Diese Dissertation leistet einen Beitrag zum Themengebiet der Lokalisierung in drahtlosen Netzwerken, indem zwei Klassen von kooperativen Lokalisierungsmethoden für gemischte Lokalisierungsumgebungen mit und ohne direkte Sichtverbindung (LOS/NLOS) bereitgestellt werden. Als aus der praktischen Anwendung stammende Einschränkungen wird hier angenommen, dass weder NLOS-Identifikation, noch experimentelle Messungen durchführbar sind. Abhängig vom Umfang des Vorwissens über das statistische Messmodell, werden zwei Klassen kooperativer Lokalisierungsmethoden entwickelt. Zwei wichtige Beiträge sind zum einen Methoden, die eine zufriedenstellende Lokalisierungsgenauigkeit bieten, während das benötigte Wissen über das statistische Messmodell reduziert wird, zum anderen Methoden, die eine deutlich verbesserte Lokalisierungsleistung bieten, ohne eine gute Initialisierung zu benötigen.

Der erste Teil der Dissertation behandelt die kooperative Lokalisierung in homogenen, gemischen LOS/NLOS Umgebungen, wobei der Pfadverlust als Hauptmodellparameter unbekannt ist. Der gewählte Ansatz basiert darauf, die Position und den Pfadverlust als Zufallsvariablen zu modellieren und die marginale, posteriore Verteilung der unbekannten Parameter zu inferieren, aus denen Positionsschätzung und Unsicherheitsinformation gewonnen werden können. Dies wird mit Hilfe von message passing Methoden erreicht, bei denen zwei Mengen von Funktionen, die als messages und beliefs bezeichnet werden, iterativ aktualisiert werden. Durch die Kombination von variabler Diskretisierung und Monte-Carlo-basierten numerischen Approximationsschemata erhält man zwei Mengen von Funktionen. Eine solche numerische Vorgehensweise erlaubt, die Regel zur Verbesserung der Nachrichten approximativ zu implementieren und somit den Rechenaufwand zu limitieren. Zusätzlich werden für Netzwerke mit Low-End-Sensoren, die nur quantisierte RSS-Messungen liefern, message passing Methoden und deren parametrische Varianten mit geringer Komplexität abgeleitet.

Im zweiten Teil der Dissertation wird der allgemeinere Fall behandelt, dass kein statistisches Wissen über die LOS-/NLOS-Messfehler vorhanden ist, während präzisere Entfernungsmessungen zur Verfügung stehen. Diese reagieren recht empfindlich auf NLOS-Ausbreitung. Der Bias-Term jeder Abstandsmessung wird als unbekannter Parameter behandelt und es wird gezeigt, dass die Bias-Parameter in LOS-dominierenden Szenarien dünnbesetzt sind. Diese Eigenschaft wird dann ausgenutzt, indem zu den konventionellen Kostenfunktionen ein zusätzlicher Bestandteil hinzugefügt wird, der einen dünnbesetzten Bias-Vektor fördert. Dies führt zu einer generischen, sparsity-promoting regularisierten Methode. Durch Beschränkung der Kostenfunktion wird eine alternative, generische, bound-constrained regularisierte Methode entwickelt. Die Kostenfunktionen dieser beiden generischen Methoden werden so definiert, dass sie relaxiert werden können, um mithilfe zweier semi-definite program (SDP)-basierter Methoden das globale Optimum zu erreichen. Es wird theoretisch gezeigt, dass diese beiden SDPs unter bestimmten Bedingungen in dem Sinne gleichwertig sind, dass sie sich die gleiche optimale Lösung teilen. Eine große Herausforderung der beiden vorgeschlagenen SDPs liegt in der Wahl eines geeigneten Regularisierungsparameters. Es wird eine effiziente, datengetriebene Methode entwickelt, um den Regularisierungsparameter zu erhalten, welche auf der speziellen Struktur des bound-contrained regularisierten SDPs basiert. Schließlich werden numerische Ergebnisse, basierend auf synthetischen und experimentellen Daten, vorgestellt. Es wird gezeigt, dass die vorgeschlagenen SDP Methoden insgesamt gute Lokalisierungsergebnisse liefern.