.png){kind=icon}
返回
Adaptive splitting mean online expectation-maximization method-based moving object localization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.104980.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了利用受异常值影响的测距数据估计发射源位置的方法。在室内和人口密集的城市环境中，非视距（NLOS）信号的存在会显著降低估计性能。为减轻NLOS信号的不利影响，采用了鲁棒定位方法。所提出的技术，即分裂均值（SM）在线期望最大化（EM）-基于的两步加权最小二乘（TSWLS）方法，是从贝叶斯角度开发的，具体利用了线性最小均方误差（LMMSE）准则。影响SM算法性能的一个关键要素是平滑因子。与使用固定平滑因子的传统SM方法不同，所提出的自适应分裂均值（ASM）偏差估计方法动态调整该因子。此外，对所提出的测量偏差估计算法的均方误差（MSE）进行了理论分析，表明其结果与仿真结果高度一致。仿真进一步表明，所提出的方法在各种NLOS偏差分布（包括高斯分布、均匀分布和指数分布）下，在定位精度方面优于现有最先进的技术。
Keyword:
Adaptive
Least mean square
Localization
Non-line-of-sight
Splitting mean model
Online expectation maximization
Weighted least squares
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
暂无机构信息
引用论文
分享收藏Improving Indoor Localization Using Convolutional Neural Networks on Computationally Restricted Devices在计算受限的设备上使用卷积神经网络改进室内定位.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容