CN104635203B - 一种基于粒子滤波算法的无线电干扰源测向定位方法 - Google Patents

Abstract

本发明提供了一种基于粒子滤波算法的无线电干扰源测向定位方法，属于无线电测向定位技术领域。本方法中选择干扰源目标的位置坐标为状态变量，波达角为观测变量；利用历史测量数据生成初始粒子集；计算粒子集中各样本的权值并进行归一化；设定阈值进行重采样；加权计算目标状态估计值；对目标状态估计值进行筛选；采样生成新的样本进入下一次循环计算；最后输出估计的目标状态值。本发明在不改变原有无线电监测车硬件系统的前提下，将粒子滤波算法用于无线电移动监测车的测向定位系统中，大大提高了在复杂城市环境下无线电干扰源查找的精确性，为无线电管理工作提供了一种更加完善准确的测量方法，具有开创性的社会应用价值。

Description

一种基于粒子滤波算法的无线电干扰源测向定位方法

技术领域

本发明属于无线电测向定位技术领域，具体涉及一种基于粒子滤波算法的无线电干扰源测向定位方法。

背景技术

随着无线电通信业务的日益发展，人们对无线电频谱资源的需求也不断增加，导致频谱资源日益匮乏。与日俱增的无线电干扰现象更是对国家无线电通信的合理秩序以及合法用户的使用权益产生了严重的威胁。对有限的频谱进行合理地分配和管理，是国家维护无线电通信秩序、保护合法用户应有权益的一项重要工作。由此可见，对无线电干扰的排查是国家无线电管理部门的一项重要任务。在无线电干扰排查的工作中，使用无线电监测车进行地面干扰查找往往是干扰排查工作最终阶段必不可少的环节。无线电监测车是具备无线电测向定位功能的可移动式无线电测向定位工具。在干扰源查找的工作中起到了重要的作用。因此，其测量的可靠性是决定干扰源查找结果的重要影响因素。

随着城市环境的日趋复杂，城市范围内的电磁环境也日趋复杂，这对在城市范围内的无线电测向定位工作产生了新的挑战，对无线电测向定位系统的定位精度提出了更高的要求。现有的无线电移动监测车所装备的测向设备天线通常安装在车顶，高度有限，在城市环境中实施测向时，由于受到周围建筑物、金属制道路设施、输电线路等的遮挡，接收到的无线电信号通常会遇到反射和绕射的情况，在多次反射及绕射的情况下会对测量结果的准确性造成很大的影响。与此同时，现有的车载监测测向系统的测向定位方法主要是线性的，缺乏对系统误差及主观误差的有效处理手段，因此在实际工作中其测向定位结果往往误差较大，影响对实际无线电干扰源的判断。在不改变原有系统的硬件基础的前提下，如何在数据分析和处理方面进行改进来提高定位精度则引起了很大的关注。

发明内容

本发明针对现有的车载监测系统中，由于天线高度有限，并且在实际工作中受到周边建筑物反射影响，导致测向定位结果不准确情况，以及现有测向定位方法的定位结果误差较大的问题，提供了一种基于粒子滤波算法的无线电干扰源测向定位方法。

本发明的一种基于粒子滤波算法的无线电干扰源测向定位方法，包括如下步骤：

步骤1：选择干扰源目标的位置坐标为状态变量，波达角为观测变量，建立状态模型和观测模型如下：

状态模型为：X_k＝X₀，k＝1,2,…m；X_k是第k次测量的目标状态值，X₀是目标的初始状态值，每次测量对应一次循环，m表示最大循环次数；

观测模型为：Z_k＝θ_k为第k次测量的波达角，(x_k,y_k)为第k次测量时移动监测车的位置坐标，(x_Tk,y_Tk)为第k次测量的目标位置坐标，V_k＝v_θk是第k次测量时的观测噪声。

