示输入符号序列所对应的子区间。通过如下的公式可确定输入符号的区间：
计算时，最耗资源的是乘法器和除法器。本方案中乘法器采用参数化模块lpm中的lpm_mult生成。而除法器则自动编写。虽然占用的时钟周期较多，但与使用lpm相比，这样做可以大大地提高工作频率，从总体上提高性能。
3.4并行编码
在区间计算过程中，high和low总是有限值，不可能无限制地划分下去。为了能够实现连续的编码，通过对high和low的处理，可以实现利用有限长的寄存器表示无限精度的区间，即在不断修改high和low的过程中输出high和low中相同的高端位，形成输出码流。详细过程如下：
在区间确定之后，将low和high按位比较，若首位相同，则输出首位二进制码，产生输出码流，同时把low和high左移，low末位补0，high末位补1。循环比较输出，直到首位不同为止。如：
high=00110110
low=00100111
输出码流为001,而high和low的结果为：
high=10110111
low=00111000
通过这种连续地处理便可生成符号序列的自适应算术编码结束。但随着待编码符号序列的不断输入，可能会出现high和low十分接近，并且high和low的首位没有相同位的情况，如：
high=10000000
low=01111111
称这种现象为产生了下溢。产生下溢后，后面的编码都失去了意义，此时需要特殊处理。
对于下溢的处理方法为：保留首位，同时删除紧接在首位后的high中连续的0和low中连续的1，并且保证对high和low删除的位数相同，若连续0和连续1的位数不同，则取其较小者;然后high和low左移相同的位数，同时high的低位补1，low的低位补0。表4给出了下溢处理前后high和low值。
表4下溢处理前后对照表
下溢处理前下溢处理后下溢个数high10001000110001113low0111011100111000
经过处理后，扩大了区间，使得后面的编码可以顺利地进行。
在考虑了下溢的编码输出中，下溢作为输出码流的一部分，使得解码时能对下溢进行同样的处理，达到编解码的一致。但是下溢产生后并不马上输出，只记下下溢的个数，下溢则是在下一个符号编码时进行输出的。在下一个符号编码时，如果high和low比较后高端有相同位则输出下溢，即在第一个输出后紧接着插入首位的反，插入首则反的个数为前面产生下溢的个数，然后输出相同的次高位及以后相同的各位。这样处理既保留了下溢的信息又使得输出码流不偏离编码符号所在的子区间，使得解码时很容易处理。但是如此high和low比较后没有相同输出则不输出下溢，而是把两次产生的下溢的个数进行累加，再输入下一个符号，直到high和low有相同首位才输出下溢。
例如：在一个符号编码计算后得到的high=11010010和low=11001101，而前一个符号编码产生的下溢为1个，比较后输出为1010，同时记录下产生的下溢2个，如表5所示。
表5含有下溢的编码输出
highlow下溢输出编码输出前110100101100110111010编码输出后11011111001000002
3.5串行输出
并行编码后产生的码流存储在并行数据中，但在大多的情况下只有两、三个输出，甚至没有输出，若采用并行输出，就会产生极大的浪费。为了充分利用资源，在并行编码之后进行并/串转换，使其一位一位地输出，并且这个输出过程与下一个符号编码的过程并行完成，因此并不占用多余的时钟周期。
在编码过程中，当一个符号编码结束后，触发reload信号，通知此次编码结束，进行下一次编码，读取输入的符号。同时需判断输入是否合法，如果是合法的输入，就进行编码;否则停止编码，否则停止编码，处于等待状态，直到复位信号ret置1，重新初始化、编码。
图3
4仿真结果
本文算法采用VHDL硬件描述语言实现，并在ALTERA公司的MAX+plusⅡ软件上编译仿真。市府采用全局同步时钟，避免了毛剌的产生，保证了信号的稳定性。编码的仿真结果如图书3所示。
其中，rst、clk、c为输入信号，rst为模块中各寄存器的初始化信号，clk为时钟同步信号，而c则为输入的编码信号;out_flag、out_bit、reload、end_code、为输出信号，out_flag和out_bit分别为输出标志位和输出位(若out_falg=1,则此时out_bit为有效输出;否则out_bit输出无效)，reload为一个符号编码结束)下一个符号输入的标志位，end_code为编码结束的标志(若end_code=0，则继续编码，否则编码结束)。
在进行性能仿真时[4]，采用的器件是FLEX1K系列的EP1K30TC144-1器件，其最大工作频率为40MHz，消耗1533个LC，平均编码时间为20个时钟周期。一个符号的编码时间不到500ns，对于QCIF格式的图像完全可以满足每秒钟实时编码30帧图像的要求。
交换端口自适应模式引发传输不稳 篇6
事件回放
某办公室最近组建了一个规模不大的局域网，网络中只有六台笔记本电脑，一台文件服务器，这些电脑和服务器全部通过六类双绞线连接到一台H3CS3050接入交换机中，并通过该交换机进行上网访问。由于网络规模不大，网络管理员也没有进行VLAN划分设置，所有计算机全部位于一个网段中，平时它们上网访问十分稳定，而且速度也是很快的。
最近，办公室中的一位员工尝试从自己的笔记本电脑中，拷贝一个大约10M的文件到文件服务器中时，居然耗费了几分钟的时间，这在以往的话，最多只要1分钟左右就能搞定。后来，他尝试与相邻的一台笔记本电脑进行文件传输操作时，发现网络传输速度也很慢，使用ping命令测试对方计算机的IP地址时，发现数据传输存在延迟现象。
排查故障
上面这种网络故障，在局域网环境中十分常见，造成这种故障的原因主要包括物理连接线路不稳定、局域网中遭遇病毒攻击、参数配置不当以及交换机负荷过重等因素，对于这些可能的因素，需要进行逐一排查。为了判断网络连接是否通畅，网管员使用ping命令测试了文件服务器的IP地址，发现这项操作响应时间还是比较短的，显然这种响应行为还是很正常的；在其他几台笔记本电脑中进行测试时，ping命令测试操作也很正常，这说明物理连接线路在连通性方面没有任何问题。后来，网管员怀疑局域网可能遭遇到了病毒攻击，于是从网上下载专业抓包工具，来进行数据抓包分析，结果发现网络中的数据流量没有什么异常的地方；使用超级管理员账号进入交换机后台系统，扫描查看每个交换端口的数据流量时，看到它们的输入数据包、输出数据包以及广播数据包都正常，这就意味着局域网中不存在蠕虫病毒攻击或黑客攻击的可能，而且局域网中也不存在网络环路现象。
联想到网络中使用的传输介质是六类双绞线，网管员怀疑问题出在这里，毕竟六类双绞线目前的布线成功率不是很高，那么究竟如何判断六类双绞线链路是否存在问题呢?思来想去，网管员决定找来一根连通性正常的超五类双绞线进行替代连接，毕竟局域网中的交换机、服务器、笔记本电脑使用的都是超五类端口；要是普通的超五类双绞线连接笔记本电脑与文件服务器以后，文件传输速度能够被快速提升的话，那就意味着六类双绞线的确存在问题。不过，当网管员替换使用超五类双绞线连接后，发现网络传输文件的速度还是和以前一样缓慢，显然问题与六类双绞线一点关系也没有。由于网络传输文件缓慢的故障现象在每台笔记本电脑中都出现，网管员：认为局域网中的交换机可能存在：问题，因为交换机工作时间长了之后，很容易发生系统缓存错误或者超负荷运行的情况，这些情况也容易造成网络传输文件很慢的故障；对于类似交换机这样的情况，往往通过重新启动交换机后台系统的方法就能解决问题。但是网管员尝试进行重启操作时，竟然没有一点效果。
