[发明专利]一种异构网络下快速精准的目标定位与跟踪方法

权利要求书

1.一种异构网络下快速精准的目标定位与跟踪方法，其特征在于，包括以下步骤：

S1、通过异构网络获取用于目标定位与跟踪的测量数据；

假定二维平面内分布着由异构网络组成的观测站，依据观测站得到的TOA和TDOA的测量值对目标定位与跟踪，假设目标初始位置为u＝(x,y)，初始速度为v＝(v_x,v_y)，s_i＝(x_i,y_i)为第i个观测站的位置坐标，N为用于测量TOA值的观测站数目，若目标信号到第i个观测站的TOA测量值为t_i，则有

r_i＝ct_i＝r_i⁰+n_i+e_i,i＝1,2,…,N (1)

式(1)中，r_i表示测量距离，t_i表示信号传播时间，c为信号传播速度，为目标到第i个观测站的真实距离，n_i为测量误差，且为零均值的高斯随机过程；e_i是由非视距传播引起的误差；因此得到N组相互独立的TOA测量值；

同样假设平面内有M个测量TDOA值的蜂窝基站，把观测站j＝1作为参考基站，则目标信号到第j个观测站与到第1个观测站的时间差为t_j1＝t_j-t₁，结合式(1)得到

式(2)中，为目标到参考基站j＝1的真实距离；则由M个观测站得到M-1组相互独立的TDOA测量值；通过上面得到的N组TOA测量值和M-1组TDOA测量值组建目标的状态方程，利用一致性正交容积卡尔曼获得目标的位置；

S2、构建含有目标位置信息的状态方程和测量方程；

所设计的一致性正交容积卡尔曼滤波跟踪算法是将TOA和TDOA测量值输入到跟踪系统统一处理；然后在k时刻引入一个非线性附加变量来代表系统中目标状态向量中的非线性项，即此状态向量包含目标的位置(x_k,y_k)、速度(v_x,k,v_y,k)、加速度(a_x,k,a_y,k)以及非线性附加变量结合和(1)式整理得到k时刻关于TOA的测量方程

式(3)中，同理k时刻关于TDOA的测量方程为

为了简化计算，设参考观测站为直角坐标系的原点，因此式(4)乘以λ_k/r_j1,k与式(3)相加，整理得到

显然式(5)是包含目标位置的线性方程，用线性卡尔曼滤波来求解；由目标的状态量和测量值得到卡尔曼滤波系统的状态方程和观测方程

x(k+1)＝Fx(k)+u(k)+w(k) (6)

z(k+1)＝Hx(k)+v(k) (7)

式(6)和式(7)中，x(k)＝[x_k,y_k,v_x,k,v_y,k,a_x,k,a_y,k]^T为系统状态向量，u(k)为状态方程的输入控制，w(k)为状态噪声，v(k)为观测噪声，均服从零均值的高斯噪声且互不相关，w(k)的协方差矩阵为Q＝E[w(k)w^T(k)]，v(k)的协方差矩阵为R＝E[v(k)v^T(k)]，F为转移矩阵，H为观测矩阵，z(k+1)＝[r_1,k,r_2,k,…r_N,k,r_21,k,r_31,k,…r_M1,k]^T为观测向量；结合式(5)，式(7)中的观测向量z(k+1)和观测矩阵H可以表示为

式(8)和式(9)中都具有N+M-2个相互独立的线性方程，全部的TOA测量值(r_1,k→r_N,k)和第一个TDOA测量值(r_21,k)组成N个混合线性方程，剩余的TDOA测量值(r_31,k→r_M1,k)和第一个TOA测量值(r_1,k)组成M-2个混合线性方程；

S3、目标位置向量和附加向量的更新；

定义非线性附加变量λ_k为新引入的调整不同类型信号输入系统比例的自适应加权因子，用于调整TOA和TDOA测量值输入系统输的比重以及对异构网络、不同测量技术的信息融合；假设目标在恒定的加速度下运动，则k时刻目标的位置坐标(x_k,y_k)更新为