步骤2：根据历史数据，生成初始的粒子集粒子集中的样本数为N，样本的状态值为干扰源目标的位置坐标；初始循环次数k＝1；

步骤3：确定当前循环粒子集中各样本的权值；

设第k次循环下当前粒子集为其中第i个样本的状态值为当k＝1时，该样本的权值为：

其中，δ为第k次循环中针对当前粒子集中第i个样本的观测噪声方差。

步骤4：对权值归一化处理，归一化后的第k次循环中第i个样本的权值为：

步骤5：重采样，具体是：设置阈值a，在当前粒子集中，用权值大于阈值a的样本替换权值小于阈值a的样本，保持粒子集的个数N不变。

步骤6：确定第k次观测的目标坐标如下：

为当前粒子集中第i个样本的状态值，为当前粒子集中第i个样本的权值。

步骤7：判断k是否小于20，若是，转步骤8执行；否则，判断是否保留当前观测的目标坐标。

计算当前测量的波达角θ_k与前20次测量的波达角的平均值θ_mean的差，若|θ_k-θ_mean|<0.25，则保留当前观测的目标坐标到目标状态集中，继续执行步骤8；否则丢弃该目标坐标，然后后转步骤9执行。

步骤8：判断k是否小于15，若是，则保留当前目标状态集中的样本，然后继续执行步骤9；否则，更新目标状态集。

设当前目标状态集为表示该集合中的第t个坐标，t＝1,2,...,k；

分别针对x和y坐标，在当前目标状态集中取对应的最大值max、最小值min和平均值mean，判断是否大于25％，若是，执行步骤8.1，否则，执行步骤8.2；

步骤8.1：分别针对x和y坐标进行如下操作：设g表示x或y；

设置g坐标对应的阈值对所有按照目标值大小进行排序，然后将其中小于阈值b的组成子集{G}₁，将大于阈值b的组成子集{G}₂，设子集{G}₁元素个数为I，子集{G}₂元素个数为J；若|I-J|≥2，则将个数少的子集中的样本用个数多的子集中的样本替换，若|I-J|＜2，比较两个子集的标准差，用标准差小的子集中的样本替换标准差大的子集中的样本。

步骤8.2，保留当前目标状态集中的样本，继续执行步骤9。

步骤9：判断是否达到最大循环次数，若是，输出最终观测的目标坐标，结束本方法；否则，将k的值加1，将当前目标状态集中样本加入初始的粒子集中，形成集合P表示当前目标状态集中样本的数目，然后从抽样生成粒子集继续转步骤3执行。

本发明的优点和积极效果在于：本发明的定位方法，在不改变原有无线电监测车硬件系统的前提下，将粒子滤波算法用于无线电移动监测车的测向定位系统中，大大提高了在复杂城市环境下无线电干扰源查找的精确性，减少在复杂城市环境中干扰查找的诸多束缚条件所造成的不利影响，提高了定位精度，为无线电管理工作提供了一种更加完善准确的测量方法，具有开创性的社会应用价值。

附图说明

图1是本发明的无线电干扰源测向定位方法的整体流程图；

图2是二维直角坐标系下位置坐标与波达角的关系图；

图3是本发明的无线电干扰源测向定位方法的总体流程示意图；

图4是本发明示例的实验中移动监测车的固定路线示意图；

图5是本发明仿真示例中移动监测车的优化路线示意图；

图6是本发明仿真示例中采用固定路线时的迭代计算示意图；

图7是本发明仿真示例中采用优化路线时的迭代计算示意图；

图8是本发明实施例中第一组数据的测量线路与目标位置图；

图9是本发明实施例中第二组数据的测量线路与目标位置图；

图10是本发明实施例中第三组数据的测量线路与目标位置图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明在不改变原有无线电监测车硬件系统的前提下，考虑到粒子滤波算法恰恰是利用统计学方法20来估计非线性问题的一种估计算法，经过对粒子滤波算法机理的研究，对粒子滤波算法在无线电干扰源测向定位中应用时重要性密度函数的选取、样本退化问题与重采样方法、收敛性等问题进行了理论研究，改进粒子滤波算法，将改进的粒子滤波算法用于无线电移动监测车的测向定位系统中，以提高定位的精度，为无线电管理工作提供了一种更加完善准确的测量方法。

