CN107454618A - 基于em的多主用户定位方法 - Google Patents
基于em的多主用户定位方法 Download PDFInfo
- Publication number
- CN107454618A CN107454618A CN201710392641.XA CN201710392641A CN107454618A CN 107454618 A CN107454618 A CN 107454618A CN 201710392641 A CN201710392641 A CN 201710392641A CN 107454618 A CN107454618 A CN 107454618A
- Authority
- CN
- China
- Prior art keywords
- mrow
- transmitter
- msub
- algorithm
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000004807 localization Effects 0.000 title abstract 2
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000001149 cognitive effect Effects 0.000 claims description 27
- 238000005562 fading Methods 0.000 claims description 16
- 238000003064 k means clustering Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000011423 initialization method Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了基于EM的多主用户定位方法，主要包括：a：建立系统模型；步骤b：EM定位分析；步骤c：主用户维持初始化方法。本发明的基于EM的多主用户定位研究方法，可以实现安全可靠、测量便捷以及误差小的优点。
Description
技术领域
本发明涉及通信技术领域，具体地，涉及基于EM的多主用户定位方法。
背景技术
与授权通信系统合作是认知无线电系统的主要应用，并通过认知无线电技术 使得非授权用户能够在特定频率和时隙上发送或者接受信息。这种系统被称之 为授权用户协作感知的认知无线电系统。授权用户非协作感知的认知无线电系 统必须在不与在特定带宽和地理区域中的授权通信系统想合作的前提下，侦测 出哪些频谱是能够让非授权用户进行传输的。
授权用户非协作感知的认知无线电系统设计的一个主要目标就是在非授权 用户进行通信的过程中对授权通信系统造成最小的干扰。为了实现这个目标， 认知无线电节点必须引入机会频谱接入技术，例如，这些节点必须检测到频谱 空洞来进行传输以避免对授权通信系统造成干扰。
要在一个认知节点处侦测出频谱空洞，一种常用的方法是通过对该认知节 点接收到的功率设置一个检测门限。举例来说，假设有两个认知节点A和B， 这两个节点分别在各自的位置检测来至带宽F0的功率，如果在节点A和B处 检测到的功率都低于门限值Pmax，则认知节点A和B可以在带宽F0进行通信。 而门限值Pmax是由一系列因素决定的：授权接收机的干扰容限值、授权系统中断 预期的最大概率、以及该区域信号传播的特性。
以上研究，如果这些节点在位置上相互独立的，这些节点的检测结果的集合 无法减小由衰落效应和阴影效应所带来的误差，更无法建立一个可靠的侦测系 统。
发明内容
本发明的目的在于，针对上述问题，提出基于EM的多主用户定位方法，以实现 安全可靠、测量便捷以及误差小的优点。
为实现上述目的，本发明采用的技术方案是：基于EM的多主用户定位方法，所述方法具体包括：
步骤a：建立系统模型；
步骤b：EM定位分析；
步骤c：主用户维持初始化方法。
进一步地，所述步骤a具体包括：
设在一个正方形的单位区域内分布着M个授权用户发射机和N个认知无线电节点，而这M个授权用户发射机的位置是未知的，且能够表示为θ＝[θ1,θ2,...,θM]T，其中 θi代表了第i个发射机的二维位置信息；
N个认知节点的位置是已知并且在区域内是随机分布的，认知节点可以是粘附于移动车辆或者个人身上的，因此他们的位置是由其携带者的活动来决定的，而非以能 够最佳估计发射机位置的地理位置来决定。
令dj(θi)表示从第i个发射机到第j个感知节点的二维欧几里德距离。引用视距衰落模型作为传播模型，在这个模型中，功率信号的衰减是与距离的平方成比例的，除 此之外，假设所有主用户发射机的发射功率相同均为P0。
采用视距模型，在第j个感知节点检测到第i个发射机的发射功率可以表示为：
其中ρ是表示载波频率和发射接收天线参数的一个常数，这里假设一个简单的路径衰落模型能够清晰地描述EM定位算法，当将最大似然估计直接应用到更实际的 路径衰落模型后将会引入多径衰落和阴影效应问题，当传播模型确定后，主用户发射 机定位估计的准确性就变成计算精度的问题，因此，在每个特定阶段都需要根据所有 可用的先验知识来选择合适的路径衰落模型。
设M个授权用户发射机传播信号在一个特定的频段内，则观测到的功率还会受到加性噪声的影响，因此在特定的频段内由第j个感知节点检测到功率为：
