CN105137391A - 基于tdoa的css精确定位方法 - Google Patents

Abstract

本发明公开了一种基于TDOA的CSS精确定位方法。本发明首先涉及一种具有“移动台-同一基站的不同虚拟接收机”基站模型，所有虚拟接收机即基站天线都使用同一时钟，从源头上去除了时钟同步的要求。当待定位节点即移动终端进行测距时，对获得的待定位节点与各参考节点之间的测距值，使用投票平均联合滤波算法对测距值进行处理，去除因环境而引起的误差，然后对保留下来的测距值利用动态误差修正算法进行动态修正，最大限度地减小测距误差。将修正后的测距值取平均值，然后对得到的平均值使用TDOA的三维定位算法，求得待定位节点的位置坐标，最终实现精确定位。

Description

基于TDOA的CSS精确定位方法

技术领域

本发明涉及一种基于TDOA的CSS精确定位方法，属于室内定位技术领域。

背景技术

随着无线传感器网络技术的发展，其低成本、低能量消耗、多功能等特点吸引了大量研究，已经被广泛应用于物联网、人员定位、机器人定位等众多领域。在无线传感器网络的众多应用中，传感器节点的位置信息是至关重要的，因为没有节点位置信息的监测数据往往是没有意义的。节点自身的精确定位是提供监测事件位置信息的前提，也是实现移动目标定位、轨迹跟踪预测、网络拓扑控制以及网络路由优化的基础。定位功能是无线传感器网络的一大特点，与传统定位技术相比有组网灵活、成本低等特点。本文所采用的线性调频扩频技术(ChirpSpreadSpectrum，CSS)在中短距离内具有良好的定位精度和稳定性。不仅支持低的能量消耗，还支持精确测距，非常适合应用于无线传感器网络节点定位。但是该技术应用于无线传感器网络节点定位中仍存在以下问题函需解决：(1)由于周围恶劣环境对无线信号的影响，CSS测距样本存在随机测量噪声和异常测距点污染问题，严重恶化了测距精度；(2)由于传感器节点能量有限，如何设计简单高效的滤波算法提高定位性能是一大难题；(3)目前视距范围内减少误差的方法一般是取测距测试所拟合的测距误差模型方程作为修正方程对测量结果进行修正，即在整个定位中不考虑节点之间的差异、环境特点等导致测距误差模型方程的差异，而采用同一方程对结果进行修正，导致最终定位精度不高；(4)现实中，各个基站和移动终端通常是不在一个平面的，各基站和移动终端的高程差(有的高程差能达到100m)对定位精度的影响是绝对不可忽略的。

发明内容

为了解决上述现有技术的问题，本发明公开了一种基于TDOA的CSS精确定位方法。其特征在于，所述的CSS精确定位方法包括如下步骤：

(1)移动终端向CSS定位基站发送测试信号，CSS定位基站的各基站天线在接收到所述的测试信号后，分别发送应答信号给移动终端；

(2)确定移动终端接收到各所述应答信号的实际时刻，并根据无线信号在空气中的传播速度，得到待定位节点与每个参考节点之间的距离测量值；

(3)利用CSS技术，根据步骤(1)和(2)，N次测量待定位节点与各参考节点之间的距离，获得该待定位节点与对应参考节点的N个测距值；

(4)使用投票平均联合滤波算法对所述的N个测距值进行干扰处理，即通过高斯概率分布函数计算每个所述测距值的投票概率，当所述的投票概率小于设定的置信值时，CSS就抛弃该测距值，否则就保留；

(5)对保留下来的测距值利用动态误差修正算法进行动态修正；

(6)将步骤(5)修正后的测距值取平均值，然后对得到的平均值使用TDOA的三维定位算法，求得待定位节点的位置坐标，最终实现精确定位。

CSS信号的测距过程，具体实现步骤如下：

(1)移动终端向CSS定位基站发送测试信号，并启动终端定时器；

(2)各基站天线收到测试信号后，分别经天线导线传送到后台处理器，后台处理器接收到所述的测试信号后，启动基站定时器；

(3)各基站天线自动返回一个应答信号，并停止基站定时器，同时读取处理时延T2和计算测试信号在天线导线上的传输时间t；

(4)移动终端收到基站天线传来的应答信号后停止终端定时器，读取处理时延T1；

(5)移动终端接收应答信号的实际时刻根据无线信号在空气中的传播速度是光速c，可计算得到待定位节点与每个参考节点之间的距离即

所述的投票平均联合滤波算法包括以下步骤：

(1)建立直角坐标系，获得每个参考节点的位置坐标，并通过距离矢量交换协议，使待定位节点获得所有参考节点的ID、位置坐标以及待定位节点与相应参考节点的跳数，待定位节点建立对应的参考节点信息表；

(2)待定位节点查询自身的参考节点信息表，当其1跳范围内具有的参考节点数目大于或者等于3个时，利用CSS技术，N次测量该待定位节点自身与各参考节点之间的距离，对每个参考节点均获得N个测距值；

(3)求取所述N个测距值的均值，采用高斯概率分布函数，计算每个测距值的投票概率，并设定置信值，对每个测距值进行投票，当相应测距值的投票概率小于置信值时，CSS就抛弃该测距值，否则就保留，保留下的测距值的数目用m表示；

(4)使用动态误差修正算法对保留下的m个测距值进行动态修正，以减少测距误差。

本发明所述的动态误差修正算法先设定最小定位单位，即一个待定位节点与四个参考节点，然后利用最小定位单位的待定位节点与四个参考节点的四组m个测距值，根据距离约束方程找出每一组测距值对应的最佳的测距误差模型，利用这个最佳测距误差模型对每一组的m个测距值进行修正。

找出最佳测距模型方程的具体步骤为：

(1)视距环境下的CSS定位中有以下测距误差模型：

其中a∈[a₁，a₂]，b∈[b₁，b₂]

其中，d_f是待定位节点到四个参考节点的真实距离；是待定位节点到四个参考节点的测量距离；a，b为线性方程系数，f＝0，1，2，3；a₁，a₂，b₁，b₂是定位前对最小定位单位进行测距测试，通过最小二乘法对测距测试拟合后，所得系数a，b对应的的一个较小取值区间的上下限界值，如果拟合系数超过所取范围，则认为有较大噪声干扰。

(2)定义测量误差ε_f：

${\mathrm{\ϵ}}_f=d_f^2-{\stackrel{\‾}{d}}_f^2$

(3)根据步骤(1)和(2)可得：

${\mathrm{\ϵ}}_f=(a_2-1){\stackrel{\‾}{d}}_f^2=2ab{\stackrel{\‾}{d}}_f+b^2,f=0,1,2,3$

把ε_f代入距离约束方程式中，得到关于a，b的函数，记为：

$F\left(ab\right)=f_1\left(\right(a^2-1){\stackrel{\‾}{d}}_f^2+2ab{\stackrel{\‾}{d}}_f+b^2,(a^2-1){\stackrel{\‾}{d}}_f^2=2ab{\stackrel{\‾}{d}}_1+b^2,(a^2-1){\stackrel{\‾}{d}}_2^2+2\mathrm{\α}b{\stackrel{\‾}{d}}_2+b^2)$

(4)在a∈[a₁，a₂]，b∈[b₁，b₂]内，F(ab)最接近0所对应的一组系数，就是测距误差模型的最佳系数估计，从而求解方程：

$\left\{\begin{array}{c}\min F{\left(a,b\right)}^2\\ a_1\≤a\≤a_2\\ b_1\≤b\≤b_2\end{array}\right.$

得到最优系数a^*，b^*，确定最佳测距误差模型为：

所述的TDOA的三维定位算法具体过程如下：

设四个参考节点的位置坐标分别为(x₀，y₀)，(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，待定位节点的位置坐标为(x，y)，分别为待定位节点到四个参考节点的距离，待定位节点到参考节点(x₀，y₀)和待定位节点到其他三个参考节点(x₁，y₁)，(x₂，y₂)，(x₃，y₃)的距离差为那么定位方程为：

$\left\{\begin{array}{c}{\stackrel{\‾}{d}}_0=\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(z-z_0)}^2}\\ {\stackrel{\‾}{d}}_k=\sqrt{{(x-x_k)}^2+{(y-y_k)}^2+{(z-z_k)}^2}\\ \mathrm{\Δ}{\stackrel{\‾}{d}}_k={\stackrel{\‾}{d}}_0-{\stackrel{\‾}{d}}_k\end{array}\right.---\left(1\right)$

从而得到： $\left\{\begin{array}{c}x=n_1{\stackrel{\‾}{d}}_0+m_1\\ y=n_2{\stackrel{\‾}{d}}_0+m_2\\ z=n_3{\stackrel{\‾}{d}}_0+m_3\end{array}\right.---\left(2\right)$

其中， $n_j=\underset{k=1}{\overset{3}{\Σ}}{a}_{jk}\mathrm{\Δ}{\stackrel{\‾}{d}}_k,m_j=\underset{k=1}{\overset{3}{\Σ}}{a}_{jk}{p}_k,(j=1,2,3).$

将式(2)中看作已知量，并将其带入式(1)中表达式，经化简得：

${\stackrel{\‾}{d}}_0=\frac{-b\±\sqrt{b^2-4ac}}{2a}---\left(3\right)$

其中： $\left\{\begin{array}{c}a=n_1^2+n_2^2+n_3^2-1\\ b=2n_1(m_1-x_0)+2n_2(m_2-y_0)+2n_3(m_3-z_0)\\ c={\left(m_1-x_0\right)}^2+{\left(m_2-y_0\right)}^2+{\left(m_3-z_0\right)}^2\end{array}\right.$

根据(3)式进行计算，当求得的值为一正一负时，则取的解：如果的两个值皆为正值时，则根据时间差的正负或者借助其他约束条件消除定位模糊；最后，将符合条件的代入(2)式可求得待定位节点的位置信息。

采用CSS信号进行测距时所述的天线导线间最小天线传输长度，其特征在于，根据信号最大拖尾时间TL_Max和待定位区间的最大移动距离ML_Max确定最小天线导线长度L_Min。当所述天线导线为同轴电缆时，所述最小天线导线长度L_Min为：

$L_{Min}=\frac{c\·{\mathrm{TL}}_{Max}+{\mathrm{ML}}_{Max}}{c\·\sqrt{{\mathrm{\ϵ}}_c}}\×{10}^8$

式中，ε_c为同轴电缆的等效介电常数，c为光速。

若所述天线导线为微带线时，所述最小天线导线长度L_Min为：

$L_{Min}=\frac{c\·{\mathrm{TL}}_{Max}+{\mathrm{ML}}_{Max}}{3.34c\·\sqrt{0.475{\mathrm{\ϵ}}_m+0.67}}\×{10}^9$

式中，ε_m为微带线的等效介电常数，c为光速。

动态误差修正算法所述的最小二乘法，包括以下步骤：

(1)定位前对最小定位单位进行测距测试，根据实际情况布置好节点，此时的参考节点与待定位节点的位置坐标已知，从而得到四个参考节点与待定位节点之间的真实距离d_f，其中f＝0，1，2，3；

(2)根据移动终端接收信号实际时刻和传播速度c，可计算得到待定位节点与四个参考节点之间的距离即其中f＝0，1，2，3；

(3)视距环境下的CSS定位中有以下测距误差模型为：通过下式可求取出系数a和b的值。

本发明的有益效果是，利用投票平均联合滤波算法对测距值进行处理，去除因环境而引起的误差，同时利用动态误差修正算法根据满足置信值的测距值，然后对保留下来的测距值利用动态误差修正算法进行动态修正，最大限度地减小测距误差。将修正后的测距值取平均值，然后对得到的平均值使用TDOA的三维定位算法，求得待定位节点的位置坐标，最终实现精确定位，同时降低了成本及复杂性。

