排序方式: 共有21条查询结果,搜索用时 31 毫秒
1.
2.
为了提高线性调频连续波(Linear Frequency Modulation Continuous Wave,LFMCW)雷达的测距精度,一般采用稳定性能好、计算量小的Quinn算法。但在低信噪比、频率偏差位于量化频谱附近时,Quinn算法的估计误差很大。针对Quinn算法的缺陷,提出了一种改进的Quinn算法,该算法引入频率偏差因子,把频率偏差先平移到量化频率中间,利用Quinn算法在频率偏差位于量化频谱中间获取高精度测距的优点,提高LFMCW雷达的测距精度。仿真结果表明,改进的Quinn算法具有很好的抗噪声性能,频率估计均方根误差接近克拉美罗下限(Cramer-Rao Low Bound,CRLB),能够满足LFMCW对测距精度的需求。 相似文献
3.
4.
相较常用于室内定位的Wi-Fi接收信号强度(RSS),Wi-Fi信道状态信息(CSI)包含了信号传输过程中更细粒度的物理层信息(如各个子载波的幅值和相位),故可将其用于较精确的测距以实现较高的Wi-Fi室内定位精度。由于现有基于CSI测距的定位方法普遍缺少关于定位误差界的理论分析,从而导致难以对不同定位方法的理想性能进行比较。因此,该文提出一种基于CSI测距的Wi-Fi室内定位误差界分析方法,其在室内信号传播模型的基础上,考虑路径损耗、阴影衰落和多径效应与定位精度的关系,利用克拉美罗下界(CRLB)推导了时钟异步效应下基于CSI测距的定位误差界。此外,通过实验对比,分析了实际定位误差与所推导的定位误差界之间的差异,并讨论了不同实验参数对定位性能的影响。 相似文献
5.
相较常用于室内定位的Wi-Fi接收信号强度(RSS),Wi-Fi信道状态信息(CSI)包含了信号传输过程中更细粒度的物理层信息(如各个子载波的幅值和相位),故可将其用于较精确的测距以实现较高的Wi-Fi室内定位精度.由于现有基于CSI测距的定位方法普遍缺少关于定位误差界的理论分析,从而导致难以对不同定位方法的理想性能进行比较.因此,该文提出一种基于CSI测距的Wi-Fi室内定位误差界分析方法,其在室内信号传播模型的基础上,考虑路径损耗、阴影衰落和多径效应与定位精度的关系,利用克拉美罗下界(CRLB)推导了时钟异步效应下基于CSI测距的定位误差界.此外,通过实验对比,分析了实际定位误差与所推导的定位误差界之间的差异,并讨论了不同实验参数对定位性能的影响. 相似文献
6.
W元素掺杂CeO2非均相电芬顿催化剂高效处理含油污水 总被引:1,自引:0,他引:1
制备了W元素掺杂的CeO2复合材料, 通过扫描电子显微镜、 透射电子显微镜、 X射线衍射和X射线光电子能谱等对W-CeO2-0.4催化材料进行表征. 结果表明, 具有不规则片状形貌的W元素掺杂CeO2复合材料提高了单一CeO2的类芬顿催化效果; 将其作为非均相电芬顿催化剂对含油污水的处理效果明显优于电吸附和物理吸附过程. 进一步的参数优化处理实验发现, 在电压为4 V, pH=3时, 采用W-CeO2-0.4作为催化剂的条件下, 对含油污水的净化能力在90 min内达到了99.8%, 总有机碳(TOC)去除率达到了约90%, 化学需氧量(COD)去除率达到了76%. 相似文献
7.
8.
目前,无人机定位技术主要依赖以GPS(Global Positioning System)为代表的全球定位系统,然而在室内等GPS信号缺失的地方进行定位则比较困难。另外,传统的室内定位技术主要采用蓝牙、WiFi、基站定位等多种方式融合成一套定位体系,但是该类方法受环境的影响比较大,而且往往需要部署多个设备。此外,这种方式只能得到远近信息,无法知道设备在空间中的姿态。该文提出一种基于单目视觉的无人机室内定位方法。首先,通过无人机机载相机拍摄的图像,结合特征点法和直接法,先跟踪特征点,然后利用直接法根据关键点进行块匹配,估计相机位姿。然后利用深度滤波器对特征点进行深度估计,建立一个当前环境的稀疏地图,最后利用ROS (Robot Operating System)的3维可视化工具RVIZ对真实环境进行仿真。仿真结果表明,所提方法在室内环境下可以获得良好的性能,定位精度达到0.04 m。 相似文献
9.
Wi-Fi室内定位技术是目前移动计算领域的研究热点之一,而传统位置指纹定位方法没有考虑复杂室内环境下Wi-Fi信号分布的多样性问题,从而导致Wi-Fi室内定位系统的鲁棒性较差。为了解决这一问题,该文提出一种基于信号分布混合假设检验的Wi-Fi室内定位方法。首先根据Jarque-Bera(JB)检验结果对各个参考点处的Wi-Fi信号分布进行正态性评价;然后针对不同Wi-Fi信号分布特性,利用混合Mann-Whitney U检验/T检验方法构造匹配参考点集合,以实现对目标的区域定位;最后通过计算定位区域中匹配参考点的K近邻(K-Nearest Neighbor, KNN),完成对目标的位置坐标估计。实验结果表明,所提方法相比于传统Wi-Fi室内定位方法具有更高的定位精度和更强的系统鲁棒性。 相似文献
10.