CN102905363A - 一种基于因子图的定位方法 - Google Patents

Abstract

本发明公开了一种基于因子图的定位方法，包括：定位终端向相邻的节点发送定位请求；收到定位请求的所有节点检测各自和定位终端之间的信道情况，并返回协作定位响应；定位终端向返回协作定位响应的节点发送开始定位请求；参与定位的节点收到开始定位请求后，建立节点内部因子图；参与定位的节点在内部因子图开始上行运算；各个节点将上行运算的结果发送给其他参与定位的节点，并且接收来自其他节点的发送过来的计算结果；各个节点根据接收到的计算结果开始下行运算得到坐标估计值；各个节点将移动终端的坐标估计值发送给定位终端；定位终端接收所有定位基站的坐标估计值更新坐标。利用本发明能够提高定位精度并且降低定位复杂度。

Description

一种基于因子图的定位方法

技术领域

本发明涉及移动通信技术领域，特别涉及一种基于因子图的定位方法。

背景技术

无线定位已经成为3G系统的主要功能之一，越来越多的移动增值业务要求获得移动台的地理位置。位置信息将广泛应用在车辆管理系统、智能交通系统(ITS)、社会公共安全管理等各个方面。

移动台之间以点对点的方式，通过协同通信测量移动台之间的相对距离，据此提出一种应用在下一代移动通信网络的新型协作群定位(cooperative group localization,CGL)技术，并相应提出终端群(terminal group,TG)的概念。TG为一群支持点对点协同通信并能够测量相对距离的移动台。与传统定位技术相比，CGL的优点在于，即使TG中每一个移动台都不能与3个或者3个以上的基站建立连接，CGL方案仍然能够确定移动台的位置。但是当协作移动台数量增大时，CGL的计算复杂度与应用其中定位算法有紧密的关系，所以选用何种定位算法是一个至关重要的问题。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是在定位过程中提高定位精度并且降低定位复杂度。

（二）技术方案

一种基于因子图的定位方法，所述方法包括步骤：

S1，定位终端向相邻的节点发送定位请求；

S2，收到定位请求的所有节点检测各自和定位终端之间的信道情况，并返回协作定位响应；

S3，定位终端向返回协作定位响应的节点发送开始定位请求，并把参与定位的节点ID号广播给各个定位节点；

S4，参与定位的节点收到开始定位请求后，建立节点内部因子图，使用TOA的方法测量各自到达定位终端的距离；

S5，参与定位的节点在内部因子图开始上行运算；

S6，各个节点将上行运算的结果发送给其他参与定位的节点，并且接收来自其他节点的发送过来的计算结果；

S7，各个节点根据接收到的计算结果开始下行运算得到坐标估计值；

S8，各个节点将移动终端的坐标估计值发送给定位终端；

S9，定位终端接收所有定位基站的坐标估计值更新坐标；

S10，对下一个定位终端，利用已经更新过的终端的坐标信息，再进行S5到S9计算，直到所有移动台的位置都得到了更新。

其中，所述节点包括基站和移动终端。

其中，所述S2，收到定位请求的所有节点检测各自和定位终端之间的信道情况进一步包括步骤，如果该节点和终端之间是视距传播，则节点返回协作定位响应以及类别响应用以区分是基站还是协作终端；否则不返回协作定位响应。

其中，所述S4中，使用基于到达时间测量的方法测量各自到达定位终端的距离进一步包括，将到定位终端的距离信息和自身坐标信息送入的因子图，随机初始化图中各个变量的值。

其中，所述S5中节点在内部因子图的计算过程为：

如果所述节点为基站，则依据公式

$\mathrm{SI}(C_{i,j}^k,\mathrm{\Δ}{x}_{\mathrm{ij}}^{k+1})=N(\mathrm{\Δ}{x}_{i,j}^{k+1},\±\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2},\frac{{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{\mathrm{\Δ}{y}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{d_{i,j}}^k\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2})$

$\mathrm{SI}(C_{i,j}^k,{\mathrm{\Δy}}_{i,j}^{k+1})=N({\mathrm{\Δy}}_{i,j}^{k+1},\±\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2},\frac{{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{\mathrm{\Δ}{x}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{d_{i,j}}^k\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2})$ 分别更新Δx_i,j和Δy_i，j；