附图说明

下面结合附图和具体实施方式对本发明作进一步的详细描述。

图1是基于TDOA的CSS精确定位方法流程图；

图2是CSS信号测距过程的示意图；

图3是“移动台一同一基站的不同虚拟接收机”模型示意图；

图4是投票平均联合滤波算法流程图；

图5是动态误差修正算法流程图；

图6是四个参考节点及待定位节点的三维立体图；

图3中：

1-天线导线2-基站天线3-CSS收发器4-CPU主板

具体实施方式

首先对基于TDOA的CSS精确定位方法的基本流程进行描述。参照图1，具体步骤如下：

(1)移动终端向CSS定位基站发送测试信号，CSS定位基站的各基站天线在接收到所述的测试信号后，分别发送应答信号给移动终端；

(2)确定移动终端接收到各所述应答信号的实际时刻，并根据无线信号在空气中的传播速度，得到待定位节点与每个参考节点之间的距离测量值；

(3)利用CSS技术，根据步骤(1)和(2)，N次测量待定位节点与各参考节点之间的距离，获得该待定位节点与对应参考节点的N个测距值；

(4)使用投票平均联合滤波算法对所述的N个测距值进行干扰处理，即通过高斯概率分布函数计算每个所述测距值的投票概率，当所述的投票概率小于设定的置信值时，CSS就抛弃该测距值，否则就保留；

(5)对保留下来的测距值利用动态误差修正算法进行动态修正；

(6)将步骤(5)修正后的测距值取平均值，然后对得到的平均值使用TDOA的三维定位算法，求得待定位节点的位置坐标，最终实现精确定位。

采用CSS信号的进行测距的具体过程如下，参考图2和图3：

(1)移动终端向CSS定位基站发送测试信号，并启动终端定时器；

(2)各基站天线收到测试信号后，分别经天线导线传送到后台处理器，后台处理器接收到所述的测试信号后，启动基站定时器；

(3)各基站天线自动返回一个应答信号，并停止基站定时器，同时读取处理时延T2和计算测试信号在天线导线上的传输时间t；

(4)移动终端收到基站天线传来的应答信号后停止终端定时器，读取处理时延T1；

(5)移动终端接收应答信号的实际时刻根据无线信号在空气中的传播速度是光速c，可计算得到待定位节点与每个参考节点之间的距离即待定位节点重复测量N次，获得N个测距值数，所以这里的N取20，则f也取20。

本发明中使用的天线导线，任意两个天线之间的导线长度大于最小天线导线长度。根据信号最大拖尾时间TL_Max和待定位区间的最大移动距离ML_Max确定最小天线导线长度L_Min。当所述天线导线为同轴电缆时，所述最小天线导线长度L_Min为：

$L_{Min}=\frac{c\·{\mathrm{TL}}_{Max}+{\mathrm{ML}}_{Max}}{c\·\sqrt{{\mathrm{\ϵ}}_c}}\×{10}^8$

式中，ε_c为同轴电缆的等效介电常数，c为光速。

若所述天线导线为微带线时，所述最小天线导线长度L_Min为：

$L_{Min}=\frac{c\·{\mathrm{TL}}_{Max}+{\mathrm{ML}}_{Max}}{3.34c\·\sqrt{0.475{\mathrm{\ϵ}}_m+0.67}}\×{10}^9$

式中，ε_m为微带线的等效介电常数，c为光速。

图4是投票平均联合滤波算法的具体步骤：

(1)建立直角坐标系，获得每个参考节点的位置坐标，并通过距离矢量交换协议，使待定位节点获得所有参考节点的ID、位置坐标以及待定位节点与相应参考节点的跳数，待定位节点建立对应的参考节点信息表；

(2)待定位节点查询自身的参考节点信息表，当其1跳范围内具有的参考节点数目大于或者等于3个时，利用CSS技术，N次测量该待定位节点自身与各参考节点之间的距离，对每个参考节点均获得N个测距值；

(3)求取所述N个测距值的均值，采用高斯概率分布函数，计算每个测距值的投票概率，并设定置信值，对每个测距值进行投票，当相应测距值的投票概率小于置信值时，CSS就抛弃该测距值，否则就保留，保留下的测距值的数目用m表示；

(4)使用动态误差修正算法对保留下的m个测距值进行动态修正，以减少测距误差。

本发明中标准差σ的取值范围为0.05≤σ≤0.5，σ取值越小，越有利于删除异常测距值。但是标准差σ取值过小，部分正常测距值的投票概率也会过小，从而导致部分正常测距值被误删除。所以这里取σ＝0.2。

