[发明专利]一种基于斐波那契散枝搜索的非协作目标定位方法和系统

权利要求书

1.一种基于斐波那契散枝搜索的非协作目标定位方法，其特征在于，所述非协作目标定位方法包括如下步骤：

步骤一、对非协作目标区域的传感器网络中传感器节点进行协作定位，得到各个传感器节点的位置信息；

步骤二、获取各个传感器节点对非协作目标区域信号的感知状态并确定传感器网络中各个边界传感器节点；

步骤三、根据各个边界传感器节点的位置信息，确定非协作目标映射区域；

步骤四、根据非协作目标映射区域内的搜索点和各个边界传感器节点之间的位置，构建适应度函数；

步骤五、对非协作目标映射区域进行斐波那契散枝迭代搜索，得到适应度值最小的搜索点并将搜索点对应的位置信息作为非协作目标的位置信息。

2.根据权利要求1所述的非协作目标定位方法，其特征在于，步骤一中，所述协作定位的具体实现过程为：

步骤101、获取非协作目标区域的传感器网络中每个传感器节点的邻居传感器节点，构建每个传感器节点对应的局部网络；

步骤102、将邻居传感器节点的数量最多的传感器节点作为初始中心节点；并将初始中心节点对应的局部网络作为初始局部地图；

步骤103、从剩余传感器节点对应的局部网络中选取次中心节点；并将次中心节点对应的局部网络作为次局部地图；

步骤104、对初始局部地图和次局部地图进行缝合，得到缝合地图；

步骤105、判断缝合地图是否覆盖所有传感器节点，如是，则进入步骤106；如否，则将合并地图赋给初始局部地图，返回步骤103；

步骤106、根据缝合地图中各个传感器节点以及对应的每个邻居传感器节点的信号到达时间，计算每个传感器节点与每个邻居传感器节点之间的欧式距离；

步骤107、根据各个传感器节点与对应的每个邻居传感器节点之间的欧式距离，得到每个局部网络的传感器节点间距离信息矩阵；

步骤108、对各个局部网络的传感器节点间距离信息矩阵进行特征分解，得到各个局部网络的特征向量矩阵；

步骤109、根据各个局部网络的特征向量矩阵，确定各个传感器节点的位置信息。

3.根据权利要求2所述的非协作目标定位方法，其特征在于，步骤103中，所述次局部地图满足如下要求：

所述次局部地图和初始局部地图之间的交集中的传感器节点数量不少于3个；所述次局部地图和初始局部地图之间的差集中传感器节点数量最多。

4.根据权利要求1～3中任意一项所述的非协作目标定位方法，其特征在于，步骤四中，所述适应度函数为：

其中，fit_i为第i个搜索点的适应度函数；d_ij为第i个搜索点和第j个边界传感器节点之间的距离；为第i个搜索点与所有边界传感器节点之间距离的平均值；(x_j，y_j)为第j个边界传感器节点的位置坐标；(x_i，y_i)为第i个搜索点的位置坐标；j＝1，2，…，N_B，N_B为边界传感器节点的数量。