其中，表明从j个感知节点检测到第i个发射机的发射功率，而ωij是均值为零，方差为σ2的高斯噪声，为了实现EM定位算法的数学运算，将每个测量 到的噪声分为M份：ω1j,ω2j,...,ωMj，而这些噪声是独立同分布于均值为零方差为σ2/M 的高斯分布的。
进一步地，步骤b中所述EM算法包括：
b1：在给定观测数据和一个未知参数的估计前提下，计算出隐藏变量的似然函数的期望值。
b2：确定使得隐藏变量似然函数的最大期望值时的未知参数。
进一步地，所述步骤c具体包括：
靠近全局最优的初始位置估计，采用了一种基于认知用户节点的空间聚类方法来获得初始主用户发射机位置；
根据位置最接近原则，将N个感知节点分为M个聚类。在一个聚类里，每个节点 所接收到的发射功率被认为是来自于单个(最近)的主用户发射机接收，并且为每一 个聚类生成一个初始化的主用户发射机位置；
如果一个聚类中恰好包含了3个感知节点，那么这个聚类的“有效的单个发射机”位置就能够通过三角定位法确定下来，对于那些少于3个感知节点的聚类，可以采用 一个非独特解；如果这个聚类包含的感知节点多于3个，那么主用户发射机的位置可 以采用最小化测量功率和由(3-1)式估计出的功率的平方差的和来确定；
将N个感知节点分为M个类的空间聚类方法采用的是K-Means聚类算法， K-Means聚类算法是一种迭代算法，通过计算数据点的聚类中心，然后将数据点划入 它最靠近的聚类中心的聚类中，反复计算知道整个数据空间收敛。类似于EM算法， K-Means聚类算法也需要初始状态，因此，不同的算法随机初始值将得到不同的空间 聚类结果。
本发明的基于EM的多主用户定位方法，主要包括：a：建立系统模型；步骤b：EM 定位分析；步骤c：主用户维持初始化方法，可以实现安全可靠、测量便捷以及误差 小的优点。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明所述基于EM的多主用户定位方法中EM定位算法和PSO定位 算法性能分析图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
基于EM的多主用户定位方法，所述方法具体包括：
步骤a：建立系统模型；
步骤b：EM定位分析；
步骤c：主用户维持初始化方法。
所述步骤a具体包括：
设在一个正方形的单位区域内分布着M个授权用户发射机和N个认知无线电节点，而这M个授权用户发射机的位置是未知的，且能够表示为θ＝[θ1,θ2,...,θM]T，其中 θi代表了第i个发射机的二维位置信息；
N个认知节点的位置是已知并且在区域内是随机分布的，认知节点可以是粘附于移动车辆或者个人身上的，因此他们的位置是由其携带者的活动来决定的，而非以能 够最佳估计发射机位置的地理位置来决定。
令dj(θi)表示从第i个发射机到第j个感知节点的二维欧几里德距离。引用视距衰落模型作为传播模型，在这个模型中，功率信号的衰减是与距离的平方成比例的，除 此之外，假设所有主用户发射机的发射功率相同均为P0。
采用视距模型，在第j个感知节点检测到第i个发射机的发射功率可以表示为：
其中ρ是表示载波频率和发射接收天线参数的一个常数，这里假设一个简单的路径衰落模型能够清晰地描述EM定位算法，当将最大似然估计直接应用到更实际的 路径衰落模型后将会引入多径衰落和阴影效应问题，当传播模型确定后，主用户发射 机定位估计的准确性就变成计算精度的问题，因此，在每个特定阶段都需要根据所有 可用的先验知识来选择合适的路径衰落模型。
设M个授权用户发射机传播信号在一个特定的频段内，则观测到的功率还会受到加性噪声的影响，因此在特定的频段内由第j个感知节点检测到功率为：
其中，表明从j个感知节点检测到第i个发射机的发射功率，而ωij是均值为零，方差为σ2的高斯噪声，为了实现EM定位算法的数学运算，将每个测量 到的噪声分为M份：ω1j,ω2j,...,ωMj，而这些噪声是独立同分布于均值为零方差为σ2/M 的高斯分布的。
步骤b中所述EM算法包括：
b1：在给定观测数据和一个未知参数的估计前提下，计算出隐藏变量的似然函数的期望值。
b2：确定使得隐藏变量似然函数的最大期望值时的未知参数。
所述步骤c具体包括：
靠近全局最优的初始位置估计，采用了一种基于认知用户节点的空间聚类方法来获得初始主用户发射机位置；
根据位置最接近原则，将N个感知节点分为M个聚类。在一个聚类里，每个节点 所接收到的发射功率被认为是来自于单个(最近)的主用户发射机接收，并且为每一 个聚类生成一个初始化的主用户发射机位置；
如果一个聚类中恰好包含了3个感知节点，那么这个聚类的“有效的单个发射机”位置就能够通过三角定位法确定下来，对于那些少于3个感知节点的聚类，可以采用 一个非独特解；如果这个聚类包含的感知节点多于3个，那么主用户发射机的位置可 以采用最小化测量功率和由(3-1)式估计出的功率的平方差的和来确定；
将N个感知节点分为M个类的空间聚类方法采用的是K-Means聚类算法， K-Means聚类算法是一种迭代算法，通过计算数据点的聚类中心，然后将数据点划入 它最靠近的聚类中心的聚类中，反复计算知道整个数据空间收敛。类似于EM算法， K-Means聚类算法也需要初始状态，因此，不同的算法随机初始值将得到不同的空间 聚类结果。
我们通过仿真将本章提出的EM定位算法和粒子群优化算法(particle swarmoptimization，PSO)进行比较，EM定位算法和PSO定位算法都采用 随机初始分布和智能初始分布方式进行仿真。为了方便仿真，我们假设认知无 线电环境结构图中有2个主用户发射机和10-20个认知用户节点，并且，主用户 发射机和认知用户节点随机分布在一个1千米×1千米的平面区域内，对每个不同 的认知节点数进行200个循环仿真。EM定位算法和PSO定位算法的智能初始 化分布采用25次K-Means聚类算法。