返回到故障笔记本电脑系统，打开系统设备管理器窗口，从中展开网络适配器节点，用鼠标右键单击目标网卡设备，执行右键菜单中的“属性”命令，弹出目标网卡设备的属性对话框，在常规标签页面中网管员看到网卡的运行状态显示为正常，切换到高级标签设置页面，发现网卡设备的工作模式处于100M全双工状态(如图1所示)，这种设置也没有明显的错误；在检查网卡设备绑定了哪些协议时，网管。员看到许多用不到的协议默认都被绑定到了网卡设备中，会不会是这些无效的网络协议干扰了网络连接稳定性呢?为了尽可能排除干扰，网管员立即将一些无关的网络协议全部卸载掉，再重新启动了一下计算机系统，但是故障现象依然存在。
解决故障
在万般无奈之下，网管员只好将目光再次聚焦到连接了所有计算机和服务器的交换机上。仔细观察每个端口的信号灯状态时，发现黄色的信号灯处于点亮闪烁状态，而正常情况下，应该是绿色的信号灯处于点亮状态呀，为什么会出现这种情况呢?重新进入交换机后台系统，查看相关端口的状态信息时，发现各个端口都处于UP状态(如图2所示)，这种状态说明交换端口正处于工作状态；在查看其他一些状态信息时，网管员偶然看到交换端口基本都被设置成了自适应模式。
联系到之前查看到的网卡设备均处于100M全双工状态，按理来说，交换机端口与它相连的网卡设备应该使用相同的工作模式才对呀，会不会是交换端口自适应模式引发了网络传输不稳故障呢?尝试将交换端口的工作模式修改为100M全双工状态后，再在故障笔记本电脑中进行上网测试，结果发现文件传输速度立即恢复到了正常状态；继续在其他几台笔记本电脑中测试，发现以前的故障也都已经消失了，这说明上述问题的确是由交换端口自适应模式引起的。
揭密原因
上述问题虽然解决了，但让网管员感到十分疑惑的是，交换机端口之前一直处于自适应模式状态，为什么以前局域网传输很稳定，现在会出现这种问题呢?经过询问办公室员工了解到，他们当中有人在前几天上网查看资料时，偶然知道网卡端口的数据吞吐量在全双工状态下比半双工状态下高两倍；为了能将网速提得高一些，大家都跟着自行修改了网卡的工作模式，强行将端口自适应模式调整为了100M全双工模式，不过，调整之后，不但网络传输速度没有见快，而且还带来了传输不稳定的麻烦。
弄清楚了故障产生根源之后，网管员还是有点纳闷，即使网卡端口处于100M全双工模式状态，但由于与之相连的交换端口处于自适应模式，在该模式下网络传输应该不受影响才对呀?经过上网一番搜索后终于了解到，当交换端口处于自适应模式时，它一般会智能调整为和网卡端口同样的工作模式；要是网卡端口也被设置成自适应模式的话，那么交换端口便会和它进行自动协商，协商的顺序按照100M／全双工、100M／半双工、10M／全双工、10M／半双工模式进行，直到相互之间都工作于同样的传输模式为止。不过，如果网卡设备被设置成100M／全双工模式，那么交换端口的自适应模式，只能工作在10M／半双工状态，因为在这种通信情形下，网卡设备不会主动提供端口模式信息给交换端口，而交换端口由于
无法了解网卡设备的模式信息，于是会默认选择半双工模式进行工作，这样一来，交换端口与网卡端口的模式就会不匹配，最终造成了网络传输文件不稳定的故障了。
管理经验
为了不让交换端口影响整个网络的传输性能，我们有必要加强对交换端口的控制与管理，确保目标端口始终能够稳定运行。
控制端口流量
为了防止网络中的突发大流量“顶死”交换端口，很多用户会启用交换端口的流量控制功能，不过当同时启用了本地交换端口、对方交换端口的流量控制功能后，如果本地交换机意外发生了信息堵塞毛病时，本地端口就会智能向对方端口发送广播消息，及时提醒对方端口此时此刻不要继续向本地端口发送数据报文，而对方端口一旦收到对应的提示信息后，就会立即暂停向本地端口发送数据报文，如此一来就可以有效控制数据报文频繁丢失故障的出现。同样地，如果对方交换端口存在信息堵塞毛病时，对方端口也会智能向本地端口发送广播消息，来及时提醒本地交换端口此时此刻不要向对方端口继续发送报文，而本地端口在收到对应的提示消息后，也会立即暂停向对方端口发送数据报文。
在H 3C系列交换机中，要启用某个端口的流量控制功能时，只要先以系统管理员权限登录交换机后台系统，使用类似“interface e0／6”之类的命令，切换到目标交换端口的视图模式(如图3所示)，同时在该模式下输入“flow-control”命令，按回车键后，那么我们就能成功启用目标交换端口的流量控制功能了，只是在缺省状态下，所有端口的流量控制功能都处于未启用状态。在流量控制功能正常运行的时候，如果用户想临时停用某个交换端口的流量控制功能时，可以先进入指定端口视图模式下，输入“undo flow-control”命令，按回车键就能达到停用目的了。
控制端口类型
以太网上网端口一般有trunk、access、hybrid等三种链路类型，其中trunk类型的端口既能属于一个Vlan，也能同时属于多个Vlan，甚至能属于所有Vlan，这种类型的交换端口正常用于连接类似交换机、路由器之类的重要网络设备，它可以同时接受和发送多个V1an的数据报文。相比而言，access类型的端口只能同时属于1个Vlan，该类型的端口往往只能用于连接一般的计算机设备。而hybrid类型的交换端口既能属于一个Vlan，也能同时属于多个Vlan，也可以同时接受和发送多个V1an的数据报文，这种类型的端口既能连接交换机、路由器之类的重要网络设备设备，也能用于连接普通计算机系统。在同一台交换机设备中，前面几种类型的交换端口能够同时共同存，只是hybrid类型端口与trunk类型端口相互之间无法直接切换，所以网管员可以先将指定交换端口设置为access类型，之后再调整为其他类型，缺省状态下所有交换端口的类型都被设置为了access类型。
在配置H3CS3500系列交换机端口的具体类型时，可以先进入交换机后台系统，使用“system”命令进入系统全局视图模式，通过“interfacee0／6”命令切换到指定端口视图模式，输入“port link-typeaccess”命令，按回车键后目标交换端口类型就被强行调整为access了，该交换端口一般只用于连接普通计算机系统。要将某个交换端口调整为hybrid类型时，只要在目标端口视图模式下输入“port link-typehybrid”命令，按回车键就能达到目的了，该端口既可以连接重要网络设备，又能连接普通计算机；如果输入“port link-typetrunk”命令，可以直接将指定交换端口类型调整为tnmk。
善于重启端口
交换机设备上正常会存在若干个交换端口，由于安全方面的原因，那些已经被开启了的交换端口如果工作状态不正常或暂时用不到的话，应该及时将这些端口工作状态停用掉，以防止恶意攻击通过该端口威胁整个网络的运行安全。一般来说，在指定端口视图模式下使用shutdown命令，就能临时停用目标交换端口的工作状态。比方说，在停用交换机第9个端口工作状态时，只要在交换机后台系统依次输入“system”、
“interfacee0／9”命令，进入第9个端口的视图模式，在该状态下执行“shutdown”命令就能停用指定交换端口的工作状态了，这时目标端口就无法正常转发数据报文了。
在实际管理、维护H 3CS3500系列交换机产品的时候，网管员应该善于使用“shutdown”命令，暂停使用一些流量不正常的交换端口，以避免整个网络出现流量堵塞故障，从而造成整个单位局域网无法稳定运行。日后，需要重启指定交换端口工作状态时，只要使用“undoshutdown”命令，恢复指定交换端口的设置即可，这时指定交换端口又可以正常转发数据报文了。在这里，建议大家日后在配置交换端口时，尽量不要开启运行所有的交换端口，平时需要几个端口就开启几个端口，如果轻易将所有端口全部开启的话，可能会拖累交换机运行性能，甚至还会影响整个网络的运行稳定性。
控制端口回路
在规模稍大一些的网络中，回路现象总是不可避免；要是出现这种故障，轻则导致上网速度缓慢，重则造成整个网络无法正常工作。而回路故障因为具有一定的隐蔽性，网管员在排查故障的时候很容易走弯路。为了快速排查网络回：路故障，现在不少型号的交换机都支持网络回路监控功能，善于使用这项功能，可以大大地提升网络管理效率!
自适应定位 篇7
无线传感器网络[1]是一种由较为简单的传感器节点通过无线通信中的一种自组织方式组成的无线网络,每个网络节点由传感模块、处理模块、通信模块和电源模块多部分组成,完成数据采集、数据收发、数据转发等多种基本功能。对于大多数应用,不知道传感器位置而感知的数据是没有意义的。传感器节点必须明确自身位置才能详细说明“在什么位置或区域发生了特定事件”,实现对外部目标的定位和追踪。GPS是现在应用最多最广的定位服务工具,但由于GPS的体积大、价格昂贵等原因并不适合应用在节点数量众多无线传感器网络中。因此,设计高效的定位方法就显得尤为重要。
目前,无线传感器网络的主要定位方法依据距离测量与否可分为基于测距的算法和基于非测距的算法。基于测距的算法首先利用某种测量方法测量距离或角度,再利用测得的距离或角度计算未知节点的坐标。基于测距的算法主要包括TOA、TDOA、AOA等[2,3,4,5]。基于非测距的算法不直接对距离进行测量而是使用网络连通度来估计距信标节点的距离或坐标。基于非测距的算法主要有DV-Hop算法[6]、质心算法[7]等。基于测距的定位算法总体上能取得较好的定位精度,但在硬件成本和功耗上受到一些限制。基于非测据的定位算法无需测量距离信息,依靠节点间的连通性进行定位,计算量小、实现简单但定位误差较大。
在基于非测距的算法中,利用基于跳段的方法估计未知节点和信标节点的距离是一种有效的途径,而DV-Hop就是其中最为备受关注的算法之一。由于DV-Hop算法存在误差累积的原因,为了提高其定位精度,许多智能算法都被用来对其进行优化和改进,包括蚁群算法、粒子群优化算法(Particle Swam Optimization,PSO)、模拟退化算法[8]等。本文在DV-Hop算法的基础上,对粒子群优化算法的惯性权重进行改进并与其结合,提出基于自适应惯性权重的定位算法(Adaptive Weight Positioning, AWP),通过与已有定位算法的比较,证明其在定位精度上的优越性。
1 DV-Hop定位算法
DV-Hop算法是由美国的Niculescu等人提出的一系列分布式定位算法的其中之一,也是目前应用最为广泛的节点定位算法。
DV-Hop算法的步骤主要包括三部分。
1.1 测量未知节点与信标节点间的最小跳数
信标节点以广播的方式向邻居节点发送包括跳数字段的自身位置信息元组,跳数字段的初值设为0,接收节点接收到该信息元组后将跳数加1并记录下该信标节点的位置和跳数,将该元组转发给它的邻居节点。若节点接收到多个来自同一信标节点的元组,则节点只保留跳数最小的元组信息,通过这种方法网络中每个节点都能够记录下自己到每个信标节点的最小跳数,并获得信标节点的位置信息。
1.2 计算与信标节点的估计距离
在获得其他信标节点位置和相距的最小跳数后,信标节点计算网络的平均跳距:
式(1)中,(xi,yi),(xj,yj)是信标节点i,j的坐标;hij是信标节点i和j(i≠j)之间的跳段数。信标节点将计算出的平均每跳距离广播到网络中,未知节点仅记录它接收到的第一个平均距离。然后,未知节点将它与信标节点的最小跳数和接收到的每跳平均距离相乘计算出它与每一个信标节点的估计距离。
1.3 计算未知节点坐标
当未知节点得到与3个或3个以上不同信标节点的距离以后,利用三边测量法或极大似然估计法计算未知节点的坐标。
DV-Hop算法的主要过程是计算最小跳数和平均每跳距离,将它们的乘积作为据信标节点距离的估算值。也正因为如此,其主要缺点是估算值与真实值之间存在着误差,误差会传递到之后的三边或者极大似然定位过程,而使用粒子群算法可以避免误差的积累,用于计算节点的坐标可以有效的提高定位精度。
2 粒子群算法及已有改进方法
粒子群算法是一种基于迭代的优化工具,由于其实现简单且没有许多参数需要调整,目前广泛应用于函数优化、神经网络训练等领域。由于DV-Hop算法存在着误差积累传递的问题,因此可以使用粒子群优化算法取代传统三边测量法、极大似然估计法、最小二乘法等定位算法计算节点坐标。
2.1 粒子群算法
粒子群优化算法是一种进化计算技术,由Eberhart和Kennedy于1995年提出。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。PSO中,每个优化问题的解都是搜索空间中的一只鸟,称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value),每个粒子还有一个速度决定它们的飞行方向和距离。
PSO初始化为一群随机粒子(随机解),然后通过迭代找到最优解。其数学描述为:假设在一个D维目标空间中,有N个代表潜在问题解的粒子组成一个群,其中粒子i个在D维空间中的位置为Xi=[x1,x2,…, xD]; i=1,2,..,N为种群大小;飞行速度为Vi=[ v1,v2,…,vD],在每一次迭代中,粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解,叫做个体极值pbest,另一个极值是整个种群目前找到的最优解,叫做全局极值gbest,gbest是pbest中最好的值。在找到这两个最优值后,粒子根据如下的公式分别来更新自己的速度和位置:
Vi(k+1)=wVi(k)+
c1rand1(pbesti(k)-xi(k))+
c2rand2(gbest(k)-xi(k)) (2)
式中,V是粒子速度; w为惯性权重因子;k为迭代次数; c1,c2是学习因子,通常令c1=c2=2;rand1,rand2是介于(0,1)之间的随机数。粒子通过不断学习更新,最后找到的gbest就是全局最优解。
2.2 相关改进方法
PSO提出之后,shi等人研究发现w值较大时,全局寻优能力强,局部寻优能力弱;w较小时与此相反[9]。初始时,shi将w取为常数,后来实验发现,动态w能获得比固定值更好的寻优结果。目前,采用较多的是shi建议的线性递减权值策略(Linearly Decreasing Weight, LDW)。其公式为:
k=1,2,…,kmax (4)
式(4)中,wmax为惯性权重最大值,wmin为惯性权重最小值,kmax为最大迭代次数,k为当前迭代次数。
在LDWPSO算法中,惯性权重w随迭代次数线性减小,但是PSO在实际搜索过程中是非线性的且是高度复杂的,致使惯性权重w线性递减的策略不能实际反映优化搜索过程。此外,如果早期粒子就找到了全局最优值,则因其权重过大有可能跳出这个最优值,因而不在其附近搜索,从而降低最优值的搜索能力。因此,动态调整惯性权重的DCWPSO(Dynamically Changing Weight PSO)算法被提出[10]。在该算法中,定义了粒子群的进化度e和聚集度s,这两个值与粒子群算法迭代过程中粒子的个体极值和全局极值相关,可以很好的优化搜索过程,通过这两个值动态的调整惯性权重,惯性权重w表示为e和s的函数。
由粒子群优化算法的介绍可以看出改进惯性权重可以提高算法的搜索能力,因此本文提出自适应惯性权重定位算法,在DV-Hop算法的基础上后期采用自适应惯性权重的粒子群算法,该算法在DCWPSO的基础上进一步对惯性权重进行改进,使粒子的惯性权重具有动态自适应性,通过仿真说明其可以提高节点的定位精度。
3 自适应惯性权重定位算法
在DV-Hop算法中,由于算法在前两步后所得未知节点与信标节点间的距离是估计值而并非实际测量值,导致使用最小二乘法计算节点坐标时由于误差积累使得最终定位误差很大,因此本文使用粒子群算法代替最小二乘法用于计算节点的坐标,并对粒子群算法的惯性权重进行改进。提出基于自适应惯性权重的AWP算法,该算法可以使粒子的惯性权重具有动态自适应性,降低局部最优值产生的概率,提高节点定位精度。
3.1 自适应惯性权重
DCWPSO算法可以较为动态反映粒子群的权重改变,但每次迭代过程中所有粒子的惯性权重都相同。从公式(2)右边三项可以看出,越靠近最优点的粒子,其飞行速度越依赖惯性权重w。因此,本文设计算法的主要思想是修改粒子群算法的惯性权重,使得算法在加快收敛速度的同时更准确的找到全局最优解。惯性权重w让靠近最优点的粒子在最优点附近进行搜索,而不承担更大范围的搜索,而让其他离最优点较远的粒子承担更大范围的搜索任务,进一步去探索可能的更优点。这样,粒子每次迭代过程中拥有不同的w,越靠近最优点附近的粒子w应该越小。
本文改进的粒子群优化算法在DCWPSO算法的基础上,为了提高种群的全局搜索能力,同时防止过早陷入局部最优解,针对粒子采用自适应的方法来确定惯性权重w。具体确定方法为:
首先,确定粒子群算法中判断粒子优劣的适应度函数:
式(5)中,(x,y)为所求粒子的坐标;(xi,yi)为已知信标节点坐标,i=1,2…n,n为信标节点个数,di为由DV-Hop算法前两步所得的未知节点到信标节点的估计距离。此适应度值越小,得到的解越优。当函数f(x,y)取得最小值时所对应的(x,y)即为所求的最优解,即全局最优值gbest。
然后,定义系数l。系数l考虑粒子相对于整个种群的优劣。每轮迭代后,粒子个体极值各不相同且整个种群的全局极值优于每个粒子的个体极值。粒子的个体极值与全局极值的差越小说明这个粒子的位置越靠近全局最优位置,而所有粒子个体极值的平均值与全局极值的差反映了整个种群距全局最优位置的平均水平。因此,这两个的比值可以反映单个粒子的位置相对于整个种群的平均位置与全局最优位置的关系。所以,系数l定义为:
式(6)中,lj(k)是粒子j在第k次迭代时的系数,j=1,2,…,N, N为粒子的个数,pbestj(k-1)为粒子j在第k-1次迭代后所得的个体极值,pbestj(k-1)= (pbestx, pbesty);gbest(k-1)为在第k-1次迭代后所得的全局极值,gbest(k-1)= (gbestx, gbesty);fa(k-1)是第k-1次迭代时粒子群中所有粒子个体极值所对应适应值的平均值,即
由于是求适应度函数的最小值,所以当l小于1时,说明粒子的适应值优于所有粒子平均值,即这个粒子的位置靠近最优粒子,下一轮迭代时的惯性权重w相对就要减小,让其在最优位置附近进行搜索。当l大于1时,与此相反。
其次,惯性权重w应该随着粒子群进化度e的增大而减小,随着粒子群聚集度s的增大而增大,每个粒子又随l的不同而改变。
由DCWPSO算法定义粒子群进化度e和聚集度s:
进化度e考虑粒子以前的运行状况,反映了粒子群进化速度,e值越小,进化速度越快。进过一定的迭代次数后,e值保持为1,则表明找到了最优解。算法开始时应该取较大的w,使得粒子可以在较大的搜索空间进行寻优,当进化度减小时,此时e增大,需要相应地减小w,使得粒子在较小的空间内搜索,便于快速地收敛到最优解。聚集度反映了粒子当前的聚集程度也反映处理子的多样性。s越大,粒子群聚集程度也越大,多样性越小。当s增大到1时,粒子群所有粒子就聚合到一个点上,若此时在局部最优点附近,则容易陷入局部最优值。
通过上述分析,粒子j的惯性权重wj表示为:
式(9)中,wini为w的初值,一般取0.9;we取在0.4到0.6之间;ws取在0.05到0.15之间。
将wj代入公式(2)计算粒子速度,通过公式(3)更新位置,能够使迭代过程中粒子可以以更加适合的飞行速度去寻找自己下一次的位置,避免局部最优值的产生。
3.2 迭代终止条件
在粒子群算法中,迭代的终止条件一般为预先设定的最大迭代次数。但是往往无法事先估计出到底需要多少次迭代可以达到最优解,这样就会产生问题。如果事先设定的迭代次数过少,那么算法还没有找到最优解就已经停止迭代。相反,如果设定的迭代次数过大,算法在找到最优解后只会在其附近徘徊,浪费了搜索时间。
从公式(7)可以看出,当粒子群的进化度e增大并保持为1时,算法即找到最优解,此时如果继续搜索只会在最优解附近徘徊,精度无法提高,增加了搜索时间。因此以e趋近于1作为迭代终止的条件,当e>0.999 999时,迭代终止,此时的全局最优值即为算法所得的解。
3.3 算法步骤
通过上面的分析,基于自适应惯性权重的AWP算法在运行过程中根据e、s和l自适应调整w,在加快粒子搜索速度的同时更准确的找到全局最优值,提高节点的定位精度。初始状态下e=0,s=0。
计算过程为:
(1)根据DV-Hop算法计算未知节点与信标节点之间的最小跳数;
(2)根据DV-Hop算法计算未知节点与信标节点之间的估计距离;
(3)初始化粒子群中粒子的位置及速度。根据适应度函数初始化各粒子的pbest,种群的gbest。
(4)根据公式(6)、式(7)、式(8)更新进化度e、聚集度s、系数l;由公式(9)更新惯性权重wj;
(5)根据公式(2)、式(3)更新每个粒子的速度和位置,计算粒子的适应度,更新粒子的全局最优值和个体最优值;
(6)判断算法是否满足收敛条件e>0.999 999,如果满足,跳转执行第(7)步,否则返回执行第(4)步;
(7)输出gbest,即为未知节点的坐标,算法结束。
整个算法的流程图如图1所示。
4 仿真结果及分析
本文使用MATLAB对算法进行仿真,与传统DV-Hop算法、使用 LDWPSO以及DCWPSO优化的DV-Hop算法进行比较。首先观察自适应惯性权重定位算法与已有改进粒子群算法的收敛性之间的优劣,然后分别从信标节点数、未知节点数、节点的无线射程三个方面说明它们对节点定位误差的影响。
仿真中,节点部署在100 m×100 m的区域里,此区域也为粒子群优化算法的搜索区域。无线传感器网络定位的主要评价标准是平均定位误差,其公式如式(10)。
式(10)中,(xi,yi)为通过计算所得的未知节点坐标,i=1,2,…,N是未知节点的个数,(x,y)为未知节点实际的坐标;R是节点的无线射程。
PSO相关参数设定为:学习因子c1=c2=2,wini=0.9;粒子最大速度vmax=10,粒子群的种群大小N=30。
4.1 收敛性比较
本文提出的AWP算法与LDWPSO算法和DCWPSO算法对于适应度函数式(5)的收敛性比较。设定节点总数200个,其中信标节点20个,仿真结果如图2所示。从图2中可以看出,在相同的条件下,本文的算法在迭代50次左右时即可找到最优值,收敛速度优于另外两种算法。收敛速度较快是由于粒子每次迭代后都可以根据自己位置的优劣自适应的调整下一次迭代时的飞行速度。由于加入了判断收敛性的条件,因此当在迭代50次时即可结束计算返回结果,节省了接下来不必要的迭代过程。
4.2 平均定位误差与信标节点数量的关系
仿真中未知节点数固定为200个,信标节点数量从10递增到50,比较使用四种方法时计算的所得的平均定位误差,实验结果如图3所示。
从图中可以看出,随着信标节点数量的增加,平均定位误差都会降低,本文AWP算法的平均定位误差要明显优于DV-Hop算法和LDWPSO定位算法,同时又略优于基于DCWPSO定位算法。这是因为自适应惯性权重定位算法中粒子可以根据自身情况寻找最优值,全局搜索能力更强。
4.3 平均定位误差与未知节点数量的关系
图4比较了在信标节点数量一定的情况下未知节点的数量对平均定位误差的影响。仿真中信标节点数量固定为20个,未知节点的数量从150个递增到400个。从图4中可以看出,随着未知节点数量的增加,定位误差都会有所增大,但本文AWP算法由于粒子搜索空间时的自适应性,降低了局部最优值出现的概率,可以更好的在空间内搜索全局最优值,所以定位误差最小。
4.4 平均定位误差与无线射程的关系
在节点数量一定的情况下,比较节点的无线射程对平均定位误差的影响。试验中,节点总数为200个,其中信标节点的数量为20个,节点的无线射程从10 m递增到50 m。从图5中可以看出,基于DCWPSO定位算法和本文的自适应惯性权重算法平均定位精度明显优于DV-Hop算法和基于LDWPSO定位算法,随着无线射程的增加这两种算法的定位误差都有所减小,但本文的算法可以将DV-Hop算法前两步所得的估算距离产生的误差所造成的影响降到最小,所以效果更好。
通过上面的比较,本文的AWP算法在相同的条件下,定位效果要明显优于DV-Hop算法,并且比已有改进PSO的DV-Hop算法有所提高。同时,在相同情况下,本文算法的收敛速度也优于基于LDWPSO和DCWPSO优化的DV-Hop算法。因此,通过使用自适应惯性权重定位算法可以很好的解决DV-Hop中误差积累的问题,提高定位的精度。
5 结论
在DV-Hop算法的基础上,本文提出基于自适应惯性权重(AWP)的定位算法。该算法在DV-Hop算法和DCWPSO算法的基础上,对粒子的惯性权重根据每次迭代后粒子位置与全局最优位置的距离进行动态的调整,使其具有动态自适应性。使用自适应惯性权重的算法能够有效的降低局部最优解产生的概率,同时能够快速找到空间中的全局最优解。相较于标准的DV-Hop算法以及基于已有改进PSO算法优化DV-Hop的方法,本文自适应惯性权重定位算法具有算法简单、收敛速度快、全局优化能力较强、控制参数较少的特点,仿真结果表明该算法在节点的定位精度优化方面具有一定的提高。
参考文献
[1]孙利民,李建中,陈渝,等.无线传感器网络.北京:清华大学出版社,2005
[2] Cheung K W,So H C.A multidimensional scaling frame work for mo-bile location using time-of-arrival measurements.IEEE Transactionson Signal Processing,2005;53(2):460—470
[3] Cheng Xiuzhen,Thaeler A,Xue Guoliang.TPS:a time-based positio-ning scheme for outdoor wireless sensor networks.Proceedings ofIEEE INFCOM.2004:2685—2696
[4] Niculescu D,Nath B.Ad hoc positioning system(APS)using AOA.IEEE Conference on Computer and Communications,2003:1734—1743
[5] Girod L,Bychovskiy V,Elson J,et al.Locating tiny sensors in timeand space:a case study.IEEE ICCD,2002:214—219
[6] Niculeseu D,Nath B.Ad hoc Positioning System(APS).IEEEGlobal Telecommunications Conference.San Antonio,2001;5:2926—2932
[7] Bulusu N,Heidemann J,Estrin D.GPS-less low cost outdoor localiza-tion for very small devices.IEEE Personal Communications Maga-zine,2000;10:28—34
[8]赵仕俊,孙美玲,唐懿芳.基于遗传模拟退火算法的无线传感器网络定位算法.计算机应用与软件,2009;26(10):189—192
[9] Shi Y,Eberhart R.Empirical study of particle swarm optimization.Proc of Congress on Computational Intelligence,Washington DC,USA,1999:1945—1950
自适应定位 篇8
关键词：减法聚类,目标定位,目标检测,模糊C均值聚类
0 引言
在智能监控场合,视频运动目标检测是一重要技术环节。在检测到视频运动目标区域后,需进一步定位视频运动目标,即获取视频运动目标的空间位置信息。多数研究人员在设计视频运动目标检测算法时,均假设所检测到的目标运动区域具有理想的空域连通性,然后再采用基于区域生长的方法对连通区域进行标记,以获得目标的空间位置信息。然而,在实际应用场合,所检测到的视频目标运动区域多数具有空域不连通性,即代表运动目标的区域存在分块或空洞。此时,若采用区域生长法对连通区域进行标记,则其所标记的代表视频运动目标的连通区域不可靠。目前,视频运动目标定位方法主要有基于区域生长的方法、水平垂直投影的方法及基于模式分类的方法。基于区域生长的定位方法不适用于待定位目标空域连通特性较差的应用场合。空域连通特性差的单目标定位可采用基于水平、垂直投影的定位方法,然而该方法不适用于水平、垂直方向存在重叠的多目标定位场合。基于模式分类的定位方法主要是基于数据聚类的方法,如K均值聚类、模糊C均值聚类(FCM)及减法聚类等。K均值或模糊C均值聚类算法在使用时需指定待定位目标的个数、初始位置及迭代次数等参数。孔万增和孙志海分别将减法聚类算法用于人脸和视频运动目标的定位[1,2],其实验结果表明减法聚类算法很适用于目标区域空域连通特性较差的目标定位场合。减法聚类算法是由Chiu[3]提出的一种基于密度值指标的聚类算法,该算法复杂度只与数据个数成简单的比例关系,适用于多数数据聚类场合,故逐渐得到研究人员的青睐。Sathit等[4]将减法聚类算法用于软件组件的分类。Eftekhari等[5]将减法聚类用于非线性系统建模时的紧凑模糊规则提取。Kim等[6]引入核函数距离测度替换了原减法聚类算法采用范数平方距离的度量。
