基于bounding-box与卡尔曼滤波的优化压缩感知算法的目标定位

作者：张小康; 肖本贤; 肖献强; 方紫剑

来源：合肥工业大学学报(自然科学版), 2022, 45(12): 1623-1629+1642.

DOI：10.3969/j.issn.1003-5060.2022.12.006

• 测量矩阵
• 压缩感知(CS)
• bounding-box方法
• 原子相关度阈值
• 卡尔曼滤波

针对无线传感器网络目标定位过程中存在的测量矩阵维数高、运算量大以及测量向量不准确的问题，文章提出一种优化压缩感知(compressive sensing, CS)定位算法。首先对传感器采集的接收信号强度值进行卡尔曼滤波保证压缩感知测量向量的准确性；然后引入bounding-box方法估计位置区域，缩小节点定位范围从而降低后一阶段压缩感知测量矩阵的维数；最后在节点估计区域进行压缩感知定位，并提出基于原子相关度阈值的回溯匹配追踪算法，通过原子相关度阈值控制对候选集原子进行二次筛选剔除低相关度原子，在支撑集中保留系数较大的原子，提升重建精度。实验结果表明，在信噪比为5 dB,目标数为8时，相较于传统的OMP算法、GMP算法、CoSaMP算法，所提优化定位算法的定位精度分别提升61.21%、51.53%和45.12%。

• 单位
  合肥工业大学; 合肥搬易通科技发展有限公司