EM定位算法和PSO定位算法性能分析如下图1所示，性能分析采用了每 个发射机的估计位置和其真实位置间距离的均方误差和中方值误差进行衡量。 可以看出，EM定位算法的定位性能要优于PSO定位算法的定位性能，伴随着 认知节点数量的增加，EM定位算法的性能更加好。
至少可以达到以下有益效果：
本发明的基于EM的多主用户定位方法，主要包括：a：建立系统模型；步骤b： EM定位分析；步骤c：主用户维持初始化方法，可以实现安全可靠、测量便捷以及误 差小的优点。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依 然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等 同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应 包含在本发明的保护范围之内。
Claims (4)
1.基于EM的多主用户定位方法，其特征在于，所述方法具体包括：
步骤a：建立系统模型；
步骤b：EM定位分析；
步骤c：主用户维持初始化方法。
2.根据权利要求1所述的基于EM的多主用户定位方法，其特征在于，所述步骤a具体包括：
设在一个正方形的单位区域内分布着M个授权用户发射机和N个认知无线电节点，而这M个授权用户发射机的位置是未知的，且能够表示为θ＝[θ1,θ2,...,θM]T，其中θi代表了第i个发射机的二维位置信息；
N个认知节点的位置是已知并且在区域内是随机分布的，认知节点可以是粘附于移动车辆或者个人身上的，因此他们的位置是由其携带者的活动来决定的，而非以能够最佳估计发射机位置的地理位置来决定；
令dj(θi)表示从第i个发射机到第j个感知节点的二维欧几里德距离。引用视距衰落模型作为传播模型，在这个模型中，功率信号的衰减是与距离的平方成比例的，除此之外，假设所有主用户发射机的发射功率相同均为P0；
采用视距模型，在第j个感知节点检测到第i个发射机的发射功率可以表示为：
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>R</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msub>
<mi>P</mi>
<mn>0</mn>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;d</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中ρ是表示载波频率和发射接收天线参数的一个常数，这里假设一个简单的路径衰落模型能够清晰地描述EM定位算法，当将最大似然估计直接应用到更实际的路径衰落模型后将会引入多径衰落和阴影效应问题，当传播模型确定后，主用户发射机定位估计的准确性就变成计算精度的问题，因此，在每个特定阶段都需要根据所有可用的先验知识来选择合适的路径衰落模型。
设M个授权用户发射机传播信号在一个特定的频段内，则观测到的功率还会受到加性噪声的影响，因此在特定的频段内由第j个感知节点检测到功率为：
<mrow>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>R</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msubsup>
<mi>h</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>R</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，表明从j个感知节点检测到第i个发射机的发射功率，而ωij是均值为零，方差为σ2的高斯噪声，为了实现EM定位算法的数学运算，将每个测量到的噪声分为M份：ω1j,ω2j,...,ωMj，而这些噪声是独立同分布于均值为零方差为σ2/M的高斯分布的。
3.根据权利要求1所述的权利要求1所述的基于EM的多主用户定位方法，其特征在于，步骤b中所述EM算法包括：
b1：在给定观测数据和一个未知参数的估计前提下，计算出隐藏变量的似然函数的期望值。
b2：确定使得隐藏变量似然函数的最大期望值时的未知参数。
4.根据权利要求1或2所述的基于EM的多主用户定位方法，其特征在于，所述步骤c具体包括：
靠近全局最优的初始位置估计，采用了一种基于认知用户节点的空间聚类方法来获得初始主用户发射机位置；
根据位置最接近原则，将N个感知节点分为M个聚类。在一个聚类里，每个节点所接收到的发射功率被认为是来自于单个(最近)的主用户发射机接收，并且为每一个聚类生成一个初始化的主用户发射机位置；
如果一个聚类中恰好包含了3个感知节点，那么这个聚类的“有效的单个发射机”位置就能够通过三角定位法确定下来，对于那些少于3个感知节点的聚类，可以采用一个非独特解；如果这个聚类包含的感知节点多于3个，那么主用户发射机的位置可以采用最小化测量功率和由(3-1)式估计出的功率的平方差的和来确定；