视频运动目标定位是在对目标运动检测基础上的进一步处理,定位的效果直接影响着如目标跟踪、识别及编码等上层应用环节。因此,研究视频运动目标的定位问题很有意义。文献[1]虽然已给出了一种基于减法聚类的视频运动目标定位方法,然而在目标定位时采用单一尺度表示多个不同尺度的目标,并没有考虑目标尺度的不一致,且定位结果也无法获得目标的方向信息,定位结果不够合理。因此,为进一步提高减法聚类算法目标定位的准确度,本文针对文献[1]中目标定位的不足,进一步提出了一种尺度和方向自适应的减法聚类视频运动目标定位算法。
1 定位算法描述
为了能最终获得各个目标的尺度及方向信息,本文假设各个目标前景像素样本的二维空间坐标分量服从正态分布。在该假设条件下,如果能够获得各个目标前景像素的样本,则可根据数据样本多元正态分布的原则算得目标的尺度及方向信息。然而,基于减法聚类的目标定位方法只能获得视频运动目标的密度中心及目标个数,不能对所有前景像素进行归类。为了能够计算各个待定位目标尺度及方向信息,必须在减法聚类的基础上进一步对前景像素进行归类。由于减法聚类定位的结果提供了目标的位置及个数信息,所以本文选取模糊C均值聚类算法对前景像素做进一步归类。在获得各目标的样本数据后,即可算出待定位目标的二维尺度及方向。图1给出了本文尺度方向自适应减法聚类视频运动目标定位算法的流程图。现将本文所提出的目标定位算法分两部分进行阐述:1)减法聚类预定位及数据分类;2)尺度和方向参数计算。
1.1 减法聚类预定位及数据分类
设m维空间n个数据点(x1,x2,…,xn),xiT=(xi1xi2…xim)(i=1,...,n),减法聚类算法应结合具体问题考虑不同维度邻域半径。定义一对角阵Ma,其逆矩阵为Ma-1:
其中rai(i=,1,2,…,m)为数据点不同维度的邻域半径,邻域半径rai需根据不同的应用场合进行初始化。根据减法聚类算法的定义[3,7],数据点xi(i=1,...,n)处的密度值函数可表示为
在获得这n个数据点的密度值后,选择最大密度值点1x为第1个聚类中心,1P代表最大密度值。为找出新的聚类中心,需修正每个数据点的密度值,即在每个数据点xi的密度值iP上减去一定的密度值[3,7]:
其中Mb为另一对角阵,rbi(i=,1,2,…,m)为正常数,定义了一个密度值显著衰减的邻域,一般rbi=ηrai,η为大于1的正常数,η的经验值为1.25≤η≤.15,这样可避免出现相离很近的聚类中心。在修正了每个数据点密度值后,将具有最大密度的数据点选为聚类中心。该过程不断迭代,直到找出所有有效聚类中心,将式(3)简记为Pi⇐Pi'。减法聚类时可以Pk*<ε⋅P1*(0<ε≤)1作为迭代终止条件,其中1P*为第1个聚类中心密度,kP*为第k个聚类中心密度。
采用上述的减法聚类算法获得待定位目标的聚类密度值中心及目标个数后,根据模糊C均值聚类算法的思想[7],利用所有前景样本点到各个目标密度值中心的欧氏距离,计算各数据点隶属于各个密度值中心的隶属度,根据最大隶属度的模糊规则实现对前景像素样本的归类。假设减法聚类算法定位获得c个视频运动目标,目标记为Oj(j=1,...,c)。记c个视频运动目标密度值中心为yj(j=1,...,c),前景像素样本xi隶属于视频运动目标Oj的隶属度记为ωji,ωji计算公式见式(4)。利用式(5)可将所有前景样本点归到各个视频运动目标。其中dji=‖yj-xi‖,xj∈Oj,h∈1[,∞)为一加权指数,h的经验取值区间为[1.25,1.5]。
1.2 尺度和方向参数计算
设前景像素样本的二维空间坐标分量服从正态分布,则前景像素样本经减法聚类预定位及模糊C均值聚类算法归类后,各个目标均具有属于自己的前景像素样本。记第k个目标前景像素样本均值为µk,目标样本协方差矩阵为Mk,其中k=,1,2,…,c,协方差矩阵Mk为实对称阵。记协方差矩阵Mk所对应的特征向量及特征值矩阵分别为Vk和kD,则有MkVk=VkDk,即Mk=VkDkVk-1且Mk-1=Vk-1Dk-1Vk。又由于VkT=Vk-1,所以Mk-1=VkTDk-1Vk。将第k个目标某前景像素样本x偏离µk的距离度量表示为
式(6)对于二元正态分布为椭圆方程,对于三元正态分布则为椭球方程。若记z=Vk(x-µk),则式(6)可进一步表示为r2=zTDk-1z。由此可见,对于二元正态分布,式(6)所对应椭圆的两个主轴方向为协方差矩阵Mk特征向量的指向,椭圆半长轴和半短轴与协方差矩阵特征值的平方根成正比关系。利用该特点,视频运动目标可进一步用椭圆来表示,目标的方向为最大特征值相应特征向量的指向。这里第k个目标前景像素样本均值µk及样本协方差阵Mk采用一致最小方差无偏估计[8]:
设二元正态分布样本实对称协方差阵特征值λ1,λ2(λ1≥λ2),其对应的特征向量阵为V=[e 1e2],其中ei=[eixeiy]T(i=,12)。则视频运动目标的方向角θ,代表视频运动目标椭圆的半长轴ar和半短轴br可次表示为
为进一步说明目标尺度和方向参数的计算过程,本文将结合图2所示椭圆内的532组样本点,给出求取该组样本尺度及方向参数的数值计算示例。由式(7)可求得图2所示样本的均值µ=[57,72]。结合样本数据,由µ和式(8)可算得该组样本协方差矩阵M,由协方差矩阵M可进一步求得该矩阵的特征向量阵V和特征值阵D:
根据特征向量和特征值矩阵V和D,有1λ=448.5050,λ2=175.1945,对应的特征向量分别为1e=[-0.7433.0669]0T,e2=[-0.6690-.0743]3T。由式(9)可算得θ≈-0.286 5π(或0.713 5π),ra≈42.36,rb≈26.47,式(6)r值取2。最后,可得该组样本的定位结果如图2所示。
2 实验结果及分析
为进一步说明本文所提出的尺度方向自适应减法聚类视频运动目标定位算法的有效性。本文在CPU为Celeron 1.67 GHz,内存为512 MB,操作系统为Windows XP SP2的PC机上,采用VC++6.0开发环境(Debug模式),对不同视频序列的运动目标进行了定位实验。实验共用到3组视频测试序列:Highway(公共视频测试序列,下载地址http://cvrr.ucsd.edu/aton/shadow/,大小320×240,共500帧)、Viptraffic(Matlab7.1自带视频测试序列,大小160×120,共120帧)、Hand(自拍视频测试序列,大小320×240,共18帧)。
2.1 算法定位过程
图1已示意了本文尺度方向自适应减法聚类视频运动目标定位算法的定位流程。为更直观地说明本文算法的定位过程,图3给出了本文算法定位某二维数据样本的过程示意图。图3(a)~(d)共4张图依次对应于如下定位过程:二维待定位数据样本→减法聚类预定位→模糊C均值聚类→目标尺度及方向定位。采用减法聚类进行预定位时:ra1=45,ra2=15,η=1.25,ε=0.55。减法聚类预定位得到的目标密度中心坐标及密度值在图3(b)中标记。图3(d)标记了目标定位结果的半长轴、半短轴及方向角度参数。
2.2 定位效果比较实验
图4(a)为Highway第487帧运动检测的结果(未进行形态学滤波处理)。图4(b)、(c)和(d)分别示意了不同定位方法对图4(a)的定位效果。图5示意了本文方法与文献[1]的方法对图4(a)中6个目标定位的像素级偏差比较曲线,其中各个目标的偏差值由目标椭圆或正圆包含的总像素数减去对应目标前景像素点数算得。从图4和图5中可以看出:文献[1]的方法和本文方法比基于区域生长的定位方法具有更强的抗噪性能;与文献[1]的方法相比,本文方法可以进一步获得目标的尺度及方向参数,且本文定位方法的像素级平均偏差也低于文献[1]的定位方法。虽然图4给出的只是目标空域连通特性较差时的定位效果,但即使是空域特性连通性良好的情况,本文方法依然具有定位参数较丰富的优势。本文这里采用文献[9]方法对图4中的
Highway视频序列进行运动检测。基于本文实验环境,未对测试程序进行任何优化情况下,图4(b)算法耗时约328 ms,图4(c)算法耗时约32 ms,图4(d)算法耗时约598 ms。
2.3 不同视频序列定位实验
图6~图10示意了采用本文算法对Highway、Viptraffic和Hand三组视频序列视频运动目标的定位效果。对视频目标的运动检测采用文献[9]的方法,其中人手检测结合RGB空间肤色模型辅助检测。图6和图7的分别为Highway第486帧运动目标前景样本减法聚类预定位及尺度方向定位的效果。表1为对图8最左图所标记的视频运动目标进行定位后,最终所获得的各个目标的尺度及方向参数。从图6~图10的定位效果可以看出:本文的目标定位算法不但能更准确地定位视频运动目标,而且可以进一步提取出目标的尺度及方向参数,该参数特别有利于一些目标跟踪场合的应用,如Mean Shift算法做目标跟踪时初始目标模型的自动获取。
3 结论
基于减法聚类算法的视频运动目标定位方法很适用于待定位视频运动目标空域连通特性较差时的应用场合。本文针对原减法聚类定位法无法获取目标尺度和方向参数的问题,提出了一种解决该问题的定位算法,并通过大量实验辅助阐述本文方法的定位效果。本文方法与原减法聚类定位方法相比,虽然本文方法可获得更准确的目标定位结果,以及获得目标的尺度及方向参数,但由于模糊C均值聚类及协方差矩阵分析的引入,使算法耗时增加。因此,研究任何有利于提高定位算法处理效率的方法显得非常有意义。同时,减法聚类定位算法初始邻域半径的自学习也是研究重点之一。
参考文献
[1]孙志海,孔万增,朱善安.基于减法聚类算法的视频运动目标定位[J].光电工程,2008,35(7):12-16.SUN Zhi-hai,KONG Wan-zeng,ZHU Shan-an.Moving object location in video sequences based on subtractive clustering algorithm[J].Opto-Electronic Engineering,2008,35(7):12-16.
[2]KONG Wan-zeng,ZHU Shan-an.Multi-face detection based on downsampling and modified subtractive clustering for color images[J].Journal of Zhejiang University Science A(S1673-1581),2007,8(1):72-78.
[3]Chiu S L.Fuzzy model identification based on cluster estimation[J].Intelligent Fuzzy Systems(S1064-1246),1994,2:267-278.
[4]Sathit N,Peraphon S,William R.Fuzzy subtractive clustering based indexing approach for software components classification[J].Journal of Computer and Information Science(S0091-7036),2004,5(1):63-72.
[5]Eftekhari M,Katebi S D.Extracting compact fuzzy rules for nonlinear system modeling using subtractive clustering,GA and unscented filter[J].Applied Mathematical Modelling(S0307-904X),2008,32(12):2634-2651.
[6]Kim D,LEE K,LEE D,et al.A kernel-based subtractive clustering method[J].Pattern Recognition Letters(S0167-8655),2005,26(7):879-891.
[7]张智星.神经-模糊和软计算[M].西安:西安交通大学出版社,2000:305-309.ZHANG Zhi-xing.Neuro-fuzzy and soft computing[M].Xi’an:Xi’an Jiaotong University Press,2000:305-309.
[8]樊家琨.应用多元分析[M].开封:河南大学出版社,1993:23-30.FAN Jia-kun.Applied multivariate analysis[M].Kaifeng:He’nan University Press,1993:23-30.
自适应定位 篇9
船舶动力定位系统是指在不借助锚泊系统与其它外力的情况下, 通过动力定位系统的各种传感器不断检测船舶所在实际位置和所设定目标位置的偏差, 然后根据各种外界扰动力的影响推算出船舶恢复到设定目标所需的推力和推力矩大小, 使船舶可以稳定在海上的目标点[1]。如今海洋资源越来越受到国际青睐, 船舶动力定位技术也越来越受到造船工业的重视。船舶动力定位系统受环境因素影响很大、具有多个自变量、耦合性非常强的非线性模糊系统, 如何对船舶动力进行定位设计, 受到船舶动力设计工程师的重视, 各种技术也不断应用到船舶动力定位设计上。
本文利用自适应模糊算法对于复杂的控制系统具有明显效果, 基于自适应模糊算法对纵荡、横荡、艏摇三个方向分别用三个独立的控制器来进行控制。通过设计自适应的模糊算法, 跟传统的PID算法相比, 控制效果要好很多, 自适应的模糊算法可以有效提高船舶动力定位系统的抗干扰能力和定位精度, 在实际船舶动力定位系统设计中具有推广应用价值。
1 自适应模糊算法介绍
一般对于复杂大型系统来说, 精确控制对象, 准确数学表达或数学模型很难得, 受到影响因素和干扰变量非常多, 无法进行定量计算和分析, 所以精确控制也无从谈起。模糊算法近几年受到工程师的高度重视和大规模应用。模糊算法, 是指在控制系统中用模糊数学和专家系统来表达非线性的表达的对象, 进而用这种模糊的逻辑来进行系统控制器的设计, 模糊算法是一种比较特殊的、被数学定量表述的非线性的控制。
不同模糊集合中的元素, 组成的集合一般用隶属度函数来表示[2]。隶属度函数有多种多样的形状[3]。隶属度函数一般常用的有钟形、梯形、三角形、高斯型隶属度函数, 其中最为常用的是三角形。自适应模糊算法是在模糊算法中加入自适应控制, 会对被控对象进行自适应的模糊控制, 这种算法具有自适应性和鲁棒性, 用自适应实时学习被控对象的各种动态的变动, 把这种学习来的实时变化性自动的实时调整模糊控制器, 所以系统的鲁棒性会更加强。该算法具有良好的通用性, 可以把控制策略和被控对象的动态学习及时加入到控制系统中。
2 定位系统控制器设计
模糊算法的核心思想是把系统输入进行模糊化处理, 把专家系统用IF-THEN规则进行表达, 经过模糊算法进行推理就可以得到模糊控制的结果, 然后把模糊输出转化为实际的输出变量, 作用于模糊控制器, 就可以实现模糊控制了。
船舶动力定位中, 为了更好建立数学模型, 在动力定位系统控制器设计中, 对纵荡、横荡、艏摇三个方向分别用三个独立的控制器来进行控制。这里假设纵荡、横荡、艏摇三个方向的耦合为零。系统的输入为:纵向控制器上输入是纵向位置的预测偏差及偏差变化率, 横向控制器上输入为横向位置的预测偏差及偏差变化率, 艏向控制器的输入是艏向的预测偏差及偏差变化率。系统的输出为纵向、横向、艏向三个方向的推力指令。
对于船舶在复杂海况下的动力定位, 自适应的模糊算法控制器控制变量主要是船舶的实际位置和目标位置的偏差, 船舶实际艏向和目标艏向之间的偏差。为了反映船舶对于目标位置的实际运动变化, 必须考虑船舶的横向、纵向的速度因素, 船舶艏摇的角速度信息。只有这样才能得到更合理的动力定位控制。
通过系统设计, 用MATLAB进行仿真实验, 设计的自适应模糊算法的动力定位系统控制器可以很好的控制船舶动力定位, 并具有稳定性, 控制效果比较好, 设计的控制器具有较高的鲁棒性。
3 结语
本文主要针对船舶动力定位不确定性因素, 提出自适应模糊控制方法, 通过纵向、横向、艏向三个方向控制器的设计, 经过MATLAB仿真实验, 证明该算法的设计具有较好的船舶动力定位能力, 加入系统干扰后该算法具有较高的鲁棒性。
摘要：文章基于自适应模糊算法对纵荡、横荡、艏摇三个方向分别用三个独立的控制器来进行控制, 有效提高船舶动力定位系统的抗干扰能力和定位精度。
关键词：自适应,模糊算法,动力定位
参考文献
[1]齐亮.船舶动力定位系统的广义预测控制方法研究[J].中国造船, 2010 (3) :20-21.
[2]周利.动力定位控制系统研究[J].船海工程, 2008 (2) :35-36.
