方 坤, 李曉輝, 樊 韜

(1. 西安電子科技大學(xué)綜合業(yè)務(wù)網(wǎng)國(guó)家重點(diǎn)實(shí)驗(yàn)室, 陜西 西安 710071;2. 國(guó)家計(jì)算機(jī)網(wǎng)絡(luò)與信息安全管理中心河南分中心, 河南 鄭州 450000)

0 引 言

無(wú)人機(jī)(unmanned aerial vehicle, UAV)憑借其運(yùn)動(dòng)靈活、可操作性大、體積小等特性在戶外環(huán)境中(警務(wù)、交通管制和農(nóng)場(chǎng)管理)有了廣泛的應(yīng)用,但對(duì)UAV的監(jiān)管也越來(lái)越困難,因此UAV定位成為近年來(lái)的熱門(mén)研究課題[1-2]。在利用移動(dòng)通信基站對(duì)UAV進(jìn)行定位時(shí),由于UAV體反射信號(hào)微弱、地面障礙物所引起的多徑噪聲干擾以及移動(dòng)通信基站設(shè)備信號(hào)功率較低等因素導(dǎo)致了難以對(duì)UAV進(jìn)行實(shí)時(shí)無(wú)源定位[3-4]。

對(duì)UAV進(jìn)行無(wú)源定位主要分為基于到達(dá)角度、圖像識(shí)別和到達(dá)時(shí)間差三個(gè)方向[4-12]。Liu等[4]和Kim等[5]分別提出了非線性卡爾曼濾波算法對(duì)UAV反射信號(hào)進(jìn)行載波相位處理,得到位置信息。但是在估計(jì)UAV的到達(dá)角度時(shí),對(duì)于UAV過(guò)小所導(dǎo)致的角度信息誤差較大問(wèn)題都沒(méi)有很好的解決辦法。Stojcsics等[6]提出了一種熱成像視覺(jué)定位算法。通過(guò)熱成像檢測(cè)UAV與環(huán)境的溫度差,利用圖像識(shí)別對(duì)目標(biāo)進(jìn)行定位。這種圖像識(shí)別算法具有很高的UAV定位精度,但對(duì)硬件設(shè)備要求過(guò)高。Koivisto等[7]、Carrillo等[8]和Chen等[9]分別提出了改進(jìn)的三邊定位算法,通過(guò)獲取多個(gè)基站與UAV的距離信息,建立球體,以球體交點(diǎn)作為目標(biāo)坐標(biāo)。但是,對(duì)于三邊定位算法魯棒性較差的問(wèn)題都沒(méi)有很好地進(jìn)行解決,均需要多次平滑誤差。Su等[10]提出了一種基于非線性補(bǔ)償?shù)腜ilsbon算法,針對(duì)UAV信號(hào)淹沒(méi)在噪聲中的問(wèn)題,通過(guò)改變迭代最小二乘法的線性度,將UAV定位信號(hào)的非線性共振峰效應(yīng)轉(zhuǎn)化為線性,進(jìn)而估計(jì)目標(biāo)坐標(biāo)。然而,該模型只適用于特殊的環(huán)境空間,對(duì)接收基站的位置選擇有較高的要求。文獻(xiàn)[11]提出一種基于信號(hào)相似度和空間位置的K近鄰(K-nearest neighbor, KNN)算法。通過(guò)平衡信道狀態(tài)信息差和信號(hào)傳播距離來(lái)獲得UAV定位信息,但其僅適用于距離較小的場(chǎng)景下對(duì)于UAV信號(hào)進(jìn)行重構(gòu)。文獻(xiàn)[12]提出一種基于支持向量機(jī)(support vector machine, SVM)的UAV定位算法。通過(guò)UAV定位信號(hào)的功率與相位信息映射高維空間定位,但其對(duì)UAV定位數(shù)據(jù)要求過(guò)高,且計(jì)算復(fù)雜度較高。文獻(xiàn)[13,14]提出了基于Chan-Taylor算法的UAV定位算法,將定位結(jié)果作為泰勒算法迭代的初值,停止迭代,直到誤差低于閾值,最后輸出定位結(jié)果。

本文提出了一種基于隨機(jī)森林權(quán)重補(bǔ)償?shù)母呔榷ㄎ凰惴?用于對(duì)三維空間中單一UAV進(jìn)行高精度定位。根據(jù)Chan-Taylor算法的誤差變換和隨機(jī)森林模型特征提取,推導(dǎo)了距離權(quán)重補(bǔ)償?shù)臄?shù)值表達(dá)式。該算法主要解決了UAV定位過(guò)程中多徑噪聲所導(dǎo)致的定位誤差較大問(wèn)題。在多個(gè)定位接收基站的情況下,該模型利用機(jī)器學(xué)習(xí)中計(jì)算復(fù)雜度較低的隨機(jī)森林對(duì)UAV反射信號(hào)數(shù)據(jù)進(jìn)行特征提取,結(jié)合Chan-Taylor方法,將定位信號(hào)多徑噪聲轉(zhuǎn)化為高斯分布并進(jìn)行距離誤差補(bǔ)償。在得到定位結(jié)果后,對(duì)定位結(jié)果進(jìn)行誤差標(biāo)定并校正設(shè)備誤差,提高定位精度。該算法實(shí)現(xiàn)了對(duì)UAV的高精度定位且具有實(shí)時(shí)性和魯棒性。

1 UAV無(wú)源定位系統(tǒng)

在室外較為空曠的環(huán)境下,三維定位利用現(xiàn)有移動(dòng)通信基站廣播信號(hào)對(duì)UAV進(jìn)行無(wú)源定位[15]，系統(tǒng)模型如圖1所示。UAV本身不與基站進(jìn)行信號(hào)交互,僅利用移動(dòng)通信廣播信號(hào)作為定位信號(hào)經(jīng)UAV反射到接收基站,通過(guò)提取信號(hào)特征,實(shí)現(xiàn)UAV定位。接收信號(hào)主要由UAV反射波和噪聲組成。

(1)

在對(duì)UAV定位信號(hào)傳播過(guò)程中的信號(hào)時(shí)延與相位偏移分析后,式(1)可以細(xì)化為

(2)

圖1 系統(tǒng)模型Fig.1 System model

隨機(jī)森林模型通過(guò)對(duì)大量的UAV定位數(shù)據(jù)進(jìn)行分析和處理,提取出UAV信號(hào)x(t)的微弱特征并進(jìn)行定位。在對(duì)UAV信號(hào)進(jìn)行時(shí)差估計(jì)后得到UAV距離信息xd,因此隨機(jī)森林模型[16]可建立為

h(xd,θk)=θ0+θ1x1,d+θ2x2,d+θ3x3,d+…+θkxk,d
s.t.k=1,2,…,Ndata;d=1,2,…,Ndata

(3)

式中：θk表示從UAV反射信號(hào)特征中提取的第k組數(shù)據(jù)的分類(lèi)因子,Ndata為數(shù)據(jù)集的個(gè)數(shù)。θk的選擇基于Gi(Di):

(4)

式中：pi表示第i種定位數(shù)據(jù)樣本特征區(qū)間占整個(gè)定位信號(hào)數(shù)據(jù)集該類(lèi)特征區(qū)間的比例；m表示從定位數(shù)據(jù)中提取的UAV信號(hào)特征值，即均值、方差、最小值、最大值、偏度、峰均比、均方根延遲擴(kuò)展和中位數(shù)。通過(guò)這些特征的細(xì)微變化和大量數(shù)據(jù)的驗(yàn)證,建立隨機(jī)森林模型,得到距離誤差補(bǔ)償參數(shù),從而獲取UAV的坐標(biāo)信息。

(5)

本文的創(chuàng)新之處在于采用隨機(jī)森林算法提取定位信息中的數(shù)據(jù)特征,并對(duì)定位數(shù)據(jù)進(jìn)行分類(lèi),實(shí)現(xiàn)多徑噪聲情況下對(duì)UAV反射的微小信號(hào)提取。根據(jù)分類(lèi)結(jié)果定義權(quán)重矩陣W,對(duì)UAV高度數(shù)據(jù)進(jìn)行有效修正。此外,利用誤差標(biāo)定來(lái)校正設(shè)備誤差,提高定位精度。