式(10)和式(11)中T为采样时间间隔，为x_k的估计更新值、为x_k上一时刻的估计更新值，为y_k的估计更新值、为上一时刻的估计更新值，为x方向加速度a_x,k的估计更新值、为上一时刻x方向速度v_x,k-1的估计更新值，为x方向加速度a_y,k的估计更新值、为上一时刻x方向速度v_y,k-1的估计更新值，为了获得非线性附加变量估计和预测，结合式(7)加权N个TOA和M-2个TDOA测量方程，则关于和的表达式为：

参照式(10)和式(11)的坐标更新方法，式(12)中的更新形式为：

因此式(6)中的状态转移态矩阵F变为

同时定义u(k-1)＝[0 0 W_k-W_k-1 0 0 0 0]^T为输入控制，经分析可知系统状态向量的更新是由来自异构网络观测站不同信号的更新来实现的；结合系统中各参量的更新方法，通过正交容积卡尔曼滤波算法实现对目标的定位与跟踪；

S4、采用一致性正交容积卡尔曼滤波更新系统参量获取目标位置信息；

对目标的定位与跟踪目标要实现异构网络之间、TOA和TDOA测量值之间的信息相互融合；结合引入的动态自适应加权因子λ_k，通过UOCKT算法对目标定位与跟踪的过程如下：

1)系统状态方程的一步预测为

式(18)中n_x为系统状态量的维数，其中n_x＝7；x⁽ⁱ⁾(k+1|k)＝Fx⁽ⁱ⁾(k|k)，x⁽ⁱ⁾(k|k)为采样向量，式(18)中权值函数为：

2)系统状态协方差的一步预测为

3)系统观测方程的一步预测为：

4)系统观测的预测协方差矩阵S(k+1)为：

5)系统的增益矩阵G(k+1)为：

6)下一时刻系统状态的协方差矩阵更新为：

P(k+1|k+1)＝P(k+1|k)-G(k+1)S(k+1)G(k+1)^T (23)

7)下一时刻系统状态方程的估计为：

式(21)中为单个采样点观测向量的一步预测，和分别代表k+1时刻TOA和TDOA测量中观测噪声的估计协方差矩阵，z(k+1)代表k+1时刻系统的观测向量，矩阵B和满足H矩阵的要求，具体表达式为

式(25)中I_N为单位阵；C_(M-2)×N为第一列元素为1，其它元素全为0的矩阵；D_(N-1)×M为第一列元素为-1，第二列元素为1，其它M-2列元素全为0的矩阵；E_(M-1)×M为第一列元素为-1，其它元素组成I_(M-1)的单位阵，且单位阵中第一个元素为0；而k+1时刻TOA和TDOA测量误差的协方差矩阵分别为

式(26)中：σ²为测量误差的方差。

2.如权利要求1所述的异构网络下快速精准的目标定位与跟踪方法，其特征在于，所述步骤S2中的自适应加权因子λ_k为混合自适应加权因子，混合自适应加权因子的更新方法包括：UOCKT跟踪算法定位与跟踪目标的过程中，在k时刻引入自适应加权因子λ_k，用于调整TOA和TDOA测量值作为系统输入量的比重以及对异构网络、不同测量技术的信息融合，为了减小跟踪系统的估计误差，需要动态调整自身大小的自适应加权因子λ_k，基于卡尔曼滤波状态更新理论设计自适应加权因子λ_k；

自适应加权因子λ_k与目标的估计位置有密切联系，由于引入的非线性附加变量中包含自适应加权因子λ_k和待估计的状态向量(x_k,y_k)，自适应加权因子λ_k同样会被预测和更新，以此提高跟踪系统的性能，即使系统存在测量误差时系统的性能也能得到较好改善，根据后验概率估计可得k-1时刻的状态向量：

结合非线性附加变量自适应加权因子λ_k在k时刻的预测为：