賈 駿 超

(信息工程大學(xué)導(dǎo)航與空天目標(biāo)工程學(xué)院 河南 鄭州 450000)

UWB室內(nèi)定位測量數(shù)據(jù)處理方法研究

賈 駿 超

(信息工程大學(xué)導(dǎo)航與空天目標(biāo)工程學(xué)院 河南 鄭州 450000)

室內(nèi)定位中信號(hào)傳播環(huán)境多為非視距、視距混合環(huán)境，在不同環(huán)境下的測量數(shù)據(jù)統(tǒng)計(jì)特性不同，因此需要進(jìn)行非視距鑒別。經(jīng)典的非視距鑒別方法計(jì)算復(fù)雜，不適合工程應(yīng)用，針對(duì)此問題提出利用信號(hào)強(qiáng)度和首徑估計(jì)值相結(jié)合進(jìn)行非視距鑒別，鑒別率可達(dá)90%。基于超寬帶的定位系統(tǒng)在非視距環(huán)境下的測量數(shù)據(jù)含有非高斯有色噪聲，傳統(tǒng)的卡爾曼濾波要求測量噪聲為白噪聲，否則濾波效果變差。針對(duì)此問題，提出一種基于現(xiàn)代時(shí)間序列分析理論的自適應(yīng)濾波方法，用于處理測量誤差。分析了誤差特性，建立了誤差模型并推導(dǎo)了濾波公式。經(jīng)實(shí)驗(yàn)分析可得，該方法適合處理動(dòng)態(tài)數(shù)據(jù)，可減小30%～40%的測量誤差。

超寬帶 測量誤差 時(shí)序分析 NLOS鑒別

0 引 言

經(jīng)過多年的發(fā)展，超寬帶技術(shù)得到了較好的發(fā)展；但其在室內(nèi)測距定位方面的應(yīng)用還存在許多問題：室內(nèi)環(huán)境非常復(fù)雜，信號(hào)傳播會(huì)受到墻壁、桌椅、隔板等障礙物的阻擋，引起信號(hào)發(fā)生反射、折射等現(xiàn)象；超寬帶信號(hào)經(jīng)過多條路徑，在不同的時(shí)刻到達(dá)接收端，導(dǎo)致多徑傳播現(xiàn)象，同時(shí)還會(huì)出現(xiàn)較嚴(yán)重的非視距誤差。研究基于超寬帶的室內(nèi)測距定位相關(guān)技術(shù)，具有較高的應(yīng)用價(jià)值。當(dāng)信號(hào)在視距環(huán)境傳播時(shí)測量噪聲屬于白噪聲，使用常規(guī)的濾波方法可以進(jìn)行較好的處理，但在非視距環(huán)境中測量噪聲不滿足白噪聲特性。在動(dòng)態(tài)定位中，卡爾曼濾波是最常用的方法。當(dāng)使用卡爾曼濾波時(shí)要求狀態(tài)估計(jì)中涉及的概率分布為高斯分布，觀測噪聲和狀態(tài)噪聲是白噪聲，否則不能得到最優(yōu)解；但實(shí)際的觀測數(shù)據(jù)往往不符合以上條件。為了使卡爾曼濾波可以適應(yīng)有色噪聲，許多研究者提出了不同的濾波補(bǔ)償算法[1-2]。文獻(xiàn)[3]闡述了卡爾曼濾波模型誤差的影響，驗(yàn)證了卡爾曼模型誤差是導(dǎo)致濾波發(fā)散的主要原因。常見的方法有直接對(duì)有色噪聲進(jìn)行建模[4]，基于自適應(yīng)濾波理論的函數(shù)模型和隨機(jī)模型補(bǔ)償法[5-7]，這類方法不考慮噪聲本身的特性，可以估計(jì)當(dāng)前歷元狀態(tài)噪聲和觀測噪聲的統(tǒng)計(jì)信息。文獻(xiàn)[8]提出了一種自適應(yīng)抗差濾波算法，通過構(gòu)造等價(jià)權(quán)函數(shù)來抑制有色噪聲的影響。動(dòng)態(tài)測試中產(chǎn)生誤差的因素較多，減小誤差對(duì)測距定位精度的影響是值得關(guān)注的問題。本文基于現(xiàn)代時(shí)間序列分析結(jié)合卡爾曼濾波提出了一種適合處理超寬帶室內(nèi)定位中在非視距環(huán)境下的測量誤差的方法。該方法適應(yīng)性廣，適合處理實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)。在室內(nèi)環(huán)境中，很少出現(xiàn)單純的視距或者非視距環(huán)境。測量數(shù)據(jù)的統(tǒng)計(jì)特性在視距與非視距時(shí)是不同的，因此進(jìn)行數(shù)據(jù)處理時(shí)使用的方法也不同，在室內(nèi)混合環(huán)境中進(jìn)行非視距鑒別是必要的。