如果所述节点为移动终端，则相应的函数节点CC_i,t更新移动终端部分的差值变量节点Δxx_i，t和Δyy_i，t；

其中Δx_i，j和Δy_i，j分别是因子图中基站部分的差值变量节点，函数节点

到变量节点Δx_i，j的信息

表示节点i和节点j直接的测量距离；和

分别表示Δx_i，j和

的方差；上标k表示迭代计算次数；N()表示高斯分布。

其中，所述节点内部因子图计算过程进一步包括，

根据定位误差矩阵 $e=\left[\begin{array}{c}{(x_1-{\stackrel{\‾}{x}}_1)}^2+{(y_1-{\stackrel{\‾}{y}}_1)}^2\\ ....\\ {(x_{\left|V_T\right|}-{\stackrel{\‾}{x}}_{\left|V_T\right|})}^2+{(y_{\left|V_T\right|}-{\stackrel{\‾}{y}}_{\left|V_T\right|})}^2\end{array}\right]$ 计算加权系数β_i，R_i，j；

其中，x_i和y_i是第i个移动台的估计位置，

和

是第i个移动台的真实位置，用最小均方差法分别求出各个移动台的最优权值 $\underset{{\mathrm{\β}}_i}{\min }\arg E[{(x_i-{\stackrel{\‾}{x}}_i)}^2+{(y_i-{\stackrel{\‾}{y}}_i)}^2];$

根据公式

$\mathrm{SI}(R_{i,j}^k,\mathrm{\Δ}{x}_{i,j}^{\mathrm{\β},k})=N(\mathrm{\Δ}{x}_{i,j}^k,\±\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2},{\mathrm{\β}}_i\·\frac{{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{{\mathrm{\Δy}}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{d_{i,j}}^2\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2}),$

$\mathrm{SI}(R_{i,j}^k,{\mathrm{\Δy}}_{i,j}^{\mathrm{\β},k})=N({\mathrm{\Δy}}_{i,j}^k,\±\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2},{\mathrm{\β}}_i\·\frac{{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{\mathrm{\Δ}{x}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{d_{i,j}}^k\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left({\mathrm{\Δx}}_{i,j}^k\right)}^2})$ 更新

和

相应的，函数节点RR_i，t更新

和

其中表示函数节点

传递给变量节点

的信息；

其中Δx_i，j和Δy_i，j分别是因子图中基站部分的差值变量节点，函数节点

到变量节点Δx_i，j的信息

表示节点i和节点j直接的测量距离；

和

分别表示Δx_i，j和

的方差；上标k表示迭代计算次数；N()表示高斯分布。

其中，所述节点内部因子图计算过程进一步包括

如果节点为基站，则函数节点A_i,j根据公式

更新变量节点x_i；同时，函数节点B_i，j更新变量节点y_i，其中X_i，j表示已知参考节点的坐标；

如果节点为移动终端，则函数节点M_i，t根据公式

更新变量节点x_i；同时，函数节点N_i,t更新变量节点y_i；

其中Δx_i，j和Δy_i，j分别是因子图中基站部分的差值变量节点，函数节点

到变量节点Δx_i，j的信息

表示节点i和节点j直接的测量距离；

和

分别表示Δx_i，j和

的方差；上标k表示迭代计算次数。

其中，所述S7中下行计算的过程为，

根据公式

$\begin{array}{cc}\mathrm{SI}(x_i^k,A_{i,j}^k)=\underset{u=1,u\≠j}{\overset{\left|V_{B,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(A_{i,u}^k,x_i^k)\underset{v=1}{\overset{\left|V_{T,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(M_{i,v}^k,x_i^k)& \mathrm{SI}(x_i^k,M_{i,t}^k)=\underset{u=1}{\overset{\left|V_{B,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(A_{i,u}^k,x_i^k)\underset{v=1,v\≠t}{\overset{\left|V_{T,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(M_{i,v}^k,x_i^k)\end{array}$

