CN115952691B - 多站无源时差交叉联合定位系统的优化布站方法及装置 - Google Patents

多站无源时差交叉联合定位系统的优化布站方法及装置 Download PDF

Info

Publication number
CN115952691B
CN115952691B CN202310224560.4A CN202310224560A CN115952691B CN 115952691 B CN115952691 B CN 115952691B CN 202310224560 A CN202310224560 A CN 202310224560A CN 115952691 B CN115952691 B CN 115952691B
Authority
CN
China
Prior art keywords
station
particle
optimal
formula
time difference
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
CN202310224560.4A
Other languages
English (en)
Other versions
CN115952691A (zh
Inventor
纪丽华
刘然
邵云龙
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.)
Nanjing Thunderbolt Information Technology Co ltd
Original Assignee
Nanjing Leading Information Technology Co ltd
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 Nanjing Leading Information Technology Co ltd filed Critical Nanjing Leading Information Technology Co ltd
Priority to CN202310224560.4A priority Critical patent/CN115952691B/zh
Publication of CN115952691A publication Critical patent/CN115952691A/zh
Application granted granted Critical
Publication of CN115952691B publication Critical patent/CN115952691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种多站无源时差交叉联合定位系统的优化布站方法及装置，方法包括步骤：建立无源时差交叉联合定位系统的最优布站模型，包括定义自变量，建立约束条件和衡量目标区域整体的定位精度的适应度函数；运用粒子群算法迭代求解所述最优布站模型的个体最优解和群体最优解。本发明将多站无源时差交叉联合定位优化布站问题转化为求解最优解问题，通过求解适应度函数的最小值，从而得到该最小值所对应的最优布站位置坐标，相比传统布站方式，本发明能够快速得到多站最优布站位置，提高目标的定位精度。

Description

多站无源时差交叉联合定位系统的优化布站方法及装置
技术领域
本发明涉及多站无源定位技术领域，具体涉及一种多站无源时差交叉联合定位系统的优化布站方法及装置。
背景技术
在现代高技术战争中，电子战已经发展成一种独立的战争方式，而无源定位技术作为电子战中十分重要的侦查手段，具有隐秘性强、作战距离远、定位方法多等优势。
常见的无源定位方法有许多种，如测向交叉(Angle of Arrival，AOA)定位、时差(Time Difference Of Arrival，TDOA)定位、时差-交叉(Time Difference Of Arrival-Angle of Arrival，TDOA-AOA)联合定位等等。测向交叉定位体制依赖于测角的精度，其定位精度会因目标到观测站距离的增加而迅速恶化，而时差定位最少需要三个以上观测站才能实现对目标的定位。在无源定位系统中，影响定位精度的主要因素有测量误差、站址误差以及布站方式等。在测量误差与站址误差一定的情况下，合理的布站方式能够有效提高对目标的定位精度。
目前，国内外学者对无源定位系统的定位及优化布站研究成果，主要集中于测向交叉定位以及时差定位两种定位体制。此外，由于群智能算法具有自学习性、自适应性、自组织性等智能特征，因此广泛运用于迭代寻优、数据聚类等问题中。汪波在其发表的论文“基于遗传算法的TDOA-AOA定位系统的最优布站算法”中，利用遗传算法对定位模型进行求解，当目标区域的定位误差的克拉美罗下界平均值最小时，对应的布站结果即为所求解的最优布站方式。对于遗传算法，首先需要对待求解问题进行编码，找到最优解后再对问题解码，因此编程实现比较复杂；另外，其在寻优过程中存在收敛速度慢、局部搜索能力差等缺点。
发明内容
技术目的：为提高对指定目标区域的定位精度，解决现有最优布站优化算法中收敛速度慢、局部搜索能力差等问题，本发明提出一种多站无源时差交叉联合定位系统的优化布站方法及装置，通过建立时差交叉联合定位模型，综合了测向交叉定位和时差定位两种体制的优势，运用粒子群优化算法求解时差交叉联合定位模型的最优解，具有收敛速度快、定位精度高，兼顾局部搜索能力和全局搜索能力等优点，能够减少运算时间，提高对目标区域的定位精度，获得指定目标区域定位的优化布站位置。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
一种多站无源时差交叉联合定位系统的优化布站方法，其特征在于，包括：
步骤1、建立无源时差交叉联合定位系统的最优布站模型：
步骤1.1、定义观测站的坐标位置为最优布站模型中的自变量；
步骤1.2、根据目标区域和观测站布站区域，建立自变量的约束条件；
步骤1.3、建立衡量目标区域整体的定位精度的适应度函数
Figure SMS_1
；/>
S2、运用粒子群算法求解所述最优布站模型的最优解：
S2.1、所述无源时差交叉联合定位系统中的观测站的个数为每个粒子的维度数，初始化粒子种群参数，包括粒子种群规模、粒子的初始位置、粒子的初始速度、粒子搜索空间维数和迭代次数；
S2.2、根据粒子的初始位置和初始速度，利用适应度函数
Figure SMS_2
评价各个粒子的当前适应度值；
S2.3、将粒子的初始位置赋值给个体最优解即个体最优位置
Figure SMS_3
，将所有粒子的当前适应度值进行比较，找出最小适应度值并赋值给群体最优解，即群体最优位置/>
Figure SMS_4
；
S2.4、更新粒子群速度和位置，同时确保粒子群不超出观测站布站区域；
S2.5、利用适应度函数
Figure SMS_5
评价步骤S2.4计算更新后的粒子适应度值，与前一次迭代结果进行比较，并更新粒子的个体最优解和群体最优解；
S2.6、判断是否达到预设的迭代次数，若是，则停止迭代，输出当前的迭代结果，即为最优布站结果，若不满足则返回步骤S2.4。
作为优选，所述步骤S1.2中，所述约束条件表示为式（1）
Figure SMS_6
（1）
其中，表示
Figure SMS_7
表示观测站位置，/>
Figure SMS_8
辐射源目标位置，/>
Figure SMS_9
表示观测站布站范围，/>
Figure SMS_10
表示目标区域；
步骤S1.3中，将所述无源时差交叉联合定位系统中的目标区域GDOP的平均值作为适应度函数
Figure SMS_11
，表示为式（2）：
Figure SMS_12
(2)
Figure SMS_13
为目标区域中，/>
Figure SMS_14
为目标区域中各个点的GDOP值。
作为优选，所述无源时差交叉联合定位系统中的目标区域中各个点的GDOP通过式（19）确定：
Figure SMS_15
（19）
其中，
Figure SMS_16
为定位误差的协方差矩阵，通过式（18）确定：
Figure SMS_17
（18）
其中，
Figure SMS_18
为定位误差，通过式（17）确定：
Figure SMS_19
（17）
其中，
Figure SMS_20
表示测量误差， />
Figure SMS_21
表示站址误差，/>
Figure SMS_22
为系数矩阵，测量误差 />
Figure SMS_23
中包括从各观测站测得辐射源目标的方位角和俯仰角的测角误差，以及辐射源目标到各观测站与到各个辅站之间的距离差误差，距离差通过计算辐射源目标到各观测站与到各个辅站之间的时间差和电磁波传播速度的乘积获得。
作为优选，其特征在于，所述步骤S2.1中，假设种群中粒子的个数为
Figure SMS_24
，目标所在的搜索空间维度为 />
Figure SMS_25
，则空间中第/>
Figure SMS_26
个粒子的位置表示为/>
Figure SMS_27
维向量， />
Figure SMS_28
，即式（20）：
Figure SMS_29
(20)
空间中第
Figure SMS_30
个粒子的速度表示为式（22）：
Figure SMS_31
(22)
步骤2.3中，第
Figure SMS_32
个粒子在当前时刻搜索到个体最优位置为
Figure SMS_33
，则整个粒子群在当前时刻搜索到的群体最优位置表示为式（23）：
Figure SMS_34
(23)
上标
Figure SMS_35
表示第 />
Figure SMS_36
次迭代；
步骤2.4中，根据式（24）更新粒子群位置和速度：
Figure SMS_37
(24)
式中，
Figure SMS_39
表示第 />
Figure SMS_43
个粒子；上标 />
Figure SMS_45
表示第 />
Figure SMS_40
次迭代； />
Figure SMS_42
为惯性权重； />
Figure SMS_44
为自我学习因子，/>
Figure SMS_46
为种群学习因子；/>
Figure SMS_38
与/>
Figure SMS_41
为0~1的随机数。
一种多站无源时差交叉联合定位系统的优化布站装置，其特征在于，包括：
最优布站模型建模块，用于建立无源时差交叉联合定位系统的最优布站模型；
粒子群算法计算模块，用于运用粒子群算法求解所述最优布站模型的最优解；
其中，最优布站模型建模块包括：
定义模块，用于定义观测站的坐标位置为最优布站模型中的自变量；
约束条件建立模块，用于根据目标区域和观测站布站区域，建立自变量的约束条件；
适应度函数建立模块，用于建立衡量目标区域整体的定位精度的适应度函数
Figure SMS_47
；
所述粒子群算法计算模块包括：
初始化模块，用于将所述无源时差交叉联合定位系统中的观测站的个数为每个粒子的维度数，初始化粒子种群参数，包括粒子种群规模、粒子的初始位置、粒子的初始速度、粒子搜索空间维数和迭代次数；
当前适应度计算模块，用于根据粒子的初始位置和初始速度，利用适应度函数
Figure SMS_48
计算各个粒子的当前适应度值；
当前最优解求解模块，将粒子的初始位置赋值给个体最优解即个体最优位置
Figure SMS_49
，将所有粒子的当前适应度值进行比较，找出最小适应度值并赋值给群体最优解，即群体最优位置 />
Figure SMS_50
；
粒子群速度和位置更新模块，用于更新粒子群速度和位置，同时确保粒子群不超出观测站布站区域；
迭代计算模块，用于利用适应度函数
Figure SMS_51
评价更新后的粒子适应度值，与前一次迭代结果进行比较，并更新粒子的个体最优解和群体最优解；
输出模块，用于判断是否达到预设的迭代次数，若是，则停止迭代，输出当前的迭代结果，即为最优布站结果，若不满足则反馈给粒子群速度和位置更新模块。
一种计算机可读储存介质，其特征在于，所述计算机可读储存介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法。
有益效果：由于采用了上述技术方案，本发明具有如下有益效果：
（1）本发明将多站无源时差-交叉联合定位优化布站问题转化为求解最优解问题，通过求解适应度函数的最小值，从而得到该最小值所对应的最优布站位置坐标。与传统布站方式相比，本发明所提方法能够快速得到多站最优布站位置，提高目标的定位精度；
（2）本发明运用粒子群算法求解最优布站模型。粒子群算法中每个粒子都有其位置和速度，在求解最优化问题时更容易找到全局最优解，而不会被困在局部最优。与遗传算法相比，粒子群算法具有收敛速度快、需调节的参数少，编码简单等优势。
附图说明
图1为本发明提出一种时差-交叉联合联合定位场景示意图；
图2为粒子群算法流程图；
图3为三维空间下布站区域与目标区域示意图；
图4为三种算法的平均定位精度随迭代次数变化曲线；
图5为三种算法最优布站坐标分布图。
具体实施方式
下面结合附图对本发明的实施例作详细的说明。
本发明提出一种基于粒子群算法的时差交叉联合定位系统的最优布站方法，将时差交叉联合定位最优布站问题转化为粒子群算法寻优问题，在不断迭代过程中通过适应度函数评价粒子的优化状态，根据个体最优适应度和群体最优适应度来更新粒子的位置和速度状态，在迭代过程中不断向最优解接近，最终得到优化结果。多次迭代完成后，粒子群中历史适应度最优时对应的粒子位置即为所求最优布站位置。
实施例一
本实施例提出一种基于粒子群算法的时差交叉联合定位系统最优布站方法，具体包括：
步骤1、建立无源时差交叉联合定位最优布站模型；
步骤1.1、定义自变量：定义观测站的坐标位置为优化模型中的自变量；
步骤1.2、建立约束条件：令目标区域和观测站布站区域作为粒子群算法中自变量的约束条件；
步骤1.3、建立适应度函数：粒子群优化算法求解最优布站的过程，即为寻找在布站约束范围内，使得目标区域平均定位精度最小布站结果的过程。在无源定位中，通常以几何稀释精度(GDOP)来衡量定位算法的性能，GDOP反映了观测站对目标定位精度的几何分布，其值越小，则表明定位精度越高。因此，用目标区域GDOP的平均值来衡量目标区域整体的定位精度，即将目标区域平均GDOP作为适应度函数，在粒子群优化过程中衡量每个粒子的优化状态，最终寻找到定位精度最低时的布站结果。
步骤2：运用粒子群算法求解无源时差-交叉联合定位最优布站模型，并得到该模型的最优解。
步骤2.1：对粒子种群规模、迭代次数、粒子搜索空间维数、初始位置、初始速度等参数进行初始化；
步骤2.2：根据粒子的初始位置及速度，计算当前适应度值；
步骤2.3：将粒子的初始位置赋值给个体最优解
Figure SMS_52
，将所有适应度值进行比较，找出最小值并赋值给群体最优解 />
Figure SMS_53
；
步骤2.4：更新粒子群速度和位置，同时其确保不超出边界；
步骤2.5：计算更新后的粒子适应度值，与前一次迭代结果进行比较并更新粒子的个体最优解和群体最优解；
步骤2.6：若满足条件（达到最大迭代次数）则输出最优解，不满足则返回步骤2.4。
下面结合附图对本发明的实现步骤做出详细说明。
步骤1：建立无源时差-交叉联合定位最优布站模型；
其具体步骤为：
首先，定义观测站位置坐标为无源时差-交叉定位系统优化布站模型的自变量。其次，定位系统在求解最优布站时，需约束辐射源目标范围与布站范围。假设辐射源目标位置为
Figure SMS_54
，观测站位置为/>
Figure SMS_55
，目标区域为/>
Figure SMS_56
，定位系统布站范围为/>
Figure SMS_57
，则优化布站模型的约束条件可表示为：
Figure SMS_58
(1)
粒子群优化算法求解最优布站的过程，即为寻找在布站约束范围内使得目标区域平均定位精度最小布站结果的过程。因此，用目标区域GDOP的平均值来衡量目标区域整体的定位精度，即将目标区域平均GDOP作为适应度函数，在粒子群优化过程中衡量每个粒子的优化状态，最终寻找到定位精度最低时的布站结果。此外，也可以使用衡量定位精度的参数CRLB（克拉美罗下界）、RMS（均方根）等。
适应度函数用公式描述为：
Figure SMS_59
(2)
式中，
Figure SMS_60
为目标区域。
为简化计算，将目标区域离散化，则适应度函数可表示为：
Figure SMS_61
(3)
其中，N为目标区域中的离散点个数，
Figure SMS_62
为每个点的GDOP值。
通过自变量、约束条件与适应度函数建立无源时差-交叉联合定位最优布站模型，求解该最优化模型，即在观测站布站区域和目标区域内，运用粒子群算法对表示定位精度的适应度函数Fit进行迭代寻优。当Fit函数取最小值，此时所对应的布站方式即为最优布站方式。
接下来推导时差-交叉联合定位的GDOP。三维空间中定位场景如图1所示。假设存在N个观测站，固定地面中某点为原点建立空间直角坐标系O-XYZ，主站坐标
Figure SMS_63
，辅站坐标/>
Figure SMS_64
，辐射源目标坐标/>
Figure SMS_65
。假设第/>
Figure SMS_66
个观测站测得目标的方位角与俯仰角分别为/>
Figure SMS_67
、/>
Figure SMS_68
，根据观测站与辐射源目标的几何关系可得：
Figure SMS_69
(4)
辐射源目标到达各个观测站的距离可表示为：
Figure SMS_70
(5)
则目标到主站与到达各个辅站之间的距离差表示为：
Figure SMS_71
(6)
其中，
Figure SMS_72
为目标到主站与到辅站之间的时间差。
联立式(4)与式(6)：
Figure SMS_73
(7)
将式(7)表示为向量形式：
Figure SMS_74
(8)
式中，
Figure SMS_75
为含有测量误差的距离差与角度值数据，/>
Figure SMS_76
为不含误差的距离差与角度值数据，
Figure SMS_77
为测量误差。
时差-交叉联合定位即为在已知观测站的位置与测量值的基础上，对目标位置进行求解的过程。
对式(7)求全微分得：
Figure SMS_78
(9)
其中：
Figure SMS_79
(10)
将式(9)整理为矩阵形式：
Figure SMS_80
(11)
式(11)中，为系数矩阵，、以及表示为：
Figure SMS_81
(12)
将式(10)写为矩阵形式：
Figure SMS_82
(13)
其中，
Figure SMS_83
为站址误差的系数矩阵，/>
Figure SMS_84
、/>
Figure SMS_85
分别为：
Figure SMS_86
(14)
假设方位角、俯仰角的测角误差的方差为
Figure SMS_87
、/>
Figure SMS_88
，时差误差的方差为/>
Figure SMS_89
，则距离差误差的方差为/>
Figure SMS_90
，其中/>
Figure SMS_91
为电磁波传播速度。因此，测量误差的协方差矩阵可表示为：
Figure SMS_92
(15)
令
Figure SMS_93
为站址误差的方差，则站址误差的协方差矩阵为：
Figure SMS_94
(16)
利用伪逆法求定位误差得：
Figure SMS_95
(17)
则定位误差的协方差矩阵为：
Figure SMS_96
(18)
因此，时差-交叉联合联合定位的GDOP为：
Figure SMS_97
(19)/>
本发明建立无源时差交叉联合定位系统的最优布站模型，利用了观测站的时差信息，而且综合了角度的信息，定位更加精准算，可对目标辐射源定位进行最优布站分析。
步骤2：运用粒子群算法对定位系统进行优化布站。
如图2所示，其具体步骤为：
步骤2.1：初始化粒子状态：
在步骤2.1中，首先初始化粒子的位置和速度，在接下来的迭代过程中，粒子的速度和位置随着每次迭代而更新。假设种群中粒子的个数为N，目标所在的搜索空间维度为M，则空间中第i个粒子的位置可由M维向量表示：
Figure SMS_98
(20)
在时差-交叉联合定位优化布站系统中，固定主站后，需优化3个观测站坐标，因此粒子维度为9，则式(20)表示为：
Figure SMS_99
(21)
空间中第
Figure SMS_100
个粒子的速度可表示为：
Figure SMS_101
(22)
步骤2.2：根据粒子的初始状态，利用Fit函数计算当前适应度值，
步骤2.3：根据当前适应度值，得到个体最优解和群体最优解：
若第
Figure SMS_102
个粒子在当前时刻搜索到个体最优位置为/>
Figure SMS_103
，则整个粒子群在当前时刻搜索到的最优位置为：
Figure SMS_104
(23)
步骤2.4：更新粒子状态：
在此步骤中，根据下式（24）重新更新每个粒子的速度和位置，再用适用度函数评价当前迭代下粒子的状态，挑出群体最优，替换掉上次迭代时所得到的最优值。粒子群位置和速度更新表达式为：
Figure SMS_105
(24)
式中，
Figure SMS_108
表示第/>
Figure SMS_111
个粒子；上标/>
Figure SMS_115
表示第/>
Figure SMS_107
次迭代；/>
Figure SMS_112
为惯性权重；/>
Figure SMS_116
为自我学习因子，
Figure SMS_118
为种群学习因子；/>
Figure SMS_106
与/>
Figure SMS_110
为0~1的随机数；/>
Figure SMS_114
表示第/>
Figure SMS_117
个粒子速度，/>
Figure SMS_109
表示第/>
Figure SMS_113
个粒子的位置。
式(24)速度更新表达式中，第一项
Figure SMS_119
为惯性权重与当前粒子速度相乘，表征粒子当前速度对粒子之后运动轨迹的影响；第二项/>
Figure SMS_120
表现为粒子本身的最优位置与当前位置的距离，表征粒子自身运动经验对之后运动轨迹的影响；第三项/>
Figure SMS_121
表现为粒子群体最优位置与当前位置的距离，表征粒子群体搜索经验对之后运动轨迹的影响。
步骤2.5：计算更新后的粒子适应度值，与前一次迭代结果进行比较并更新粒子的个体最优解和群体最优解；
步骤2.6：若达到最大迭代次数，则输出最优解即为无源时差-交叉联合定位的最优布站结果；不满足则返回步骤2.4，继续更新粒子状态。
结合图3至图5对本发明提供的一种基于粒子群算法的多站时差-交叉联合定位优化布站方法的效果通过仿真实验进行验证。
在固定主站的情况下，需要优化的观测站设置为3个；观测站区域为：
Figure SMS_129
轴方向
Figure SMS_123
，/>
Figure SMS_133
轴方向/>
Figure SMS_127
，/>
Figure SMS_131
轴方向/>
Figure SMS_137
，目标区域为：/>
Figure SMS_138
轴方向
Figure SMS_128
，/>
Figure SMS_135
轴方向/>
Figure SMS_122
，/>
Figure SMS_134
轴为15km。观测站与目标区域示意图如图3所示。粒子群优化算法参数设置为：最大迭代次数/>
Figure SMS_124
；；粒子群规模/>
Figure SMS_130
；粒子搜索维度/>
Figure SMS_126
；自我学习因子/>
Figure SMS_132
，种群学习因子/>
Figure SMS_125
；惯性权重/>
Figure SMS_136
随迭代次数线性递减，表达式为：
Figure SMS_139
(25)
其中，
Figure SMS_140
为初始惯性权重，/>
Figure SMS_141
为最后一次迭代时的惯性权重，/>
Figure SMS_142
为当前迭代次数，/>
Figure SMS_143
为最大迭代次数。为加速收敛，取/>
Figure SMS_144
为0.9，/>
Figure SMS_145
为0.4。
为验证粒子群优化算法优化布站的有效性，对比遗传算法(Genetic Algorithm，GA)与模拟退火算法(Simulated annealing algorithm，SA)优化布站的仿真结果，如图4~图5所示。三种算法所得最优布站位置坐标与对目标区域的平均定位精度如表1所示。
表1三种算法最优布站结果对比
Figure SMS_146
图4为三种优化布站算法随迭代次数增加，对目标区域的平均定位精度收敛曲线；图5为三种算法寻优得到的最优布站位置坐标三维分布图。
根据图4~图5，对比表1中相关结果，可得结论：粒子群优化算法、遗传算法与模拟退火算法的GDOP平均值均随迭代次数增加而逐渐减少，最终收敛于某一稳定值。粒子群算法的平均GDOP收敛于0.2354km，而遗传算法平均GDOP收敛于0.3317km，模拟退火算法平均GDOP收敛于0.3185km。因此相较于其他两种算法，粒子群优化算法最终收敛结果更低。
实施例二
本实施例提出一种多站无源时差交叉联合定位系统的优化布站装置，可用于实现实施例一所述方法，包括：
最优布站模型建模块，用于建立无源时差交叉联合定位系统的最优布站模型；
粒子群算法计算模块，用于运用粒子群算法求解所述最优布站模型的最优解；
其中，最优布站模型建模块包括：
定义模块，用于定义观测站的坐标位置为最优布站模型中的自变量；
约束条件建立模块，用于根据目标区域和观测站布站区域，建立自变量的约束条件；
适应度函数建立模块，用于建立衡量目标区域整体的定位精度的适应度函数
Figure SMS_147
；
所述粒子群算法计算模块包括：
初始化模块，用于将所述无源时差交叉联合定位系统中的观测站的个数为每个粒子的维度数，初始化粒子种群参数，包括粒子种群规模、粒子的初始位置、粒子的初始速度、粒子搜索空间维数和迭代次数；
当前适应度计算模块，用于根据粒子的初始位置和初始速度，利用适应度函数
Figure SMS_148
评价各个粒子的当前适应度值；
当前最优解求解模块，将粒子的初始位置赋值给个体最优解即个体最优位置
Figure SMS_149
，将所有粒子的当前适应度值进行比较，找出最小适应度值并赋值给群体最优解，即群体最优位置/>
Figure SMS_150
；
粒子群速度和位置更新模块，用于更新粒子群速度和位置，同时确保粒子群不超出观测站布站区域；
迭代计算模块，用于利用适应度函数
Figure SMS_151
评价更新后的粒子适应度值，与前一次迭代结果进行比较，并更新粒子的个体最优解和群体最优解；
输出模块，用于判断是否达到预设的迭代次数，若是，则停止迭代，输出当前的迭代结果，即为最优布站结果，若不满足则反馈给粒子群速度和位置更新模块。
针对多站无源定位系统中，典型布站方式无法达到更高定位精度的问题，本发明提出了基于粒子群优化算法的时差-交叉联合定位优化布站算法，利用粒子群优化算法寻优得到最优布站方式，从而提高目标区域的定位精度。首先分析了三维时差-交叉联合定位系统模型，并推导了目标定位的GDOP，以目标区域平均GDOP最小为适应度函数，衡量粒子群的优化程度，在不断迭代过程中寻优，最终找到最优布站方式并输出最优布站位置坐标。与遗传算法与模拟退火算法相比，粒子群优化算法具有算法简单、计算效率快，且求解的布站结果定位精度更高等优点。理论推导与仿真结果表明本发明方法在多站无源定位实际应用中具有一定的参考和指导意义。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (5)

1.一种多站无源时差交叉联合定位系统的优化布站方法，其特征在于，包括：
步骤S1、建立无源时差交叉联合定位系统的最优布站模型：
步骤S1.1、定义观测站的坐标位置为最优布站模型中的自变量；
步骤S1.2、根据目标区域和观测站布站区域，建立自变量的约束条件；
步骤S1.3、建立衡量目标区域整体的定位精度的适应度函数Fit；
S2、运用粒子群算法求解所述最优布站模型的最优解：
S2.1、所述无源时差交叉联合定位系统中的观测站的个数为每个粒子的维度数，初始化粒子种群参数，包括粒子种群规模、粒子的初始位置、粒子的初始速度、粒子搜索空间维数和迭代次数；
S2.2、根据粒子的初始位置和初始速度，利用适应度函数Fit评价各个粒子的当前适应度值；
S2.3、将粒子的初始位置赋值给个体最优解即个体最优位置Pbest，将所有粒子的当前适应度值进行比较，找出最小适应度值并赋值给群体最优解，即群体最优位置Gbest；
S2.4、更新粒子群速度和位置，同时确保粒子群不超出观测站布站区域；
S2.5、利用适应度函数Fit评价步骤S2.4更新后的粒子适应度值，与前一次迭代结果进行比较，并更新粒子的个体最优解和群体最优解；
S2.6、判断是否达到预设的迭代次数，若是，则停止迭代，输出当前的迭代结果，即为最优布站结果，若不满足则返回步骤S2.4；
步骤S1.3中，将所述无源时差交叉联合定位系统中的目标区域GDOP的平均值作为适应度函数Fit，表示为式(2)：
Figure FDA0004202142120000011
V为目标区域中，GDOP为目标区域中各个点的GDOP值；
所述无源时差交叉联合定位系统中的目标区域GDOP以如下方法推导获得：
假设三维空间中定位场景存在N个观测站，建立空间直角坐标系O-XYZ，主站坐标S0(x0,y0,z0)，辅站坐标Si(xi,yi,zi),(i＝1,2,…,N-1)，辐射源目标坐标ST(x,y,z)；
假设第i个观测站测得目标的方位角与俯仰角分别为θi、
Figure FDA0004202142120000012
根据观测站与辐射源目标的几何关系得到式(4)：
Figure FDA0004202142120000021
辐射源目标到达各个观测站的距离表示为式(5)：
Figure FDA0004202142120000022
则目标到主站与到达各个辅站之间的距离差表示为式(6)：
Δri0＝ri-r0＝c·Δti0 (6)
其中，Δti0为目标到主站与到辅站之间的时间差；
联立式(4)与式(6)，得到式(7)：
Figure FDA0004202142120000023
将式(7)表示为式(8)向量形式：
Figure FDA0004202142120000024
其中，
Figure FDA0004202142120000025
为含有测量误差的距离差与角度值数据；
Figure FDA0004202142120000026
为不含误差的距离差与角度值数据；
Figure FDA0004202142120000027
为测量误差；
对式(7)求全微分得式(9)：
Figure FDA0004202142120000031
式(9)中的kθi、
Figure FDA0004202142120000032
ki,0表示为式(10)：
Figure FDA0004202142120000033
将式(9)整理为式(11)矩阵形式：
dV＝FdX+dXs (11)
式(11)中，dV、dX以及dXs表示为式(12)：
Figure FDA0004202142120000034
将式(10)写为式(13)矩阵形式：
K＝HdXi (13)
其中，H为站址误差的系数矩阵，K、dXi表示为式(14)：
Figure FDA0004202142120000035
假设方位角、俯仰角的测角误差的方差为
Figure FDA0004202142120000036
时差误差的方差为/>
Figure FDA0004202142120000037
则距离差误差的方差为/>
Figure FDA0004202142120000038
其中c为电磁波传播速度，测量误差的协方差矩阵可表示为式(15)：
Figure FDA0004202142120000041
令
Figure FDA0004202142120000042
为站址误差的方差，则站址误差的协方差矩阵表示为式(16)：
Figure FDA0004202142120000043
利用伪逆法求定位误差得式(17)：
dX＝(FTF)-1FT(dV-dXS) (17)
则根据式(17)，计算式(18)，得到定位误差的协方差矩阵：
PdX＝E[dX·dXT]＝(FTF)-1FT{E[dV·dVT]+E[dXS·dXS T]}F(FTF)-1 (18)
根据式(18)，计算式(19)：
Figure FDA0004202142120000044
式(19)得到的GDOP即为无源时差交叉联合定位系统中的目标区域式(19)。
2.根据权利要求1所述的多站无源时差交叉联合定位系统的优化布站方法，其特征在于，所述步骤S1.2中，所述约束条件表示为式(1)
{T∈R1,S∈R2}(1)
其中，表示T表示观测站位置，S辐射源目标位置，R1表示观测站布站范围，R2表示目标区域。
3.根据权利要求1所述的多站无源时差交叉联合定位系统的优化布站方法，其特征在于，所述步骤S2.1中，假设种群中粒子的个数为N，目标所在的搜索空间维度为M，则空间中第i个粒子的位置表示为M维向量，i＝1,2,…,N，即式(20)：
Ui＝[Ui1,Ui2,…,UiM] (20)
空间中第i个粒子的速度表示为式(22)：
Vi＝[Vi1,Vi2,…,ViM] (22)
步骤2.3中，第i个粒子在当前时刻搜索到个体最优位置为
Figure FDA0004202142120000045
则整个粒子群在当前时刻搜索到的群体最优位置表示为式(23)：
Gt＝min[P1 t,P2 t,…,PN t] (23)
上标t表示第t次迭代；
步骤2.4中，根据式(24)更新粒子群位置和速度：
Figure FDA0004202142120000051
式中，i表示第i个粒子；上标t表示第t次迭代；w为惯性权重；c1为自我学习因子，c2为种群学习因子；r1与r2为0～1的随机数。
4.一种多站无源时差交叉联合定位系统的优化布站装置，用于实现权利要求1至3任一所述方法，其特征在于，包括：
最优布站模型建模块，用于建立无源时差交叉联合定位系统的最优布站模型；
粒子群算法计算模块，用于运用粒子群算法求解所述最优布站模型的最优解；
其中，最优布站模型建模块包括：
定义模块，用于定义观测站的坐标位置为最优布站模型中的自变量；
约束条件建立模块，用于根据目标区域和观测站布站区域，建立自变量的约束条件；
适应度函数建立模块，用于建立衡量目标区域整体的定位精度的适应度函数Fit；
所述粒子群算法计算模块包括：
初始化模块，用于将所述无源时差交叉联合定位系统中的观测站的个数为每个粒子的维度数，初始化粒子种群参数，包括粒子种群规模、粒子的初始位置、粒子的初始速度、粒子搜索空间维数和迭代次数；
当前适应度计算模块，用于根据粒子的初始位置和初始速度，利用适应度函数Fit评价各个粒子的当前适应度值；
当前最优解求解模块，将粒子的初始位置赋值给个体最优解即个体最优位置Pbest，将所有粒子的当前适应度值进行比较，找出最小适应度值并赋值给群体最优解，即群体最优位置Gbest；
粒子群速度和位置更新模块，用于更新粒子群速度和位置，同时确保粒子群不超出观测站布站区域；
迭代计算模块，用于利用适应度函数Fit评价更新后的粒子适应度值，与前一次迭代结果进行比较，并更新粒子的个体最优解和群体最优解；
输出模块，用于判断是否达到预设的迭代次数，若是，则停止迭代，输出当前的迭代结果，即为最优布站结果，若不满足则反馈给粒子群速度和位置更新模块。
5.一种计算机可读储存介质，其特征在于，所述计算机可读储存介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述方法。
CN202310224560.4A 2023-03-10 2023-03-10 多站无源时差交叉联合定位系统的优化布站方法及装置 Active CN115952691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310224560.4A CN115952691B (zh) 2023-03-10 2023-03-10 多站无源时差交叉联合定位系统的优化布站方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310224560.4A CN115952691B (zh) 2023-03-10 2023-03-10 多站无源时差交叉联合定位系统的优化布站方法及装置

Publications (2)

Publication Number Publication Date
CN115952691A CN115952691A (zh) 2023-04-11
CN115952691B true CN115952691B (zh) 2023-06-13

Family

ID=85906905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310224560.4A Active CN115952691B (zh) 2023-03-10 2023-03-10 多站无源时差交叉联合定位系统的优化布站方法及装置

Country Status (1)

Country Link
CN (1) CN115952691B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116736219B (zh) * 2023-05-16 2024-03-29 南京雷电信息技术股份有限公司 基于改进粒子群算法的无源tdoa-fdoa联合定位优化布站方法
CN116801288B (zh) * 2023-06-25 2024-01-26 中电佰联通信科技南京有限公司 基于粒子群与遗传算法的自组织网络拓扑优化方法和系统
CN117010132B (zh) * 2023-09-27 2023-12-26 中国船舶集团有限公司第七一九研究所 一种水下多基地声纳系统的空间阵位优化方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106501767A (zh) * 2016-10-13 2017-03-15 哈尔滨工程大学 一种运动多站无源时差定位方法
CN110167138B (zh) * 2019-05-23 2021-01-01 西安电子科技大学 基于改进灰狼优化算法的无源时差定位系统优化布站方法

Also Published As

Publication number Publication date
CN115952691A (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN115952691B (zh) 多站无源时差交叉联合定位系统的优化布站方法及装置
CN110645974B (zh) 一种融合多传感器的移动机器人室内地图构建方法
CN110167138B (zh) 基于改进灰狼优化算法的无源时差定位系统优化布站方法
CN109798896B (zh) 一种室内机器人定位与建图方法及装置
CN110927740A (zh) 一种移动机器人定位方法
CN111415379B (zh) 一种基于布谷鸟优化的三维点云数据配准方法
CN112230243A (zh) 一种移动机器人室内地图构建方法
CN112882056A (zh) 基于激光雷达的移动机器人同步定位与地图构建方法
Lu et al. Robot indoor location modeling and simulation based on Kalman filtering
CN111736167B (zh) 一种获取激光点云密度的方法和装置
CN109862510B (zh) 一种基于压缩感知的凸区域定位方法
CN111275748B (zh) 动态环境下基于激光雷达的点云配准方法
CN111263295B (zh) 一种wlan室内定位方法和装置
CN113835064B (zh) 一种协同校正源观测信息的加权多维标度tdoa定位方法
CN113947636B (zh) 一种基于深度学习的激光slam定位系统及方法
CN113240065B (zh) 基于改进粒子群优化算法的无源雷达布站方法
CN114599004A (zh) 一种基站布局方法和装置
CN114608585A (zh) 一种移动机器人同步定位与建图方法及装置
Yu et al. Sl-bilstm: A signal-based bidirectional LSTM network for over-the-horizon target localization
CN110687502B (zh) 一种基于最小二乘定位的短波测向数据集标注方法
CN113613188A (zh) 指纹库的更新方法、装置、计算机设备和存储介质
Hu et al. A TDOA/AOA hybrid positioning based on improved sparrow search algorithm for mobile position estimation
CN116736219B (zh) 基于改进粒子群算法的无源tdoa-fdoa联合定位优化布站方法
Jiang et al. Study on improved LANDMARC node localization algorithm
CN113804199B (zh) 一种基于Chan氏算法和牛顿法的组合定位方法与系统

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 210000 Room 301, floor 3, building 75, zone B, entrepreneurship and innovation city, No. 15, Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province

Patentee after: Nanjing Thunderbolt Information Technology Co.,Ltd.

Address before: 210000 Room 301, floor 3, building 75, zone B, entrepreneurship and innovation city, No. 15, Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province

Patentee before: NANJING LEADING INFORMATION TECHNOLOGY Co.,Ltd.