将N个感知节点分为M个类的空间聚类方法采用的是K-Means聚类算法，K-Means聚类算法是一种迭代算法，通过计算数据点的聚类中心，然后将数据点划入它最靠近的聚类中心的聚类中，反复计算知道整个数据空间收敛，类似于EM算法，K-Means聚类算法也需要初始状态，因此，不同的算法随机初始值将得到不同的空间聚类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710392641.XA CN107454618A (zh) | 2017-05-27 | 2017-05-27 | 基于em的多主用户定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710392641.XA CN107454618A (zh) | 2017-05-27 | 2017-05-27 | 基于em的多主用户定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107454618A true CN107454618A (zh) | 2017-12-08 |
Family
ID=60487011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710392641.XA Pending CN107454618A (zh) | 2017-05-27 | 2017-05-27 | 基于em的多主用户定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107454618A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108919182A (zh) * | 2018-05-10 | 2018-11-30 | 电子科技大学 | 一种WiFi环境下基于支撑集及期望最大化的目标定位方法 |
| CN109121081A (zh) * | 2018-09-11 | 2019-01-01 | 电子科技大学 | 一种基于位置候选集与em算法的室内定位方法 |
| CN115001606A (zh) * | 2022-05-31 | 2022-09-02 | 重庆大学 | 一种多节点协作频谱检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104713560A (zh) * | 2015-03-31 | 2015-06-17 | 西安交通大学 | 基于期望最大化的多源测距传感器空间配准方法 |
| CN104871615A (zh) * | 2012-11-30 | 2015-08-26 | 瑞典华为技术有限公司 | 用于确定无线发射器的功率和位置的方法 |
-
2017
- 2017-05-27 CN CN201710392641.XA patent/CN107454618A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104871615A (zh) * | 2012-11-30 | 2015-08-26 | 瑞典华为技术有限公司 | 用于确定无线发射器的功率和位置的方法 |
| CN104713560A (zh) * | 2015-03-31 | 2015-06-17 | 西安交通大学 | 基于期望最大化的多源测距传感器空间配准方法 |
Non-Patent Citations (2)
| Title |
|---|
| JILL K.NELSON等: "An EM Technique for Multiple Transmitter Localization", 《2007 41ST ANNUAL CONFERENCE ON INFORMATION SCIENCES AND SYSTEMS》 * |
| WEI MENG 等: "An Efficient EM Algorithm for Energy-Based Multisource Location in Wireless Sensor Networks", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108919182A (zh) * | 2018-05-10 | 2018-11-30 | 电子科技大学 | 一种WiFi环境下基于支撑集及期望最大化的目标定位方法 |
| CN109121081A (zh) * | 2018-09-11 | 2019-01-01 | 电子科技大学 | 一种基于位置候选集与em算法的室内定位方法 |
| CN109121081B (zh) * | 2018-09-11 | 2020-12-29 | 电子科技大学 | 一种基于位置候选集与em算法的室内定位方法 |
| CN115001606A (zh) * | 2022-05-31 | 2022-09-02 | 重庆大学 | 一种多节点协作频谱检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10564251B1 (en) | Localization of mobile high-speed wireless user equipment from downlink channels | |
| Zhang et al. | A novel CSI-based fingerprinting for localization with a single AP | |
