[发明专利]一种基于LMBP神经网络的泰勒定位算法

摘要

本发明涉及一种基于LMBP神经网络的泰勒定位算法，所述LMBP神经网络模块对TDOA测量数据进行修正，减少TDOA测量值中的NLOS误差，泰勒定位算法接受经过LMBP神经网络修正过的测量数据作为初始输入数据，进行定位算法运算后得到系统定位结果，本发明算法效率高，准确度高，全面较好地决绝了对区域大小以及基站个数的完全依赖。本发明基站个数的增加并不敏感，因此对硬件的要求较为宽松。本发明增加了自我学习和提炼功能，可以有效的获得一套规律性的数据，减少无谓的计算量。

主权项

一种基于LMBP神经网络的泰勒定位算法，其特征是：所述LMBP神经网络模块对TDOA测量数据进行修正，减少TDOA测量值中的NLOS误差，泰勒定位算法接受经过LMBP神经网络修正过的测量数据作为初始输入数据，进行定位算法运算后得到系统定位结果，具体算法步骤如下：1）通过基站对确定移动台的位置，作为目标数据，之后根据TDOA 测量误差模型产生相应的测量数据，将模拟的测量数据分为两部分，其中一半用于训练神经网络，另一半用于性能仿真；2）建立和训练LMBP 网络，以移动台的不含NLOS 误差的TDOA 为目标样本矢量对网络进行训练，具体LMBP人工神经网络算法基本流程就是：初始步：给出BP 网络初始权值W0, u0, 误差阀值E0, 其中u0>0, E>0, 并令k= 0，第k 次迭代:　  1) 输入样本xK , 计算gK , 若‖gK‖< E, 学习结束; 否则计算H K，　  2) 分解H K + uK , 若不正定, 置uK = 4uK , 并重复这一步直到HK+uK 正定，　  3) 解方程(H K + uK ) s= ‑ g K , 得sK，4) 求E (H K + sK ) , qK (sK ) , 和rK , 这里qK(sK ) = E (W K ) + g TKs+(1/2)sTH K s，　  5) 若rK < 0. 25, 置uK + 1= 4uK ; 若rK > 0. 75, 置uK + 1=uK/2; 否则置uK + 1= uK，　  6) 若rK<= 0, 置换W K + 1= W K ; 否则置W K + 1= W K + SK，7) 令K = K + 1, 转1)，  3) 用训练好的LMBP网络对模拟的TDOA测量数据进行修正，利用修正后的TDOA值采用泰勒算法进行位置估算，泰勒级数展开算法是一种需要移动台初始估计位置的递归算法，在每一次递归中通过求解TDOA测量误差的局部最小二乘的解来改进对移动台的估计位置。