【技术实现步骤摘要】
基于改进反向学习布谷鸟搜索的TDOA定位算法
[0001]本专利技术涉及智能优化算法
,更具体的说是涉及基于改进反向学习布谷鸟搜索的TDOA定位算法。
技术介绍
[0002]现有TDOA双曲线方程的解算方法主要包括解析法和群优化算法,在解析法中Chan算法采用两步最小加权二乘得到目标位置,在环境噪声小的视距(line of sight LOS)环境下有较高的定位精度,但在噪声较大时定位精度会大大下降。Taylor级数法要求有一个较为精确的初值,以确保算法有效收敛。采用了一种基于最小二乘和Taylor算法的联合算法,可提供一个精确初始解,有效提高了定位精度,但要求事先确定多变环境下的锚节点之间的时钟延迟。相比之下,智能群优化算法也常用于解决工程中的最优性问题,将粒子群优化(particle swarm optimization PSO)引入无线定位系统解决其中的非线性优化问题,但容易陷入局部最优,无法得到精确值。设想一种改进的遗传算法,但算法容易早熟,稳健性较差。
技术实现思路
[0003]有鉴于此,本专利技术目的在于提供一种基于改进反向学习布谷鸟搜索的TDOA定位算法,引入反向学习策略,提高种群的多样性与收敛速度,在算法陷入局部最优时采用模拟退火(Simulated Annealing,SA)机制增强算法的局部搜索能力,避免搜索结果陷入局部最优从而达到全局最优解。
[0004]为实现上述目的,本专利技术提供如下技术方案:
[0005]基于改进反向学习布谷鸟搜索的TDOA定位算法,
【技术保护点】
【技术特征摘要】
1.基于改进反向学习布谷鸟搜索的TDOA定位算法,其特征在于,具体包括以下步骤:S10:初始化种群位置,确定目标函数f(x),发现概率pa,解的维度D,最大迭代次数T,随机生成N个解;S20:由目标函数确定每个解的目标函数值,保留最优解;S30:更新位置,得到levy飞行后的新位置,并对比随机游走前解的适应度值,保留更优解;S40:选择抛弃:在随机数R大于pa时抛弃原解,执行式(13)生成反向解,比较两者的目标函数值保留更优解,每隔W代(此处W=5)对所得解进行模拟退火,结束后保留最优值,反之保留原始解;S50:结束,判定是否满足迭代次数,若满足,输出最优解结束,否则再执行S20。2.根据权利要求1所述的基于改进反向学习布谷鸟搜索的TDOA定位算法,其特征在于,所述S10中确定目标函数f(x)的具体过程:设参与的锚点的数目为M(M≥4)个
[13]
,坐标分布为(x
i
,y
i
)(i=1,2,
…
,M),目标位置为(x,y),令τ
i
表示信号在目标节点到第i个锚点的传播过程中的时延,目标节点与锚点的距离为令d
i,1
表示目标节点与i(i≠1)个锚点和第一个锚点之间的距离差,ε
i
=c*τ
i
d
i,1
=d
i
‑
d1+ε
i i=1,2,
…
M (2)将(2)式改写为矩阵形式ΔD=D
‑
D1+ε
ꢀꢀ
(3)其中ΔD
m
‑
1,1
=[d
2,1
,d
3,1
,
…
,d
m,1
]D
m
‑
1,1
=[d2,d3,
…
,d
m
]D1=[d1,d1,
…
,d1]ε=[ε1,ε2,
…
,ε3]假设ε为服从高斯白分布的零均值,方差为δ2的白噪声,由观测数据采用极大似然估计得到位置估计,(3)式的极大似然函数为在目标节点位置满足
f(x)=arg{min[(ΔD
‑
D+D1)
T
(ΔD
‑
D+D1)]}
ꢀꢀ
(5)式(5)中f(x)为目标节点的位置信息(x,y)是唯一的未知变量,从中可看出采用传统解析法求解其中的非线性函数计算复杂度高,计算时间长。通过智能优化算法在全局空间内搜索最优解,确定最终目标位置。基于以上讨论,将算法的目标函数设置为使用算法对其求解的过程中,保留每一代适应度的最高值,对比每代最优值,直到迭代结束,得到最优解。3.根据权利要求1所述的基于改进反向学习布谷鸟搜索的TDOA定位算法,其特征在于,所述S10中随机生成的N个解可由式(15)确定x
i
=(ub
i
‑
lb
i
)
·
*rand+lb
i
ꢀꢀ
...
【专利技术属性】
技术研发人员:杨永辉,何廷万,谢晓博,刘宏罡,李文昌,蒙海进,
申请(专利权)人:深圳市微能信息科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。