本发明提供的一种基于粒子滤波算法的无线电干扰源测向定位方法，在目标点固定，观测点移动的情况下，通过利用粒子滤波算法处理无线电测向定位数据，以提高无线电测向定位精度。

无线电定位系统是利用无线电波的传播特性测定目标的位置和速度等特性的系统。实际的无线电定位系统通常较为复杂，但基本的构架如图1所示。无线电定位系统分成以下几个功能单元：天线，接收机，参数估计单元，以及中央处理单元。

目标发出的电磁波经天线接收后，由接收机检出。在检测AOA(波达角)时，为了得到精细的角度分辨率，通常都用天线阵列。接收机部分同样为了得到精细的角度分辨率采取一定措施，例如为了对抗多径传播的困扰，选用RAKE接收机，以得到最先到达的主信号。参数估计单元的作用是对电波传播中受地理位置影响的参数估计出来，如信号场强、波达角、波达时间等。中央处理单元的功能是将分布在各处的数据汇总，并进行相应的信号处理，得到目标位置的估计。由于噪声的普遍存在，前级得到的参数是含有噪声且不一致，目标估计位置与实际位置之间必然存在误差。定位方法是按照一定的优化原则，使误差最小。为了进一步减少误差，可以对目标进行建模，籍此对估计位置再进行预测。

无线电定位的基本实现过程分成二步：首先是测量功能，包括测量信号到达时间(TOA：Time of Arrival，也称波达时间)、到达时间差(TDOA：Time Difference ofArrival，也称波达时间差)、到达角度(AOA：Angle of Arrival，也称波达角)、载波相位、信号强度等参数。其次信息融合功能，即用软件手段，综合各种有关的信息，包括各基站的位置信息，使用一定的算法，对目标进行定位，并保证较高的测量精度。

目标发出的电磁波经过传播过程，在被接收时的有关参数(信号场强、波达角、波达时间或波达时间差)都与目标的位置相关联，其观测式是位置的函数。而根据信号到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等信息进行定位的方法是无线定位系统的基本技术，二种或二种方法可以组合使用，形成复合的定位方法。本发明中移动监测车测出的是干扰信号的波达角，故采用波达角(AOA)定位方法。

假设观测数据θ_k为包含噪声的实际波达角(AOA)测量数据，采用下面式子形式表达观测波达角θ_k：

θ_k＝β_k+δβ_k (1)

其中，β_k为真实波达角，满足如图2所示，将目标与监测站视线投影到XZ平面，坐标(x_T,y_T)是目标位置坐标，坐标(x_k,y_k)是第k次测量时监测车的位置坐标，β_k是第k次测量时目标到监测车连线与X轴的夹角。δβ_k表示角度的干扰值，假设δβ_k是不相关的具有零均值和方差的高斯分布的噪声，δβ_k的联合概率密度函数p(δβ_k)由下面式子给出：

其中，n表示监测车的总测量次数。

最大似然算法就是使式(2)似然函数L_δ(x_T,y_T)最小化。

β_k(x_T,y_T)表示第k次测量的真实波达角，是关于目标位置坐标的函数。

使式(2)似然函数L_δ(x_T,y_T)最小化是一个非线性问题，可由滤波算法进行求解。

使用无线电移动监测车对干扰源进行定位时，定位目标是静止的，移动车的坐标可以由GPS提供，且可获得与车位置坐标相对应处的观测的波达角(AOA)信息。通过移动监测车，可获得多组位置坐标与波达角信息，以此估计信号源的位置坐标，并计算测向角的误差。