更新传递信息给函数节点A_i，j和M_i，t的信息，其中|V_B,i|代表与第i个移动台相连接的基站数量，|V_T,i|代表与第i个移动台相连接的协作移动台数量；相应的，y_i传递信息给函数节点B_i,j和N_i,t。

其中，

所述函数节点A_i，j根据公式 $\mathrm{SI}(A_{i,j}^k,\mathrm{\Δ}{x}_{i,j}^{\mathrm{\β},k})=N(\mathrm{\Δ}{x}_{i,j}^{\mathrm{\β},k},X_{i,j}-x_i^k,{\mathrm{\σ}}_{x_i^k}^2)$ 更新

相应的，函数节点B_i,j，M_i，t和N_i,t更新和

所述函数节点R_i,j根据公式

和

更新Δx_i，j和Δy_i，j；相应的，函数节点RR_i，t更新Δxx_i，t和Δyy_i，t；

其中Δx_i，j和Δy_i，j分别是因子图中基站部分的差值变量节点，函数节点

到变量节点Δx_i，j的信息

表示节点i和节点j直接的测量距离；上标k表示迭代计算次数。

其中，所述坐标估计值x_i和y_i，使用公式 $\mathrm{SI}\left(x_i^k\right)=\underset{u=1}{\overset{\left|V_{B,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(A_{i,u}^k,x_i^k)\underset{v=1}{\overset{\left|V_{T,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(M_{i,v}^k,x_i^k)$ 和

$\mathrm{SI}\left(y_i^k\right)=\underset{u=1}{\overset{\left|V_{B,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(B_{i,u}^k,y_i^k)\underset{v=1}{\overset{\left|V_{T,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(N_{i,v}^k,y_i^k)$ 更新定位终端的坐标x_i和y_i；

x_i和y_i是第i个移动台的估计位置；上标k表示迭代计算次数；A_i，j，B_i，j，M_i，t和N_i,t为函数节点。

（三）有益效果

本发明提出的基于因子图的协作群定位方法利用多个移动台间的交互信息和视距基站的位置，同时确定多个移动台的位置，解决了在移动台不能与3个或者3个以上的视距基站建立连接时定位精度低的问题，同时降低了实施的复杂度，提高了定位性能。

附图说明

图1是本发明定位方法的信息传递示意；

图2是本发明定位方法的结构框图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1是示出了基于加权因子图的多目标协作群定位方法（WFG）的信息传递示意。图2是示出了（WFG）的结构框图。

步骤1：定位终端向相邻的节点（基站和终端）发送WFG定位请求（Location Request,LR）；

步骤2：收到WFG定位请求的所有节点检测各自和定位终端之间的信道情况，如果该节点和终端之间是视距传播，则节点返回协作定位响应(Cooperative Location ACK,CLACK)以及类别响应（ClassACK，CACK）用以区分是基站还是协作终端（CACK=01，表示基站，CACK=10,表示协作终端）。否则不返回协作定位响应；

步骤3：定位终端向所有返回协作定位响应的节点发送开始定位请求(Start Location Requst,SLR)，并把参与定位的基站和协作终端的ID号广播给各个定位基站；

步骤4：各个参与定位的节点收到开始定位请求SLR后，建立节点内部因子图，如图2，使用TOA的方法测量各自到达定位终端的距离。进行初始化，将到终端的距离信息和自身坐标信息送入图2的因子图，随机初始化图中各个变量的值（包括均值和方差）。其中k是迭代次数，设定k=0；

步骤5：参与定位的基站和协作终端内部因子图开始上行运算。函数节点C_i，j和CC_i，t的计算。根据计算的位置，分为以下情况：

当是CACK=01基站的计算时，执行步骤501；

当是CACK=10协作终端的计算时，执行步骤502；

步骤501：根据

$\mathrm{SI}(C_{i,j}^k,\mathrm{\Δ}{x}_{\mathrm{ij}}^{k+1})=N(\mathrm{\Δ}{x}_{i,j}^{k+1},\±\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2},\frac{{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{\mathrm{\Δ}{y}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{d_{i,j}}^k\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2})$

