CN113473373B - 一种uwb室内定位方法 - Google Patents

Abstract

本发明公开了一种UWB室内定位方法，先利用顺序聚类算法改进了粒子群算法(PSO)，使其具有求解复杂多峰函数优化问题的能力。其次根据MB‑OFDM‑UWB信号的特点，利用空时MUSIC算法来估计室内多径信号的波达方向(DOA)和到达时间(TOF)，并将空时MUSIC算法的空间谱函数作为改进PSO的目标函数，来快速搜索出直达波的DOA。最后使用AOA定位算法实现了UWB信号的室内定位。本方法能够在多径信号中准确识别出直达波的DOA，且相较MUSIC算法大幅降低了谱峰搜索的用时，提升了定位速度。

Description

一种UWB室内定位方法

技术领域

本发明涉及室内定位领域，特别是指一种UWB室内定位方法。

背景技术

在室内环境中，由于墙壁、障碍物等的存在使信号产生反射和折射，从而导致多径效应的出现，使定位系统产生较大误差。MUSIC(Multiple Signal Classification多信号分类)算法是1979年由美国人R.O.Schmidt提出的，它标志着空间谱估计测向进入了繁荣发展的阶段。它将“向量空间”的概念引入了空间谱估计领域，经过三十年的发展，可以说其理论已经比较成熟。MUSIC算法是一种基于矩阵特征空间分解的方法，具有高精度和高分辨的特点，是估计DOA参数的经典算法之一。MUSIC算法主要由两个环节组成：其一是构建空间谱函数，其二是对空间谱函数进行谱峰搜索估计出入射信号的参数。

TOA定位方法，主要是根据测量接收信号在基站和移动台之间的到达时间，然后转换为距离，从而进行定位。空时MUSIC算法不仅能够估计DOA，还能同时估计每簇多径信号的飞行时间(TOF)，因此其可用于室内环境下多径信号的直达波识别，进而有效解决AOA定位算法在多径环境中失效的问题。但是，空时MUSIC算法在谱峰搜索环节采用的是等步长的网格搜索方法，在高精度要求下，网格搜索会产生巨大的计算量导致搜索时间长，最终影响空时MUSIC算法的估计性能。

因此，需要一种能够快速求解复杂多峰函数优化问题的搜索方法，来替代网格搜索，从而实现高精度、快速的DOA估计及室内定位。

发明内容

本发明的主要目的在于克服现有定位方法采用网格搜索方法，产生巨大的计算量导致搜索时间长、影响MUSIC算法的估计性能的缺陷，提出一种UWB室内定位方法，能实现UWB室内高精度、快速的直达波识别和定位。

本发明采用如下技术方案：

一种UWB室内定位方法，其特征在于，将信源的k个多径相干信号入射到具有M个阵元的均匀直线阵列，将均匀直线阵列分为p个相互交错子阵，每个子阵的阵元数为M，建立接收数据的模型，定位方法包括如下步骤：

1)通过L次快拍采样接收数据，计算数据协方差矩阵的最大似然估计，使用前向空间平滑算法修正数据协方差矩阵；

2)对数据协方差矩阵进行特征值分解，构建空间谱函数；

3)采用小生境PSO找出空间谱函数中的全部极大值点，按照函数值降序排列，取前k个点，再找出其中到达时间最小的极大值点，该点对应的DOA即直达波的波达方向；

4)使用AOA算法计算出信源的坐标。

所述接收数据的模型如下：

X(t)＝AS(t)+N(t)

其中X(t)是阵列的接收数据矢量，A是阵列的导向矩阵，其表达式为：A＝[a(θ₁，τ₁)，a(θ₂，τ₂)，...，a(θ_k，τ_k)]，式中a(θ_i，τ_i)是第i个信号的导向矢量，θ_i和τ_i分别是第i个信号的波达方向和到达时间，表达式为：

a(θ_i，τ_i)＝[Φ_i ⁰Ω_i ⁰，…，Φ_i ⁰Ω_i ^N-1，Φ_i ¹Ω_i ⁰，…，Φ_i ¹Ω_i ^N-1，...，Φ_i ^M-1Ω_i ⁰，…，Φ_i ^M-1Ω_i ^N-1]^T，其中Φ_i ^m是第i个信号到达第M个阵元时，相对于参考阵元即第0个阵元的相位差；Ω_i ⁿ是第i个信号到达阵列时，第N个子载波相对于参考子载波即第0个子载波的相位差，M为阵元数量，N为子载波数量；S(t)是k个多径相干信号的信号向量；N(t)是均值为0，方差为σ²的高斯白噪声，与入射信号不相关。

步骤1)中，通过L次快拍采样得到接收数据X(t)，据此计算数据协方差矩阵的最大似然估计：

使用前向空间平滑算法修正数据协方差矩阵，

其中R_i是第i个子阵的数据协方差矩阵。

步骤2)中，对数据协方差矩阵进行特征值分解

和U_Noise分别是大特征值对应的特征向量组成的信号子空间和小特征值对应的特征向量组成的噪声子空间；所述空间谱函数

其中，a(θ，τ)为信号的导向矢量。

步骤3)具体包括如下：

3.1)搜索范围中随机初始化N个粒子，粒子的位置表达为P＝(x₁，x₂，...x_D)，其中D是搜索空间的元数，根据空间谱函数计算出每个粒子的适应值f(P)，其中f()是空间谱函数的函数映射；

3.2)根据粒子适应值大小将所有粒子降序排列，将第一个粒子划分到第一个小生境niche₁，并将其标记为该小生境的最优粒子head₁，将i设为2；

3.3)找到与粒子P_i欧氏距离最近的小生境niche_j中的最优粒子head_j，计算这两个粒子间的中点midi_j，若[f(midi_j)＜f(P_i)]&[f(mid_ij)＜f(head_j)]为真，建立一个新的小生境，将P_i划分到其中，并标记为该小生境的最优粒子；否则，将P_i和mid_ij一同归入niche_j，并与head_j比较适应值，更新niche_j的最优粒子；

3.4)重复步骤3.3)，直到遍历完所有粒子，此时搜索空间中的粒子已经被初步聚类为多个小生境，每个小生境的年龄设置为1；

3.5)将每个小生境的年龄与预设年龄进行比较，若小于等于预设年龄，则执行广度搜索；若大于预设年龄，则执行深度搜索，每个小生境的年龄增加1；

3.6)将3.5)中深度搜索产生的新粒子，执行步骤3.3)，将其划分到小生境中；

3.7)检查两个相邻小生境是否满足独立，若不是则合并小生境；

3.8)保持粒子总数不超过最大粒子数，算法迭代数增加1；

3.9)重复3.5)至3.8)，直至算法迭代数达到预设值，结束；将所有小生境最优粒子按照函数值降序排列，则前k个极大值点即为k个入射信号的波达方向。

所述广度搜索的步骤如下：

A3.5.1)找到与小生境niche_i中的最优粒子head_i欧氏距离最近的小生境niche_j的最优粒子head_i；

A3.5.2)以head_i为中心，以head_i与head_j之间欧氏距离D_ij的一半为半径，在该范围内随机产生一个粒子；

A3.5.3)在全局范围内随机产生一个粒子，并判断所有产生的新粒子所属小生境。

所述深度搜索的步骤如下：

B3.5.1)随机选取小生境niche_i中的一个粒子P；

B3.5.2)以P为中心，以P_i到niche_i中最优粒子head_i的欧氏距离D_i的一半为半径，在该范围内随机产生一个粒子，并比较新粒子与head_i的适应值，更新niche_i的最优粒子；

B3.5.3)在全局范围内随机产生一个粒子，并判断其所属小生境。

所述步骤3.7)具体包括：3.7.1)选取一个小生境niche_i，找到与它欧式距离最近的小生境niche_j；

3.7.2)计算着两个小生境中最优粒子head_i和head_j的中点mid_ij，若[f(mid_ij)＜f(head_i)]&[f(mid_ij)＜f(head_j)]为真，则跳过该步；若为假，则合并niche_i和niche_j，并将head_i和head_j中适应值较大者标记为合并后小生境的最优粒子；

3.7.3)重复3.7.1)和3.7.2)，直至遍历完所有小生境。

步骤3.8)具体包括如下：

3.8.1)根据预设的最大粒子数和当前已有的小生境数量，计算每个小生境的平均粒子数N_AVG；

3.8.2)选取一个小生境，判断其拥有的粒子数是否超过平均粒子数N_AVG，若超过，则将其中所有粒子按照适应值降序排列，保留前N_AVG个粒子，其余粒子丢弃；若不超过，则跳过该步；

3.8.3)重复3.8.2)，直至遍历完所有小生境，算法迭代数增加1。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

1、本发明的方法，能够有效解决在室内多径环境下，由于存在反射使得阵列无法估计到信号源直达波问题，进而实现了基于AOA算法的室内定位。

2、本发明的方法结合改进的小生境PSO，其具有结构简单，策略高效的特点，能够大幅降低谱峰搜索的计算量，提升搜索速度并具有很高的精度。

3、本发明方法能够同时搜索到空间谱函数中的多个极大值点，有效克服了经典PSO仅能搜索一个极大值点的缺点，不仅可以用于基于UWB信号的L型阵列，还可以推广到其他类型信号、阵列结构的DOA估计中。

附图说明

图1为本发明方法流程图；

图2本发明中改进PSO的流程示意图；

图3为本发明定位场景图；

图4为本发明定位结果图。

以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

参见图1，一种UWB室内定位方法，应用于室内定位，解决了多径效应导致的定位误差，本发明方法的信号源可采用MB-OFDM-UWB信号，阵列采用均匀直线阵列，环境为室内多径视距环境。将信源的k个多径相干信号入射到具有M个阵元的均匀直线阵列，将均匀直线阵列分为p个相互交错子阵，每个子阵的阵元数为M，建立接收数据的模型。

接收数据的模型如下：

X(t)＝AS(t)+N(t)

其中X(t)是阵列的接收数据矢量，A是阵列的导向矩阵，

A＝[a(θ₁，τ₁)，a(θ₂，τ₂)，...，a(θ_k，τ_k)]，a(θ_i，τ_i)是第i个信号的导向矢量，

a(θ_i，τ_i)＝[Φ_i ⁰Ω_i ⁰，…，Φ_i ⁰Ω_i ^N-1，Φ_i ¹Ω_i ⁰，…，Φ_i ¹Ω_i ^N-1，...，Φ_i ^M-1Ω_i ⁰，…，Φ_i ^M-1Ω_i ^N-1]^T，

其中Φ_i ^m是第i个信号到达第M个阵元时，相对于参考阵元即第0个阵元的相位差；Ω_i ⁿ是第i个信号到达阵列时，第N个子载波相对于参考子载波即第0个子载波的相位差，M为阵元数量，N为子载波数量；S(t)是k个多径相干信号的信号向量；N(t)是均值为0，方差为σ²的高斯白噪声，与入射信号不相关。

本发明的定位方法具体包括如下步骤：

1)通过L次快拍采样接收数据X(t)，据此计算数据协方差矩阵的最大似然估计，使用前向空间平滑算法修正数据协方差矩阵。该步骤中，通过L次快拍采样接收数据，计算数据协方差矩阵的最大似然估计：

使用前向空间平滑算法修正数据协方差矩阵，

其中R_i是第i个子阵的数据协方差矩阵。

2)对数据协方差矩阵进行特征值分解，构建空间谱函数。该步骤中，对数据协方差矩阵进行特征值分解

U_Signal和U_Noise分别是大特征值对应的特征向量组成的信号子空间和小特征值对应的特征向量组成的噪声子空间；所述空间谱函数

其中，a(θ，τ)为信号的导向矢量。

3)采用小生境PSO找出空间谱函数中的全部极大值点，按照函数值降序排列，取前k个点，再找出其中到达时间最小的极大值点，该点对应的DOA即直达波的波达方向。参见图2，该步骤具体包括如下：

3.1)搜索范围中随机初始化N个粒子，粒子的位置表达为P＝(x₁，x₂，...x_D)，其中D是搜索空间的元数，根据空间谱函数计算出每个粒子的适应值f(P)，其中f()是空间谱函数的函数映射；

3.2)根据粒子适应值大小将所有粒子降序排列，将第一个粒子划分到第一个小生境niche₁，并将其标记为该小生境的最优粒子head₁，将i设为2；

3.3)找到与粒子P_i欧氏距离最近的小生境niche_j中的最优粒子head_j，计算这两个粒子间的中点mid_ij，若[f(mid_ij)＜f(P_i)]&[f(mid_ij)＜f(head_j)]为真，建立一个新的小生境，将P_i划分到其中，并标记为该小生境的最优粒子；否则，将P_i和mid_ij一同归入niche_j，并与head_j比较适应值，更新niche_j的最优粒子；

3.4)重复步骤3.3)，直到遍历完所有粒子，此时搜索空间中的粒子已经被初步聚类为多个小生境，每个小生境的年龄设置为1；

3.5)将每个小生境的年龄与预设年龄进行比较，若小于等于预设年龄，则执行广度搜索；若大于预设年龄，则执行深度搜索，每个小生境的年龄增加1。

广度搜索的步骤如下：

A3.5.1)找到与小生境niche_i中的最优粒子head_i欧氏距离最近的小生境niche_j的最优粒子head_j；

A3.5.2)以head_i为中心，以head_i与head_j之间欧氏距离D_ij的一半为半径，在该范围内随机产生一个粒子；

A3.5.3)在全局范围内随机产生一个粒子，并判断所有产生的新粒子所属小生境。

深度搜索的步骤如下：

B3.5.1)随机选取小生境niche_i中的一个粒子P；

B3.5.2)以P为中心，以P_i到niche_i中最优粒子head_i的欧氏距离D_i的一半为半径，在该范围内随机产生一个粒子，并比较新粒子与head_i的适应值，更新niche_i的最优粒子；

B3.5.3)在全局范围内随机产生一个粒子，并判断其所属小生境。

3.6)将3.5)中深度搜索产生的新粒子，执行步骤3.3)，将其划分到小生境中；

3.7)检查两个相邻小生境是否满足独立，若不是则合并小生境。具体包括：

3.7.1)选取一个小生境niche_i，找到与它欧式距离最近的小生境niche_j；

3.7.2)计算着两个小生境中最优粒子head_i和head_j的中点mid_ij，若[f(mid_ij)＜f(head_i)]&[f(mid_ij)＜f(head_j)]为真，则跳过该步；若为假，则合并niche_i和niche_j，并将head_i和head_j中适应值较大者标记为合并后小生境的最优粒子；

3.7.3)重复3.7.1)和3.7.2)，直至遍历完所有小生境。

3.8)保持粒子总数不超过最大粒子数，算法迭代数增加1。具体包括如下：

3.8.1)根据预设的最大粒子数和当前已有的小生境数量，计算每个小生境的平均粒子数N_AVe；

3.8.2)选取一个小生境，判断其拥有的粒子数是否超过平均粒子数N_AVG，若超过，则将其中所有粒子按照适应值降序排列，保留前N_AVG个粒子，其余粒子丢弃；若不超过，则跳过该步；

3.8.3)重复3.8.2)，直至遍历完所有小生境，算法迭代数增加1。

3.9)重复3.5)至3.8)，直至算法迭代数达到预设值，结束；将所有小生境最优粒子按照函数值降序排列，则前k个极大值点即为k个入射信号的波达方向。

4)使用AOA算法计算出信源的坐标。该步骤中，可将两个基站测得的直达波DOA代入AOA定位算法，计算出信号源的位置坐标。

应用举例：

场景：参见图3的室内场景。

信号源：3个多径相干的MB-OFDM-UWB信号，中心频率10GHz，子载波数量128，子载波间隔4.125MHz。其中直达波为(45°，20ns)，其余两个多径信号为(20°，40ns)、(75°，70ns)。

阵列：均匀直线阵列，阵元间距半波长，阵元数6。

建立接收数据的模型X(t)＝AS(t)+N(t)，其中：

A＝[a(θ₁，τ₁)，a(θ₂，τ₂)，a(θ₃，τ₃)]，是阵列的导向矩阵；

a(θ_i，τ_i)＝[Φ_i ⁰Ω_i ⁰，…，Φ_i ⁰Ω_i ^N-1，Φ_i ¹Ω_i ⁰，…，Φ_i ¹Ω_i ^N-1，...，Φ_i ^M-1Ω_i ⁰，…，Φ_i ^M-1Ω_i ^N-1]^T，

是第i个信号的导向矢量，其中Φ_i ^m是第i个信号到达第m个阵元时，相对于参考阵元(第0个阵元)的相位差；Ω_i ⁿ是第i个信号到达阵列时，第n个子载波相对于参考子载波(第0个子载波)的相位差。

S(t)＝[S₁(t)，S₂(t)，S₃(t)]^T，是3个多径相干信号的信号向量。

N(t)是均值为0，方差为σ²的高斯白噪声，与入射信号不相关。

1)通过500次快拍采样计算数据协方差矩阵的最大似然估计：

将均匀直线阵列分为3个相互交错子阵，每个子阵的阵元数为4，使用前向空间平滑算法修正数据协方差矩阵如下：

其中R_i是第i个子阵的数据协方差矩阵。

2)对数据协方差矩阵R进行特征值分解

和U_Noise分别是大特征值对应的特征向量组成的信号子空间和小特征值对应的特征向量组成的噪声子空间。

构建空间谱函数

函数中最大的3个极大值点的坐标就是3个多径信号的DOA和TOF。

3)采用小生境PSO找出空间谱函数中的全部极大值点，按照函数值降序排列，取前3个点，再找出其中到达时间最小的极大值点，该点对应的DOA即直达波的波达方向

3.1)在搜索范围中随机初始化200个粒子，粒子的位置可以表达为P＝(x₁，x₂)。根据空间谱函数计算出每个粒子的适应值f(P)，其中f()是空间谱函数的函数映射。

3.2)根据粒子适应值大小将所有粒子降序排列，将第一个粒子划分到第一个小生境niche₁，并将其标记为该小生境的最优粒子head₁，将i设为2。

3.3)找到与粒子P_i欧氏距离最近的小生境niche_j中的最优粒子head_j，计算这两个粒子间的中点midi_j，若[f(mid_ij)＜f(P_i)]&[f(mid_ij)＜f(head_j)]为真，建立一个新的小生境，将P_i划分到其中，并标记为该小生境的最优粒子；否则，将P_i和mid_ij一同归入niche_j，并与head_j比较适应值，更新niche_j的最优粒子。

3.4)重复3.3)，直到遍历完所有粒子。此时搜索空间中的粒子已经被初步聚类为多个小生境，每个小生境的年龄设置为1。

3.5)将每个小生境的年龄与预设年龄进行比较，若小于等于预设年龄，则执行广度搜索；若大于预设年龄，则执行深度搜索。结束后小生境的年龄增加1。

广度搜索的步骤如下：

A3.5.1)找到与小生境niche_i中的最优粒子headi欧氏距离最近的小生境niche_j的最优粒子head_j。

A3.5.2)以head_i为中心，以head_i与head_j之间欧氏距离D_ij的一半为半径，在该范围内随机产生一个粒子。

A3.5.3)在全局范围内随机产生一个粒子，并判断所属小生境。

深度搜索的步骤如下：

B3.5.1)随机选取小生境niche_i中的一个粒子P。

B3.5.2)以P为中心，以P_i到niche_i中最优粒子head_i的欧氏距离D_i的一半为半径，在该范围内随机产生一个粒子。并比较新粒子与head_i的适应值，更新niche_i的最优粒子。

B3.5.3)在全局范围内随机产生一个粒子，并判断所有产生的新粒子所属小生境。

重复3.5)，直至遍历完所有小生境。

3.6)将3.5)中深度搜索产生的新粒子，执行3.3)，将其划分到小生境中。

3.7)检查两个相邻小生境是否满足独立，若不是则合并小生境。

3.7.1)选取一个小生境niche_i，找到与它欧式距离最近的小生境niche_j。

3.7.2)计算着两个小生境中最优粒子head_i和head_j的中点mid_ij，若[f(mid_ij)＜f(head_i)]&[f(mid_ij)＜f(head_j)]为真，则跳过该步；若为假，则合并niche_i和niche_j，并将head_i和head_j中适应值较大者标记为合并后小生境的最优粒子。

3.7.3)重复3.7.1)和3.7.2)，直至遍历完所有小生境。

3.8.1)根据预设的最大粒子数和当前已有的小生境数量，计算每个小生境的平均粒子数N_AVG。

3.8.2)选取一个小生境，判断其拥有的粒子数是否超过平均粒子数N_AVG。若超过，则将其中所有粒子按照适应值降序排列，保留前N_AVG个粒子，其余粒子丢弃；若不超过，则跳过该步。

3.8.3)重复3.5)，直至遍历完所有小生境。算法迭代数增加1。

3.9)重复3.5)至3.8)，直至算法迭代数达到预设值，结束。输出所有小生境的最优粒子。将输出的极大值点按照函数值降序排列，取前3个点，再找出这3个点中TOF最小的点，该点的DOA即为直达波DOA。

4)将两个基站测得的直达波DOA代入AOA定位算法，计算出信号源的位置坐标，参见图4为定位结果图。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (8)

1.一种UWB室内定位方法，其特征在于，将信源的k个多径相干信号入射到具有M个阵元的均匀直线阵列，将均匀直线阵列分为p个相互交错子阵，每个子阵的阵元数为M，建立接收数据的模型，定位方法包括如下步骤：

1)通过L次快拍采样接收数据，计算数据协方差矩阵的最大似然估计，使用前向空间平滑算法修正数据协方差矩阵；

2)对数据协方差矩阵进行特征值分解，构建空间谱函数；

3)采用小生境PSO找出空间谱函数中的全部极大值点，按照函数值降序排列，取前k个点，再找出其中到达时间最小的极大值点，该点对应的DOA即直达波的波达方向，具体如下：

3.1)搜索范围中随机初始化N个粒子，粒子的位置表达为P＝(X₁，x₂，...x_D)，其中D是搜索空间的元数，根据空间谱函数计算出每个粒子的适应值f(P)，其中f()是空间谱函数的函数映射；

3.2)根据粒子适应值大小将所有粒子降序排列，将第一个粒子划分到第一个小生境niche₁，并将其标记为该小生境的最优粒子head₁，将i设为2；

3.3)找到与粒子P_i欧氏距离最近的小生境niche_j中的最优粒子head_j，计算这两个粒子间的中点mid_ij，若[f(mid_ij)＜f(P_i)]&[f(mid_ij)＜f(head_j)]为真，建立一个新的小生境，将P_i划分到其中，并标记为该小生境的最优粒子；否则，将P_i和mid_ij一同归入niche_j，并与head_j比较适应值，更新niche_j的最优粒子；

3.4)重复步骤3.3)，直到遍历完所有粒子，此时搜索空间中的粒子已经被初步聚类为多个小生境，每个小生境的年龄设置为1；

3.5)将每个小生境的年龄与预设年龄进行比较，若小于等于预设年龄，则执行广度搜索；若大于预设年龄，则执行深度搜索，每个小生境的年龄增加1；

3.6)将3.5)中深度搜索产生的新粒子，执行步骤3.3)，将其划分到小生境中；

3.7)检查两个相邻小生境是否满足独立，若不是则合并小生境；

3.8)保持粒子总数不超过最大粒子数，算法迭代数增加1；

3.9)重复3.5)至3.8)，直至算法迭代数达到预设值，结束；将所有小生境最优粒子按照函数值降序排列，则前k个极大值点即为k个入射信号的波达方向；

4)使用AOA算法计算出信源的坐标。

2.如权利要求1所述的一种UWB室内定位方法，其特征在于：所述接收数据的模型如下：

X(t)＝AS(t)+N(t)

其中X(t)是阵列的接收数据矢量，A是阵列的导向矩阵，其表达式为：A＝[a(θ₁，τ₁)，a(θ₂，τ₂)，...，a(θ_k，τ_k)]，式中a(θ_i，τ_i)是第i个信号的导向矢量，θ_i和τ_i分别是第i个信号的波达方向和到达时间，表达式为：a(θ_i，τ_i)＝[Φ_i ⁰Ω_i ⁰，…，Φ_i ⁰Ω_i ^N-1，Φ_i ¹Ω_i ⁰，…，Φ_i ¹Ω_i ^N-1，...，Φ_i ^M-1Ω_i ⁰，…，Φ_i ^M-1Ω_i ^N-1]^T，其中Φ_i ^m是第i个信号到达第M个阵元时，相对于参考阵元即第0个阵元的相位差；Ω_i ⁿ是第i个信号到达阵列时，第N个子载波相对于参考子载波即第0个子载波的相位差，M为阵元数量，N为子载波数量；S(t)是k个多径相干信号的信号向量；N(t)是均值为0，方差为σ²的高斯白噪声，与入射信号不相关。

3.如权利要求1所述的一种UWB室内定位方法，其特征在于，步骤1)中，通过L次快拍采样得到接收数据X(t)，据此计算数据协方差矩阵的最大似然估计：

使用前向空间平滑算法修正数据协方差矩阵，

其中R_i是第i个子阵的数据协方差矩阵。

4.如权利要求1所述的一种UWB室内定位方法，其特征在于，步骤2)中，对数据协方差矩阵进行特征值分解

U_Signal和U_Noise分别是大特征值对应的特征向量组成的信号子空间和小特征值对应的特征向量组成的噪声子空间；所述空间谱函数

其中，a(θ，τ)为信号的导向矢量。

5.如权利要求1所述的一种UWB室内定位方法，其特征在于，所述广度搜索的步骤如下：

A3.5.1)找到与小生境niche_i中的最优粒子head_i欧氏距离最近的小生境niche_j的最优粒子head_j；

A3.5.2)以head_i为中心，以head_i与head_j之间欧氏距离D_ij的一半为半径，在该范围内随机产生一个粒子；

A3.5.3)在全局范围内随机产生一个粒子，并判断所有产生的新粒子所属小生境。

6.如权利要求5所述的一种UWB室内定位方法，其特征在于，所述深度搜索的步骤如下：

B3.5.1)随机选取小生境niche_i中的一个粒子P；

B3.5.2)以P为中心，以P_i到niche_i中最优粒子head_i的欧氏距离D_i的一半为半径，在该范围内随机产生一个粒子，并比较新粒子与head_i的适应值，更新niche_i的最优粒子；

B3.5.3)在全局范围内随机产生一个粒子，并判断其所属小生境。

7.如权利要求1所述的一种UWB室内定位方法，其特征在于，所述步骤3.7)具体包括：

3.7.1)选取一个小生境niche_i，找到与它欧式距离最近的小生境niche_j；

3.7.2)计算着两个小生境中最优粒子head_i和head_j的中点mid_ij，若[f(mid_ij)＜f(head_i)]&[f(mid_ij)＜f(head_j)]为真，则跳过该步；若为假，则合并niche_i和niche_j，并将head_i和head_j中适应值较大者标记为合并后小生境的最优粒子；

3.7.3)重复3.7.1)和3.7.2)，直至遍历完所有小生境。

8.如权利要求1所述的一种UWB室内定位方法，其特征在于，步骤3.8)具体包括如下：

3.8.1)根据预设的最大粒子数和当前已有的小生境数量，计算每个小生境的平均粒子数N_AvG；

3.8.2)选取一个小生境，判断其拥有的粒子数是否超过平均粒子数N_AVG，若超过，则将其中所有粒子按照适应值降序排列，保留前N_AvG个粒子，其余粒子丢弃；若不超过，则跳过该步；

3.8.3)重复3.8.2)，直至遍历完所有小生境，算法迭代数增加1。

Images