如图3所示，本发明的基于粒子滤波算法的无线电干扰源测向定位方法，包括如下步骤。

步骤1：系统建模。选择状态变量及观测变量，建立状态模型和观测模型。

一般的粒子滤波算法的应用是跟踪状态的，目标点在移动，观测点在动，且目标点移动规律大致知道；而在用移动监测车对无线电干扰源进行定位系统中，目标点不动，观测点在移动。因此，本发明从两个角度进行了思考，一是以目标为状态变量，波达角为观测变量；另一种是以移动监测车的位置为状态变量，仍选择波达角为观测变量。但在进行推理过程中，第二种方法因为没有确切参考值而无法具体建模，因此只用第一种方法建立基于粒子滤波算法的无线电定位模型。

假设参与定位的移动监测车对目标信号进行了n(n≥1)次测量，(x_Tk,y_Tk)表示第k次测量的目标位置坐标，(x_k,y_k)表示第k次测量时移动监测车的位置坐标，θ_k表示移动监测车在第k次测量时观测到的波达角度，其中k＝1,2...n；则观测数据θ_k为：

其中，v_θk为观测噪声。

粒子滤波算法中的系统转换模型用来描述目标状态随时间变化的过程。而在本发明方法中目标是静止的，所以每一时刻的目标的状态均取于初始状态。观测模型则只与粒子的第k次测量的状态值有关，并且用来更新粒子的权值，当观测数据θ_k越接近目标的真实信息时对应粒子的权值就越大，反之越小。

状态模型可描述为：

X_k＝X₀，k＝1,2,…m (5)

其中，X_k为第k次循环中目标的状态值；X₀是目标的初始状态值，可由车测数据计算得到。m表示最大循环次数，也就是最大测量次数，每次循环获得当前时刻的目标状态值。

观测模型可描述为：

Z_k＝[θ_k]^T，θ_k为第k次测量的波达角度，(x_k,y_k)为第k次测量时移动监测车的位置坐标，V_k＝[v_θk]^T，v_θk是第k次测量时的观测噪声，arctan表示反正切函数，上角标T表示转置。

步骤2：粒子集初始化。根据历史数据，生成初始的粒子集，粒子集中的样本数为N，样本的状态值为干扰源目标的位置坐标。样本的状态值都是根据本次测量以及前一次测量的波达角度、移动监测车的位置坐标来获得。

历史数据为前N+1次测量的移动监测车位置坐标及波达角数据，根据每相邻两次测量的数据，利用式(7)和式(8)计算N组状态值，生成初始化粒子集

粒子集中的第i个粒子为根据前N+1次测量中第i次与第i+1次测量的移动监测车位置坐标和波达角，获取的干扰源目标位置坐标，如式(7)和(8)所示。

其中，上角标h表示历史数据，和分别为前N+1次测量中第i次测量的移动监测车的位置坐标和波达角，和分别为前N+1次测量中第i+1次测量的移动监测车的位置坐标和波达角。

令初始的循环计数器k＝1，此时当前粒子集为

步骤3：确定当前循环下粒子集中各样本的权值。这一步比较困难且比较重要，直接关系到粒子滤波算法的收敛速度。

设第k次循环下当前粒子集为其中第i个样本的状态值为第k次测量时移动监测车的位置坐标为(x_k,y_k)，测量的波达角为θ_k，利用式(9)计算第k次循环中当前粒子集中第i个样本的权值为：

其中，δ为第k次测量的针对当前粒子集中第i个样本的观测噪声方差。

步骤4：权值归一化：根据归一化原理，对权值进行归一化。

利用式(10)对各权值进行归一化处理，如下所示：

为归一化后的第k次循环中第i个样本的权值。

步骤5：重采样：根据粒子权值的大小，摒弃权值小的粒子，并用权值大的粒子进行取代，更新粒子集。

本发明实施例中利用系统重采样算法，设定阈值a，当样本的权值小于阈值a时，将删除该样本，然后将权值大于阈值a的样本补入种群。阈值a由用户设定，取值范围在(0,0.5)之间，例如取值为0.1。

对当前粒子集进行系统重采样，重采样后的粒子集中各样本的权值均为1/N。为了保证粒子样本数目不变，删除的粒子要补充进来，用权值大的样本取代那些权值小的样本，这样，粒子集内样本的数目不变，且可能性大的样本占据了多数。

当k＝1时，对当前粒子集进行系统重采样，设重采样后的粒子集为

步骤6：加权计算第k次观测(第k次循环)的目标状态估计值，得到干扰源目标的位置坐标其中：

式(11)和(12)中，为当前粒子集中第i个样本的状态值，为当前粒子集中第i个样本的权值。

每一次测量，都要对N个粒子进行估算，最终按照式(11)和(12)将该次测量的加权估算的目标状态值输出。

由于实测数据中，波达角的坏点较多，为了提高处理精度及收敛速度，在目标状态估计值输出后，加入了步骤7和步骤8的阈值比较和分类过程。

步骤7：判断当前循环次数k是否小于设定值K₁，本发明实施例中K₁取值为20。

若当前循环次数k≥20，则需要判断是否保留当前观测的目标状态估计值；若当前循环次数k<20，继续执行步骤8。设置一个目标状态集用于记录观测的目标坐标，初始集合为空。

计算当前第k次测量的波达角θ_k与前20个时刻测量的波达角的平均值θ_mean的差，若|θ_k-θ_mean|<0.25，则保留当前观测的目标坐标到目标状态集中，并继续执行步骤8；否则丢弃该目标状态估计值，然后转步骤9执行。

步骤8：判断当前循环次数k是否小于设定值K₂，K₂小于K₁。本发明实施例中K₂为15。通过实验，K₁取值20，K₂取值15时，迭代循环定位干扰源目标的次数较少，可取得较好的定位效果。

若k<15，则保留当前目标状态集中的样本，然后继续执行步骤9；若当前循环次数k≥15时，需要更新目标状态集，然后继续执行步骤9。

针对目标状态集中的x和y坐标，分别继续下面过程。此处以x坐标为例进行说明。设当前目标状态集为表示该集合中的第t个坐标，t＝1,2,...,k。

首先确定当前目标坐标集中的最大值(max)、最小值(min)的差与平均值(mean)的商是否大于25％，将该判断条件作为循环的条件，并且取作为分类阈值b；若则执行步骤8.1，若则执行步骤8.2。

步骤8.1的实施具体如下：

a)排序：对里的根据目标值进行排序，此处从小到大进行排序，其中t＝1,2,...,k；

b)分类：将与阈值b进行比较，将目标坐标分为两类，将小于阈值b的元素子集记作元素个数为I，将大于阈值的子集记作元素个数为J，其中I+J＝k；

c)更新目标状态集：比较两个子集的大小，如果|I-J|≥2，则将个数少的子集中的样本用个数多的子集中的样本替换，例如I-J≥2，用子集中的前J个样本将子集中的J个样本进行替换，将元素个数小设用元素个数多的子集中大的替换子集小的。如果|I-J|＜2，则比较两个子集的标准差，用标准差小的子集中的样本替换标准差大的子集中的样本。

对里的进行同样的阈值比较和分类，步骤同a)，b)，c)。

步骤8.2：保留当前目标状态集中的样本。

步骤9：判断是否达到最大循环次数，若是，则结束本发明方法，输出最终观测的目标坐标；否则，将k的值加1，将当前目标状态集中样本加入初始的粒子集中，形成集合P表示当前目标状态集中样本的数目，然后从抽样生成粒子集继续转步骤3执行。最大循环次数由用户根据需要设定，每一次循环对应一个时刻，并根据步骤6得到该时刻的目标坐标的加权估计值，当达到最大循环次数时，输出加权计算的目标坐标。

从实现步骤可以看到：粒子滤波最大的优点体现在其“随意”上，正是这种随机性，通过递推，当粒子数目足够多时，这些粒子的概率分布就可以逼近真实的状态后验分布，从而可以准确进行干扰源定位。本发明的无线电干扰源测向定位方法大大地提升了无线电干扰查找能力，减少在复杂城市环境中干扰查找的诸多束缚条件所造成的不利影响，弥补了当前主流定位技术的不足，有力促进无线电监测工作水平的提高。

