苗晟 董亮 董建娥 鐘麗輝

摘 要：針對移動蜂窩網(wǎng)對多目標難以檢測識別且定位精度不高的問題，提出一種基于蜂窩網(wǎng)結(jié)構(gòu)的多目標自動辨識定位方法。首先，根據(jù)對監(jiān)測區(qū)域內(nèi)目標源的多次定位結(jié)果方差來判別是否有多目標存在;其次，采用kmeans無監(jiān)督學習對定位點進行聚類，由于kmeans算法的最優(yōu)簇數(shù)難以確定，因此提出了一種基于波束分辨率的k值裂變算法來確定k值，并確定聚類中心;最后，為了提高接收信號的信噪比，通過各聚類中心確定波束方向，再使用基于線性約束的窄帶波束形成器依次接收不同波束方向信號，分別對各目標源進行到達時間差定位。仿真結(jié)果表明，對于解決多目標定位問題，相對于時延估計算法和概率假設密度（PHD）濾波器算法，所提多目標自動辨識定位方法能夠提高接收信號約10dB的信噪比，對應的時延估計誤差的克拉美羅下界能夠下降約67%，定位精度相對誤差可提高10個百分點以上，而且算法簡潔有效，各次定位相對獨立，具有較高的效率和較好的穩(wěn)定性。

關鍵詞：蜂窩網(wǎng);到達時間差;多目標定位;無監(jiān)督聚類;窄帶波束形成

中圖分類號：TP274.2

文獻標志碼：A

Multiobjective automatic identification and

localization system in mobile cellular networks

MIAO Sheng1，2，DONG Liang2*， DONG Jiane1， ZHONG Lihui1

1.College of Big Data and Intelligent Engineering， Southwest Forestry University， Kunming Yunnan 650224， China;

2.Key Laboratory for the Structure and Evolution of Celestial Objects， Chinese Academy of Sciences， Kunming Yunnan 650011， China

Abstract：

Aiming at difficult multitarget identification recognition and low localization accuracy in mobile cellular networks， a multiobjective automatic identification and localization method was presented based on cellular network structure to improve the detection efficiency of target number and the localization accuracy of each target. Firstly， multitarget existence was detected through the analysis of the result variance of multiple positioning in the monitoring area. Secondly， cluster analysis on locating points was conducted bykmeans unsupervised learning in this study. As it is difficult to find an optimal cluster number forkmeans algorithm， akvalue fission algorithm based on beam resolution was proposed to determine thekvalue， and then the cluster centers were determined. Finally， to enhance the signaltonoise ratio of received signals， the beam directions were determined according to cluster centers. Then， each target was respectively positioned by Time Difference Of Arrival （TDOA） algorithm by the different beam direction signals received by the linear constrained narrowband beam former. The simulation results show that， compared to other TDOA and Probability Hypothesis Density （PHD） filter algorithms in recent references， the presented multiobjective automatic identification and localization method for solving multitarget localization problems can improve the signaltonoise ratio of the received signals by about 10dB， the CramerMero lower bound of the delay estimation error can be reduced by 67%， and the relative accuracy of the positioning accuracy can be increased more than 10 percentage points. Meanwhile， the proposed algorithm is simple and effective， is relatively independent in each positioning， has a linear time complexity， and is relatively stable.

Key words：

cellular network; Time Difference Of Arrival （TDOA）; multitarget localization; unsupervised clustering; narrowband beam forming

0?引言

地面移動蜂窩網(wǎng)系統(tǒng)對監(jiān)測區(qū)域內(nèi)無線電發(fā)射干擾源進行定位既是衛(wèi)星定位的有力補充，也是地面接收基站的重要功能之一，在交通、安全、通信等很多領域都有重要作用[1]。

基于蜂窩網(wǎng)基站對目標源的定位中，常用定位方式是選擇若干個定位基站組成基站陣，接收目標源發(fā)射的電磁信號，然后采用到達時間差（Time Difference Of Arrival， TDOA）算法對目標源進行定位。目前該技術已廣泛用在室內(nèi)三維定位[2]，結(jié)合Android系統(tǒng)的WiFi定位[3]以及在移動通信中對目標定位[4]等領域。