1 非視距檢測方法

本文主要針對(duì)非視距環(huán)境下的測量誤差進(jìn)行處理，因此，在處理數(shù)據(jù)前應(yīng)進(jìn)行非視距鑒別。目前經(jīng)典的非視距誤差檢測方法主要有三種，分別為：Wylie鑒別方法、假設(shè)檢驗(yàn)判決方法、殘差分析判決方法。Wylie鑒別方法提出利用每個(gè)參考節(jié)點(diǎn)的測量值與測量噪聲標(biāo)準(zhǔn)差、殘差分析測試相結(jié)合，來判斷測量值中是否存在非視距誤差。假設(shè)檢驗(yàn)判決方法主要思想為按照獲取的非視距誤差測量分布信息分為幾種不同的情況，對(duì)于每種情況根據(jù)視距和非視距相應(yīng)的噪聲誤差的不同分布，采用二元假設(shè)檢驗(yàn)的方法來判斷是否存在非視距誤差。殘差分析判決方法計(jì)算TDOA測量值相對(duì)于參考節(jié)點(diǎn)的位置的殘差來鑒別非視距誤差，可以推廣到使用TOA測量值的情景。該方法當(dāng)定位節(jié)點(diǎn)和一個(gè)或少量幾個(gè)臨近參考節(jié)點(diǎn)之間具有非視距誤差時(shí)比較有效，但計(jì)算復(fù)雜度較高?？偨Y(jié)以上方法可得目前經(jīng)典的非視距鑒別方法的算法復(fù)雜度較高，不適合工程應(yīng)用。

本文所使用的實(shí)驗(yàn)設(shè)備為基于DW1000芯片的設(shè)計(jì)的超寬帶芯片，基于此設(shè)備提出一種非視距鑒別方法。利用DW1000接收到的數(shù)據(jù)可以計(jì)算接收到的信號(hào)強(qiáng)度，計(jì)算公式為：

(1)

其中C是信道脈沖響應(yīng)功率值，N是前導(dǎo)碼數(shù)值，A是一個(gè)常數(shù)，當(dāng)脈沖重復(fù)率PRF(pulse recurrence frequency)為16 MHz時(shí)值為113.77，當(dāng)PRF為64 MHz時(shí)值為121.74。由此計(jì)算的信號(hào)強(qiáng)度在接收功率較低時(shí)，較接近真實(shí)的信號(hào)強(qiáng)度，當(dāng)功率處于較高水平時(shí)，計(jì)算的信號(hào)強(qiáng)度低于真實(shí)值。

同時(shí)可以計(jì)算首徑信號(hào)的估計(jì)值，公式為：

(2)

其中F1、F2和F3分別為三個(gè)首先檢測到的到達(dá)信號(hào)的功率值。使用以上兩個(gè)數(shù)值做計(jì)算可以作為檢驗(yàn)測量數(shù)據(jù)中是否含有非視距誤差的準(zhǔn)則。當(dāng)兩個(gè)數(shù)據(jù)相減的數(shù)值大于一個(gè)閾值時(shí)，可判斷測量數(shù)據(jù)含有非視距誤差，否則測量環(huán)境為視距環(huán)境。通過實(shí)驗(yàn)可得當(dāng)首徑信號(hào)的估計(jì)值和信號(hào)強(qiáng)度的差值為7 dBm時(shí)，有90%的概率可正確識(shí)別非視距環(huán)境，所以取閾值為7 dBm，當(dāng)差值大于此閾值時(shí)可認(rèn)為存在非視距路徑，即當(dāng)Δ=RSS-FPP>7 dBm時(shí)為非視距環(huán)境。

2 動(dòng)態(tài)測量序列誤差分離

在一般情況下，動(dòng)態(tài)測試數(shù)據(jù)可以歸納為一個(gè)隨機(jī)過程，測試數(shù)據(jù)X(t)由確定性函數(shù)f(t)和隨機(jī)函數(shù)Y(t)組成。一般情況下對(duì)f(t)進(jìn)行進(jìn)一步劃分成非周期函數(shù)d(t)和周期函數(shù)p(t)兩類，即：

X(t)=f(t)+Y(t)=d(t)+p(t)+Y(t)

(3)

而動(dòng)態(tài)數(shù)據(jù)X(t)又是由真實(shí)測量值X0(t)及測量誤差e(t)組成，真實(shí)值X0(t)由確定性真實(shí)值f0(t)和隨機(jī)性真實(shí)值Y0(t)組成，誤差e(t)由系統(tǒng)誤差es(t)和隨機(jī)誤差er(t)組成，即：

X(t)=f0(t)+Y0(t)+es(t)+er(t)=

d0(t)+p0(t)+Y0(t)+es(t)+er(t)

(4)

研究誤差的第一步就是從測試數(shù)據(jù)中分離出es(t)和er(t)。在室內(nèi)定位動(dòng)態(tài)測試中很難獲取真實(shí)的測距信息，光學(xué)動(dòng)態(tài)捕捉系統(tǒng)可以提供毫米級(jí)的動(dòng)態(tài)測量數(shù)據(jù)，只能在空曠的環(huán)境下使用。本文采用中心平滑方法首先對(duì)測量數(shù)據(jù)列進(jìn)行擬合，將擬合后的數(shù)據(jù)列當(dāng)作真實(shí)值 。將測量真實(shí)數(shù)據(jù)與擬合后的數(shù)據(jù)列相減得到誤差作為測量誤差列。

3 誤差統(tǒng)計(jì)分析

在室內(nèi)定位系統(tǒng)中由于環(huán)境因素的影響，觀測量中含有一定的噪聲，分析噪聲的特性并建立相應(yīng)的模型可以提高定位系統(tǒng)的性能。峭度(Kurtosis)定量的度量非高斯性分布，用正態(tài)概率圖(Normal probability plot)來直觀地表現(xiàn)測量誤差的分布是否滿足高斯分布。相關(guān)函數(shù)反應(yīng)觀測序列在任意兩個(gè)不同時(shí)刻相應(yīng)觀測值之間的聯(lián)系，可以用來判定序列的平穩(wěn)性。在時(shí)間序列分析中可根據(jù)函數(shù)相關(guān)函數(shù)特點(diǎn)來決定模型類型和階次。使用Q-Q圖來鑒別數(shù)據(jù)樣本是否近似與正態(tài)分布。

當(dāng)觀測樣本數(shù)量有限時(shí)，峭度的估計(jì)式為：

(5)

其中：

(6)

以(x1,x2,…,xn)表示誤差樣本，利用樣本自相關(guān)函數(shù)判斷測量誤差是否具有相關(guān)性，即是否為白噪聲序列。自相關(guān)函數(shù)定義為：

(7)

測量序列統(tǒng)計(jì)特性如圖1至圖4所示。

圖1 測量誤差

圖2 Q-Q圖

圖3 自相關(guān)特性

圖4 偏自相關(guān)特性

通過分析可知在室內(nèi)定位系統(tǒng)中測距的誤差為非高斯有色噪聲，自相關(guān)函數(shù)呈截尾特性，偏自相關(guān)函數(shù)呈拖尾特性。