$\mathrm{SI}(C_{i,j}^k,{\mathrm{\Δy}}_{i,j}^{k+1})=N({\mathrm{\Δy}}_{i,j}^{k+1},\±\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2},\frac{{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{\mathrm{\Δ}{x}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{d_{i,j}}^k\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2})$ 分别更新Δx_i,j和Δy_i，j

步骤502：与步骤201相似，函数节点CC_i,t更新Δxx_i，t和Δyy_i,t

步骤6：根据准则2计算加权系数β_i，R_i,j根据公式

$\mathrm{SI}(R_{i,j}^k,\mathrm{\Δ}{x}_{i,j}^{\mathrm{\β},k})=N(\mathrm{\Δ}{x}_{i,j}^k,\±\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2},{\mathrm{\β}}_i\·\frac{{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{{\mathrm{\Δy}}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{d_{i,j}}^2\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{y}_{i,j}^k\right)}^2}),$

$\mathrm{SI}(R_{i,j}^k,{\mathrm{\Δy}}_{i,j}^{\mathrm{\β},k})=N({\mathrm{\Δy}}_{i,j}^k,\±\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2},{\mathrm{\β}}_i\·\frac{{\left(\mathrm{\Δ}{x}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{\mathrm{\Δ}{x}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\σ}}_{d_{i,j}}^k\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left({\mathrm{\Δx}}_{i,j}^k\right)}^2})$ 更新

和

相似地，函数节点RR_i，t更新

和

准则2：定义定位误差矩阵e

$e=\left[\begin{array}{c}{(x_1-{\stackrel{\‾}{x}}_1)}^2+{(y_1-{\stackrel{\‾}{y}}_1)}^2\\ ....\\ {(x_{\left|V_T\right|}-{\stackrel{\‾}{x}}_{\left|V_T\right|})}^2+{(y_{\left|V_T\right|}-{\stackrel{\‾}{y}}_{\left|V_T\right|})}^2\end{array}\right]$

其中x_i和y_i是第i个移动台的估计位置，

和

是第i个移动台的真实位置。

用最小均方差法分别求出各个移动台的最优权值 $\underset{{\mathrm{\β}}_i}{\min }\arg E[{(x_i-{\stackrel{\‾}{x}}_i)}^2+{(y_i-{\stackrel{\‾}{y}}_i)}^2]$

步骤7：函数节点A_i，j，M_i，t，B_i,j和N_i,t的计算。根据计算的位置，分为以下情况：

当是CACK=01基站的计算时，执行步骤701；

当是CACK=10协作终端的计算时，执行步骤702；

步骤701：函数节点A_i,j根据公式更新变量节点x_i，相似地，函数节点B_i,j更新变量节点y_i；

步骤702：函数节点M_i，t根据公式更新变量节点x_i，相似地，函数节点N_i,t更新变量节点y_i；

步骤8：各个节点将上行运算的结果发送给所有其他参与定位的节点，并且接收来自所有其他节点的发送过来的计算结果

步骤9：各个基站根据接收到的计算结果开始下行运算。变量节点x和y根据

$\mathrm{SI}(x_i^k,A_{i,j}^k)=\underset{u=1,u\≠j}{\overset{\left|V_{B,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(A_{i,u}^k,x_i^k)\underset{v=1}{\overset{\left|V_{T,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(M_{i,v}^k,x_i^k),\mathrm{SI}(x_i^k,M_{i,t}^k)=\underset{u=1}{\overset{\left|V_{B,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(A_{i,u}^k,x_i^k)\underset{v=1,v\≠t}{\overset{\left|V_{T,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(M_{i,v}^k,x_i^k)$

更新传递信息给函数节点A_i，j和M_i，t的信息，其中|V_B,i|代表与第i个移动台相连接的基站数量，|V_T,i|代表与第i个移动台相连接的协作移动台数量。相似地，y_i传递信息给函数节点B_i,j和N_i，t。

步骤10：函数节点A_i,j根据公式 $\mathrm{SI}(A_{i,j}^k,\mathrm{\Δ}{x}_{i,j}^{\mathrm{\β},k})=N(\mathrm{\Δ}{x}_{i,j}^{\mathrm{\β},k},X_{i,j}-x_i^k,{\mathrm{\σ}}_{x_i^k}^2)$ 更新

相似地，函数节点B_i，j，M_i，t和N_i,t更新

和

步骤11：函数节点R_i，j根据公式和

更新Δx_i，j和Δy_i，j。相似地，函数节点RR_i，t更新Δxx_i，t和Δyy_i，t。

步骤12：各个定位节点将移动终端的坐标估计值发送给定位终端；

步骤13：定位终端接收所有定位基站的坐标估计值x_i和y_i，使用公式 $\mathrm{SI}\left(x_i^k\right)=\underset{u=1}{\overset{\left|V_{B,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(A_{i,u}^k,x_i^k)\underset{v=1}{\overset{\left|V_{T,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(M_{i,v}^k,x_i^k)$ 和

$\mathrm{SI}\left(y_i^k\right)=\underset{u=1}{\overset{\left|V_{B,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(B_{i,u}^k,y_i^k)\underset{v=1}{\overset{\left|V_{T,i}\right|}{\mathrm{\Π}}}\mathrm{SI}(N_{i,v}^k,y_i^k)$ 更新这个终端的坐标x_i和y_i

步骤14：针对拓扑中的下一个定位终端，利用已经更新过的终端的坐标信息，再进行步骤5到步骤12计算，直到所有移动台的位置都得到了更新

步骤15：如果k<K,返回步骤5;如果k=K，

算法结束。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种基于因子图的定位方法，其特征在于，所述方法包括步骤：

S1，定位终端向相邻的节点发送定位请求；

S2，收到定位请求的所有节点检测各自和定位终端之间的信道情况，并返回协作定位响应；

S3，定位终端向返回协作定位响应的节点发送开始定位请求，并把参与定位的节点ID号广播给各个定位节点；

S4，参与定位的节点收到开始定位请求后，建立节点内部因子图，使用TOA的方法测量各自到达定位终端的距离；

S5，参与定位的节点在内部因子图开始上行运算；

S6，各个节点将上行运算的结果发送给其他参与定位的节点，并且接收来自其他节点的发送过来的计算结果；

S7，各个节点根据接收到的计算结果开始下行运算得到坐标估计值；

S8，各个节点将移动终端的坐标估计值发送给定位终端；

S9，定位终端接收所有定位基站的坐标估计值更新坐标；

S10，对下一个定位终端，利用已经更新过的终端的坐标信息，再进行S5到S9计算，直到所有移动台的位置都得到了更新。

2.如权利要求1所述的方法，其特征在于，所述节点包括基站和移动终端。

3.如权利要求1所述的方法，其特征在于，所述S2，收到定位请求的所有节点检测各自和定位终端之间的信道情况进一步包括步骤，如果该节点和终端之间是视距传播，则节点返回协作定位响应以及类别响应用以区分是基站还是协作终端；否则不返回协作定位响应。

4.如权利要求1所述的方法，其特征在于，所述S4中，使用基于到达时间测量的方法测量各自到达定位终端的距离进一步包括，将到定位终端的距离信息和自身坐标信息送入的因子图，随机初始化图中各个变量的值。

5.如权利要求1所述的方法，其特征在于，所述S5中节点在内部因子图的计算过程为：

如果所述节点为基站，则依据公式

$\mathrm{SI}(C_{i,j}^k,\mathrm{\&Delta;}{x}_{\mathrm{ij}}^{k+1})=N(\mathrm{\&Delta;}{x}_{i,j}^{k+1},\&PlusMinus;\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\&Delta;}{y}_{i,j}^k\right)}^2},\frac{{\left(\mathrm{\&Delta;}{y}_{i,j}^k\right)}^2{\left({\mathrm{\&sigma;}}_{\mathrm{\&Delta;}{y}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\&sigma;}}_{d_{i,j}}^k\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\&Delta;}{y}_{i,j}^k\right)}^2})$