根据实际需求定义置信值λ，对测距值进行投票，当测距值的投票概率小于胃信值λ的时，就抛弃这个测距值，否则就保留。本发明中建议置信值λ的取值范围为0.5≤λ≤0.8，λ取值越大，越有利于删除异常测距值，但是置信值λ取值过大，部分正常测距值易被误删除。所以取λ＝0.7进行删选，则保留下的测距值数用m表示。

图5是动态误差修下算法的流程图，具体步骤如下：

本发明所述的动态误差修正算法先假设最小定位单位，即一个待定位节点与四个参考节点，然后利用最小定位单位的待定位节点与四个参考节点的四组m个测距值，根据距离约束方程找出每一组测距值对应的最佳的测距误差模型，利用这个最佳测距误差模型对每一组的m个测距值进行修正。

找出最佳测距模型方程的具体步骤为：

(1)视距环境下的CSS定位中有以下测距误差模型：

其中a∈[a₁，a₂]，b∈[b₁，b₂]

其中，d_f是待定位节点到四个参考节点的真实距离；是待定位节点到四个参考节点的测量距离；a，b为线性方程系数，f＝0，1，2，3；a₁，a₂，b₁，b₂是定位前对最小定位单位进行测距测试，通过最小二乘法对测距测试拟合后，所得系数a，b对应的的一个较小取值区间的上下限界值，如果拟合系数超过所取范围，则认为有较大噪声干扰。

其中最小二乘法对测距进行拟合的具体步骤如下：

(a)定位前对最小定位单位进行测距测试，根据实际情况布置好节点，此时的参考节点与待定位节点的位置坐标已知，从而得到四个参考节点与待定位节点之间的真实距离d_f，其中f＝0，1，2，3；

(b)根据移动终端接收信号实际时刻和传播速度c，可计算得到待定位节点与四个参考节点之间的距离即其中f＝0，1，2，3；

(c)视距环境下的CSS定位中有以下测距误差模型为：通过下式可求取出系数a和b的值。

(2)定义测量误差ε_f：

${\mathrm{\ϵ}}_f=d_f^2-{\stackrel{\‾}{d}}_f^2$

(3)根据步骤(1)和(2)可得：

${\mathrm{\ϵ}}_f=(a_2-1){\stackrel{\‾}{d}}_f^2=2ab{\stackrel{\‾}{d}}_f+b^2,f=0,1,2,3$

把ε_f代入距离约束方程式中，得到关于a，b的函数，记为：

$F\left(ab\right)=f_1\left(\right(a^2-1){\stackrel{\‾}{d}}_f^2+2ab{\stackrel{\‾}{d}}_f+b^2,(a^2-1){\stackrel{\‾}{d}}_f^2=2ab{\stackrel{\‾}{d}}_1+b^2,(a^2-1){\stackrel{\‾}{d}}_2^2+2\mathrm{\α}b{\stackrel{\‾}{d}}_2+b^2)$

(4)在a∈[a₁，a₂]，b∈[b₁，b₂]内，F(ab)最接近0所对应的一组系数，就是测距误差模型的最佳系数估计，从而求解方程：

$\left\{\begin{array}{c}\min F{\left(a,b\right)}^2\\ a_1\≤a\≤a_2\\ b_1\≤b\≤b_2\end{array}\right.$

得到最优系数a^*，b^*，确定最佳测距误差模型为：

TDOA的三维定位算法参考图6，具体的过程如下：

设四个参考节点的位置坐标分别为(x₀，y₀)，(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，待定位节点的位置坐标为(x，y)，分别为待定位节点到四个参考节点的距离，待定位节点到参考节点(x₀，y₀)和待定位节点到其他三个参考节点(x₁，y₁)，(x₂，y₂)，(x₃，y₃)的距离差为那么定位方程为：

