物联网系统中用于室内定位的q-变形核自适应滤波方法

《IEEE Internet of Things Journal》：q-Deformation Kernel Adaptive Filtering Method for Indoor Positioning in IoT Systems

　　摘要：室内定位是物联网（IoT）系统的一项关键使能技术；然而，在实际部署中，它往往会受到多径传播、非视距（NLOS）条件以及非高斯噪声的严重影响，这些因素会显著降低传统核自适应滤波（KAF）算法的精度和稳定性。本文提出了一种基于q-形变理论的q-形变核递推最小二乘（q-KRLS）算法，用于在非高斯噪声条件下进行鲁棒误差建模。通过利用q-参数机制自适应调节误差敏感性，所提出的方法在保持计算效率的同时，显著增强了对重尾噪声的鲁棒性。在一个模拟场景和两个真实超宽带（UWB）室内场景中的定位实验表明，所提出的q-KRLS算法始终能够实现更优越的定位精度和更快的收敛速度。此外，与几种代表性的KAF和统计学习方法相比，该算法表现出更强的泛化能力。为了进一步控制模型规模的增长，将增强惊奇准则（SSC）引入q-KRLS作为稀疏化机制，并在两个真实场景中进行了评估。结果表明，在定位精度仅有微小损失的情况下，SSC-q-KRLS大幅减少了网络规模并加速了收敛。所提出的算法为复杂物联网环境中的室内定位提供了一种兼顾性能与计算效率的有效解决方案。I. 引言随着物联网（IoT）和智能传感技术的不断发展，基于位置的服务在智能制造、自动驾驶、机器人导航、仓储物流和智能建筑等多个领域发挥着越来越重要的作用。作为连接物理世界和数字世界的桥梁，空间位置信息构成了智能系统准确感知和自主决策的基础[1]。然而，由于室内环境中多径传播、信号衰减和非视距（NLOS）条件的严重影响，传统的全球导航卫星系统（GNSS）无法在室内提供可靠的高精度定位服务[2]。因此，开发具有高精度、低功耗和强抗干扰能力的室内定位技术已成为学术界和工业界的研究重点。