4 ARMA模型

大多數(shù)平穩(wěn)隨機(jī)過程都可以通過白噪聲激勵(lì)一線性時(shí)不變系統(tǒng)來獲得[9]，而線性系統(tǒng)又可以用線性差分方程進(jìn)行描述，這種數(shù)學(xué)模型就是自回歸滑動(dòng)平均ARMA(autoregressive moving average)模型。另外還有二種模型：自回歸(AR)模型，滑動(dòng)(MA)模型。AR模型表達(dá)的時(shí)間序列，他的統(tǒng)計(jì)特性不隨時(shí)間而變化，而且在某一時(shí)刻的取值只與前幾個(gè)時(shí)刻的取值有關(guān)。設(shè){xt}為零均值的實(shí)平穩(wěn)時(shí)間序列，對(duì)任意時(shí)刻t，有：

xt=a1xt-1+a2xt-2+…+apxt-p+εt

(8)

式(8)稱為p階自回歸模型，記作AR(p)。

MA模型表達(dá)的時(shí)間序列，在某一時(shí)刻的測量值只與前幾個(gè)時(shí)刻的噪聲相關(guān)，設(shè){xt}為零均值的平穩(wěn)時(shí)間序列，對(duì)任意時(shí)刻t，有：

xt=εt+β1εt-1+β2εt-2+…+βqεt-q

(9)

式(9)稱為q階滑動(dòng)平均模型，記作MA(q)。

如果在某一時(shí)刻的測量數(shù)據(jù)與前幾個(gè)時(shí)刻的數(shù)值有關(guān)，同時(shí)又與前幾個(gè)時(shí)刻的噪聲項(xiàng)相關(guān)，則模型為自回歸滑動(dòng)平均(ARMA)模型，表達(dá)式為：

xt-a1xt-1-a2xt-2-…-apxt-p=

εt+β1εt-1+β2εt-2+…+βqεt-q

(10)

式(10)記作ARMA(p,q)。

基于ARMA模型可以對(duì)不同種類的測量數(shù)據(jù)進(jìn)行處理[10-12]，本文結(jié)合在非視距環(huán)境下的測量噪聲特性，提出一種基于高階AR模型的自適應(yīng)濾波方法。

5 基于高階AR模型的自適應(yīng)濾波

根據(jù)觀測數(shù)據(jù)結(jié)合第一部分的分析，可知隨機(jī)誤差符合MA模型的特性，即自相關(guān)函數(shù)呈截尾特性，偏自相關(guān)函數(shù)呈拖尾特性。即誤差模型為：

周家喜是下車灣資歷最老的漁民之一，祖祖輩輩都靠打漁為生。周家喜等207戶專業(yè)漁民從此失了業(yè)，離開這片賴以生存的水域，他有些不舍，也曾想過從事其他工作，但最終還是放不下這灣清水。

u(t)=D(z-1)εt

(11)

但MA模型參數(shù)計(jì)算較為復(fù)雜、實(shí)時(shí)性較差。由時(shí)序分析理論可知，MA模型可由高階AR模型近似表示。使用三階AR模型做近似代替可得誤差模型為：

u(t)=a1u(t-1)+a2u(t-2)+a3u(t-3)+εt

(12)

將運(yùn)動(dòng)近似為勻速運(yùn)動(dòng)，并將AR模型化為狀態(tài)向量模型，建立系統(tǒng)方程為：

Xk=Φk,k-1Xk-1+ΓkWk

(13)

Lk=AkXk+ek

(14)

由于在計(jì)算過程中使用AR模型近似代替MA模型，所以狀態(tài)噪聲與實(shí)際噪聲存在一定的誤差，為減小這個(gè)誤差，引入一自適應(yīng)因子以優(yōu)化濾波過程。在卡爾曼濾波中，第k個(gè)觀測向量Lk的預(yù)測殘差為：

(15)

由于預(yù)測殘差包含了觀測信息，于是也稱為新息向量。當(dāng)觀測誤差ek和模型誤差服從正態(tài)分布時(shí)，信息向量也服從正態(tài)分布，為零均值的白噪聲序列，不同時(shí)刻的信息向量之間相互獨(dú)立。可以推導(dǎo)出：

(16)

(17)

將Kk代入上式，可以變形為：

(18)

(19)

(20)

其中0<ρ≤1為遺忘因子。

自適應(yīng)濾波過程為：

(21)

(22)

(23)

Pk,k-1=Φk,k-1Pk-1ΦTk,k-1+Qk,k-1

(24)

Pk=[I-KkHk]Pk,k-1

(25)

式中：λ由式(14)求得，其中的AR模型參數(shù)使用遞推最小二乘法得到。

利用以上方法處理非視距環(huán)境下測量數(shù)據(jù)后，測量列中仍有可能存在一定的正向偏差，同時(shí)在視距環(huán)境中測量列中收傳播環(huán)境的影響也可能引入較小的常值偏差。當(dāng)測距值中含有誤差時(shí)，測距模型為：

(26)

由文獻(xiàn)[13]可知可利用Cayley-Menger矩陣構(gòu)建距離誤差約束函數(shù)，以rij表示各點(diǎn)之間的真實(shí)距離，以二維定位為例，可得：

(27)

結(jié)合式(25)、式(26)可得到關(guān)于ε的函數(shù)：

f(ε1,ε2,ε3)=εTAε+εTb+c=0

(28)

當(dāng)有M(M≥3)個(gè)參考節(jié)點(diǎn)時(shí)可以得到M-2個(gè)關(guān)于ε的函數(shù)。

其中

6 實(shí)驗(yàn)與分析

為驗(yàn)證非視距鑒別方法的有效性，進(jìn)行如下實(shí)驗(yàn)。將三個(gè)參考節(jié)點(diǎn)放置在實(shí)驗(yàn)室中成正三角形，定位節(jié)點(diǎn)放在參考節(jié)點(diǎn)圍成的區(qū)域中間，人為放置障礙物在參考節(jié)點(diǎn)和定位節(jié)點(diǎn)之間，移動(dòng)障礙物使得每次只有其中一個(gè)參考節(jié)點(diǎn)與定位節(jié)點(diǎn)之間存在障礙物，如圖5所示。

圖5 節(jié)點(diǎn)構(gòu)型

實(shí)驗(yàn)結(jié)果如表1-表3所示。

表1 A0含有非視距

表2 A1含有非視距

表3 A2含有非視距

表中的數(shù)據(jù)是測量一段時(shí)間后的平均值，從表中可以發(fā)現(xiàn)無論是在視距還是非視距環(huán)境RSS的值都無明顯變化，即單純通過RSS值無法區(qū)分環(huán)境是否為非視距環(huán)境。而在非視距環(huán)境中FPP相對(duì)視距環(huán)境時(shí)有較大的變化。在非視距環(huán)境下Δ具有較大的數(shù)值，表1至表3中的Δ大于10 dBm，通過大量的數(shù)據(jù)分析當(dāng)選擇閾值為7 dBm時(shí)，非視距的鑒別成功率可達(dá)90%。

驗(yàn)證基于高階AR模型的自適應(yīng)濾波的數(shù)據(jù)采集在一般的實(shí)驗(yàn)室環(huán)境采集，數(shù)據(jù)采樣頻率10 Hz，從中截取部分?jǐn)?shù)據(jù)并經(jīng)過第一部分的方法處理后得到測距的誤差序列。處理結(jié)果與比較如圖6至圖11所示。

圖6 測量數(shù)據(jù)

圖7 經(jīng)典卡爾曼濾波

圖8 影響函數(shù)擬合濾波

圖9 狀態(tài)向量增廣濾波

圖10 自適應(yīng)濾波

圖11 基于高階AR模型的自適應(yīng)濾波

在經(jīng)典卡爾曼濾波中，假設(shè)觀測噪聲為服從正態(tài)分布的高斯白噪聲，在室內(nèi)定位中觀測值為非高斯有色噪聲，經(jīng)典卡爾曼濾波性能明顯下降。自適應(yīng)濾波過程中與狀態(tài)參數(shù)一起進(jìn)行估計(jì)，自適應(yīng)濾波能由測量信息序列的簡單平均對(duì)協(xié)方差矩陣進(jìn)行估計(jì)，從而減小有色噪聲對(duì)狀態(tài)估計(jì)的影響，但效果不如本文提出的方法。狀態(tài)向量增廣濾波側(cè)重于對(duì)函數(shù)模型的改進(jìn)，適合處理觀測噪聲為白噪聲狀態(tài)噪聲為有色噪聲的情形，在室內(nèi)定位中觀測噪聲為有色噪聲，模型噪聲為白噪聲，所以狀態(tài)向量增廣濾波效果一般。而本文提出的基于高階AR模型的動(dòng)態(tài)濾波方法針對(duì)噪聲為非高斯有色噪聲的非視距環(huán)境下的測量數(shù)據(jù)，可以減少30%～40%的測量誤差。

對(duì)測量數(shù)據(jù)進(jìn)行處理最終是為了提高定位精度，以二維定位為例，若考慮測量誤差，則測距模型為：

(29)

從而方程的最小二乘解為：

(30)

其中εp為測量誤差向量，從上式可以推出：

(31)

假設(shè)不同測量誤差εi均呈相同的正態(tài)分布，均值為0，方差為σ2，即測量誤差向量εp的均值為：

E(εp)=[0 0 … 0]T

(32)

假設(shè)不同測量誤差互不相關(guān)，則測量誤差向量εp的協(xié)方差矩陣Kεp為對(duì)角陣：

(33)

由式(30)-式(32)可得：

E((GTG)-1GTεp((GTG)-1GTεp)T)=

(GTG)-1GTE(εpεpT)G(GTG)-1=

(GTG)-1σ2=Hσ2

(34)

從上式可以看出測量誤差的方差σ2被系數(shù)矩陣H放大后轉(zhuǎn)變成定位誤差的方差?？梢姸ㄎ痪扰c測量誤差有關(guān)，測量誤差的方差越大則定位誤差的方差也越大。除此之外，定位精度與參考節(jié)點(diǎn)的幾何分布也有關(guān)，系數(shù)矩陣H取決于有效參考節(jié)點(diǎn)的個(gè)數(shù)及其相對(duì)于定位節(jié)點(diǎn)的幾何分布，系數(shù)矩陣中的元素越小，則測量誤差被放大成定位誤差的程度就越低。

利用本文提出的方法對(duì)測量數(shù)據(jù)進(jìn)行處理，然后利用處理過的數(shù)據(jù)進(jìn)行定位計(jì)算，定位坐標(biāo)解算方法為最小二乘法，計(jì)算的結(jié)果與直接利用最小二乘法和文獻(xiàn)[13]中的算法進(jìn)行比較，結(jié)果如圖12所示。

圖12 定位精度比較

利用本文的方法處理的測量數(shù)據(jù)測量誤差較小，所以在使用相同的定位算法時(shí)定位精度較高。

7 結(jié) 語

從工程應(yīng)用的角度出發(fā)，提出了一種利用信號(hào)強(qiáng)度和首徑信號(hào)估計(jì)值的非視距鑒別方法，此方法適用于常見的室內(nèi)環(huán)境?；赨WB的室內(nèi)定位系統(tǒng)的觀測值為偽距值，測距值的精度直接關(guān)系到定位精度。

在信號(hào)傳播路徑上存在障礙時(shí)，測距的噪聲為非高斯有色噪聲，常規(guī)的卡爾曼濾波性能明顯下降，為了提高測距精度提出了一種基于高階AR模型的動(dòng)態(tài)自適應(yīng)濾波方法，經(jīng)計(jì)算分析顯示本文算法可以明顯減小測距中的誤差。室內(nèi)定位系統(tǒng)中的定位精度與偽距測量精度直接相關(guān)，利用本文的算法進(jìn)行數(shù)據(jù)處理，進(jìn)而使用修正過的數(shù)據(jù)進(jìn)行定位計(jì)算，可提高定位精度。本文只針對(duì)觀測方程中噪聲進(jìn)行處理，濾波系統(tǒng)方程中動(dòng)力學(xué)模型的精度同樣影響濾波精度，本文動(dòng)力學(xué)模型并不精確。如想進(jìn)一步提高測距精度建立更精確的動(dòng)力學(xué)模型是進(jìn)一步需要研究的內(nèi)容。

[1] 戴卿,隋立芬,陳泉余.基于自適應(yīng)高斯混合UKF算法的北斗/SINS組合導(dǎo)航系統(tǒng)研究[C]//中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì),2016.

[2] 公才赫,茅旭初,李少遠(yuǎn).基于非線性濾波算法的GPS與北斗定位研究[J].計(jì)算機(jī)仿真,2015,21(3):48-52.

[3] 許阿裴,歸慶明,韓松輝.卡爾曼濾波模型的誤差分析[J].大地測量與地球動(dòng)力學(xué),2008,28(1):102-104.

[4] 黃賢源,隋立芬,范澎湃,等.基于隨機(jī)模型改正的有色狀態(tài)噪聲處理方法[J].測繪學(xué)報(bào),2008,37(3):361-366.

[5] 吳富梅,楊元喜.一種兩步自適應(yīng)抗差Kalman濾波在GPS/INS組合導(dǎo)航中的應(yīng)用[J].測繪學(xué)報(bào),2010,39(5):523-527.

[6] 崔先強(qiáng).噪聲協(xié)方差矩陣加權(quán)估計(jì)的Sage自適應(yīng)濾波[J].測繪科學(xué),2002,27(2):27-30.

[7] 楊元喜,何海波,徐天河.論動(dòng)態(tài)自適應(yīng)濾波[J].測繪科學(xué),2001,30(4):294-298.

[8] 田豐,郭巍,劉曉露.基于自適應(yīng)抗差濾波的WSNs節(jié)點(diǎn)跟蹤算法[J].傳感技術(shù)學(xué)報(bào),2011,24(1):101-105.

[9] 鄧自立,王欣,高媛.建模與估計(jì)[M].北京:科學(xué)出版社,2007.

[10] 曾慶化,黃磊,劉建業(yè).基于ARMA 模型的光纖陀螺隨機(jī)噪聲濾波方法[J].中國慣性技術(shù)學(xué)報(bào),2015,23(1):120-124.

[11] 田亮,孫付平,李楚陽.基于GPS測站坐標(biāo)殘差序列的ARMA建模方法研究[J].大地測量與地球動(dòng)力學(xué),2012,32(2):125-127.

[12] 竹博,周游,仵國鋒,等.AR預(yù)測模型的IMM跟蹤算法[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(24):222-226.

[13] 賀遠(yuǎn)華,黎洪生.距離幾何TOA無線定位算法[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(12):112-114.

RESEARCHONRANDOMERRORPROCESSINGMETHODOFUWBINDOORPOSITIONINGSYSTEM

Jia Junchao

(ThePLAInformationEngineeringUniversity,Zhengzhou450000,Henan,China)

Most of the signal propagation environments are made up of non-line of sight and visual environment in the indoor positioning. In different environments, the statistical properties of the measurement data are different, so it is necessary to perform non visual range identification. The classical non-line of sight identification method is computationally complex, and is not suitable for engineering applications. In view of this problem, we propose using the combination of signal strength and the first path to identify the non line of sight. The identification rate can reach 90%. We found that ultra-wide-band positioning system in the non-line of sight environment where measurement data contained the cost of Gauss colored noise. The traditional Kalman filter required that the noise be white noise. Otherwise the filtering effect was poor. To solve this problem, a new method based on the theory of modern time series analysis was proposed. The error characteristic was analyzed, and the error model was established. By experimental analysis, our method can reduce the random error of 30%～40%.

UWB Random error Time series analysis NLOS identify

TP3

A

10.3969/j.issn.1000-386x.2017.10.027

2016-11-29。賈駿超，碩士，主研領(lǐng)域：基于超寬帶的室內(nèi)定位方法。