$\left\{\begin{array}{c}{\stackrel{\‾}{d}}_0=\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(z-z_0)}^2}\\ {\stackrel{\‾}{d}}_k=\sqrt{{(x-x_k)}^2+{(y-y_k)}^2+{(z-z_k)}^2}\\ \mathrm{\Δ}{\stackrel{\‾}{d}}_k={\stackrel{\‾}{d}}_0-{\stackrel{\‾}{d}}_k\end{array}\right.---\left(1\right)$

从而得到：

$\left\{\begin{array}{c}x=n_1{\stackrel{\‾}{d}}_0+m_1\\ y=n_2{\stackrel{\‾}{d}}_0+m_2\\ z=n_3{\stackrel{\‾}{d}}_0+m_3\end{array}\right.---\left(2\right)$

其中， $n_j=\underset{k=1}{\overset{3}{\Σ}}{a}_{jk}\mathrm{\Δ}{\stackrel{\‾}{d}}_k,m_j=\underset{k=1}{\overset{3}{\Σ}}{a}_{jk}{p}_k,(j=1,2,3).$

将式(2)中看作已知量，并将其带入式(1)中表达式，经化简得：

${\stackrel{\‾}{d}}_0=\frac{-b\±\sqrt{b^2-4ac}}{2a}---\left(3\right)$

其中： $\left\{\begin{array}{c}a=n_1^2+n_2^2+n_3^2-1\\ b=2n_1(m_1-x_0)+2n_2(m_2-y_0)+2n_3(m_3-z_0)\\ c={\left(m_1-x_0\right)}^2+{\left(m_2-y_0\right)}^2+{\left(m_3-z_0\right)}^2\end{array}\right.$

根据(3)式进行计算，当求得的值为一正一负时，则取的解：如果的两个值皆为正值时，则根据时间差的正负或者借助其他约束条件消除定位模糊；最后，将符合条件的代入(2)式可求得待定位节点的位置信息。

Claims (9)

1.一种基于TDOA的CSS精确定位方法，其特征在于，所述的CSS精确定位方法采用“移动终端-同一基站的不同虚拟接收机”的基站模型，所述的基站模型包括天线导线和逐次串行连接在天线导线上的至少四个基站天线，且任意两个基站天线之间的天线导线长度大于最小天线导线长度，移动终端为待定位节点，基站天线所在的位置为参考节点；

所述的CSS精确定位方法包括如下步骤：

(1)移动终端向CSS定位基站发送测试信号，CSS定位基站的各基站天线在接收到所述的测试信号后，分别发送应答信号给移动终端；

(2)确定移动终端接收到各所述应答信号的实际时刻，并根据无线信号在空气中的传播速度，得到待定位节点与每个参考节点之间的距离测量值；

(3)利用CSS技术，根据步骤(1)和(2)，N次测量待定位节点与各参考节点之间的距离，获得该待定位节点与对应参考节点的N个测距值；

(4)使用投票平均联合滤波算法对所述的N个测距值进行干扰处理，即通过高斯概率分布函数计算每个所述测距值的投票概率，当所述的投票概率小于设定的置信值时，CSS就抛弃该测距值，否则就保留；

(5)对保留下来的测距值利用动态误差修正算法进行动态修正；

(6)将步骤(5)修正后的测距值取平均值，然后对得到的平均值使用TDOA的三维定位算法，求得待定位节点的位置坐标，最终实现精确定位。

2.根据权利要求1所述的基于TDOA的CSS精确定位方法，其特征在于，所述的步骤(2)中，得到待定位节点与各参考节点的距离值的具体过程为：

(1)移动终端向CSS定位基站发送测试信号，并启动终端定时器；

(2)各基站天线收到测试信号后，分别经天线导线传送到后台处理器，后台处理器接收到所述的测试信号后，启动基站定时器；

(3)各基站天线自动返回一个应答信号，并停止基站定时器，同时读取处理时延T2和计算测试信号在天线导线上的传输时间t；

(4)移动终端收到基站天线传来的应答信号后停止终端定时器，读取处理时延T1；

(5)移动终端接收应答信号的实际时刻根据无线信号在空气中的传播速度是光速c，可计算得到待定位节点与每个参考节点之间的距离即

3.根据权利要求1所述的基于TDOA的CSS精确定位方法，其特征在于，所述的步骤(4)中，使用投票平均联合滤波算法对所述的N个测距值进行干扰处理的具体过程为：

(1)建立直角坐标系，获得每个参考节点的位置坐标，并通过距离矢量交换协议，使待定位节点获得所有参考节点的ID、位置坐标以及待定位节点与相应参考节点的跳数，待定位节点建立对应的参考节点信息表；