| CN103140772B (zh) | 用于定位通信网络中的至少一个障碍物的方法和设备、相应的计算机程序 | |
| US9310465B2 (en) | Systems and methods for reducing variations in received signal strength indicator (RSSI) measurements for location sensing | |
| Ruble et al. | Wireless localization for mmWave networks in urban environments | |
| US10567948B1 (en) | User equipment identification from mobile high-speed wireless uplink channels | |
| Yi et al. | Deghosting for target tracking in single frequency network based passive radar | |
| US20200351672A1 (en) | Efficient beam searching | |
| Li et al. | Multiple radio transmitter localization via UAV-based mapping | |
| CN107454618A (zh) | 基于em的多主用户定位方法 | |
| Liang et al. | Detection of global positioning system spoofing attack on unmanned aerial vehicle system | |
| Wang et al. | Dynamic propagation characteristics estimation and tracking based on an EM-EKF algorithm in time-variant MIMO channel | |
| Sinha et al. | Impact of 3D antenna radiation patterns on TDOA-based wireless localization of UAVs | |
| Aydogdu et al. | Distributed radar-aided vehicle-to-vehicle communication | |
| Zhang et al. | A shared multipath components evolution model for integrated sensing and communication channels | |
| US10473749B1 (en) | Localization of mobile high-speed wireless user equipment from uplink channels | |
| CN113484838B (zh) | 一种多基地雷达有源假目标鉴别方法及系统 | |
| Tan et al. | UAV localization with multipath fingerprints and machine learning in urban NLOS scenario | |
| Tian et al. | MIMO CSI-based super-resolution AoA estimation for Wi-Fi indoor localization | |
| Tropkina et al. | Distributed communication and sensing system co-design for improved UAV network resilience | |
| Vaghefi et al. | On the CRLB of TDOA/FDOA estimation from MIMO signals | |
| Yu et al. | Mean Shift‐Based Mobile Localization Method in Mixed LOS/NLOS Environments for Wireless Sensor Network | |
| Xia et al. | Kalman particle filtering algorithm for symmetric alpha‐stable distribution signals with application to high frequency time difference of arrival geolocation | |
| Ezzati et al. | Optimised sensor network for transmitter localisation and radio environment mapping | |
| Haniz et al. | Propagation channel interpolation for fingerprint-based localization of illegal radios |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |