无线传感器网络非视距误差及消除算法摘要.doc

NLOS误差及消除算法 现有的NLOS误差处理算法，大多分成两类，一类是首先研究鉴别算法，鉴别得到的TOA采样中是否存在NLOS误差，通过一定的算法对TOA进行预处理消除其中的NLOS误差，恢复其真实值，再通过一般的定位算法即可得到较为准确的定位。还有一类是不需要对TOA进行预处理直接设计定位算法，在定位过程中消除NLOS误差。一般的NLOS鉴别算法有，Wylie提出的基于测量噪声标准差的判决算法，Borras提出的假设检验判决算法，以及残差分析判决算法等，判决完成后研究相应的NLOS误差抑制算法，NLOS抑制算法有Wylie平移法，改进LS算法，以及残差加权算法。 NLOS误差模型及特征 NLOS误差模型 若表示在时刻从移动台到基站m的距离测量值(由TOA测量值乘以电波传播速度获得)，则等于真实距离与标准测量误差和NLOS误差之和，如下式所示。 其中为零均值的高斯变量，其分布可以用高斯分布表示为正值随机变量，一般认为它服从指数分布、均匀分布或Dena分布的模型。 特征 由于TOA测量值中NLOS误差的分布与电波传播路径上障碍物的分布有关，所以NLOS误差具有随机性的特点。依据其误差分布模型，在标准的rural、suburban、urban和bad urban环境下，NLOS误差变量的均值和方差均依次增大。NLOS误差的随机性引起NLOS误差的剧烈变化，使得某些TOA测量值的偏差特别大。这些受NLOS误差污染严重的测量值将严重影响对TOA的正确估计。所以，如果能消除这些包含较大误差测量值的影响，就可以从很大程度上消除NLOS误差。由NLOS误差是电波在传播途中遇障碍物发生超量延迟所致，所以TOA中的NLOS误差总是正值。消除TOA中的NLOS误差，也就是从某种程度上消除测量值中的正向偏差。所以，如果能将测量曲线向下平移，就可以消除TOA中的NLOS误差。上式说明，TOA测量值可以看作是真实的TOA与标准测量误差及NLOS误差之和。由于这两种误差的产生原因不同，因此是相互独立的。基于这种独立性，可以考虑把NLOS误差从测量值中分离，即估计出NLOS误差，然后从测量值中减去NLOS误差，就可以得到对TOA较准确的值。 卡尔曼滤波器 卡尔曼滤波器的基本思想就在于用两个方程分别表示未知状态的转移过程和测量系统输入与输出的关系，从而把某个时刻的状态值与当前以及以前时刻的测量值联系起来。因此，卡尔曼滤波问题的实质是以某种最优方式联合求解未知状态方程和测量方程的问题。状态方程与测量方程如下式。 状态方程：=F+ (1) 观测方程：=+ (2) 其中和分别是第n个时刻的状态向量和观测量，F和c分别是状态转移矩阵和观测矩阵，和分别是第n个时刻的激励噪声和观测噪声，方差分别是和迭，迭代过程如下： n=n-1 (3) n=Fn-1+Q (4) =-Cn (5) =n（）-1 (6) n=n+ (7) n=n（I-） (8) 其中n和n分别是第n个时刻状态变量的预测值和估计值,n和n分别是第n个时刻的预测误差的协方差矩阵和估计误差的协方差矩阵,是测量向量所对应的信息，是第n个时刻的卡尔曼增益。迭代的过程是，首先根据(3)(4)(5)算出n时刻状态预测值n，预测误差的协方差矩阵，新息以及，再代入(7)(8)式求出n时刻状态估计值n，估计误差的协方差矩阵n，如此反复迭代。 用卡尔曼滤波器消除NLOS误差 测量值丢弃法 测量值丢弃法是通过卡尔曼滤波器把偏差较大的测量值丢弃的方法。该方法通过比较偏差与门限值的大小来判断当前测量值的偏差是否在所能容忍的误差范围内。表示修正过后的卡尔曼增益，ε是测量值标准差，threshold是标准差门限值。 (9) 用式(9)的替代式(7)和式(8)中的。 在测量值丢弃法中，对门限值的设置也有一定要求，若设置过高，会使一些偏差较大的测量值不能被舍去，从而不能有效地消除NLOS误差，降低定位的精度，若设置得过低，则会丢弃过多的测量值，估计值不再随测量值变化，导致卡尔曼滤波器不收敛，因此门限值的设置在测量值丢弃法中显得特别重要，测量值丢弃法消除偏差较大的测量值的非视距误差比较有效，而在测量值偏差较小的情况下效果就不很理想经过滤波器输出的结果甚至比实际测量到的测量值的偏差还要大该方法主要用于消除随机误差，适用于非视距影响比较严重的环境。 平移法 平移法是利用NLOS误差总使测量值产生正向偏差的特性，