(2)待定位节点查询自身的参考节点信息表，当其1跳范围内具有的参考节点数目大于或者等于3个时，利用CSS技术，N次测量该待定位节点自身与各参考节点之间的距离，对每个参考节点均获得N个测距值；

(3)求取所述N个测距值的均值，采用高斯概率分布函数，计算每个测距值的投票概率，并设定置信值，对每个测距值进行投票，当相应测距值的投票概率小于置信值时，CSS就抛弃该测距值，否则就保留，保留下的测距值的数目用m表示；

(4)使用动态误差修正算法对保留下的m个测距值进行动态修正，以减少测距误差。

4.根据权利要求3所述的基于TDOA的CSS精确定位方法，其特征在于，所述的动态误差修正算法先设定最小定位单位，即一个待定位节点与四个参考节点，然后利用最小定位单位的待定位节点与四个参考节点的四组m个测距值，根据距离约束方程找出每一组测距值对应的最佳的测距误差模型，利用这个最佳测距误差模型对每一组的m个测距值进行修正。

5.根据权利要求4所述的基于TDOA的CSS精确定位方法，其特征在于，找出最佳测距模型方程的具体步骤为：

(1)视距环境下的CSS定位中有以下测距误差模型：

其中a∈[a₁，a₂]，b∈[b₁，b₂]

其中，d_f是待定位节点到四个参考节点的真实距离；是待定位节点到四个参考节点的测量距离；a，b为线性方程系数，f＝0，1，2，3；a₁，a₂，b₁，b₂是定位前对最小定位单位进行测距测试，通过最小二乘法对测距测试拟合后，所得系数a，b对应的的一个较小取值区间的上下限界值，如果拟合系数超过所取范围，则认为有较大噪声干扰。

(2)定义测量误差ε_f：

${\mathrm{\ϵ}}_f=d_f^2-{\stackrel{\‾}{d}}_f^2$

(3)根据步骤(1)和(2)可得：

${\mathrm{\ϵ}}_f=(a_2-1){\stackrel{\‾}{d}}_f^2=2ab{\stackrel{\‾}{d}}_f+b^2,f=0,1,2,3$

把ε_f代入距离约束方程式中，得到关于a，b的函数，记为：

$F\left(ab\right)=f\left(\right(a^2-1){\stackrel{\‾}{d}}_f^2+2ab{\stackrel{\‾}{d}}_f+b^2,(a^2-1){\stackrel{\‾}{d}}_f^2=2ab{\stackrel{\‾}{d}}_1+b^2,(a^2-1){\stackrel{\‾}{d}}_2^2+2ab{\stackrel{\‾}{d}}_2+b^2)$

(4)在a∈[a₁，a₂]，b∈[b₁，b₂]内，F(ab)最接近0所对应的一组系数，就是测距误差模型的最佳系数估计，从而求解方程：

$\left\{\begin{array}{c}\min F{(a,b)}^2\\ a_1\≤a\≤a_2\\ b_1\≤b\≤b_2\end{array}\right.$

得到最优系数a^*，b^*，确定最佳测距误差模型为：

6.根据权利要求5所述的基于TDOA的CSS精确定位方法，其特征在于：采用TDOA的三维定位算法求得待定位节点位置坐标点的方法为：设四个参考节点的位置坐标分别为(x₀，y₀)，(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，待定位节点的位置坐标为(x，y)，分别为待定位节点到四个参考节点的距离，待定位节点到参考节点(x₀，y₀)和待定位节点到其他三个参考节点(x₁，y₁)，(x₂，y₂)，(x₃，y₃)的距离差为那么定位方程为：

