CN107526061B - 基于到达时间差的多目标定位的泰勒松弛-分部迭代算法 - Google Patents

基于到达时间差的多目标定位的泰勒松弛-分部迭代算法 Download PDF

Info

Publication number
CN107526061B
CN107526061B CN201710720827.3A CN201710720827A CN107526061B CN 107526061 B CN107526061 B CN 107526061B CN 201710720827 A CN201710720827 A CN 201710720827A CN 107526061 B CN107526061 B CN 107526061B
Authority
CN
China
Prior art keywords
relaxation
taylor
convex
model
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710720827.3A
Other languages
English (en)
Other versions
CN107526061A (zh
Inventor
罗文洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Aerospace System Engineering Research Institute
Original Assignee
Sichuan Aerospace System Engineering Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Aerospace System Engineering Research Institute filed Critical Sichuan Aerospace System Engineering Research Institute
Priority to CN201710720827.3A priority Critical patent/CN107526061B/zh
Publication of CN107526061A publication Critical patent/CN107526061A/zh
Application granted granted Critical
Publication of CN107526061B publication Critical patent/CN107526061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/14—Determining absolute distances from a plurality of spaced points of known location
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices
    • H04W88/10—Access point devices adapted for operation in multiple networks, e.g. multi-mode access points

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本发明公开了一种基于到达时间差(time difference of arrival TDOA)的多目标定位的泰勒松弛‑分部迭代算法，首先构造原始问题模型；然后使用泰勒松弛方法将原问题非凸约束松弛为凸约束，将整数变量松弛为连续变量；并通过粗略的半正定松弛和二次锥松弛得到本算法所需要的初始点；使用二部图匹配，得到整数解；将已得到的整数解带入模型，求得待定位的各个目标的最优估计坐标值。本发明利用泰勒松弛将非凸约束转化为凸约束，同时将离散的整数变量松弛为连续变量能大大降低原问题的复杂度，提高问题的可解性，在合适选择初始点，合理布局基站的前提下，能够得到全域最优解。

Description

基于到达时间差的多目标定位的泰勒松弛-分部迭代算法
技术领域
本发明属于基于无线信号定位技术领域，特别涉及一种多目标定位问题的凸优化算法，适用于基于TDOA的多目标定位问题。
背景技术
无线定位技术，最早用于二战时期对舰艇和战斗机等军事目标的定位问题。随着科技的发展，无线定位技术越来越多的在工业、民用和国防等领域得到了广泛的应用。比如紧急救援响应，危险物品实时追踪，手机定位，过程控制。通过数学方法来改进无线定位算法的估计速度和精度一直是相关领域的研究热点。
得益于凸优化算法的发展，高效的凸优化松弛技术能应用于目标定位问题。随着大数据、移动互联网和物联网等的快速发展，多目标定位问题已成为一个无线定位领域的研究热点。TDOA是一种利用时间差进行定位的方法，他公国目标发生的信号到达不同基站的时间差来实现对目标的定位。TDOA不存在香味模糊问题，可以解决信号耦合问题，并且有着很高的定位的精度，因此有着很好的应用前景。目前的主要研究关注于使用凸优化算法去完善单目标定位问题，主要使用了半正定松弛，二次锥松弛、交替迭代和分枝界限法等方法来解决单目标定位问题。其中为了提高计算效率，一阶加速算法，拟牛顿法和内点法等高收敛速度的算法也应用在计算以上的松弛后的问题中，但是由于问题本身是一个非凸问题，因此很难保证算法在实际应用中收敛到全局最优。
特别地，对于多目标定位问题，因为基站不能识别信号源于哪一个目标，因此该问题是一个NP-hard问题，现有多目标定位算法只能在合理布置基站，然后目标分布在特定范围，选择合适的起始估计点的条件下得到一个全局最优解。否则，只能确保收敛到一个局部最优解。并且为了解决NP-hard问题，计算复杂度随着目标数量的增加而呈现出指数级的增加，并且容易陷于局部最优解。因此TDOA-MSL是一个值得去深入研究的问题。
发明内容
针对上述现有技术的不足，本发明的目的在于提出一种基于到达时间差(TDOA)的多目标定位的泰勒松弛-分部迭代算法(time difference of arrival based multiplesource localization problem TDOA-MSL)，该算法最突出的优势在于，利用泰勒松弛将非凸约束转化为凸约束，同时将离散的整数变量松弛为连续变量能大大降低原问题的复杂度，提高问题的可解性，在合适选择初始点，合理布局基站的前提下，能够得到全域最优解。
本发明是这样实现的：
基于到达时间差(TDOA)的多目标定位的泰勒松弛-分部迭代算法(TS)，首先构造原始问题模型(1)；然后使用泰勒松弛方法将原问题非凸约束松弛为凸约束，将整数变量松弛为连续变量；并通过粗略的半正定松弛和二次锥松弛得到本算法所需要的初始点；使用二部图匹配，得到整数解；将已得到的整数解带入模型(2)，求得待定位的各个目标的最优估计坐标值。
本发明具体的步骤如下：
基于到达时间差(TDOA)的多目标定位的泰勒松弛-分部迭代算法(TS)，是根据最大似然估计(MLE)模型得到一个混合整数非凸优化问题，通过泰勒松弛后，得到一个混合整数凸优化问题，然后得到多目标的位置估计值，包括以下步骤：
a)通过TDOA的定义，使用最大似然估计构造了一个混合整数、非凸的原始问题模型(1)；
b)通过采用泰勒松弛和二次锥松弛的方法，将原问题松弛为一个混合整数-凸优化问题模型(2)；
通过半正定松弛和二次锥松弛方法松弛原始问题模型(1)得到问题(3)，解此问题得到算法所需的位置变量的初始点；
c)通过二部图匹配得到混合整数-凸优化问题模型(2)对应的整数解P；
