基于改进卡尔曼滤波器的蜜獾寻优无线定位方法

1.本发明涉及无线定位技术领域，具体的说是基于改进卡尔曼滤波器的蜜獾寻优无线定位方法。


背景技术：

2.近年来，随着移动通信技术的快速发展和移动终端的普及，位置服务逐渐兴起，广泛地应用在人类生产活动中。在室外敞开环境中，gps和北斗等全球定位系统能够有效提供定位服务，但是在一些封闭场景中，或者对定位精度要求较高的场景中，全球定位系统并不能提供满足需求的定位服务。因此，基于无线通信的定位技术逐渐发展起来，可以解决这种问题。但是，真实的环境中通常存在结构复杂的各类障碍物，导致通信信号出现衍射、反射等情况，此种非视距传播现象会大幅降低无线通信定位精度。
3.y.t.chan提出的chan算法和caffery提出的基于线性位置线(llop)的算法分别是tdoa(time difference of arrival，到达时间差)和toa(time of arrival，到达时间)的基础定位算法，当存在非视距传播时，此算法很难估计出准确的结果，更严重时导致定位失败。
4.为了消除无线通信中非视距传播的影响,ai-jazzar在文献“ml and bayesian toa location estimators for nlos environments”中利用不同的散射模型求得基于toa信号的不同散射模型的概率密度函数，接着利用最大似然估计(ml)和贝叶斯(baysian)估计出目标节点的实际位置，但只有实际信道与假设模型一致时，算法定位精度才可保证。在文献“一种基于卡尔曼滤波的toa定位算法”，李峰等研究人员采用普通的卡尔曼滤波算法来滤除系统中的噪声，对非视距误差的影响抑制效果有限。在文献“基于toa/tdoa的一致性正交容积卡尔曼跟踪算法”中，闫雷兵等技术人员混合tdoa和toa两种测量信号，通过正交容积卡尔曼滤波不断对系统状态量进行更新来获取定位信息，但此种方法需要同时观测两种测量信号，运算量大且繁琐，不利于工业实现。
5.综上，现有的非视距环境下的无线通信定位方法，普遍存在难以简单易行地实现高精度定位的问题。


技术实现要素：

6.为了解决现有技术中的不足，本发明提供一种基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，能够实现提高定位精度，并且易于实现。
7.为了实现上述目的，本发明采用的具体方案为：基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，包括如下步骤：s1、构建非视距环境下的系统toa(到达时间)测距模型，并且初始化卡尔曼滤波器的参数；s2、基于系统toa测距模型对目标节点进行预测和观测，并且根据预测和观测的结果对卡尔曼滤波器的参数进行优化；
s3、利用优化后的卡尔曼滤波器修正系统toa测距模型输出的测距估计值，并且采用基于线性位置线的定位算法求解出在定位精度因子最小时的测距估计值组合以及目标节点的粗略位置；s4、利用蜜獾寻优算法求解出目标节点的精确位置。
8.作为上述基于改进卡尔曼滤波器的蜜獾寻优无线定位方法的进一步优化：s2的具体方法包括如下步骤：s21、将系统toa测距模型的测距估计值及其一阶导数作为系统的状态量，并且将状态量作为卡尔曼滤波器的输入量；s22、求解系统toa测距模型的测距预测值和测距观测值，并且基于时刻变化预测系统协方差；s23、根据测距预测值和测距观测值调整卡尔曼增益；s24、构建卡尔曼滤波器的更新方程，更新方程用于根据系统toa测距模型的测距预测值和测距观测值输出系统状态最优值和系统最优估计协方差矩阵。
9.作为上述基于改进卡尔曼滤波器的蜜獾寻优无线定位方法的进一步优化：s3的具体方法包括如下步骤：s31、获取系统toa测距模型输出的对应于目标节点的测距观测值，并且利用优化后的卡尔曼滤波器进行修正；s32、将优化后的测距估计值分为多组，每组测距估计值的数量为三个；s33、采用基于线性位置线的定位算法计算每组测距估计值对应的目标节点的粗略位置和定位精度因子；s34、保留最小的定位精度因子对应的一组测距估计值以及目标节点的粗略位置；s35、将其余的测距估计值从小到大排列，并且保留其中的前n个。
10.作为上述基于改进卡尔曼滤波器的蜜獾寻优无线定位方法的进一步优化：s4的具体方法包括如下步骤：s41、确定蜜獾寻优算法的适应度函数；s42、设定蜜獾寻优算法的关键参数，关键参数包括最大迭代次数；s43、利用保留的n+3个测距信息和目标节点的粗略位置确定蜜獾寻优算法的搜索空间，并且在搜索空间中随机化种群各个个体的初始位置；s44、通过适应度函数计算当前种群中各个个体的适应度值；s45、更新密度因子和搜索方向；s46、利用蜜獾寻优算法的挖掘阶段和吸引阶段更新种群中各个个体的位置；s47、通过适应度函数更新种群中各个个体的适应度值；s48、若当前迭代次数达到最大迭代次数或者存在一个适应度值达到预设阈值则进行s49，否则返回s45；s49、将适应度值最大的一个个体的位置作为目标节点的精确位置。
11.作为上述基于改进卡尔曼滤波器的蜜獾寻优无线定位方法的进一步优化：s41中，适应度函数为
其中di表示个体离基站i的测距估计值，x、y为个体的位置，xi、yi为基站i的位置，n表示基站的个数。
12.作为上述基于改进卡尔曼滤波器的蜜獾寻优无线定位方法的进一步优化：s42中，关键参数还包括种群数量n、蜜獾捕猎能力以及密度因子更新系数c。
13.有益效果：本发明采用卡尔曼增益可适应变化的卡尔曼滤波算法，将系统toa测距模型的测距观测值向正确的方向修正，再基于蜜獾算法不断优化迭代出目标节点的位置，能有效抑制nlos误差，提高定位精度，并且测量信号单一，易于实现。
附图说明
14.图1是本发明的整体流程示意图；图2是对卡尔曼滤波器的参数进行优化的流程示意图；图3是基于线性位置线的定位算法的流程示意图；图4是具体实施方式中仿真实验的结果图。
具体实施方式
15.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
16.请参阅图1至3，基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，包括s1至s4。
17.s1、构建非视距环境下的系统toa(到达时间)测距模型，并且初始化卡尔曼滤波器的参数。对于一个具有多个基站的无线通信系统，可以将其中的无线通信设备视为一个目标节点，在非视距环境下，系统toa测距模型可用下式表示：mk(ti)＝rk(ti)+nk(ti)+nlosk(ti)；式中，mk(ti)是目标节点与第k个基站在ti时刻的测量距离；rk(ti)是目标节点与第k个基站，在ti时刻的真实距离；nk(ti)是系统测量误差，可认为是独立分布、均值为零、方差为δk高斯白噪声；nlosk(ti)是对第k个基站在ti时刻的测量过程产生的非视距误差。
18.s2、基于系统toa测距模型对目标节点进行预测和观测，并且根据预测和观测的结果对卡尔曼滤波器的参数进行优化。s2的具体方法包括s21至s24。
19.s21、将系统toa测距模型的测距估计值及其一阶导数作为系统的状态量，并且将状态量作为卡尔曼滤波器的输入量。具体地说，以表示系统的状态量，其中lk(ti)为基站k在ti时刻与目标节点的测距估计值，表示lk(ti)的一阶倒数。
20.s22、求解系统toa测距模型的测距预测值和测距观测值，并且基于时刻变化预测系统协方差。具体变换公式为：系统协方差。具体变换公式为：其中表示基站k在t
i-1
时刻与目标节点的测距预测值的最优估计结果，
表示基站k在ti时刻与目标节点的测距预测值，为基站k状态转移矩阵，δ表示测距时间间隔，表示基站k在ti时刻与目标节点的预测协方差，表示基站k在t
i-1
时刻与目标节点的测距观测值的最优估计协方差，ηk为预测噪声的协方差。测距估计值基于测距预测值和测距观测值生成，属于本领域的现有技术，在此不再赘述。
21.s23、根据测距预测值和测距观测值调整卡尔曼增益。卡尔曼增益的调整方法为：其中β为大于1的缩放因子，hk＝[1 0]表示基站k测量矩阵，ξk为基站k的测量噪声的协方差，zk(ti)为示基站k的测距观测值序列。考虑到非视距环境中非视距误差的存在，导致测距观测值相较于真实值往往会偏大，通过对卡尔曼增益进行调整，能够将测距观测值向正确的方向修正，从而提升定位精度。
[0022]
s24、构建卡尔曼滤波器的更新方程，更新方程用于根据系统toa测距模型的测距预测值和测距观测值输出系统状态最优值和系统最优估计协方差矩阵。自适应卡尔曼增益求解公式为：求解公式为：其中i为单位矩阵。
[0023]
s3、利用优化后的卡尔曼滤波器修正系统toa测距模型输出的测距观测值得到测距估计值，并且采用基于线性位置线的定位算法求解出在定位精度因子最小时的测距估计值组合以及目标节点的粗略位置。s3的具体方法包括s31至s35。
[0024]
s31、获取系统toa测距模型输出的对应于目标节点的测距观测值，并且利用优化后的卡尔曼滤波器进行修正。
[0025]
s32、将优化后的测距估计值分为多组，每组测距估计值的数量为三个。
[0026]
s33、采用基于线性位置线的定位算法计算每组测距估计值对应的目标节点的粗略位置和定位精度因子。
[0027]
s34、保留最小的定位精度因子对应的一组测距估计值以及目标节点的粗略位置。
[0028]
s35、将其余的测距估计值从小到大排列，并且保留其中的前n个。
[0029]
s4、利用蜜獾寻优算法求解出目标节点的精确位置。s4的具体方法包括s41至s49。
[0030]
s41、确定蜜獾寻优算法的适应度函数。适应度函数为其中di表示个体离基站i的测距估计值，x、y为个体的位置，xi、yi为基站i的位置，n表示基站的个数，适应度值表示个体到每个基站之间的距离与测距结果的平均误差值。
[0031]
s42、设定蜜獾寻优算法的关键参数，关键参数包括最大迭代次数t
max
、种群数量n、蜜獾捕猎能力γ以及密度因子更新系数c。
[0032]
s43、利用保留的n+3个测距信息和目标节点的粗略位置确定蜜獾寻优算法的搜索
空间，并且在搜索空间中随机化种群各个个体的初始位置。具体地说，搜索空间大小是以目标节点粗略位置为中心画球确定的。
[0033]
s44、通过适应度函数计算当前种群中各个个体的适应度值。
[0034]
s45、更新密度因子和搜索方向。在蜜獾寻优算法中，猎物的气味强度ii与猎物集中力和蜜獾个体间距离有关，计算公式如下：其中，s为源强度，x
prey
为猎物的位置，也是最优个体的位置，di为猎物与蜜獾个体之间的距离。更新密度因子α的公式如下：
[0035]
s46、利用蜜獾寻优算法的挖掘阶段和吸引阶段更新种群中各个个体的位置。挖掘阶段执行类心形运动，公式如下：x
new
＝x
prey
+f
×
γ
×i×
x
prey
+f
×
r3×
α
×di
×
|cos(2πr4)
×
[1-cos(2πr5)]；其中r3、r4、r5为0至1间的随机数，f为控制搜索方向的参数，r6为0至1间的随机数。吸引阶段，蜜獾跟随向导到达蜂巢可用下式表达：x
new
＝x
prey
+f
×
r7×
α
×di
；式中r7为0至1间的随机数。
[0036]
s47、通过适应度函数更新种群中各个个体的适应度值。
[0037]
s48、若当前迭代次数达到最大迭代次数或者存在一个适应度值达到预设阈值则进行s49，否则返回s45。
[0038]
s49、将适应度值最大的一个个体的位置作为目标节点的精确位置。
[0039]
以下通过仿真实验对本发明的方法进行验证。
[0040]
仿真实验条件设置为利用4个基站参与定位，基站坐标分别为bs1(0,0)、bs2(0,3464)、bs3(3000,1732)、bs4(3000,-1732)，且使非视距nlos误差服从均值为150m的高斯分布，目标节点从起始点(1500，600)沿直线匀速运动100s到终点(1698，798)，每秒均采样定位1次，并且求解每次定位的均方根误差。
[0041]
定位方法的实际定位效果如图4所示，与多种经典定位算法相比，本发明具有最佳的定位性能，其平均均方根误差相较于llop算法和chan算法分别降低了89％和87％。
[0042]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，其特征在于，包括如下步骤：s1、构建非视距环境下的系统toa(到达时间)测距模型，并且初始化卡尔曼滤波器的参数；s2、基于系统toa测距模型对目标节点进行预测和观测，并且根据预测和观测的结果对卡尔曼滤波器的参数进行优化；s3、利用优化后的卡尔曼滤波器修正系统toa测距模型输出的测距估计值，并且采用基于线性位置线的定位算法求解出在定位精度因子最小时的测距信息组合以及目标节点的粗略位置；s4、利用蜜獾寻优算法求解出目标节点的精确位置。2.如权利要求1所述的基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，其特征在于，s2的具体方法包括如下步骤：s21、将系统toa测距模型的测距估计值及其一阶导数作为系统的状态量，并且将状态量作为卡尔曼滤波器的输入量；s22、求解系统toa测距模型的测距预测值和测距观测值，并且基于时刻变化预测系统协方差；s23、根据测距预测值和测距观测值调整卡尔曼增益；s24、构建卡尔曼滤波器的更新方程，更新方程用于根据系统toa测距模型的测距预测值和测距观测值输出系统状态最优值和系统最优估计协方差矩阵。3.如权利要求1所述的基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，其特征在于，s3的具体方法包括如下步骤：s31、获取系统toa测距模型输出的对应于目标节点的测距观测值，并且利用优化后的卡尔曼滤波器进行修正；s32、将优化后的测距估计值分为多组，每组测距估计值的数量为三个；s33、采用基于线性位置线的定位算法计算每组测距估计值对应的目标节点的粗略位置和定位精度因子；s34、保留最小的定位精度因子对应的一组测距估计值以及目标节点的粗略位置；s35、将其余的测距估计值从小到大排列，并且保留其中的前n个。4.如权利要求3所述的基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，其特征在于，s4的具体方法包括如下步骤：s41、确定蜜獾寻优算法的适应度函数；s42、设定蜜獾寻优算法的关键参数，关键参数包括最大迭代次数；s43、利用保留的n+3个测距信息和目标节点的粗略位置确定蜜獾寻优算法的搜索空间，并且在搜索空间中随机化种群各个个体的初始位置；s44、通过适应度函数计算当前种群中各个个体的适应度值；s45、更新密度因子和搜索方向；s46、利用蜜獾寻优算法的挖掘阶段和吸引阶段更新种群中各个个体的位置；s47、通过适应度函数更新种群中各个个体的适应度值；s48、若当前迭代次数达到最大迭代次数或者存在一个适应度值达到预设阈值则进行s49，否则返回s45；
s49、将适应度值最大的一个个体的位置作为目标节点的精确位置。5.如权利要求4所述的基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，其特征在于，s41中，适应度函数为其中d
i
表示个体离基站i的测距估计值，x、y为个体的位置，x
i
、y
i
为基站i的位置，n表示基站的个数。6.如权利要求4所述的基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，其特征在于，s42中，关键参数还包括种群数量n、蜜獾捕猎能力以及密度因子更新系数c。

技术总结
基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，包括如下步骤：S1、构建非视距环境下的系统TOA(到达时间)测距模型，并且初始化卡尔曼滤波器的参数；S2、基于系统TOA测距模型对目标节点进行预测和观测，并且根据预测和观测的结果对卡尔曼滤波器的参数进行优化；S3、利用优化后的卡尔曼滤波器修正系统TOA测距模型输出的测距信息，并且采用基于线性位置线的定位算法求解出在定位精度因子最小时的测距信息组合以及目标节点的粗略位置；S4、利用蜜獾寻优算法求解出目标节点的精确位置。本发明提供一种基于改进卡尔曼滤波器的蜜獾寻优无线定位方法，能够实现提高定位精度，并且易于实现。并且易于实现。并且易于实现。


技术研发人员：杨智清 鲁兴 吕宗旺 刘培杰 靖恭伟 候孟宇 许昊洋 范泽仑
受保护的技术使用者：河南工业大学
技术研发日：2023.05.31
技术公布日：2023/8/31