项目名称: 基于凸优化的非视距定位方法研究

项目编号: No.61201099

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 电子学与信息系统

项目作者: 王刚

作者单位: 宁波大学

项目金额: 26万元

中文摘要: 在非视距环境下利用无线网络对目标进行定位具有重要的理论和实际意义,其中完全未知或者已知部分非视距误差的统计信息以及对非视距路径判决误差稳健的定位算法是未来研究的两个热点问题。为提高非视距误差统计信息匮乏时的定位性能,我们拟建立关于目标位置以及非视距误差的联合优化问题,并采用凸优化松弛方法实现抑制非视距误差并提高定位精度。对于非视距路径判决时出现的漏检和虚警的情况,我们拟采用凸优化方法中的稳健性处理方法降低判决误差对定位性能的影响,减小对判决机制可靠性的依赖。最后,我们将研究两个问题中定位算法的性能下界并通过仿真验证和分析算法的性能。本项目对上述两个问题的研究是开创性、探索性的。由于该研究的前提条件更符合实际情况,因此它对算法从理论应用于实际将起到良好的推动作用,具有重要的理论和实际意义。

中文关键词: 定位;到达时间;非视距;凸优化;无线网络

英文摘要: Localization by a wireless network in Non-Line-of-Sight (NLOS) environments is of great importance since it finds wide applications in practice. The future research mainly focuses on the cases that the statistical information of NLOS errors is completely unknown or partly known, and the detection to the NLOS paths is subject to errors. To improve the localization performance without knowing much statistical information of NLOS errors, we intend to establish an optimization problem with respect to the source location and the NLOS errors, and apply the popular convex relaxation technique to jointly estimate them. When there exist detection errors to NLOS paths, we intend to employ the robust processing methods to improve the robustness of the localization methods to the detection errors. This work is a pioneering and innovative work, which is not found in current research. Since this work releases some impractical assumptions, the research will facilitate the localization methods to their applications in practice, and hence, this work is of great importance in both theory and practice.

英文关键词: Localization;Time-of-Arrival;Non-Line-of-Sight;Convex Optimization;Wireless Network

成为VIP会员查看完整内容
0

相关内容

【博士论文】基于深度学习的单目场景深度估计方法研究
【博士论文】基于冲量的加速优化算法
专知会员服务
25+阅读 · 2021年11月29日
专知会员服务
42+阅读 · 2021年9月15日
专知会员服务
46+阅读 · 2021年8月28日
基于深度学习的视频目标检测综述
专知会员服务
82+阅读 · 2021年5月19日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
专知会员服务
30+阅读 · 2021年1月9日
最新《非凸优化理论》进展书册,79页pdf
专知会员服务
108+阅读 · 2020年12月18日
斯坦福EE364a《凸优化》课件,301页ppt
专知会员服务
95+阅读 · 2020年7月14日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
定位理论5大坑,你踩过几个?
人人都是产品经理
1+阅读 · 2022年1月27日
【博士论文】基于冲量的加速优化算法
专知
7+阅读 · 2021年11月29日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
综述 | SLAM回环检测方法
计算机视觉life
15+阅读 · 2019年8月19日
常用的模型集成方法介绍:bagging、boosting 、stacking
7个实用的深度学习技巧
机器学习算法与Python学习
16+阅读 · 2019年3月6日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
【泡泡一分钟】点密度适应性点云配准
泡泡机器人SLAM
16+阅读 · 2018年5月28日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
35+阅读 · 2021年8月2日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
小贴士
相关VIP内容
【博士论文】基于深度学习的单目场景深度估计方法研究
【博士论文】基于冲量的加速优化算法
专知会员服务
25+阅读 · 2021年11月29日
专知会员服务
42+阅读 · 2021年9月15日
专知会员服务
46+阅读 · 2021年8月28日
基于深度学习的视频目标检测综述
专知会员服务
82+阅读 · 2021年5月19日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
专知会员服务
30+阅读 · 2021年1月9日
最新《非凸优化理论》进展书册,79页pdf
专知会员服务
108+阅读 · 2020年12月18日
斯坦福EE364a《凸优化》课件,301页ppt
专知会员服务
95+阅读 · 2020年7月14日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
相关资讯
定位理论5大坑,你踩过几个?
人人都是产品经理
1+阅读 · 2022年1月27日
【博士论文】基于冲量的加速优化算法
专知
7+阅读 · 2021年11月29日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
综述 | SLAM回环检测方法
计算机视觉life
15+阅读 · 2019年8月19日
常用的模型集成方法介绍:bagging、boosting 、stacking
7个实用的深度学习技巧
机器学习算法与Python学习
16+阅读 · 2019年3月6日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
【泡泡一分钟】点密度适应性点云配准
泡泡机器人SLAM
16+阅读 · 2018年5月28日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
5+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员