d)固定整数解部分，混合整数凸优化问题模型(2)对应的问题变为一个连续凸问题模型(3)，通过迭代解连续凸问题模型(3)得到连续部分的最优解。
更进一步的方案是：
步骤a)包括：
ⅰ.TDOA定义,在L维空间内，假设有K个待定位的目标x对应一个L×K矩阵，M个基站s对一个L×M矩阵，其中基站s所对应的矩阵已知，到达时间d对应的K×M矩阵已知，待定位的目标x所对应的矩阵未知。第k个目标到第i个基站和第1个基站的的到达时间差tk,i如下所示：
其中，第一个等式是TDOA的定义(含有噪声)，最后一项为噪音，不失一般性的，我们假设每个噪声都服从高斯分布，并且独立同分布；第二个等式是TOA的定义。
多目标定位中，假设对于每一个基站不能识别他获得的信号来自于哪一个目标(表示为)，为了识别每一个目标，我们引入了为每一个基站置换矩阵(permutationmatrix)以识别每一个目标，方法如下：
对第i个基站，可以通过其对应的置换矩阵的第k行去识别所接收的数据中对应第k个目标的到达时间差数据。
ⅱ.通过最大似然估计，目标函数为最小化噪声的2次范数，基于此我们构造了如下多目标定位模型：
Zk，i≥0，Pi∈Π
原始问题模型 (1)
其中，Pi表示第i个基站对应的置换矩阵；为第i个基站接受的TDOA数据；Zk,i表示第k个目标与第i个基站的实际TOA数据与估计数据的差异的平方；tk,i 0为待计算的第k个目标与第i个基站和第1个基站的实际TDOA值；第二个约束是TDOA的物理定义。显而易见的，该问题是一个非凸混合整数问题，现有的定位算法很难得到全局最优解。
更进一步的方案是：
步骤b)包括：
ⅰ.模型(1)中第二个约束条件等价于以下不等式：
ⅱ.i中第一个不等式中非凸的变量可以使用包括但不限于泰勒一阶松弛、泰勒二阶或者泰勒高阶松弛从而变为一个凸的约束条件；
ⅲ.i中第二个不等式中非凸的第三的变量可以使用包括但不限于泰勒一阶松弛、泰勒二阶或者泰勒高阶松弛从而变为一个凸的约束条件。
ⅳ.以iii中的变量定位为g(x)，使用泰勒一阶松弛为例，可以得到如下的凸函数：
其中x：，k n为迭代k次的已知x估计值；
更进一步的方案是：
步骤c)包括：
ⅰ.对原始问题(1)进行包括但不限于半正定松弛、二次锥松弛和泰勒松弛，以使得原问题变为凸问题模型(3)，以降低计算复杂度；
ⅱ.通过解问题模型(3)可以得到泰勒松弛后的问题模型所需要的初始点；
ⅲ.该问题可以使用包括但不限于内点法、梯度下降法(固定步长，变化步长)和牛顿法等成熟的凸优化算法来得到该问题的最优解和最优函数值。
更进一步的方案是：
步骤d)包括：
得到整数解的二部图匹配方法包括但不限于：最大匹配，完美匹配等方法。
更进一步的方案是：
步骤e)包括：
固定整数解后模型(2)经过泰勒松弛后就变为了一个连续凸优化问题，得到模型(4)，可以使用包括但不限于内点法、梯度下降法(固定步长，变化步长)和牛顿法等成熟的凸优化算法来得到该问题的最优解和最优函数值。
更进一步的方案是：
构建最大似然估计(MLE)模型，包括：
ⅰ.建立噪声的概率密度函数(包括但不限于服从高斯分布)：
ⅱ.计算实际到达时间表示为t0+ε；
ⅲ.目标函数为使得噪声的平方和最小化；
ⅳ.考虑的噪声信噪比(SNR)主要范围为0-100dB。
更进一步的方案是：
以使用一阶泰勒松弛为例，在步骤b)中，得到以下松弛后的最大似然估计问题模型。
Pi∈Π
其中第一个约束条件和第二个约束条件是泰勒一阶松弛后不等式约束条件。
泰勒一阶松弛后得到的模型(2)变为了一个混合整数-凸优化问题。
将整数部分松弛为0-1区间内连续变量，则模型(2)则变为了一个连续凸优化问题，可以使用成熟的凸优化方法得到最优解x*，基于此迭代更新第一个约束条件和第二个约束条件中的常数项x:,k 0直到收敛或者迭代次数超过了预设的最大迭代次数。
更进一步的方案是：
所述凸问题模型(3)具有以下形式：
凸问题模型 (3)
更进一步的方案是：
步骤e)通过二部图匹配得到混合整数凸优化问题模型(2)对应的整数解P，固定整数解后模型(2)变为了连续凸问题，可以使用前述算法得到最终的目标的位置估计信息。
本专利首先将原问题整数变量松弛为连续变量，大大降低了算法的计算复杂度，再通过使用二部图匹配得到整数解。该算法能有效提高算法的收敛速度。该方法可应用于手机定位，救援定位，雷达不明飞行物定位等领域中。
附图说明
图1为本发明流程示意图；
图2为本发明实施例1计算的门特卡罗模拟结果图；
图3为本发明实施例2计算的门特卡罗模拟结果图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
如附图1所示，基于到达时间差(TDOA)的多目标定位的泰勒松弛-分部迭代算法(TS)，是根据最大似然估计(MLE)模型得到一个混合整数非凸优化问题，通过泰勒松弛后，得到一个混合整数凸优化问题，然后得到多目标的位置估计值，包括以下步骤：
a)通过TDOA的定义，使用最大似然估计构造了一个混合整数、非凸的原始问题模型(1)；
b)通过采用泰勒松弛和二次锥松弛的方法，将原问题松弛为一个混合整数-凸优化问题模型(2)；
通过半正定松弛和二次锥松弛方法松弛原始问题模型(1)得到问题(3)，解此问题得到算法所需的位置变量的初始点；
c)通过二部图匹配得到混合整数-凸优化问题模型(2)对应的整数解P；
d)固定整数解部分，混合整数凸优化问题模型(2)对应的问题变为一个连续凸问题模型(3)，通过迭代解连续凸问题模型(3)得到连续部分的最优解。
更进一步的方案是：
步骤a)包括：
ⅰ.TDOA定义,在L维空间内，假设有K个待定位的目标x对应一个L×K矩阵，M个基站s对一个L×M矩阵，其中基站s所对应的矩阵已知，到达时间d对应的K×M矩阵已知，待定位的目标x所对应的矩阵未知。第k个目标到第i个基站和第1个基站的的到达时间差tk,i如下所示：
其中，第一个等式是TDOA的定义(含有噪声)，最后一项为噪音，不失一般性的，我们假设每个噪声都服从高斯分布，并且独立同分布；第二个等式是TOA物理的定义。
多目标定位中，假设对于每一个基站不能识别他获得的信号来自于哪一个目标(表示为)，为了识别每一个目标，我们为每一个基站引入了置换矩阵(permutationmatrix)以识别每一个目标，方法如下：
对第i个基站，可以通过其对应的置换矩阵的第k行去识别所接收的数据中对应第k个目标的到达时间差数据。
ⅱ.通过最大似然估计，目标函数为最小化噪声的2次范数，基于此我们构造了如下多目标定位模型：
Zk，i≥0，Pi∈∏
原始问题模型 (1)
其中，Pi表示第i个基站对应的置换矩阵；为第i个基站接收的TDOA数据；Zk,i表示第k个目标与第i个基站的实际TOA数据与估计数据的差异的平方；tk,i 0为待计算的第k个目标与第i个基站和第1个基站的实际TDOA值；第二个约束是TDOA的物理定义。显而易见的，该问题是一个非凸混合整数问题，现有的定位算法很难得到全局最优解。
更进一步的方案是：
步骤b)包括：
ⅰ.模型(1)中第二个约束条件等价于以下不等式：
ⅱ.i中第一个不等式中非凸的变量可以使用包括但不限于泰勒一阶松弛、泰勒二阶或者泰勒高阶松弛从而变为一个凸的约束条件；
ⅲ.i中第二个不等式中非凸的变量可以使用包括但不限于泰勒一阶松弛、泰勒二阶或者泰勒高阶松弛从而变为一个凸的约束条件。
ⅳ.以iii中的变量定位为g(x)，使用泰勒一阶松弛为例，n次迭代后可以得到如下的凸函数：
其中x:,k n为迭代k次的已知x估计值；
更进一步的方案是：
步骤c)包括：
ⅰ.对原始问题(1)进行包括但不限于半正定松弛、二次锥松弛和泰勒松弛，以使得原问题变为凸问题模型(3)，以降低计算复杂度；
ⅱ.通过求解问题模型(3)可以得到泰勒松弛后的问题模型所需要的初始点；
ⅲ.该问题可以使用包括但不限于内点法、梯度下降法(固定步长，变化步长)和牛顿法等成熟的凸优化算法来得到该问题的最优解和最优函数值。
更进一步的方案是：
步骤d)包括：
得到整数解的二部图匹配方法包括但不限于：最大匹配，完美匹配等方法。
更进一步的方案是：
步骤e)包括：
固定整数解后模型(2)经过泰勒松弛后就变为了一个连续凸优化问题，得到模型(4)，可以使用包括但不限于内点法、梯度下降法(固定步长，变化步长)和牛顿法等成熟的凸优化算法来得到该问题的最优解和最优函数值。
更进一步的方案是：
构建最大似然估计(MLE)模型，包括：
ⅰ.建立噪声的概率密度函数(服从高斯分布)：
ⅱ.计算实际到达时间表示为t0+ε；
ⅲ.目标函数为使得噪声的平方和最小化；
ⅳ.考虑的噪声信噪比(SNR)主要范围为0-100dB。
更进一步的方案是：
以使用一阶泰勒松弛为例，在步骤b)中，得到以下松弛后的最大似然估计问题模型。
Pi∈Π
其中第一个约束条件和第二个约束条件是泰勒一阶松弛后不等式约束条件。
泰勒一阶松弛后得到的模型(2)变为了一个混合整数-凸优化问题。
将整数部分松弛为0-1区间内连续变量，则模型(2)则变为了一个连续凸优化问题，可以使用成熟的凸优化方法得到最优解x*，基于此迭代更新第一个约束条件和第二个约束条件中的常数项x:,k 0直到收敛或者迭代次数超过了预设的最大迭代次数。
更进一步的方案是：
迭代初始点可以通过以下松弛凸问题求得，所述凸问题模型(3)具有以下形式：
凸问题模型 (3)
通过其他粗略松弛手段得到的解也可以作为本专利的迭代初始点。
更进一步的方案是：
步骤e)通过二部图匹配得到混合整数凸优化问题模型(2)对应的整数解P，固定整数解后模型(2)变为了连续凸问题，可以使用前述算法得到最终的目标的位置估计信息。
下面根据实际情况举出两个更具体的实施例进行说明。
实施例1
基站：
s＝
40 40 -40 -40
40 -40 40 -40
待定位的目标：
x＝
10 -20 30
-10 -25 20
信噪比
100次蒙特卡洛模拟后，计算的目标位置均方根估计误差如附图2所示。
实施例2
基站：
s＝
20 -10 -40 -40
-25 0 40 -40
待定位的目标：
x＝
10 -20 -10
-10 -25 20
100次蒙特卡洛模拟后，计算的目标位置散点图如附图3所示。
从附图2、3可以看到，门特卡罗模拟结果在经过多次模拟后具有相当的准确性。
所有数值实验都是由笔记本电脑完成，由Figure 1，Figure 2可知本专利所描述的算法能解决TDOA-MSL定位问题，在信噪比大于等于20dB时，能得到不错的数值结果，得到接近CRLB精度的估计值。
尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (10)

1.基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，是根据最大似然估计MLE模型得到一个混合整数非凸优化问题，通过泰勒松弛后，得到一个混合整数凸优化问题，然后得到多目标的位置估计值，其特征在于包括以下步骤：
a)通过TDOA的定义，使用最大似然估计构造了一个混合整数、非凸的原始问题模型；
b)通过采用泰勒松弛和二次锥松弛的方法，将原问题松弛为一个混合整数-凸优化问题模型；
c)通过半正定松弛和二次锥松弛方法松弛原始问题模型得到一问题，解此问题得到算法所需的位置变量的初始点；
d)通过二部图匹配得到混合整数-凸优化问题模型对应的整数解P；
e)固定整数解部分，混合整数－凸优化问题模型对应的问题变为一个连续凸问题模型，通过迭代解连续凸问题模型得到连续部分的最优解。
2.根据权利要求1所述基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，其特征在于：
步骤a)包括：
ⅰ.TDOA定义，在L维空间内，假设有K个待定位的目标x对应一个L×K矩阵，M个基站s对应一个L×M矩阵，其中基站s所对应的矩阵已知，到达时间d对应的K×M矩阵已知，待定位的目标x所对应的矩阵未知；第k个目标到第i个基站和第1个基站的到达时间差tk,i如下所示：
其中，第一个等式是TDOA的定义，含有噪声，最后一项为噪音，不失一般性的，我们假设每个噪声都服从高斯分布，并且独立同分布；第二个等式是TOA的定义；
多目标定位中，假设对于每一个基站不能识别他获得的信号来自于哪一个目标，表示为为了识别每一个目标，我们为每一个基站引入了置换矩阵以识别每一个目标，方法如下：
对第i个基站，可以通过其对应的置换矩阵的第k行去识别所接收的数据中对应第k个目标的到达时间差数据；
ⅱ.通过最大似然估计，目标函数为最小化噪声的2次范数，基于此构造了如下多目标定位模型，即原始问题模型：
Zk，i≥0，Pi∈Π
其中，Pi表示第i个基站对应的置换矩阵；为第i个基站接受的TDOA数据；Zk,i表示第k个目标与第i个基站的实际TDOA数据与估计数据的差异的平方；tk,i 0为待计算的第k个目标与第i个基站和第1个基站的实际TDOA值；第二个约束是TDOA的物理定义。
3.根据权利要求1所述基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，其特征在于：
步骤b)包括：
ⅰ.模型中第二个约束条件等价于以下不等式：
ⅱ.i中第一个不等式中非凸的变量可以使用包括但不限于泰勒一阶松弛、泰勒二阶或者泰勒高阶松弛从而变为一个凸的约束条件；
ⅲ.i中第二个不等式中非凸的第三的变量可以使用包括但不限于泰勒一阶松弛、泰勒二阶或者泰勒高阶松弛从而变为一个凸的约束条件；
ⅳ.以iii中的变量定位为g(x)，使用泰勒一阶松弛为例，可以得到如下的凸函数：
其中x:,k n为迭代k次的已知x估计值。
4.根据权利要求1所述基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，其特征在于：
步骤c)包括：
ⅰ.对原始问题模型进行包括但不限于半正定松弛、二次锥松弛和泰勒松弛，以使得原问题变为连续凸问题模型，以降低计算复杂度；
ⅱ.通过解连续凸问题模型可以得到泰勒松弛后的问题模型所需要的初始点；
ⅲ.该问题使用包括内点法、固定步长或变化步长的梯度下降法和牛顿法的凸优化算法来得到该问题的最优解和最优函数值。
5.根据权利要求1所述基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，其特征在于：
步骤d)包括：
得到整数解的二部图匹配方法包括：最大匹配，完美匹配方法。
6.根据权利要求1所述基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，其特征在于：
步骤e)包括：
固定整数解后混合整数－凸优化问题模型经过泰勒松弛后就变为了一个连续凸优化问题，得到一个连续凸问题模型，可以使用包括内点法、固定步长或变化步长的梯度下降法和牛顿法的凸优化算法来得到该问题的最优解和最优函数值。
7.根据权利要求2所述基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，其特征在于：
通过最大似然估计，构建最大似然估计MLE模型，包括：
ⅰ.建立噪声的概率密度函数，服从高斯分布
ⅱ.计算实际到达时间表示为t0+ε；
ⅲ.目标函数为使得噪声的平方和最小化；
ⅳ.考虑的噪声信噪比(SNR)主要范围为0-100dB。
8.根据权利要求1所述基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，其特征在于：
在步骤b)中，如果使用一阶泰勒松弛，则得到以下松弛后的最大似然估计问题模型
Pi∈∏
其中第一个约束条件和第二个约束条件是泰勒一阶松弛后不等式约束条件；
泰勒一阶松弛后得到的模型变为了一个混合整数-凸优化问题；
将整数部分松弛为0-1区间内连续变量，则混合整数-凸优化问题模型则变为了一个连续凸优化问题，可以使用成熟的凸优化方法得到最优解x*，基于此迭代更新第一个约束条件和第二个约束条件中的常数项x:,k 0直到收敛或者迭代次数超过了预设的最大迭代次数。
9.根据权利要求1所述基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，其特征在于：
获得初始点的凸问题模型具有以下形式：
10.根据权利要求1所述基于到达时间差的多目标定位的泰勒松弛-分部迭代算法，其特征在于：
步骤e)通过二部图匹配得到混合整数－凸优化问题模型对应的整数解P，固定整数解后模型变为了连续凸问题，可以使用前述算法得到最终的目标的位置估计信息。
CN201710720827.3A 2017-08-22 2017-08-22 基于到达时间差的多目标定位的泰勒松弛-分部迭代算法 Active CN107526061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710720827.3A CN107526061B (zh) 2017-08-22 2017-08-22 基于到达时间差的多目标定位的泰勒松弛-分部迭代算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710720827.3A CN107526061B (zh) 2017-08-22 2017-08-22 基于到达时间差的多目标定位的泰勒松弛-分部迭代算法

Publications (2)

Publication Number Publication Date
CN107526061A CN107526061A (zh) 2017-12-29
CN107526061B true CN107526061B (zh) 2019-07-16

Family

ID=60681623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710720827.3A Active CN107526061B (zh) 2017-08-22 2017-08-22 基于到达时间差的多目标定位的泰勒松弛-分部迭代算法

Country Status (1)

Country Link
CN (1) CN107526061B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108282788A (zh) * 2018-01-19 2018-07-13 南京航空航天大学 一种基于拟牛顿内点法的能量有效的资源分配方法
CN109840069B (zh) * 2019-03-12 2021-04-09 烟台职业学院 一种改进的自适应快速迭代收敛解方法及系统
CN110596688B (zh) * 2019-08-29 2021-06-08 电子科技大学 一种分布式mimo雷达系统中的高精度定位方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102970749A (zh) * 2012-12-03 2013-03-13 重庆市勘测院 多基站逐次逼近定位方法
CN106814357A (zh) * 2016-12-23 2017-06-09 安徽四创电子股份有限公司 用于分布式多点定位监视系统的半正定松弛时差定位方法
CN106941663A (zh) * 2017-05-16 2017-07-11 重庆邮电大学 一种融合凸优化与多目标粒子群的uwb定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7528776B2 (en) * 2007-03-22 2009-05-05 Nortel Networks Limited Beacon-assisted precision location of untethered client in packet networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102970749A (zh) * 2012-12-03 2013-03-13 重庆市勘测院 多基站逐次逼近定位方法
CN106814357A (zh) * 2016-12-23 2017-06-09 安徽四创电子股份有限公司 用于分布式多点定位监视系统的半正定松弛时差定位方法
CN106941663A (zh) * 2017-05-16 2017-07-11 重庆邮电大学 一种融合凸优化与多目标粒子群的uwb定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
无线传感器网络定位优化方法;于宁;《中国博士学位论文全文数据库 信息科技辑》;20081115(第11期);第I136-25页
无线传感器网络节点定位算法研究;诸燕平;《中国博士学位论文全文数据库 信息科技辑》;20120115(第1期);第I140-21页

Also Published As

Publication number Publication date
CN107526061A (zh) 2017-12-29

Similar Documents

Publication Publication Date Title
CN107271958B (zh) 基于到达时间的多目标定位外部逼近近似凸优化算法
Qu et al. An efficient convex constrained weighted least squares source localization algorithm based on TDOA measurements
CN107526061B (zh) 基于到达时间差的多目标定位的泰勒松弛-分部迭代算法
Amiri et al. Efficient positioning in MIMO radars with widely separated antennas
CN107526073A (zh) 一种运动多站无源时差频差联合定位方法
CN108051779B (zh) 一种面向tdoa的定位节点优选方法
CN105044662A (zh) 一种基于wifi信号强度的指纹聚类多点联合室内定位方法
CN103648164B (zh) 一种基于到达时间差和Gossip算法的无线传感器网络分布式定位方法
Adeogun Calibration of stochastic radio propagation models using machine learning
CN103220777A (zh) 一种移动设备定位系统
Chang et al. RSS-based cooperative localization in wireless sensor networks via second-order cone relaxation
CN107526712B (zh) 基于到达时间差的多目标定位外部逼近近似凸优化方法
Monica et al. Swarm intelligent approaches to auto-localization of nodes in static UWB networks
KR101081414B1 (ko) 입자 군집 최적화를 이용한 무선측위 방법
Zheng et al. Convex optimization algorithms for cooperative RSS-based sensor localization
Orlov et al. Simulation of devices mobility to estimate wireless channel quality metrics in 5G networks
CN106908760B (zh) 基于阵列自相关矩阵的单站无源定位方法
CN113567925A (zh) 一种基于超宽带技术的精准定位方法、系统、装置
CN103487784B (zh) 一种基于信号到达时间的定位方法
CN103916953B (zh) 目标定位的方法、系统及检测节点
FARD et al. Multireference TDOA-based source localization
Xiao et al. Approximate asymptotic distribution of locally most powerful invariant test for independence: Complex case
Úbeda-Medina et al. Generalizations of the auxiliary particle filter for multiple target tracking
CN111257827A (zh) 一种高精度的非视距追踪定位方法
Bailey Single platform geolocation of radio frequency emitters

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant