陸劍鋒 謝勝東

1(泰州職業(yè)技術學院信息技術學院 江蘇 泰州 225300)2(南京信息工程大學計算機與軟件學院 江蘇 南京 210044)

0 引 言

無線定位是指利用無線信號的物理參數(shù)估計目標節(jié)點在某一坐標系統(tǒng)中的位置，最初是為了滿足航海導航以及精確制導等方面要求，其典型代表為20世紀70年代的全球定位系統(tǒng)(GPS)。自1996年美國聯(lián)邦通信委員會要求無線蜂窩系統(tǒng)必須能夠對發(fā)出緊急呼叫的移動用戶實現(xiàn)準確定位后，無線定位便引起了眾多學者的廣泛關注[1]。目前，無線定位除了應用于蜂窩網(wǎng)絡中的緊急呼叫外，還可以用于智能交通、數(shù)字城市以及現(xiàn)代化農業(yè)、醫(yī)療等領域中，以實現(xiàn)目標跟蹤、資源調度和導航等為目的，因此具有廣泛的應用范圍。

根據(jù)物理量的不同，現(xiàn)有定位算法可以分為基于信號強度(Received Signal Strength，RSS)的定位[2]、基于信號到達時間(Time of Arrival，TOA)的定位[3]、基于信號到達時間差(Time Difference of Arrival，TDOA)的定位[4]以及基于信號到達角度(Angle of Arrival，AOA)的定位[5]四種基本類型。由于RSS定位精度低、AOA實現(xiàn)復雜以及TOA需要目標節(jié)點與源節(jié)點之間時間同步[6]，在無線定位系統(tǒng)中，現(xiàn)階段使用最為廣泛的就是TDOA算法。例如，在GSM和LTE系統(tǒng)中，均采用該類算法進行位置估計。

目前關于如何提高TDOA算法定位精度的研究主要可以分為三大類：(1) 最小二乘類定位算法。這類算法基于目標節(jié)點到達不同錨節(jié)點距離平方之差的誤差2-范數(shù)最小原則，將位置估計描述為一個空間的向量仿射變換問題，基于普通最小二乘(Least Square，LS)準則，使用拉格朗日算子法[7]、廣義信任域法[8]或半正定規(guī)劃法[9]即可求得該準則下的全局最優(yōu)解。然而，使用LS準則求解原問題本身就是存在偏差[10]，因此，上述全局最優(yōu)解未必是原問題的全局最優(yōu)解。(2) 凸規(guī)劃類定位算法[11]。這類算法基于目標節(jié)點到達不同錨節(jié)點距離之差的誤差2-范數(shù)最小原則，將估計量的最優(yōu)值表示成求解一個非凸非線性函數(shù)的最小值問題，進而通過松弛技術，將原問題轉化成一個非線性凸函數(shù)最小化問題，以該問題的最優(yōu)解作為目標節(jié)點坐標的最優(yōu)估計值。然而，原問題與轉換后的問題之間并不等價，因此，轉換后問題的最優(yōu)值未必是原問題的最優(yōu)值。(3) 泰勒級數(shù)類定位算法[12]。與第二類算法的準則相同，這類算法也是基于目標節(jié)點到達不同錨節(jié)點距離之差的誤差2-范數(shù)最小原則，將估計量的最優(yōu)值描述成求解一個非線性最小二乘函數(shù)的最小值問題，進而使用泰勒級數(shù)展開法，將到達時間差函數(shù)用某個初始坐標點的一階泰勒級數(shù)近似，實現(xiàn)了非線性最小二乘函數(shù)到線性最小二乘函數(shù)的轉變。在獲得修正步長的最小二乘解后，更新原初始坐標點。如此不斷迭代，從而逐漸逼近真實坐標點。由于忽略了泰勒級數(shù)的高次項，因此迭代解未必是原始非線性最小二乘問題的最優(yōu)解。很顯然，上述三類算法均無法獲得各自所對應的原始問題的全局最優(yōu)解。

本文主要研究第三類，即泰勒級數(shù)類定位算法。對于該類算法，初始坐標點的選擇是一個重要環(huán)節(jié)，它直接決定了此類算法的性能?，F(xiàn)有算法中，常見的初始點選擇方法主要包括最小二乘法[4]、最速下降法[13]、殘差加權法[14]以及二階錐松弛法[15]等。事實上，幾乎所有最小二乘類和凸規(guī)劃類定位算法所獲得的位置估計值均可以作為泰勒級數(shù)類算法的初始坐標點，區(qū)別主要在于算法的收斂性、迭代次數(shù)以及估計精度的不同。當初始坐標點與實際位置值越接近時，算法的收斂性越能得到保障，迭代次數(shù)也將越少，定位精度也將越高。

1 定位模型

考慮到二維坐標系統(tǒng)中的定位算法經(jīng)簡單擴展后便可適用于三維坐標系統(tǒng)，因此本文以二維坐標系統(tǒng)為研究環(huán)境。假設在二維坐標系統(tǒng)中，存在某個位置未知的目標節(jié)點，其坐標記為(x,y)，同時還存在N個不在同一條直線上位置已知的普通錨節(jié)點，它們的坐標分別記為(xi,yi),i=1,2，…,N，以及一個位于坐標系統(tǒng)原點的參考錨節(jié)點。

我們可以使用時延估計法[16]獲得電磁波或聲波從目標節(jié)點到達普通錨節(jié)點i與參考錨節(jié)點之間的時間差ti0，然后乘以它們的傳播速度，即可獲得目標節(jié)點到達兩節(jié)點之間的距離差di0。由此可見，TDOA定位算法可以看成是基于距離差的定位算法。因此，在本文中，我們將以距離差來代替時間差。

目標節(jié)點到達普通錨節(jié)點i與參考錨節(jié)點距離差的真實值fi0(x,y)可分別表示為：

(1)

i=1,2，…,N

由于我們事先并不知道目標節(jié)點的坐標值，因此不能通過式(1)來計算距離差，而只能通過測量得到距離差di0的值：

di0=fi0(x,y)+ni0i=1,2,…,N

(2)

式中：ni0為測量誤差，我們假設它們之間獨立同分布。

1.4.3 煙葉常規(guī)化學成分 分析烤后煙葉樣品的常規(guī)化學成分，包括總氮、煙堿、總糖、還原糖、鉀、氯，并計算糖堿比、氮堿比和鉀氯比。具體參照文獻[17]的方法進行。

(3)

式(3)是求解一個非線性最小二乘函數(shù)的最小值問題，這類問題因存在多個極值點，故一般不存在或難以求得其全局最優(yōu)解，而只能通過某種優(yōu)化算法，如牛頓法、最速下降法等方法獲得它的局部最優(yōu)解。

2 定位算法

如果能夠求得式(3)的全局最優(yōu)解，那么該解即可作為節(jié)點的位置坐標最優(yōu)估計值，但如前所述，函數(shù)的非凸性使其成為一件較為困難的事情，牛頓法、最速下降法等搜索算法只能獲得函數(shù)的局部最優(yōu)解。如果我們可以對非凸函數(shù)進行線性近似，那么就能獲得近似后函數(shù)的全局最優(yōu)解，盡管其未必是原函數(shù)的全局最優(yōu)解，但其性能可能會優(yōu)于原函數(shù)的局部最優(yōu)解。一方面，泰勒級數(shù)分解使得這種線性近似成為可能，另一方面，CTLS算法利用了牛頓法獲得了SDR模型中的局部最優(yōu)解。因此，我們將這兩種方法結合，提出一種基于完全約束最小二乘的泰勒級數(shù)定位算法(CTLS-Taylor)，以期望能夠獲得更好的定位效果。CTLS-Taylor包含兩個方面的內容：(1) 泰勒級數(shù)的線性近似原理；(2) 利用CTLS算法進行目標節(jié)點位置坐標初始點的選擇。

2.1 泰勒級數(shù)線性近似原理

(4)

(5)

式(5)等價于求解如下線性方程式在普通最小二乘準則下的最優(yōu)解：

AX=b

(6)

2.2 初始點的選擇

很顯然，初始點越接近式(3)的最優(yōu)解，則不僅能夠保證迭代過程的收斂，而且能夠減少迭代的次數(shù)，提高位置估計的速度?？紤]到最小二乘類定位算法中的CTLS算法[10]能夠獲得較高的位置估計精度，本文采用CTLS算法來獲取目標節(jié)點的初始位置。

基于目標節(jié)點到達普通錨節(jié)點與參考錨節(jié)點的距離平方值之差的誤差平方和最小原則，目標節(jié)點的坐標可以通過下式進行描述：

Aθ=b

(7)