$\mathrm{SI}(C_{i,j}^k,{\mathrm{\&Delta;y}}_{i,j}^{k+1})=N({\mathrm{\&Delta;y}}_{i,j}^{k+1},\&PlusMinus;\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\&Delta;}{x}_{i,j}^k\right)}^2},\frac{{\left(\mathrm{\&Delta;}{x}_{i,j}^k\right)}^2{\left({\mathrm{\&sigma;}}_{\mathrm{\&Delta;}{x}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\&sigma;}}_{d_{i,j}}^k\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\&Delta;}{x}_{i,j}^k\right)}^2})$ 分别更新Δx_i,j和Δy_i，j；

如果所述节点为移动终端，则相应的函数节点CC_i,t更新移动终端部分的差值变量节点Δxx_i，t和Δyy_i，t；

其中Δx_i，j和Δy_i，j分别是因子图中基站部分的差值变量节点，函数节点

到变量节点Δx_i，j的信息

表示节点i和节点j直接的测量距离；

和分别表示Δx_i，j和

的方差；上标k表示迭代计算次数；N()表示高斯分布。

6.如权利要求5所述的方法，其特征在于，所述节点内部因子图计算过程进一步包括，

根据定位误差矩阵 $e=\left[\begin{array}{c}{(x_1-{\stackrel{\&OverBar;}{x}}_1)}^2+{(y_1-{\stackrel{\&OverBar;}{y}}_1)}^2\\ ....\\ {(x_{\left|V_T\right|}-{\stackrel{\&OverBar;}{x}}_{\left|V_T\right|})}^2+{(y_{\left|V_T\right|}-{\stackrel{\&OverBar;}{y}}_{\left|V_T\right|})}^2\end{array}\right]$ 计算加权系数β_i，R_i，j；

其中，x_i和y_i是第i个移动台的估计位置，

和是第i个移动台的真实位置，用最小均方差法分别求出各个移动台的最优权值 $\underset{{\mathrm{\&beta;}}_i}{\min }\arg E[{(x_i-{\stackrel{\&OverBar;}{x}}_i)}^2+{(y_i-{\stackrel{\&OverBar;}{y}}_i)}^2];$

根据公式

$\mathrm{SI}(R_{i,j}^k,\mathrm{\&Delta;}{x}_{i,j}^{\mathrm{\&beta;},k})=N(\mathrm{\&Delta;}{x}_{i,j}^k,\&PlusMinus;\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\&Delta;}{y}_{i,j}^k\right)}^2},{\mathrm{\&beta;}}_i\&CenterDot;\frac{{\left(\mathrm{\&Delta;}{y}_{i,j}^k\right)}^2{\left({\mathrm{\&sigma;}}_{{\mathrm{\&Delta;y}}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\&sigma;}}_{d_{i,j}}^2\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\&Delta;}{y}_{i,j}^k\right)}^2}),$

$\mathrm{SI}(R_{i,j}^k,{\mathrm{\&Delta;y}}_{i,j}^{\mathrm{\&beta;},k})=N({\mathrm{\&Delta;y}}_{i,j}^k,\&PlusMinus;\sqrt{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left(\mathrm{\&Delta;}{x}_{i,j}^k\right)}^2},{\mathrm{\&beta;}}_i\&CenterDot;\frac{{\left(\mathrm{\&Delta;}{x}_{i,j}^k\right)}^2{\left({\mathrm{\&sigma;}}_{\mathrm{\&Delta;}{x}_{i,j}}^k\right)}^2+{\left({\hat{d}}_{i,j}^k\right)}^2{\left({\mathrm{\&sigma;}}_{d_{i,j}}^k\right)}^2}{{\left({\hat{d}}_{i,j}^k\right)}^2-{\left({\mathrm{\&Delta;x}}_{i,j}^k\right)}^2})$ 更新

和

相应的，函数节点RR_i，t更新

和

其中

表示函数节点

传递给变量节点

的信息；

其中Δx_i，j和Δy_i，j分别是因子图中基站部分的差值变量节点，函数节点

到变量节点Δx_i，j的信息

表示节点i和节点j直接的测量距离；

和

分别表示Δx_i，j和

的方差；上标k表示迭代计算次数；N()表示高斯分布。

7.如权利要求5所述的方法，其特征在于，所述节点内部因子图计算过程进一步包括

如果节点为基站，则函数节点A_i,j根据公式

更新变量节点x_i；同时，函数节点B_i，j更新变量节点y_i，其中X_i，j表示已知参考节点的坐标；

如果节点为移动终端，则函数节点M_i，t根据公式更新变量节点x_i；同时，函数节点N_i,t更新变量节点y_i；

其中Δx_i，j和Δy_i，j分别是因子图中基站部分的差值变量节点，函数节点

到变量节点Δx_i，j的信息

表示节点i和节点j直接的测量距离；和

分别表示Δx_i，j和

的方差；上标k表示迭代计算次数。

8.如权利要求1所述的方法，其特征在于，所述S7中下行计算的过程为，

根据公式

$\begin{array}{cc}\mathrm{SI}(x_i^k,A_{i,j}^k)=\underset{u=1,u\&NotEqual;j}{\overset{\left|V_{B,i}\right|}{\mathrm{\&Pi;}}}\mathrm{SI}(A_{i,u}^k,x_i^k)\underset{v=1}{\overset{\left|V_{T,i}\right|}{\mathrm{\&Pi;}}}\mathrm{SI}(M_{i,v}^k,x_i^k)& \mathrm{SI}(x_i^k,M_{i,t}^k)=\underset{u=1}{\overset{\left|V_{B,i}\right|}{\mathrm{\&Pi;}}}\mathrm{SI}(A_{i,u}^k,x_i^k)\underset{v=1,v\&NotEqual;t}{\overset{\left|V_{T,i}\right|}{\mathrm{\&Pi;}}}\mathrm{SI}(M_{i,v}^k,x_i^k)\end{array}$

更新传递信息给函数节点A_i,j和M_i，t的信息，其中|V_B,i|代表与第i个移动台相连接的基站数量，|V_T,i|代表与第i个移动台相连接的协作移动台数量；相应的，y_i传递信息给函数节点B_i,j和N_i，t。

9.如权利要求8所述的方法，其特征在于，

所述函数节点A_i，j根据公式 $\mathrm{SI}(A_{i,j}^k,\mathrm{\&Delta;}{x}_{i,j}^{\mathrm{\&beta;},k})=N(\mathrm{\&Delta;}{x}_{i,j}^{\mathrm{\&beta;},k},X_{i,j}-x_i^k,{\mathrm{\&sigma;}}_{x_i^k}^2)$ 更新

相应的，函数节点B_i,j，M_i，t和N_i,t更新

和

所述函数节点R_i,j根据公式

和

更新Δx_i，j和Δy_i，j；相应的，函数节点RR_i，t更新Δxx_i，t和Δyy_i，t；

其中Δx_i，j和Δy_i，j分别是因子图中基站部分的差值变量节点，函数节点

到变量节点Δx_i，j的信息

表示节点i和节点j直接的测量距离；上标k表示迭代计算次数。

10.如权利要求1所述的方法，其特征在于，所述坐标估计值x_i和y_i，使用公式 $\mathrm{SI}\left(x_i^k\right)=\underset{u=1}{\overset{\left|V_{B,i}\right|}{\mathrm{\&Pi;}}}\mathrm{SI}(A_{i,u}^k,x_i^k)\underset{v=1}{\overset{\left|V_{T,i}\right|}{\mathrm{\&Pi;}}}\mathrm{SI}(M_{i,v}^k,x_i^k)$ 和

$\mathrm{SI}\left(y_i^k\right)=\underset{u=1}{\overset{\left|V_{B,i}\right|}{\mathrm{\&Pi;}}}\mathrm{SI}(B_{i,u}^k,y_i^k)\underset{v=1}{\overset{\left|V_{T,i}\right|}{\mathrm{\&Pi;}}}\mathrm{SI}(N_{i,v}^k,y_i^k)$ 更新定位终端的坐标x_i和y_i；

x_i和y_i是第i个移动台的估计位置；上标k表示迭代计算次数；A_i，j，B_i，j，M_i，t和N_i,t为函数节点。

Images