此外，当空中存在多个无线电信号目标时，对无线电监测来说，必须进行目标同一性的判别，以保证所获得的位置和测向度信息是对同一目标而言的。同一性判别的方法类似于多雷达关联。

同一性判别的方法有很多，空间几何目标视线距离的方法是常用的方法之一，其理论依据是当多个监测站捕捉的是同一个目标时，各个监测站与目标的连接视线必然交叉于目标点，即距离为零。可以用两个监测站为例说明，设当空中有n个目标时，A站监测得到的一组坐标为N₁，B站监测得到的一组坐标为N₂，利用目标点迹合成算法可排列成N₁×N₂个结果。通过识别，其中有很多非正确配对应予以删除。假设两监测站都受到不同程度的干扰(因为两监测站都受到干扰时，无法测距，只能测角)，A站测到ε_Ai和β_Ai(i＝1,2,…,N₁)、B站测到ε_Bj和β_Bj(j＝1,2,…,N₂)，ε为目标与监测站视线投影到XZ平面的角度，β为目标与监测站视线投影到XZ平面后与X轴的夹角，下角标Ai、Bj分别表示A站监测的第i个坐标、B站监测的第j个坐标。则同一性判别具体流程可描述如下(a)～(f)。

(a)设初始值i＝1，j＝1；

(b)分别计算A站、B站目标视线方向余弦，如式(13)和(14)所示；

l，m，n分别代表X方向、Y方向和Z方向的目标到监测站的矢量的方向余弦。

计算两条目标视线之间的最小距离：

(c)确定目标到两个监测站的距离R_A和R_B；

(d)根据设定的方差值δ₁，判断是否为同一个目标，若满足式(16)则说明监测的数据是同一个目标的，若不满足则说明监测的数据非同一个目标；

其中，为目标与A站的X方向的差值平方，为目标与B站的X方向的差值平方，为目标与A站的Y方向的差值平方，为目标与B站的Y方向的差值平方。

(e)更新j，使j＝j+1；判断j是否大于N₂，若否，跳转到(b)执行，若是，转(f)执行；

(f)更新i，使i＝i+1，重置j＝1；判断i是否大于N₁，若否，跳转到(b)执行，若是，全部判断完毕，结束。

下面对本发明的无线电干扰源测向定位方法进行实验。

在实验中，给定需要采集的数据个数、采集步长、坐标及方向角噪声，坏点个数，线路选择等，随机给出或直接输出目标坐标。通过仿真生成移动监测车的运行轨迹，移动监测车第一个记录点的坐标位置定义为原点坐标，后面的坐标就为相对坐标。

移动监测车的路线设置有两种，一种是固定路线，如图4所示；一种是优化路线，如图5所示。固定路线是以原点为起点以3公里为半径的圆弧，根据随机产生的目标自行决定轨迹的象限即目标的大致方位。由于本例中目标在第三象限即位于监测车初始位置的左下方，所以监测车会在第三象限作圆弧运动。优化路线同样以原点为起点，根据随机目标的方位来决定运行轨迹，但经过实验证明结果比固定路线更优。优化路线首先以45度作直线运动，接近目标后会改变方向包围着目标在水平或垂直方向继续测量，当目标在45度线上或非常接近时会自动调整角度以偏离45度线一定的角度作直线运动，使用优化路线得到的定位效果更好。

图6为固定路线时的迭代计算，图7为优化路线时的迭代计算。该界面中“已算点数”显示的是计算初始粒子群的采样点；“门限”的设定是根据给定数据将明显的不准确点滤除：当目标点数大于15时加入分类算法，当大于20时会判断新的观测数据是采取还是舍弃；“采样个数”显示的是新增加采样点的个数。根据“已算点数”进行粒子群初始化，之后每按一次“继续”按钮，就会新增加一组采样数据，进行目标计算。同时在“测量目标点分布图”和“测量线路与目标点位置图”中进行显示。连续按“继续”按钮，数据就依次显示。并且给出新估算的坐标点的误差。从图6和图7的测量线路与目标点位置图中可见，使用优化路线时比使用固定路线的计算结果要好一些。但无论哪种路线，计算结果的误差均小于2％。

本发明还分别在北京市选取了三个不同位置的发射源作为参考，利用本发明方法对其进行了测向定位。

第一组数据的发射源位于北京中央广播电视塔，其位置经纬度为(116.3002,39.9180)。测试共选取移动无线电监测车的测量点100点，测试所得部分数据如表1所示。

表1干扰源位于北京电视塔的实测数据

对所得数据进行经纬度-直角坐标系转换以及角度转换等数据处理后，得到如图8所示的结果，表2中给出了定位结果与估算误差。

表2中央电视塔定位结果与估算误差

第二组数据的干扰源位于北京石景山区八大处附近某山顶，实际发射点的经纬度为(116.187，39.963)。同理，表3给出了该测试结果的部分数据，测量点数100点。

表3干扰源位于石景山区某军区的实测数据

经过本发明方法处理，得到的结果如图9所示。在建立完初始粒子群后，再计算50次左右的迭代计算，就基本实现了定位。表4给出了定位结果与估算误差。

表4石景山区某山顶干扰源定位结果与估算误差

第三组数据的发射源位于北京京广大厦，经纬度为(116.46,39.92)，监测车在距离发射源十几公里的近郊区进行了测量，同样测量点数为100点。测试所得部分数据如表5所示：

表5干扰源位于京广大厦的实测数据

经过本发明方法处理，得到的结果如图10所示。在建立完初始粒子群后，再计算50次左右的迭代计算，就基本实现了定位。表6给出了定位结果与估算误差。

表6京广大厦发射源定位结果与估算误差

通过上面实验与实际使用的结果，证明本发明提供的无线电干扰源测向定位方法在实际应用中是可行的，其定位结果比较理想，通过本发明方法，可大大地提升了无线电干扰查找能力，减少在复杂城市环境中干扰查找的诸多束缚条件所造成的不利影响，弥补了当前主流定位技术的不足，有力促进无线电监测工作水平的提高。

Claims (4)

1.一种基于粒子滤波算法的无线电干扰源测向定位方法，其特征在于，包括如下步骤：

步骤1：选择干扰源目标的位置坐标为状态变量，波达角为观测变量，建立状态模型和观测模型：

状态模型为：X_k＝X₀，k＝1,2,…m；X_k是第k次测量的目标状态值，X₀是目标的初始状态值，每次测量对应一次循环，m表示最大循环次数；

观测模型为：k＝1,2,…m；Z_k＝θ_k为第k次测量的波达角，(x_k,y_k)为第k次测量时移动监测车的位置坐标，(x_Tk,y_Tk)为第k次测量的目标的位置坐标，V_k＝v_θk是第k次测量的观测噪声；

步骤2：根据历史数据，生成初始的粒子集粒子集中的样本数为N，样本的状态值为干扰源目标的位置坐标；设循环计数器k的初始值为1；

步骤3：确定第k次循环下当前粒子集中各样本的权值；

设当前粒子集为其中第i个样本的状态值为当k＝1时，该样本的权值为：

$w_k^{*}\left(i\right)=\exp \&lsqb;-\frac{1}{2{\mathrm{\&delta;}}^2}{({\mathrm{\&theta;}}_k-{\tan }^{-1}(\frac{y_k-y_k^{\left(i\right)}}{x_k-x_k^{\left(i\right)}}\left)\right)}^2\&rsqb;$

δ为第k次循环中针对当前粒子集中第i个样本的观测噪声方差；

步骤4：对权值归一化处理，归一化后的第k次循环中第i个样本的权值为

步骤5：重采样，具体是：设置阈值a，在当前粒子集中，用权值大于阈值a的样本替换权值小于阈值a的样本，保持粒子集的个数N不变，设更新后的粒子集为

步骤6：确定第k次观测的目标坐标

${\hat{x}}_T=\underset{i=1}{\overset{N}{\&Sigma;}}{x}_k^{\left(i\right)}{w}_k^{\left(i\right)};{\hat{y}}_T=\underset{i=1}{\overset{N}{\&Sigma;}}{y}_k^{\left(i\right)}{w}_k^{\left(i\right)};$

为当前粒子集中第i个样本的状态值，为当前粒子集中第i个样本的权值；

步骤7：判断k是否小于K₁，若是，转步骤8执行；否则，判断是否保留当前观测的目标坐标；

计算当前测量的波达角θ_k与前K₁次测量的波达角的平均值θ_mean的差，若|θ_k-θ_mean|<0.25，则保留当前观测的目标坐标到目标状态集中，继续执行步骤8；否则丢弃该目标坐标，然后转步骤9执行；

步骤8：判断k是否小于K₂，若是，则保留目标状态集中的样本，然后继续执行步骤9；否则，更新目标状态集，然后继续执行步骤9；其中K₂小于K₁；

更新目标状态集的方法是：

设当前目标状态集为 表示该集合中的第t个坐标，t＝1,2,...,k；

分别针对x和y坐标，在当前目标状态集中取对应的最大值max、最小值min和平均值mean，判断是否大于25％，若是，执行步骤8.1，否则，执行步骤8.2；

步骤8.1：分别针对x和y坐标进行如下操作：设g表示x或y；

设置g坐标对应的阈值对所有按照目标值大小进行排序，然后将其中小于阈值b的组成子集{G}₁，将大于阈值b的组成子集{G}₂；设子集{G}₁元素个数为I，子集{G}₂元素个数为J，若|I-J|≥2，则将个数少的子集中的样本用个数多的子集中的样本替换，若|I-J|＜2，比较两个子集的标准差，用标准差小的子集中的样本替换标准差大的子集中的样本；

步骤8.2，保留当前目标状态集中样本；

步骤9：判断是否达到最大循环次数，若是，输出最终观测的目标坐标，结束本方法；否则，将k的值加1，将当前目标状态集中样本加入初始的粒子集中，形成集合P表示当前目标状态集中样本的数目，然后从抽样生成粒子集继续转步骤3执行。

2.根据权利要求1所述的无线电干扰源测向定位方法，其特征在于，所述的步骤2中，历史数据为当前测量时刻的前N+1次测量的移动监测车的位置坐标及波达角，生成的初始粒子集中的第i个样本的状态值为：

$x_0^{\left(i\right)}=\frac{y_{i+1}^h-y_i^h+x_i^h{\mathrm{tan\&theta;}}_i^h-x_{i+1}^h{\mathrm{tan\&theta;}}_{i+1}^h}{{\mathrm{tan\&theta;}}_i^h-{\mathrm{tan\&theta;}}_{i+1}^h}$

$y_0^{\left(i\right)}=\frac{{\mathrm{tan\&theta;}}_i^h{\mathrm{tan\&theta;}}_{i+1}^h(x_i^h-x_{i+1}^h)+y_{i+1}^h{\mathrm{tan\&theta;}}_i^h-y_i^h{\mathrm{tan\&theta;}}_{i+1}^h}{{\mathrm{tan\&theta;}}_i^h-{\mathrm{tan\&theta;}}_{i+1}^h}$

其中，和分别为历史数据中第i次测量的移动监测车的位置坐标和波达角，和分别为历史数据中第i+1次测量的移动监测车的位置坐标和波达角。

3.根据权利要求1所述的无线电干扰源测向定位方法，其特征在于，步骤5中所述的阈值a，设置范围为(0,0.5)。

4.根据权利要求1所述的无线电干扰源测向定位方法，其特征在于，步骤7中所述的K₁取值为20，步骤8所述的K₂取值为15。