买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：宁波大学

摘要：本发明公开了一种具备减小偏差能力的低复杂度三维AOA移动目标定位方法，在传感器网络中，传感器通过移动目标发射的信号获得AOA测量值；针对这些测量值，构建测量模型，并进行预处理；将两个预处理后的测量模型联立，形成一个无约束的加权最小二乘问题；为了提高定位精度，引入辅助变量，构造二阶偏差约束，将原本的无约束的加权最小二乘问题转化为约束加权最小二乘问题；利用拉格朗日函数，结合KKT条件和特征值分解方法，求解移动目标的初始位置和移动速度以及未知位置的传感器的位置；优点是其计算复杂度低，且对于测量噪声表现出了极好的鲁棒性，即使在测量噪声功率较大的环境下，也能保持稳定的性能表现。

主权项：1.一种具备减小偏差能力的低复杂度三维AOA移动目标定位方法，其特征在于包括以下步骤：步骤1：在传感器网络中，建立一个三维坐标系作为参考坐标系，并设定存在J个传感器和一个匀速直线运动的移动目标，第1个传感器至第N个传感器的位置已知，第N+1个传感器至第J个传感器的位置未知，移动目标的初始位置和移动速度均未知，设定移动目标共移动K个时刻；任意一个已知位置的传感器在参考坐标系中的真实位置设定为参考坐标系的原点，当1≤i≤N时将第i个已知位置的传感器在参考坐标系中的真实位置记为si，si＝[sx,i,sy,i,sz,i]T，当N+1≤i≤J时将第i个未知位置的传感器在参考坐标系中的真实位置记为将移动目标在参考坐标系中的真实初始位置记为将移动目标的真实移动速度记为vo，将移动目标在第k个时刻在参考坐标系中的真实位置记为其中，K＞1，i＝1,...,J，sx,i,sy,i,sz,i对应表示si的横坐标、纵坐标、竖坐标，上标“T”表示向量或矩阵的转置，对应表示的横坐标、纵坐标、竖坐标，对应表示的横坐标、纵坐标、竖坐标，对应表示vo的沿参考坐标系的x轴的速度分量、沿参考坐标系的y轴的速度分量、沿参考坐标系的z轴的速度分量，k＝1,...,K，表示时间间隔；步骤2：在传感器网络中，移动目标在第k个时刻发射的信号被第i个传感器接收，第i个传感器获得到达信号的受噪声污染的AOA测量值，AOA测量值包括方位角测量值和俯仰角测量值，对应记为θk,i和φk,i；其中，k＝1,...,K，i＝1,...,J；步骤3：构建移动目标发射的信号被已知位置的传感器接收后获得的到达信号的AOA测量模型，描述为： 并构建移动目标发射的信号被未知位置的传感器接收后获得的到达信号的AOA测量模型，描述为： 其中，θk,i即为移动目标在第k个时刻发射的信号被第i个传感器接收后获得的到达信号的受噪声污染的方位角测量值，表示移动目标在第k个时刻发射的信号被第i个传感器接收后获得的到达信号的方位角真实值，表示移动目标在第k个时刻发射的信号被第i个传感器接收后获得的到达信号的方位角测量噪声，φk,i即为移动目标在第k个时刻发射的信号被第i个传感器接收后获得的到达信号的受噪声污染的俯仰角测量值，表示移动目标在第k个时刻发射的信号被第i个传感器接收后获得的到达信号的俯仰角真实值，表示移动目标在第k个时刻发射的信号被第i个传感器接收后获得的到达信号的俯仰角测量噪声，当1≤i≤N时rk,i表示移动目标与第i个已知位置的传感器在参考坐标系的x-o-y平面上的二维距离，当N+1≤i≤J时表示移动目标与第i个未知位置的传感器在参考坐标系的x-o-y平面上的二维距离，步骤4：对式1进行预处理：忽略式1的两个等式中的噪声项，并取正切得到然后将式1.1的两个等式各自的两边交叉相乘并整理得到再根据对式1.2的两个等式中的正弦项和余弦项进行一阶泰勒展开，得到对式2进行预处理：忽略式2的两个等式中的噪声项，并取正切得到然后将式2.1的两个等式各自的两边交叉相乘并整理得到再根据对式2.2的两个等式中的正弦项和余弦项进行一阶泰勒展开，得到步骤5：联立式1.3和式2.3，构建由传感器位置部分已知的联合定位的加权最小二乘问题，描述为： 其中，为加权最小二乘问题的优化变量，表示移动目标的初始位置变量，表示移动目标的移动速度变量，表示第i个未知位置的传感器的位置变量，为加权最小二乘问题的目标函数，为系数矩阵，中的第k个子矩阵为的第i行向量为的第i行向量为0N×3M表示维度为N×3M的全0矩阵，N表示已知位置的传感器的数量，M表示未知位置的传感器的数量，M＝J-N，blkdiag为求块对角矩阵函数，中的第i-N个块对角子矩阵为中的第i-N个块对角子矩阵为为引入的系数向量，的第k列向量为01×M表示维度为1×M的全0向量，的第i元素为的第i元素为为引入的权重矩阵，表示求数学期望，为引入的系数矩阵，中的第k个块对角子矩阵为diag为求对角矩阵函数，||||为二范数运算符号，表示测量噪声向量，的第k个子向量为服从均值为0且协方差矩阵为的高斯分布，表示的协方差矩阵，的协方差矩阵为步骤6：在步骤5构建的加权最小二乘问题中引入新的辅助变量将步骤5构建的加权最小二乘问题的目标函数转换为然后定义和将转换为再将拆分成由真实值和误差构建的矩阵，即：最后将引入中，得到：其中，中的θk,i和φk,i对应替换为和后得到中的第k个子矩阵为的第i行向量为的第i行向量为中的第i-N个块对角子矩阵为中的i-N个块对角子矩阵为中的θk,i和φk,i对应替换为和后得到的第k列向量为的第i个元素为的第i个元素为的第i行向量为的第i行向量为的第i行向量为中的第i-N个块对角子矩阵为中的第i-N个块对角子矩阵为中的第i-N个块对角子矩阵为V＝blkdiagV1,...,VK，V中的第k个块对角子矩阵为Vk，⊙为哈达玛积运算符号，表示中的第1行至第J行和第1列至第J列构成的子矩阵，表示中的第J+1行至第2J行和第J+1列至第2J列构成的子矩阵，表示中的第1行至第J行和第J+1列至第2J列构成的子矩阵，由得到，表示中的第k个块对角子矩阵，的第K列向量为的第i元素为的第i元素为的第i元素为步骤7：在步骤6的基础上，构建在传感器位置部分已知情况下的具有减小偏差能力的约束加权最小二乘问题，描述为： 其中，为约束加权最小二乘问题的优化变量，的维数为7+3M×1，表示一个常数；步骤8：对步骤7构建的约束加权最小二乘问题构造拉格朗日函数，表示为：然后根据拉格朗日函数采用KKT条件，得到带有的最优解的式子再对采用特征值分解，分解出最后根据得到移动目标的初始位置变量的估计值移动目标的移动速度变量的估计值第i个未知位置的传感器的位置变量的估计值其中，L表示拉格朗日函数，为拉格朗日乘子，表示的第1个元素至第3个元素构成的向量，表示的第7+3M个元素，表示的第4个元素至第6个元素构成的向量，表示的第4+3i-N个元素至第6+3i-N个元素构成的向量。

全文数据：

权利要求：

百度查询： 宁波大学 具备减小偏差能力的低复杂度三维AOA移动目标定位方法