$\{\begin{array}{c}{\stackrel{\‾}{d}}_0=\sqrt{{(x-x_0)}^2+{(y-y_0)}^2+{(z-z_0)}^2}\\ {\stackrel{\‾}{d}}_k=\sqrt{{(x-x_k)}^2+{(y-y_k)}^2+{(z-z_k)}^2}\\ \mathrm{\Δ}{\stackrel{\‾}{d}}_k={\stackrel{\‾}{d}}_0-{\stackrel{\‾}{d}}_k\end{array}---\left(1\right)$

从而得到：

$\{\begin{array}{c}x=n_1{\stackrel{\‾}{d}}_0+m_1\\ y=n_2{\stackrel{\‾}{d}}_0+m_2\\ z=n_3{\stackrel{\‾}{d}}_0+m_3\end{array}---\left(2\right)$

其中， $n_j=\underset{k=1}{\overset{3}{\Σ}}{a}_{jk}\mathrm{\Δ}{\stackrel{\‾}{d}}_k,m_j=\underset{k=1}{\overset{3}{\Σ}}{a}_{jk}{p}_k,(j=1,2,3).$

将式(2)中看作已知量，并将其带入式(1)中表达式，经化简得：

${\stackrel{\‾}{d}}_0=\frac{-b\±\sqrt{b^2-4ac}}{2a}---\left(3\right)$

其中： $\left\{\begin{array}{c}a=n_1^2+n_2^2+n_3^2-1\\ b=2n_1(m_1-x_0)+2n_2(m_2-y_0)+2n_3(m_3-z_0)\\ c={(n-x_0)}^2+{(m_2-y_0)}^2+{(m_3-z_0)}^2\end{array}\right.$

根据(3)式进行计算，当求得的值为一距一负时，则取的解：如果的两个值皆为正值时，则根据时间差的正负或者借助其他约束条件消除定位模糊；最后，将符合条件的代入(2)式可求得待定位节点的位置信息。

7.根据权利要求2所述的基于TDOA的CSS精确定位方法，其特征在于，基站天线间的最小天线导线长度，根据信号最大拖尾时间TL_Max和待定位区间的最大移动距离ML_Max确定最小天线导线长度L_Min，当所述基站天线导线为同轴电缆时，所述最小天线导线长度L_Min为：

$L_{Min}=\frac{c\·{\mathrm{TL}}_{Max}+{\mathrm{ML}}_{Mar}}{c\·\sqrt{{\mathrm{\ϵ}}_c}}\×{10}^8$

式中，ε_c为同轴电缆的等效介电常数，c为光速；

若所述基站天线导线为微带线时，所述最小天线导线长度L_Min为：

$L_{Min}=\frac{c\·{\mathrm{TL}}_{Max}+{\mathrm{ML}}_{Max}}{3.34c\·\sqrt{0.475{\mathrm{\ϵ}}_m+0.67}}\×{10}^9$

式中，ε_m为微带线的等效介电常数，c为光速。

8.根据权利要求4所述的基于TDOA的CSS精确定位方法，其特征在于，距离约束方程f(ε₁，ε₂，ε₃)取最接近0的系数作为一个最小定位单位的最佳测距误差模型，即：

f(ε₁，ε₂，ε₃)＝ε^TAε+ε^Tb+c＝0，ε＝[ε₁，ε₂，ε₃]

其中：A是3×3阶矩阵，b是3×1阶矩阵，c是一实数，且A，b，c是由真实距离d_f和测量距离表达的常数矩阵或常数；ε₁，ε₂，ε₃表示的是测量误差。

9.根据权利要求4所述的基于TDOA的CSS精确定位方法，其特征在于，所述的最小二乘法包括以下步骤：

(1)定位前对最小定位单位进行测距测试，根据实际情况布置好节点，此时的参考节点与待定位节点的位置坐标已知，从而得到四个参考节点与待定位节点之间的真实距离d_f，其中f＝0，1，2，3；

(2)根据移动终端接收信号实际时刻和传播速度c，可计算得到待定位节点与四个参考节点之间的距离即其中f＝0，1，2，3；

(3)视距环境下的CSS定位中有以下测距误差模型为：通过下式可求取出系数a和b的值。