近年來有關TDOA研究中很多文獻主要研究如何降低噪聲，提高定位精度，例如：Guo等[5]采用相關結(jié)構(gòu)插值矩陣降低噪聲， Liu等[6]使用相關子空間分解降噪，Wang等[7]采用聯(lián)合定位法應對未知突發(fā)噪聲干擾， Jin等[8]采用平面約束的權(quán)值最小二乘提高穩(wěn)定性，Gao 等[9]對TDOA算法定位性能作了較為詳細的分析。

文獻[5-8]相關算法一般僅僅是降低信道噪聲和隨機噪聲，而不能分辨多目標。多目標定位是TDOA定位研究難點，有關論述文獻不多，早年多在水聲定位有相關文獻討論。近年來國內(nèi)外也有相關文獻討論無線電多目標定位問題，目前對多目標定位有兩大研究方向：一是借助無線網(wǎng)絡結(jié)構(gòu)和時延算法進行定位，代表如秦丹陽等[10]提出的雙向互信息多目標時延定位，Tima等[11]提出的無線傳感網(wǎng)多目標跟蹤，這類算法效率較高，但過于依賴網(wǎng)絡結(jié)構(gòu)和傳感器，對噪聲干擾比較敏感;另一方向是借助濾波算法，通過觀測方程和概率統(tǒng)計模型進行多目標估算，如Zhang等[12]提出基于稀疏矩陣重構(gòu)多目標定位方法，以及Berry等[13]探討的結(jié)合自適應概率假設密度（Probability Hypothesis Density， PHD）濾波器的多目標跟蹤方法，這類方法抗噪性較好，適合目標跟蹤，但主要問題是算法復雜度太高，需要知道目標先驗信息，而且會隨著目標數(shù)的增加會出現(xiàn)“維度災難”問題，不適合過多目標的定位。

針對上述問題，本文嘗試結(jié)合定位基站網(wǎng)絡結(jié)構(gòu)，提出一種簡單有效，具有一定抗干擾能力，而且對目標數(shù)增加算法復雜度可控的算法，實現(xiàn)移動蜂窩網(wǎng)對多目標高效穩(wěn)定的目標數(shù)識別和定位。

1?蜂窩網(wǎng)結(jié)構(gòu)特點及目標源定位方法

在蜂窩基站結(jié)構(gòu)中，監(jiān)測區(qū)域被劃分為多個正六邊形覆蓋區(qū)域，在每一個正六邊形區(qū)域中心設置一個基站，因此各基站也呈正六邊形分布，基站和基站之間的距離都是定長，稱為小區(qū)半徑，文中用R表示，蜂窩網(wǎng)結(jié)構(gòu)如圖1（a）所示。

如圖1（a）所示，一個基本蜂窩單元由7個基站構(gòu)成，在該結(jié)構(gòu)中，可以選擇其中的3～7基站進行定位，如3基站的三角形結(jié)構(gòu)、4基站的平行四邊形結(jié)構(gòu)等，不同數(shù)量基站結(jié)構(gòu)如圖1（b）所示，基站選擇得越多，定位精度越高，但是系統(tǒng)開銷也越高。

Chan氏算法是TDOA中運用最為廣泛的一種定位算法，它最少可以通過3個不在同一直線基站的接收信號，計算各基站間的時延，再通過解雙曲線方程對目標位置進行估算。

設si（n）（i=1，2，3）分別為基站1、2、3接收到的采樣信號，其對應的離散傅里葉變換如式（1）所示：

Fsi（ω）=∑+∞n=-∞si（n）e-jωn（1）

則兩個基站的互功率譜可以定義為：

Gs1s2（ω）= Fs1（ξ）F*s2（ω）（2）

相關函數(shù)可以表示為式（2）的傅里葉逆變換：

XRs1s2（n）= 12π∫π-πGs1s2（w）ejωndω（3）

通過查找式（3）最大值可以得出時延參數(shù)，進而計算目標和基站間的相對位置。設（xi，yi），i=1，2，3為基站位置， MS（x，y）為待定位的目標位置，可定義di=（xi-x）2+（yi-y）2，并設 ui=xi2+ yi2， Li，1是第i個基站到目標源距離，即有：

d1=（xi-x）2-（yi-y）2-（x1-x）2-（y1-y）2

通過整理，當i=1時，有：

xy=-X2，1Y2，1X3，1Y3，1-1×

L2，1L3，1d1 + 12L2，12-u2 + u1L3，12-u3 + u1（4）

式（4）是三基站Chan氏定位算法的推導，通過對式（4）的改進可以推導出任意數(shù)目基站的TDOA定位方法[1]。

根據(jù)文獻[1]給出的TDOA算法中時延估計誤差的克拉美羅下界為：

σ≥1Β6.5SNR（5）

式（5）中，σ為時延估計誤差，Β為監(jiān)測信號信號帶寬，信噪比（SignaltoNoise Ratio， SNR）定義為：

SNR=10lg（Ps/Pn）（6）

式（6）中Ps和Pn分別代表信號和噪聲的有效功率。定位誤差可以通過時延誤差乘以電磁波傳輸速度得出，因此TDOA定位誤差和信號帶寬以及信噪比呈反比。

2?多目標源干擾特點及目標數(shù)判別

電磁信號在空氣中的傳輸受到信道噪聲影響，導致TDOA定位精度下降。而抑制噪聲、提高信噪比的一個有效方法就是增加定位基站，隨著基站數(shù)從3增加到7，定位精度能夠得到提高。但是如果在定位區(qū)域中出現(xiàn)另一個目標源，單純靠增加基站提升定位精度就不可行，因此首先需要確定監(jiān)測區(qū)域是否有多目標出現(xiàn)。

如果系統(tǒng)定位精度下降，即定位點出現(xiàn)反復跳變，則可以采用4～7基站分別進行多次定位，將其定位方差進行對比，如果定位方差沒有出現(xiàn)改善，則很可能出現(xiàn)多目標干擾。

在TDOA算法中，對目標區(qū)域內(nèi)定位N次，第i次定位點坐標記為MS（xi，yi），則可以計算這些定位點的方差：

D（MS）=12N[∑Νi=1（xi-EX）2+∑Νi=1（yi-EY）2]（7）

其中EX和EY分別為xi和yi的均值?？梢栽O定閾值，當式（7）中D（MS）超過某個閾值后，即可判定可能有多目標出現(xiàn)。本文方差閾值設為兩倍的波束覆蓋半徑r，其計算詳見 3.1節(jié)所述。

3?多目標目標個數(shù)估計和定位

通過N次定位結(jié)果對監(jiān)測區(qū)域內(nèi)的目標數(shù)目和位置進行判定是一個典型的無監(jiān)督聚類問題，其中Kmeans無監(jiān)督聚類是解決此問題的常用方法，但是采用Kmeans算法中一個主要問題是如何找到最優(yōu)的聚類簇數(shù)，即K值的確定。目前K值的確定多數(shù)是采用肘部算法，但是有可能陷入局部最小值，而且計算量較大，難以有效解決對目標數(shù)估計問題。

根據(jù)蜂窩網(wǎng)結(jié)構(gòu)特征和各基站陣元數(shù)形成波束的情況，本章提出一種基于波束寬度的K值裂變算法對目標數(shù)目進行估算。

3.1?基于波束寬度的K值裂變算法判斷目標數(shù)

為找到Kmeans算法中最優(yōu)聚類簇數(shù)，需要結(jié)合系統(tǒng)的分辨率，合理確定K值。

定位系統(tǒng)分辨率一般看作是半徑為r的圓形覆蓋區(qū)域，關鍵在于r的確定。對于不同系統(tǒng)定位分辨率的確定，可以從各基站的波束覆蓋寬度來看。假設每個基站的接收天線有n個陣元，陣元間距為半波長，則按照波束形成理論的經(jīng)驗公式，均勻線陣中的最小波束寬度為天線孔徑的倒數(shù)，有：

θ=51°D/λ（8）

式（8）中：λ為信號波長;D為天線孔徑，其值為n-1個陣元間距。

按照蜂窩網(wǎng)結(jié)構(gòu)特點，中心點和邊上任意兩個相鄰的站點都能構(gòu)成1個等邊三角形，邊長為小區(qū)半徑R，其每個基站形成的波束能夠覆蓋一定區(qū)域，則3個基站的波束交匯處形成一個內(nèi)切圓，為波束覆蓋區(qū)域，該內(nèi)切圓大小可以看作各基站波束覆蓋區(qū)域，即為系統(tǒng)分辨率，如圖2所示。

如圖2所示，A、B、C為構(gòu)成等邊三角形的三個基站，邊長為小區(qū)半徑R，虛線部分代表各基站的波束覆蓋寬度，O為三角形質(zhì)心。根據(jù)等邊三角形性質(zhì)，有：

ΑO=33R

三基站波束在O處交匯，設H為基站A波束和內(nèi)切圓的切點，則在三角形AOH中，∠AHO=90°，∠OAH=θ/2，則根據(jù)三角定理，內(nèi)切半徑r為：

r=OA*sin（θ/2）=33*R*sin（θ/2）（9）

式（9）確定了系統(tǒng)的定位覆蓋區(qū)域半徑r后，則基于K值裂變的聚類算法可表述如下：

設定位系統(tǒng)定位到的N個樣本數(shù)據(jù)為MSi（xi，yi），i=1，2，…，N。

步驟1?隨機選擇初始化兩個聚類中心k1，k2，nk表示聚類中心個數(shù)，對于每一個MSi（xi，yi），計算歐氏距離將其歸于一個類別（label）：

labeli=argmin j=1，2∑Νi=1（MSi-kj）2（10）

步驟2?重新更新kj（j=1，2）為所屬類別的均值：

kj=1N∑i‖MSi‖; j=1，2（11）

步驟3?重復步驟2中式（11），直到達到定位中心kj所屬標簽定位點誤差平方和最小的終止條件。

步驟4?以k個聚類中心為圓心、覆蓋區(qū)域r為半徑畫圓，計算所有定位點是否被這些區(qū)域覆蓋，如果覆蓋區(qū)域內(nèi)定位點占比超過閾值β，則算法結(jié)束，否則，K值進行裂變，nk=nk+1，即增加一個聚類中心，重復進行步驟1～4，直到滿足結(jié)束條件。

聚類算法流程中步驟4涉及到覆蓋區(qū)域內(nèi)定位點占比閾值的選取問題，該問題可以通過線性觀測矩陣的最小二乘法來估計。

設目標數(shù)從1增加到N，對應的K值也從1裂變到N，在不同信噪比下，通過M次快拍，可以得到觀測矩陣X，用線性回歸方程表示目標數(shù)和K值關系有：

Y=Xβ+ξ （12）

式（12）中：β為待估計的參數(shù)，ξ為觀測誤差。在不同信噪比條件下觀測得到目標數(shù)Y和K值數(shù)呈一個線性回歸關系，可通過最小二乘公式擬合最優(yōu)的覆蓋閾值β，有：

β=（XTX）-1XTY（13）

對式（13）閾值向量β求均值，即可得出覆蓋閾值。

通過Kmeans聚類算法，可以得到聚類中心數(shù)目和位置，進一步可以確定各目標源的來波方向，即可采用波束形成算法增強期望方向上的信號，抑制其他方向上的來波，提升接收信號的信噪比，降低時延誤差，提高定位精度。

3.2?基于線性約束的窄帶波束形成

無線基站接收信號一般是限帶信號，即所謂的窄帶信號，其特征是有一個高頻的主頻f0來作為載波，占有一定帶寬B，雖然窄帶信號沒有明確的定義，但業(yè)界大多認為如果主頻和帶寬之比小于10，即滿足：

f0/Β≤10

可認為是窄帶信號。對于窄帶信號要使用窄帶波束形成器進行掃描，而線性約束最小方差（Linearly Constrained MinimumVariance， LCMV）波束形成器是一個成熟的選擇方案。

如圖3所示，假設n個接收陣元按照均勻直線方式排列，陣元之間間距為載波（主頻）的半波長，第i個陣元接收的入射信號記為si（n），記接收噪聲為ν（n），則波束形成器接收輸出可記為：

c（n）=∑Νi=1a（θi）si（n）+ν（n）（14）

其中，記：A=[a（θ1），a（θ2），…，a（θN）]為轉(zhuǎn)向向量，是入射角θ的函數(shù)。式（14）可以寫成向量矩陣表達形式：

cn=Asn+vn（15）

其相關矩陣記為：

XRxx=Ε[XnXnH]=?。╔Rss）ΑH+σ2IN（16）

波束形成器輸出可以記為：

o（n）=∑Ni=1w（i）ci（n）（17）

LCMV是要求在約束wHa（θ）=1下期望有min（Ε[ynynH]），得出對應最優(yōu)權(quán)系數(shù)為：

w=Rxx-1a（θ）aΗ（θ）Rxx-1a（θ）（18）

對基于LCMV的窄帶波束形進一步詳細討論可參考文獻[14]。3.1節(jié)中介紹了通過聚類點位置可以估算出來波方向，引導天線陣通過調(diào)整轉(zhuǎn)向向量將波束中心依次對掃描各目標源位置，通過波束形成器接收信號。各基站接收信號輸出如式（17）所示，將輸出o（n）作為Chan氏算法的輸入，即作為式（1）中的接收信號s（n），再采用1.2節(jié)所述的Chan氏算法即可對各目標源進行定位。

3.3?多目標的判別及定位算法流程

在移動蜂窩網(wǎng)多目標定位問題中，主要問題包括判斷是否有多目標源、多目標源數(shù)目的確定和多目標源定位三個方面，這三方面的問題依次呈一個因果順序流程，而文中敘述也圍繞如何解決這3個問題展開。第2章介紹了是否有多目標的判斷方式，3.1節(jié)介紹介于K值分裂法的多目標數(shù)目確定，3.2節(jié)介紹了基于窄帶波束形成的信號接收以提高接收信號信噪比，再結(jié)合1.2節(jié)介紹的多基站Chan氏算法依次完成最終各目標源定位。算法最終流程如圖4所示。

4?實驗與結(jié)果分析

首先對不同基站數(shù)目的TDOA定位精度作一個仿真分析。設一個蜂窩結(jié)構(gòu)的正六邊形高度為3-000m，對應小區(qū)半徑約為1-732m，該蜂窩結(jié)構(gòu)可覆蓋約3-464m的范圍。圖5（a）給出了蜂窩結(jié)構(gòu)中3～7基站在不同噪聲強度下的定位誤差對比圖。從圖5中可以看出隨著加入噪聲的強度增加，信噪比降低，對應的定位誤差也呈升高的趨勢。但總體來說，基站數(shù)量越多，誤差越小，但是5基站以上，基站數(shù)目的增加對定位精度的改善就很有限，因此TDOA定位中采用圖1（b）中的5基站星形結(jié)構(gòu)定位較為常用。

圖5（b）給出不同基站數(shù)對雙目標加噪聲定位情況，對比圖5（a）可以看出，出現(xiàn)多目標后，定位平均誤差上升，基站數(shù)量的增加只能改善隨機噪聲的影響，而對于多目標無能為力。

本文算法仿真首先需要確定覆蓋區(qū)域閾值，根據(jù)3.1節(jié)所述，在不同信噪比下采用采用百次定位來對比目標數(shù)和K值關系，表1中給在信噪比為10dB情況下，目標數(shù)從1～8和K值取不同值下覆蓋定位點百分比關系。

表1中下劃線標注出的對角區(qū)域目標數(shù)和K值構(gòu)成一對線性回歸關系，分別取不同信噪比0dB、3dB、6dB，同樣計算類似表1 的觀測矩陣，提取回歸方程，再通過式（16）可以計算覆蓋區(qū)域閾值均值取值約為69%，一般取70%。

圖6中，在蜂窩網(wǎng)中設置了4個目標，信號發(fā)射強度一致，并加入隨機噪聲干擾，在信噪比為3dB條件下，采用7基站結(jié)構(gòu)的百次定位結(jié)果如圖6（a）所示。

圖6的仿真中設定每個基站有8個定位陣元，陣元間距為半波長，按照式（8）計算，波束寬度約為14.6°，小區(qū)半徑設為1-000m，則根據(jù)式（9）計算出波束交匯的內(nèi)切圓半徑r約為73.37m，采用基于K值裂變算法的Kmeans聚類法聚類效果如圖6（b）～（d）所示。其中圖6（b）為K=2的聚類情況，圖6（c）為K=3的聚類情況，圖6（d）為K=4的聚類情況，當K=4時，算法達到終止條件，覆蓋定位點超過閾值70%，K值停止裂變。

因為各聚類中心僅僅代表聚類平均值，因此起到的作用是引導波束方向，增加對應接收方向來波信噪比，而且由于信號源發(fā)射的為窄帶信號，因此波束形成選用信號中心頻率，對應最高和最低頻率的波束波形如圖7所示。

圖7中給出了窄帶波束形成器的波束圖，從圖7中可以看出主瓣方向比第一旁瓣高出10dB以上，對應式（5），系統(tǒng)信噪比能提高10dB，能將時延誤差克拉美羅下界降低2/3以上。

圖8給出了基于波束形成的最終定位效果，從圖8中可以看出，當多目標距離相對波束分辨率越大，定位效果越理想，而對于目標較為靠近的情況，發(fā)射信號相互干擾，定位誤差偏大。

為進一步考核定位效果，進行定量分析對比，選取秦丹陽等[10]2016提出的雙向到達時間（Two WayTime Of Arrival，TWToA）和TDOA（簡記為TW算法）協(xié)同定位算法和Berry等[13]提出的PHD多目標跟蹤進行對比，上述兩種方法主要用在多目標跟蹤，因此只選擇一輪定位結(jié)果進行對比。為了能夠定量對比分析，將相關指標定義如下：設（xi，yi）為第i個目標源，（xi，yi）為第i次定位值，如果目標源多于一個，且估算目標源和實際目標源不一致，則采用目標源均值（x，y）作為源目標位置，例如有m個目標源，則：

（x，y）=1m（∑mi=1xi，∑mi=1yi）

同時記N次定位平均值為：

（Εx，Εy）=1Ν[∑ni=1xi，∑ni=1yi]

在此基礎上，定義絕對誤差為源目標減去定位平均值的絕對值：

err=12（x-Εx）+（y-Εy）（19）

注意，多目標情況將絕對誤差定義為各定位中心和實際目標源差值的絕對值之和（目標越多其值越大）。其次定義相對誤差為絕對誤差和多目標源平均位置之比，如式（20）所示：

Δerr=2*errΕx+Εy×100%（20）

三種算法在圖6設定的相關條件下定位的絕對誤差和相對誤差如表2所示。

其次再對比三種算法程序運行時間，本文仿真環(huán)境為i7CPU，主頻4.2GHz，8GB內(nèi)存，Win10系統(tǒng)，仿真軟件為Matlab 2017b，采用tictoc指令測試三種程序?qū)Σ煌繕嗽吹囊淮味ㄎ挥脮r（單位為秒）如表3所示。

對表2和表3的仿真結(jié)果討論如下;

文獻[10]提出的信息關聯(lián)的協(xié)同定位算法通過雙向反饋信號檢測虛假目標，提高了目標數(shù)檢測準確性，但定位環(huán)節(jié)本質(zhì)仍是TDOA，因此用時短，時間復雜度隨目標數(shù)增加影響不大，效率較高，能檢測多目標，但定位精度相對較低。

文獻[13]討論的PHD及其改進的多目標跟蹤算法近年研究較多，對多目標的識別和跟蹤都比較穩(wěn)定，而且通過濾波運算可以抑制部分噪聲，提高定位精度，但最大問題隨著目標數(shù)增加，算法復雜度急劇上升，運算耗時較多。

本文算法因為需要對區(qū)域進行多次監(jiān)測，因此基礎用時較單純TDOA算法長，但隨著目標數(shù)的增加，用時基本呈線性增長，因此效率可控。算法結(jié)合了窄帶波束形成，將目標源信噪比提高10dB以上，對應式（7）給出的延時誤差克拉美羅下界降低為原來的1/3，因此定位精度得到有效提升，仿真結(jié)果對比四目標情況下本文算法對比TW算法相對誤差提高約10個百分點以上，而在精度略優(yōu)于PHD算法的基礎上，程序運行時間比PHD算法有一定優(yōu)勢。

5?結(jié)語

本文探討了一種基于移動蜂窩網(wǎng)結(jié)構(gòu)的基站對多目標的識別和定位方法，主要特點在于充分利用基站波束寬度，設定系統(tǒng)分辨率，快速估計檢測區(qū)域的目標數(shù)，再使用聚類中心引導波束方向，提高接收信號信噪比，最終達到提高定位精度的目的。

本文方法由于聚類中心初值采用的是隨機選取方法，因此有時迭代過程中可能會造成不當收斂，導致聚類中心偏離實際目標過遠。而且對于兩個目標位置間距小于系統(tǒng)分辨率的鄰近目標如何區(qū)分，也需進一步研究。

參考文獻 （References）

[1]?蔣康榮. 蜂窩網(wǎng)絡中基于TDOA的定位算法研究[D]. 南京： 南京郵電大學， 2016：25-35.（JIANG K R. Study on positioning algorithms based on TDOA in cellular networks[D]. Nanjing： Nanjing University of Posts and Telecommunications， 2016： 25-35.）

[2]?王彪，傅忠謙. 基于超寬帶技術的TDOA室內(nèi)三維定位算法研究[J]. 微型機與應用， 2013， 32（14）：83-86.（WANG B， FU Z Q. The research of TDOA indoor threedimensional positioning algorithm based on ultrawideband technology[J]. Microcomputer & its Applications， 2013， 32（14）：83-86.）

[3]?王陽，葉芝慧，馮奇，等. 基于 Android 的室內(nèi) WiFi 定位系統(tǒng)設計與實現(xiàn)[J]. 電子測量技術，2016， 39（9）：16-19.（WANG Y， YE Z H， FENG Q， et al. Design of indoor WiFi positioning system based on Android plat form and its implementation[J]. Electronic Measurement Technology， 2016， 39（9）：16-19.）

[4]?LIU L， LIU H. Joint estimation of DOA and TDOA of multiple reflections in mobile communications[J]. IEEE Access， 2016，4： 3815-3823.

[5]?GUO M， CHEN T， WANG B. An improved DOA estimation approach using coarray interpolation and matrix denoising[J]. Sensors， 2017， 17（5）： No.1140.

[6]?LIU C， VAIDYANATHAN P P. Correlation subspaces： generalizations and connection to difference coarrays[J]. IEEE Transactions on Signal Processing， 2017， 65（19）：5006-5020.

[7]?WANG Z， ZHANG H， LU T， et al. TDOA and RSSD based hybrid passive source localization with unknown transmit power[J]. IETE Journal of Research， 2018， 2018： 1497551.

[8]?JIN B， XU X， ZHANG T. Robust TimeDifferenceofArrival （TDOA） localization using weighted least squares with cone tangent plane constraint[J]. Sensors， 2018， 18（3）： No.778.

[9]?GAO C， WANG G， RAZUL S G. Comparisons of the superresolution TOA/TDOA estimation algorithms[C]// Proceedings of the 2017 Progress in Electromagnetics Research SymposiumFall. Piscataway： IEEE， 2017：2752-2758.

[10]?秦丹陽，王孟祺，楊松祥，等. 基于TWToA與TDoA的無線傳感器網(wǎng)絡多目標協(xié)同定位算法[J]. 黑龍江大學自然科學學報， 2016， 33（6）：131-135.（QIN D Y， WANG M Q， YANG S X， et al. A multiple target localization in WSNs based on TWToA and TDoA[J]. Journal of Natural Science of Heilongjiang University，2016， 33（6）：827-831.）

[11]?TIMAR M， TAHAN M N， GOUDA M. DRBFS： distributed recursive best first search， an efficient technique for multitarget tracking in wireless sensor networks[J]. IT Letters， 2019， 2（1）： 1-13.

[12]?ZHANG R， ZHONG W， QIAN K， et al. A reversed visible light multitarget localization system via sparse matrix reconstruction[J]. IEEE Internet of Things Journal， 2018， 5（5）： 4223-4230.

[13]?BERRY C， BUCCI D J， SCHMIDT S W. Passive multitarget tracking using the adaptive birth intensity PHD filter[C]// Proceedings of the 21st International Conference on Information Fusion. Piscataway： IEEE， 2018： 353-360.

[14]?ZILLI G M， PITZ C A， BATISTA E L O， et al. LCMVbased reducedrank beamforming algorithm with enhanced tracking capability[J]. IEEE Wireless Communications Letters， 2016， 5（3）： 328-331.

This work is partially supported by the National Natural Science Foundation of China （11303094）， the Commission for Collaborating Research Program of Key Laboratory for the Structure and Evolution of Celestial Objects， Chinese Academy of Sciences （OP201506）.

MIAO Sheng， born in 1982， Ph. D.， lecturer. His research interests include radio signal processing， artificial intelligence.

DONG Liang， born in 1982， Ph. D.， senior engineer. His research interests include radio astronomy， wireless signal processing.

DONG Jiane， born in 1984， M. S.， lecturer. Her research interests include image processing， intelligent algorithm.

ZHONG Lihui， born in 1984， M. S.， lecturer. Her research interests include wireless signal processing.