[发明专利]基于改进卡尔曼滤波器的蜜獾寻优无线定位方法

说明书

基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，包括如下步骤：S1、构建非视距环境下的系统TOA(到达时间)测距模型，并且初始化卡尔曼滤波器的参数；S2、基于系统TOA测距模型对目标节点进行预测和观测，并且根据预测和观测的结果对卡尔曼滤波器的参数进行优化；S3、利用优化后的卡尔曼滤波器修正系统TOA测距模型输出的测距信息，并且采用基于线性位置线的定位算法求解出在定位精度因子最小时的测距信息组合以及目标节点的粗略位置；S4、利用蜜獾寻优算法求解出目标节点的精确位置。本发明提供一种基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，能够实现提高定位精度，并且易于实现。

技术领域

本发明涉及无线定位技术领域，具体的说是基于改进卡尔曼滤波器的蜜獾寻优无线定位方法。

背景技术

近年来，随着移动通信技术的快速发展和移动终端的普及，位置服务逐渐兴起，广泛地应用在人类生产活动中。在室外敞开环境中，GPS和北斗等全球定位系统能够有效提供定位服务，但是在一些封闭场景中，或者对定位精度要求较高的场景中，全球定位系统并不能提供满足需求的定位服务。因此，基于无线通信的定位技术逐渐发展起来，可以解决这种问题。但是，真实的环境中通常存在结构复杂的各类障碍物，导致通信信号出现衍射、反射等情况，此种非视距传播现象会大幅降低无线通信定位精度。

Y.T.Chan提出的Chan算法和Caffery提出的基于线性位置线(LLOP)的算法分别是TDOA(Time Difference of Arrival，到达时间差)和TOA(Time of Arrival，到达时间)的基础定位算法，当存在非视距传播时，此算法很难估计出准确的结果，更严重时导致定位失败。

为了消除无线通信中非视距传播的影响,AI-Jazzar在文献“ML and BayesianTOA location estimators for NLOS environments”中利用不同的散射模型求得基于TOA信号的不同散射模型的概率密度函数，接着利用最大似然估计(ML)和贝叶斯(Baysian)估计出目标节点的实际位置，但只有实际信道与假设模型一致时，算法定位精度才可保证。在文献“一种基于卡尔曼滤波的TOA定位算法”，李峰等研究人员采用普通的卡尔曼滤波算法来滤除系统中的噪声，对非视距误差的影响抑制效果有限。在文献“基于TOA/TDOA的一致性正交容积卡尔曼跟踪算法”中，闫雷兵等技术人员混合TDOA和TOA两种测量信号，通过正交容积卡尔曼滤波不断对系统状态量进行更新来获取定位信息，但此种方法需要同时观测两种测量信号，运算量大且繁琐，不利于工业实现。

综上，现有的非视距环境下的无线通信定位方法，普遍存在难以简单易行地实现高精度定位的问题。

发明内容

为了解决现有技术中的不足，本发明提供一种基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，能够实现提高定位精度，并且易于实现。

为了实现上述目的，本发明采用的具体方案为：基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，包括如下步骤：

S1、构建非视距环境下的系统TOA(到达时间)测距模型，并且初始化卡尔曼滤波器的参数；

S2、基于系统TOA测距模型对目标节点进行预测和观测，并且根据预测和观测的结果对卡尔曼滤波器的参数进行优化；

S3、利用优化后的卡尔曼滤波器修正系统TOA测距模型输出的测距估计值，并且采用基于线性位置线的定位算法求解出在定位精度因子最小时的测距估计值组合以及目标节点的粗略位置；

S4、利用蜜獾寻优算法求解出目标节点的精确位置。

作为上述基于改进卡尔曼滤波器的蜜獾寻优无线定位方法的进一步优化：S2的具体方法包括如下步骤：

S21、将系统TOA测距模型的测距估计值及其一阶导数作为系统的状态量，并且将状态量作为卡尔曼滤波器的输入量；

S22、求解系统TOA测距模型的测距预测值和测距观测值，并且基于时刻变化预测系统协方差；