一种基于时延和多普勒的分布式自适应粒子滤波直接跟踪定位方法技术

本发明专利技术属于信号处理领域，特别是涉及基于时差和频差的无源定位系统中分布式自适应跟踪定位方法；首先在接收机个数为N的无线传感器网络当中，局部GPF从局部重要函数中随机采M个随机预测粒子；然后进行接收机与邻居接收机的接收信号交换，接收机更新每个预测粒子所对应的权重值

A distributed adaptive particle filter direct tracking and location method based on time delay and Doppler

The invention belongs to the field of signal processing, in particular relates to tracking and positioning method of distributed passive location system in time and frequency difference based on adaptive; first in the number of receivers in wireless sensor networks N, local GPF from local important functions in the random sampling of M random prediction particle; then the received signal receiver and receiver neighbor exchange each receiver, update the corresponding value of the particle weight prediction

【技术实现步骤摘要】
一种基于时延和多普勒的分布式自适应粒子滤波直接跟踪定位方法
本专利技术属于信号处理领域，特别是涉及基于时差和频差的无源定位系统中分布式自适应跟踪定位方法，具体为一种基于时延和多普勒的分布式自适应粒子滤波直接跟踪定位方法。
技术介绍
目前，基于时差的无源定位技术根据是否需要显式计算时差值而分为两大类：经典的两步定位方法和新兴的直接定位方法；两步定位方法首先第一步通过接收信号估计出时差值或频差，然后第二步利用估计出的时差值进行位置解算；然而由于两步算法在第一步估计时差或频差时没有考虑所有单目标定位中的约束问题，所以不能确保定位的准确性；对于移动目标来说，两步算法就更难准确的定位。而直接定位算法则不需要显式地计算出时差值，而是直接利用接收信号估计目标的位置；在接收信号信噪比较低的情况下，直接定位方法的定位精度更高，直接定位方法又可分为批处理方法和自适应方法两类。对移动的目标需要进行跟踪定位，批处理方法需要对定位区域进行四维的网格式搜索，计算量很大，实时性差；后来提出了用代数方法来估计目标的位置和速度，但是这种方法只有在噪声较小的情况下定位准确；进一步用估计出来的目标的位置和速度作为卡尔曼滤波(KF)的输入，构造动态模型，提升了定位的精确度；后来人们又提出了extendedKF(EKF)，直接用时差或频差作为输入即可；但是由于KF和EKF主要解决线性问题，而在实际情况中，目标的运动轨迹大部分都是非线性的，现在人们又提出了粒子滤波算法，用来解决非线性的跟踪定位问题。而粒子滤波算法中又存在粒子退化问题，为了解决这个问题，又提出了重采样(SIR)粒子滤波算法和高斯粒子滤波算法；这些粒子滤波算法又分为集中式的和分布式的。但是，目前基于时差和多普勒频移的自适应直接定位方法都是集中式的架构，即各接收机都将其接收的信号传递到定位运算接收机，在该接收机上进行定位运算，即集中式的处理方式。如文献《DelayandDopplerInducedDirectTrackingbyParticleFilter》(Sidi,A.Y.，Weiss,A.J.)就是采取的该方法；然而，这种集中式处理方式却存在着很大的缺陷；首先，由于所有的运算都集中在一台定位运算接收机上，所以当定位系统中接收机的个数较多时，定位运算接收机将承受很大的计算压力，其能量消耗也将很大，且随着定位系统中接收机个数的增加这种问题将越来越严重；其次，要将所有的信号都传输给定位运算接收机必然会存在多跳传输及传输路径选择等诸多问题，并且在多跳传输的过程中也必然存在着噪声干扰等情况；另外，靠近定位运算接收机的各接收机由于承担着很大的转发接收信号给定位接收机的任务，能量消耗也将变的很大；最后，将所有的定位运算都集中到一个接收机上，对于资源的利用也不是太合理，并且如果在定位的过程中定位运算接收机出现故障，那么整个的定位系统也就瘫痪了，即系统的稳健性不高；且在集中式方法中，会选取参考接收机的信号作为参考信号，定位的精度受该参考接收机信号的影响很大，导致其稳定性很差。
技术实现思路
本专利技术的目的在于提供一种基于时延和多普勒的分布式自适应粒子滤波直接跟踪定位方法，用于进一步提高分布式自适应粒子滤波跟踪定位方法的性能。为实现上述目的，本专利技术采用的技术方案为：一种基于时延和多普勒的分布式自适应粒子滤波直接跟踪定位方法，其特征在于，包括以下步骤：步骤1：在接收机个数为N的无线传感器网络当中，局部GPF(GaussianParticleFiltering)从局部重要函数中随机采M个随机预测粒子，k时刻具体为：其中，选取重要函数为其初始分布为为预设向量、为预设对角矩阵；为状态向量，xk,yk表示发射机的位置信息，表示发射机的速度信息，Zl,1:k表示观测信息；步骤:2：第一次数据交换，接收机l接收信号传输给自己的邻居接收机，同时接收邻居接收机传来的接收信号；步骤3：接收机l更新每个预测粒子所对应的权重值：因为本专利技术中选取重要函数为因此上述每个预测粒子所对应的权重值计算转化为求局部似然函数的问题：利用粒子滤波的观测方程求解局部似然函数：k时刻，接收机l的观测值即为接收信号rl,k：rl,k＝hk(xk)+ul,k＝bl,kAl,kFl,ksk+ul,k其中，ul,k为零均值高斯白噪声，bl,k表示信号衰减，Aj,k和Fj,k分别表示多普勒频移和时延；则上述局部似然函数表达为将局部似然估计按比例表示为：其中，表示零均值高斯白噪声ul,k的功率大小，表示包含自身接收机l在内的所有的邻居接收机；由于bl,k和sk是未知的，令的分布是先验已知的，只有θk是未知的且没有模型；利用最大后验估计(MAP)求解：因为rl,k和是已知的，所以和θk是相互独立的，且p(θk)是一个平的先验概率密度(pdf)，因此，上式化简为：因此，的估计变为：其中，C′和C″分别是两个常数，且：关于bj,k求导，令方程等于零，求解出使得最小化：不失一般性，||sk||2＝1；将带入进一步得到：因为||rj,k||2和剩余其他参量相互独立，转换为求最大值问题：其中，定义Ql,k＝Vl,k(Vl,k)H、Ql,k为N×N的赫尔米特矩阵(Hermitianmatrix)，Vl,k＝[(Fj,k)H(Aj,k)Hrj,k],j∈Nl、Vl,k为N×L维矩阵、L为集合中元素数量；上述求最大值的问题等价于求Ql,k的最大特征值λmax(Ql,k)，然而Ql,k的维数随着采样数据的增大而增大，这样会造成很大的计算负担，但是Ql,k的最大特征值和L×L矩阵的的大小一样，当L＜＜N时，这样的替代将会减小计算负担；因此最终将求最大似然估计的问题转化为求最大特征值的问题：最后对粒子权重进行归一化，因此求得最大特征值即可计算得到每个粒子的归一化权重：步骤4：接收机l更新它的局部中间状态估计值ψl,k以及相应的协方差Pl,k：步骤5：第二次数据交换，接收机l将步骤3计算得到的局部中间状态估计值ψl,k传输给自己的邻居接收机，同时接收邻居接收机传来的结果；步骤6：结合，接收机l计算得到k时刻(第k次迭代)发射机位置的局部估计值其中，表示接收机l包含其自身在内的所有邻居接收机的集合，ajl为预设(由系统设计者事先指定)非负加权系数，满足条件：当时，ajl＝0；步骤7：利用局部估计值和局部中间状态估计值的协方差Pl,k构造高斯分布且用来近似后验概率分布p(xk|Zl,1:k)：接收机l通过后验概率分布采样生成M个更新粒子步骤8：对条件概率密度函数进行采样生成k+1时刻的预测粒子具体为条件概率密度函数为：xk+1＝φxk+nk，φ为转移矩阵，nk为零均值高斯白噪声；步骤9：计算k+1时刻接收机l上的均值和方差构建高斯模型的近似局部预测分布：步骤10：连续50次的迭代值的差值均小于设定阈值δ时，即认为跟踪到了发射机的位置，本专利技术有益效果在于：在本专利技术中分布式粒子滤波算法的推导过程为，提出新的局部似然函数，推广得到分布式粒子滤波算法。具体推导如下：根据DiffusionLMS相关理论的启发，我们提出了一种基于时延和多普勒的分布式自适应粒子滤波直接跟踪定位方法。在分布式算法中，每个接收机都将参与定位运算，在接收机l(l＝1,2,3,…,N)上做如下迭代运算：从(1)(2本文档来自技高网...

【技术保护点】
一种基于时延和多普勒的分布式自适应粒子滤波直接跟踪定位方法，其特征在于，包括以下步骤：步骤1：在接收机个数为N的无线传感器网络当中，局部GPF从局部重要函数中随机采M个随机预测粒子，k时刻具体为：

【技术特征摘要】
1.一种基于时延和多普勒的分布式自适应粒子滤波直接跟踪定位方法，其特征在于，包括以下步骤：步骤1：在接收机个数为N的无线传感器网络当中，局部GPF从局部重要函数中随机采M个随机预测粒子，k时刻具体为：其中，选取重要函数为其初始分布为为预设向量、为预设对角矩阵；为状态向量，xk,yk表示发射机的位置信息，表示发射机的速度信息，Zl,1:k表示观测信息；步骤:2：第一次数据交换，接收机l将接收信号传输给自己的邻居接收机，同时接收邻居接收机传来的接收信号；步骤3：接收机l更新每个预测粒子所对应的权重值：每个预测粒子所对应的权重值计算为求解如下局部似然函数：k时刻，接收机l的观测值即为接收信号rl,k：rl,k＝bl,kAl,kFl,ksk+ul,k其中，sk为k时刻的发射信号，ul,k为零均值高斯白噪声，bl,k表示信号衰减，Aj,k和Fj,k分别表示多普勒频移和时延；则上述局部似然函数表达为将局部似然估计按比例表示为：其中，表示零均值高斯白噪声ul,k的功率大小，表示包含自身接收机l在内的所有的邻居接收机；令利用最大后验估计(MAP)求解得到θk的估计值因此，的估计变为：其中，C′和C″分别是两个常数，且：关于bj,k求导，令方程等于零，使得最小化，求解出1将带入进一步得...

【专利技术属性】
技术研发人员：夏威，王岩岩，朱菊蕾，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51