自适应定位 篇10
关键词：近似三角形内点测试,未知节点,位置关系,定位精度
1 引言
随着城市建筑圈的不断扩大,人们对陌生建筑中的定位技术要求越来越高。而室内定位技术的发展日益成熟,对于室内定位技术,目前的研究方向主要基于两个方面,基于距离相关的定位技术(Range-Based LocalizationSchemes)与基于非测距相关的定位技术(Range-FreeLocalization Schemes)[1]。两种方向的区别在于:前者需要知道相邻锚节点或未知节点与锚节点之间的距离,通过距离计算来得到未知节点的估测位置;而后者则不需要那么强的约束条件,根据网络的连通性估测出未知节点与锚节点的距离,从而得到位置节点的位置。对于前者需要锚节点的密度比较的大,从而增加了这种定位方式的成本开销。而后者则无需这么强的约束。而基于非测距的定位算法代表有:质心算法[2](Centroid)、DV-Hop[3]、近似三角形内点测试法(APIT)[4]等。而由于APIT实现的方法思路简单,所以受到了广泛的研究关注。本文对该算法进行改进。经过实验仿真,发现改进算法对原算法的复杂度有较大的提升。
2 研究现状
对于室内定位算法的研究,国内外有很多研究者进行了改进。其中文献[5]对于几种基于距离无关的定位算法进行了比较,比较的结果如表1所示。
对于APIT算法,其中产生误差有几种因素:(1)因为在判断未知节点是否在三角形内部时采用的PIT测试,所以可能出现Out To In或者In To Out误判问题;(2)由于PIT测试采用的是节点接收到的锚节点的RSSI值来判断离锚节点的距离,由于实际测试环境中多径干扰或者衍射的存在,可能导致误差增大;(3)若环境中锚节点的密度较小,可能会导致较大的误差;(4)由于在进行PIT测试时需要得到锚节点之间的信息交互来模拟未知节点的移动从而判断与锚节点的距离变化情况,所以增大了节点之间的通信开销,使得算法复杂度增大。
对于,APIT算法中的上述问题,许多研究者提出了很多的改进算法。如文献[6]周勇等人提出了合法性的概念,通过在测试前进行邻居节点合法性的检查减少PIT测试中出现Out To In或者In To Out误判的概率。文献[7]胡中栋等提出了一种判断节点与各个顶点组成的三角形的面积之和,利用该面积和来判断节点是否位于三角形内部。本文提出一种基于角度的判断方法,无需邻居节点之间的信息交互大大的降低了通信开销以及减少了Out To In或者In To Out误判出现的次数。
3 基于角度和卡尔曼自适应的改进的APIT算法
针对APIT容易产生的Out To In或者In To Out误判问题,本文引入基于角度判断的方法:
首先,未知节点接受周边锚节点的ID号、位置信息以及RSSI值。假设未知节点接收到n哥锚节点的信息,则会产生c n3个三角形。接下来对三角形进行判断,判断未知节点是否在三角形内部,筛选掉未包含未知节点的三角形。本文对测试方法进行改进。由于对于任意三角形内部的点,与三个顶点的连线会形成三个夹角,而如若节点在三角形内部,则三个夹角的和为一个定值。如图1与图2所示。
由于在实际中,根据RSSI值,结合理论经验模型:AB,BC,AC,AM,BM,CM这些边的长度都可以根据节点之间接收的RSSI值计算出来。
所以根据边长求出余弦机可以得到角度,其中,根据公式1:
所以可以得到公式2:
若夹角之间满足∠AMB+∠AMC+∠BMC=2π关系 , 则表示此 时的未知 节点M被包含在 该三角形内 部 ( 若由于误 差导致未 知节点出 现在三角 形的某条边上,仍可判定未知节点出现在三角形内部),若∠AMB+∠AMC+∠BMC<2π则表示此时M在三角形之外.可以由该方法推测出未知节点是否在三角形的内部。
改进算法的部分代码如下:
3.1误差矫正
在传统的定位算法中,我们均采用固定的经验公式对节点所接收的RSSI值转换到距离值。其中常用的无线传输经验模型有Free-Space、Two-Ray GroundReflection以及Shadowing模型,他们的经验公式如下:
选用相应的经验模型以后,根据公式以及公式
而对于终端节点接收到的RSSI应该符合公式:
RSSI=发射功率+天线增益-路径损耗(Lp(d )) (7)
所以结合公式(3)、(4)、(5)、(6)、(7),可以得到完整的Shadowing模型公式(8):
而以上模型以及公式都是根据经验得出的固定值。在实际的定位环境中,由于人或墙壁的阻隔或者环境湿度温度的影响都会引起RSSI值的波动甚至发生跃变。一直使用固定的模型公式,则会导致定位出现较大的误差。所以,本文提出一种自适应环境的RSSI换算方法。
在实际的环境中,由于存在不确定因素会引起RSSI的剧烈变化。会直接导致定位产生较大的误差,为了最大可能地降低由于环境的不确定导致的误差。本文提出一种误差修正方法。在定位过程中,已知位置的锚节点间相互通信,接收到邻居锚节点的RSSI值。根据卡尔曼滤波算法。
其中Y为状态变量估计值,Q为Y对应的协方差,P为激励噪声协方差,R为观测噪声协方差。而对于环境因素可能会产生剧烈的RSSI值的变化,甚至会发生跃变。针对跃变这一情况,这里提出一个跃变的判定。在算法中为了进一步将运算简单化,对相应的参数进行一些赋值。a=1;U=0;在卡尔曼算法中的测量值Z( K)就直接赋值RSSI的测量值 ; H = 1 , I = 1 , 根据经验 模型 , 直接赋值,其中 )(KM为跃变判定函数,一旦其大于一个阈值,则判定RSSI发生跃变。并且在算法中将有关数据进行重置,令,并且令。在算法中若有新的测量值Z( K)出现,立即带入判定函数中,进行判定,若判定为以发生跃变。则将参数进行重置,并算出相应的RSSI值。即可以换算得到锚节点之间的自适应后的距离d' ,而误差△d=d'-d。对所有的锚节点直接的误差进行统计平局得到
其中,dij'为第i个锚节点接收到的第j个锚节点的rssi值转换成的距离,dij为第i个锚节点接收到的第j个锚节点的之间的距离。M为该锚节点的邻居锚节点数,n为区域中总的锚节点个数。然后对所有的定位进行校正。
4 实验仿真
本文在Win XP和Matlab实验平台上对改进的算法进行仿真实验。划定定位区域为一个500m*500m的正方形区域。布置节点150个。其中,锚节点75个。仿真区域如图3。
根据异构通信模型可知,根据正六边形通信模型时,要求的锚节点数最少。而反推可知即(其中,RSSI(1)为锚节点通信半径,RSSI(2)为未知节点通信半径),本文将未知节点的通信半径分别设置为20m至30m步长为2分别进行50次仿真,分别对APIT、Centroid、DV-Hop以及本文的改进的APIT定位算法进行仿真得到的结果进行统计,并将得到的平均值进行比较得到图4。
图4是锚节点比例设定为0.5情况下,对于不同的未知节点的通信距离,进行50次仿真得到的不同算法的平均误差。从图4可以看到,相同的未知节点通信距离下,起初对于APIT的定位精度较小,而随着通信能力变强,Centroid、传统的APIT以及Bounding Box算法的优良性相差无几。而改进的APIT算法,在通信距离增大的情况下,一直保持比较平稳的性能。
随后,我们将未知节点的通信距离设置为30m,而将锚节点的通信距离设置为51.5m。布置200个节点,对不同的锚节点比例进行50次仿真。得到的不同锚节点比例下的平均定位误差进行统计比较得到图5。
图5是不同的锚节点比例情况下,进行50次仿真得到的不同算法的平均误差。由于APIT算法要求锚节点的比例需要比较大。在仿真过程中,从锚节点比例为大于等于0.3的时候,APIT才能进行未知节点的定位,这符合APIT的原理。从图中可以看到,在不同的锚节点比例情况下,Centroid、传统的APIT以及Bounding Box算法的优良性相差无几。而改进的APIT算法,低于上述3种算法,并且鲁棒性比较好。
图6和图7是在1000m*1000m的区域内,布置40个锚节点,260个未知节点。未知节点通信距离设置为100m,锚节点通信距离设置为171m的情况下,对APIT以及改进后的APIT算法进行仿真得到的节点定位误差图。
由图6和图7可知,改进的APIT算法的定位精度较传统的APIT算法定位精度要高。
5 结束语
本文从PIT测试以及RSSI的自适应两个点进行的对传统的APIT算法的改进,提出了一种基于角度和及环境自适应的APIT算法。并且对算法进行仿真比较。从仿真结果可以看出,改进后的算法在锚节点一定的条件下比其他的定位算法定位精度上升。算法的鲁棒性较好。
参考文献
[1] Errarnilli V,Besyavros A.On the interaction between data aggregation and topology control in woreless sensor networks[C]//Proc of the 1st Annual IEEE Communication Society Conference,2004:102-114.
[2] 衣晓,刘瑜,邓露.一种基于PIT的无线传感器网络质心定位算法[J].传感器学报,2010,23(7):1012-1016.
[3] 沈明玉,张寅.基于改进的平均跳距和估计距离的DV-Hop定位算法[J].计算机应用研究,2011,28(2):628-650.
[4] 韩彪,徐昌彪,袁海等.无线传感器网络中一种改进的APIT定位算法[J].计算机工程与应用,2008,44(4):122-124.
[5] 唐明虎等.无线传感器网络APIT定位算法[A].微型机与应用,2010,29(21):1-4.
[6] 周勇等.基于三角形重心扫描的改进APIT无线传感器网络自定位算法[A].计算机研究与发展,46(4):566-574,2009.
自适应定位 篇11
文章介绍了智能天线自适应波束形成技术的基本概念及典型自适应波束形成方法，归纳了自适应波束智能天线的主要结构形式。在此基础上，分析了自适应波束智能天线实现中面临的几个问题，探讨了自适应波束形成技术未来的发展趋势。
关键词：
智能天线；自适应波束形成；算法；空时处理
Abstract:
The basic concept of adaptive beamforming technology for the smart antenna is introduced along with the typical methodology of adaptive beamforming. The main architectures of adaptive beamforming smart antennas are presented. Then problems in realizing the adaptive beamforming smart antennas are analyzed and the development trend of the adaptive beamforming technology in the future is discussed.
Key words:
Smart antenna; Adaptive beamforming; Algorithm; Space-time processing
全球通信业务的迅速发展，使得作为未来个人通信主要手段的无线通信技术受到极大关注。如何有效地消除同信道干扰、多址干扰、码间串扰和多径衰落的影响成为无线通信系统尤其是码分多址无线通信系统中制约系统容量的主要问题。传统的采用均衡的处理方法在信号传输时延较大时难以解决这些问题，而采用时空联合处理的智能天线技术，通过信号时间域和空间域的联合处理可以较好地解决这些问题。
智能天线利用数字信号处理技术，产生空间走向波束，使天线主波束对准用户信号到达方向，旁瓣或零陷点对准干扰信号到达方向，以达到充分高效地利用移动用户的有用信号并抑制或删除干扰信号的目的。应用智能天线的无线通信系统能够降低多址干扰，提高系统的信噪比。
1、 波束形成技术
波束形成的目标是根据系统性能指标，形成对基带信号的最佳组合或者分配。具体地说，其主要任务是补偿无线传播过程中由空间损耗、多径效应等因素引入的信号衰落与失真，同时降低同信道用户间的干扰。波束形成的基本过程是：在建立系统模型的基础上，描述系统中各处的信号，再根据系统性能要求，将信号的组合或分配表述为一个数学问题，寻求其最优解。
1.1 传统的波束形成技术
传统的波束形成器所有的加权有相等的幅度，选择相位使阵列波束指向期望方向θ0。用a0表示期望方向的方向向量，则阵元数是M的阵列加权向量w为：
具有此加权的阵列在期望方向上有单位响应，即处理器的输出功率等于信源功率。这种波束形成器在只存在不相关噪声和无干扰情况下，其输出有最大信噪比(SNR)。对于不相关噪声(即Rn=σ2nI，σ2n为噪声功率，I为单位阵列)，波束形成器的输出噪声功率为：
式(2)表明，阵列的输出噪声功率为每一阵元上功率的1/M，上角标H表示共扼转置。这样，具有单位增益的波束形成器在信号方向上衰减了不相关噪声，使输出信噪比等于psM/σn2，ps为期望信号的功率。
1.2 自适应波束形成技术
自适应波束形成算法是根据一定的最优准则导出的，
点：在LS-DRMTA中，不同用户的加权因子估计是以波束形成器端口输出信号与期望用户信号之间误差最小为准则，不会出现不同加权因子收敛于相同的值，因此不需要Gram-Schmidt正交化过程；不需要分类过程；波束形成器输出端口数不受天线阵元数的限制，当系统扩展时，更多的输出端口可以非常容易地添加到波束形成器上，添加的端口使用原有的射频和基带信号变换装置，大大降低系统代价；每次迭代过程的计算简单；通过解扩重扩减少了干扰，可以在更低的信噪比下使用。
(7)基于拉格朗日描述的波束形成算法
这种方法利用了CDMA传输信号中比较大的扩频增益，递归寻求相关矩阵的最大特征值，估计最佳权向量。它有着很好的优越性，即不但能在比较低的信噪比下形成优良波束，并且突破了波束数受天线数限制的传统约束，能够形成大大超过天线数的波束(几乎只取决于扩频增益)。此算法每一步迭代的计算量大约只是3M，比RLS算法还少一个数量级，并且能较快地收敛。
2、自适应波束智能天线的结构
2.1 基于码片级的自适应结构
(1)多个波束解扩-RAKE合并
多个波束解扩-RAKE合并时基于码片级的自适应结构如图1所示，即先进行空域处理，在波束形成中，N个输出形成不重复的N个波束，一个波束图可能包含多个用户。经过匹配滤波(MF)后，进入RAKE合并实现空时处理。从结构上看，这种方法硬件结构较为简洁，但由于是基于码片级的计算，无论自适应算法采用何种自适应权值方法，计算量均较大，算法的优化在该方法中尤为重要。
(2)单个波束解扩-RAKE合并
在单个波束解扩-RAKE合并时基于码片级的自适应结构中，先对各阵元进行波束形成加权处理，然后对几个不相关多径分量进行分别解扩。该结构只进行一次数字波束形成处理，因而系统的复杂度相对于多个波束解扩-RAKE合并方案而言大大降低。
2.2 基于符号级的自适应结构
基于符号级的自适应结构如图2所示，这种结构是先进行匹配滤波，即先进行用户分离，然后波束合成形成针对该用户的波束，实现二维RAKE接收。从结构上分析，基于符号的波束形成方法需要设计数量众多的相关器，硬件结构较为复杂，但该方法是基于符号级的计算，自适应算法的计算量相对较小。
2.3 基于群的自适应结构
基于群的波束形成方法利用已有的基带专用集成电路芯片(ASIC)构建智能天线处理器，实现对扇区的自适应划分。基带ASIC可以采用Qualcomm公司的常规基站调制解调器CSM5200。如图3所示。
基于群的波束形成方法采用基带ASIC(如CSM5200)完成除波束形成之外的大部分工作，需要考虑如何充分利用CSM5200的资源，以及与围绕CSM5200的软硬件功能在实现上的难易程度。显然，该结构受限于所采用CSM5200这类芯片在处理用户容量、处理速度、可靠性、芯片体积等方面的性能。
3、 自适应波束智能天线实现时面临的问题
(1)精确地获得信道参数
信道参数估计是进行空时RAKE接收处理的基础，没有准确的时延参数，自适应波束形成将无从做起。通常时延的估计是在波束形成之前，也就是说时延搜索时无法利用波束抑制波束外的非期望用户，所有激活用户(某扇区内)的信号都将被接收并相互干扰。在无智能天线的基站，所能容纳的同时激活的最多用户数目是确定的，超过该数目，时延搜索将出现困难。配备有智能天线的基站，在未形成波束前，如果不采取其他措施，时延搜索与常规基站没有什么差别，也就是说，所能容纳的最多用户数目与常规基站的相同，显然没有发挥智能天线可以扩大基站容量的作用。因此，在时延搜索上必须采取另外的措施，使得在激活的用户数目超过常规基站时，时延搜索仍能正常进行。
(2)上下行波束形成的统一规划
对于下行链路而言，不同的复用方式可采用不同的解决方法：对于时分双工(TDD)方式，由于上下行链路采用相同的频率，在信道参数在相邻的上下行数据帧中几乎没有变化的情况下，可以直接利用上行估计得到的信道参数，但这只适用于慢速移动的系统；对于频率复用分割(FDD)方式，由于上下行链路的频率间隔一般都大于相关带宽，因此上下行的瞬时信道几乎是不相关的，此时采用反馈信道是最好的方法。显然，上行链路参数估计的好坏，对上下行信道的波束形成都有很大的影响。此外，在上行信道的波束形成时，就要考虑到下行信道波束形成如何进行，以实现上下行信道波束形成的统一优化，使智能天线系统的作用得到最大程度的发挥。
(3)波束形成算法
良好的自适应波束形成算法通常需要很大的运算量以及复杂的结构，目前的硬件性能尚难以达到这样的指标。因此，寻求用较少的运算和简洁的结构实现自适应波束，始终是科技人员努力的目标之一。此外，实现算法中具体参数(初始权值、收敛门限、步长等)的优化也对算法最终结果起着至关重要的作用。
4、 结束语
对于智能天线来说，在研究自适应波束形成新技术同时，还应关注技术的有效性、稳健性以及实用性等内容。从可实现的角度来看，智能天线自适应波束形成今后的研究可能趋向于以下几个方面：
探索有效的数字波束形成技术，着重于突破阵列物理限制的数字多波束形成技术。
研究计算有效、稳健的用户多径参数估计技术，重点在基于辅助导频信号的非盲技术。
根据业务和信道环境的不同，确定不同的自适应算法实现结构以及参数的选取准则。
此外，相对于上行自适应波束形成技术的广泛深入研究，下行链路性能成为提高系统性能的“瓶颈”，因此迫切需要有效的下行自适应波束形成方法。□
参考文献：
[1] Liberti J C, Rapport T S. Smart antenna for wireless communication: IS-95 and third generation CDMA application [R]. Prentice Hall PTR, 1999.
[2] Tsoulos G, Beach M, McGeehan J. Wireless personal communications for the 21st century: European technological advances in adaptive antennas [J]. IEEE Communications Magazine, 35(9), 1997.
[3] Kwark J, Lu I T. Blind adaptive space-time receiving and
transmitting diversities for multiuser DS-CDMA systems [R]. IEEE MILCOM’99, 1999.
[4] Guo Y J. Advanced base station technologies for UTRAN [J]. Electronics & Communication Eng Journal, 12(3), 2000.
[5] Seungwon Choi. A novel adaptive beamforming algorithm for a smart antenna system in a CDMA mobile communication environment [J]. IEEE Trans. VT, 49(2), 2000.
收稿日期：2003-03-12
作者简介：
自适应花盆 篇12
现在很多人喜欢在家养一些花花草草, 不过, 这些美丽的生命需要在精心的照顾下才能开放出美丽的花朵。但当你因种种原因而无法按时给花草浇水时, 过不了几天, 这些花草就会因为缺水而枯萎。于是我设计了一个特殊的花盆:在花盆底部放置一个隔板将花盆分隔开, 在底部形成一个储水槽。当主人在家时, 每天浇水时可适量多浇灌一些, 多余的水分会渗过土壤流进事前设计好的储水槽中保存起来。等到主人无法按时给花草浇水, 土壤过分干燥时, 储水槽内的水就会顺着引水装置被干燥的土壤吸收, 从而润湿土壤。花盆的口部有一个有孔封口, 它可以限制植物生长范围, 有了它就可以在最大限度上减少水分蒸发。
点评:作者从实际需要的角度出发, 能够积极地思考生活中的点滴问题, 并通过创意、设想进而解决问题。但在设计中还没有很好地将设想设计出来, 还可以进行一步改进, 以提高其实用性。