對于式(7)，我們可以求得它在普通最小二乘準則下的最優(yōu)值[7]。但該準則是建立在矩陣A中所有元素均不存在誤差的基礎上，而事實上，A中最后一列的所有元素均為測量所得，必然存在著測量誤差，因此采用普通最小二乘準則獲得的最優(yōu)值顯然是不準確的。此時，可以采用總體最小二乘準則[17]，它不僅考慮了向量b中的誤差，同樣考慮到了矩陣A中元素的誤差，其目的是在最小化所有誤差平方和的情況下，使得式(7)有唯一確定解。于是在該準則下，式(7)的最優(yōu)值θ等價于式(8)的最優(yōu)解：

s.t.Aθ-b=Gn

(8)

式中：

利用牛頓迭代法，我們可以很容易地求得式(8)的一個局部最優(yōu)解θ，并將其中的x和y作為目標節(jié)點位置坐標的粗估計值。

2.3 CTLS-Taylor算法

這里，我們給出CTLS-Taylor算法的完整過程：

3 仿真分析

本文的仿真環(huán)境為MATLAB 7.0，仿真參數(shù)來自文獻[18]：在一個100 m×100 m的2維坐標系統(tǒng)中，存在一個實際坐標(42,12) m的目標節(jié)點，同時存在9個普通錨節(jié)點，它們的坐標依次為(16,42) m、(34,52) m、(58,30) m、(78,18) m、(66,48) m、(30,-12) m、(22,12) m、(57,-3) m、(12,-28)m，另外還存在一個參考錨節(jié)點，其坐標為(0,0) m。TDOA的測量噪聲服從均值為0，方差為δ2的高斯分布。為了評價CTLS-Taylor算法的性能，將其與CTLS算法、QCLS算法以及QCLS-Taylor算法[4]進行比較，并從定位誤差和泰勒級數(shù)迭代次數(shù)兩個角度進行衡量。本文中定位誤差e的計算公式為：

(9)

式中：N為仿真次數(shù)。

圖1和圖2為普通錨節(jié)點數(shù)目分別為5個和9個時，不同算法的定位誤差?？梢钥闯觯?1) 隨著測量噪聲方差的增加以及普通錨節(jié)點數(shù)目的增多，泰勒級數(shù)類算法的定位誤差要優(yōu)于非泰勒級數(shù)類算法，這表明使用泰勒級數(shù)法有助于提高定位精度。(2) 本文的CTLS-Taylor算法與QCLS-Taylor算法的定位誤差幾乎相等，不受測量噪聲與普通錨節(jié)點數(shù)目的影響。這意味著單純從定位誤差的角度看，本文算法與QCLS-Taylor算法的性能相當。(3) CTLS算法的定位誤差要優(yōu)于QCLS算法，這是因為CTLS算法是基于總體最小二乘準則，而QCLS算法是基于普通最小二乘準則的原因。

圖1 普通錨節(jié)點數(shù)目5個的定位誤差

圖2 普通錨節(jié)點數(shù)目9個的定位誤差

圖3與圖4為普通錨節(jié)點數(shù)目分別為5個和9個時，兩種泰勒級數(shù)類算法所需要的迭代次數(shù)?？梢钥闯觯?1) 當測量方差較低時，尤其是當信噪比低于-1 dB時，CTLS-Taylor算法幾乎只要迭代一次即可，且與普通錨節(jié)點的數(shù)目無關，而QCLS-Taylor算法的平均迭代次數(shù)均大于1.5次，這與CTLS-Taylor算法的初始點更為接近真實坐標點有關。(2) 當測量方差逐漸增大時，兩個泰勒級數(shù)算法的迭代次數(shù)均出現(xiàn)不同程度的增加，但CTLS-Taylor算法的迭代次數(shù)始終小于QCLS-Taylor算法。

圖3 普通錨節(jié)點數(shù)目5個的迭代次數(shù)

圖4 普通錨節(jié)點數(shù)目9個的迭代次數(shù)

上述結果表明，盡管從定位誤差的角度看，CTLS-Taylor算法的性能與QCLS-Taylor算法相當，但前者的迭代次數(shù)卻小于后者，也就意味著前者的定位速度優(yōu)于后者。

4 結 語

本文將泰勒級數(shù)法與CTLS算法相結合，提出了一種基于約束總體最小二乘的泰勒級數(shù)定位算法。該算法利用CTLS方法獲得目標節(jié)點坐標位置的粗估計值，并將該值作為泰勒級數(shù)展開法的初始點，通過迭代，從而獲得目標節(jié)點位置坐標的精估計值。仿真結果表明，CTLS-Taylor算法不僅能夠獲得與QCLS-Taylor算法相同的定位精度，而且迭代次數(shù)有了明顯減少；同時與CTLS算法相比，當測量噪聲較高時，CTLS-Taylor算法的定位精度更高。