2 隨機(jī)森林權(quán)重補(bǔ)償定位算法

在多個(gè)定位接收基站對(duì)檢測(cè)空間范圍內(nèi)的單一UAV進(jìn)行定位時(shí),隨機(jī)森林權(quán)值補(bǔ)償算法通過(guò)將隨機(jī)噪聲誤差轉(zhuǎn)化為高斯分布并進(jìn)行去噪后,構(gòu)建隨機(jī)森林模型進(jìn)行定位數(shù)據(jù)特征提取,獲取定位權(quán)重矩陣。此外,利用標(biāo)定UAV對(duì)定位結(jié)果進(jìn)行誤差標(biāo)定,降低設(shè)備誤差,提高定位精度。

2.1 隨機(jī)森林定位

隨機(jī)森林算法具有集成度高、建模速度與數(shù)據(jù)處理快等優(yōu)點(diǎn),對(duì)于UAV反射信號(hào)特征的提取具有良好的適用性。在建立隨機(jī)森林模型時(shí),通過(guò)KNN來(lái)解決如何在短時(shí)間內(nèi)獲取大量數(shù)據(jù)用以模型構(gòu)建,保證模型實(shí)時(shí)性。此外,Chan-Taylor算法被用于將隨機(jī)信號(hào)噪聲轉(zhuǎn)化為高斯分布,降低數(shù)據(jù)噪聲,提高最終定位精度。

KNN算法定義如下:

(6)

在獲得大量初始定位數(shù)據(jù)后,為了解決UAV定位數(shù)據(jù)中信號(hào)噪聲過(guò)大問(wèn)題,便于后續(xù)特征提取,采用Chan-Taylor算法將隨機(jī)信號(hào)多徑噪聲轉(zhuǎn)化為高斯分布[19]。

(7)

式中：Φl是Chan-Taylor算法中用于估計(jì)第l組訓(xùn)練數(shù)據(jù)組距離的權(quán)重(Φl取單位矩陣)；yl是第l組距離估計(jì)的輸出；xl是第l組的輸入數(shù)據(jù)；β是該組數(shù)據(jù)的特征系數(shù),一般取1；nl是該組數(shù)據(jù)中UAV信號(hào)噪聲。

對(duì)定位數(shù)據(jù)中的噪聲進(jìn)行處理后,根據(jù)定位數(shù)據(jù)的最小二乘誤差,選擇與數(shù)據(jù)特征(均值、方差、最小值、最大值、偏度、峰均比、均方根延遲擴(kuò)展和中位數(shù))相關(guān)的最優(yōu)閾值,并對(duì)決策樹(shù)節(jié)點(diǎn)(單棵決策數(shù)特征閾值)進(jìn)行剪枝,去掉部分決策樹(shù)的無(wú)用閾值分類(lèi)數(shù)值,提高模型的泛化能力。此外,對(duì)決策樹(shù)節(jié)點(diǎn)進(jìn)行剪枝后,可以避免無(wú)用數(shù)據(jù)處理,降低計(jì)算復(fù)雜度[20,21]。

(8)

式中：V(k)表示所選決策樹(shù)參數(shù)評(píng)價(jià)得分；Mu表示使用第u個(gè)參數(shù)后得到的定位結(jié)果精度；kc表示數(shù)據(jù)集的個(gè)數(shù)。

在選擇決策樹(shù)節(jié)點(diǎn)的過(guò)程中,Gl(S)用來(lái)表示當(dāng)前定位數(shù)據(jù)與所需要分類(lèi)的數(shù)據(jù)集閾值特征不一致的概率,定義如下：

(9)

式中：Gisplit(S)表示節(jié)點(diǎn)的劃分依據(jù),通過(guò)對(duì)Gisplit(S)交叉驗(yàn)證可以自適應(yīng)地選擇θk;Sl表示數(shù)據(jù)特征中大于訓(xùn)練集所選數(shù)據(jù)特征θk的數(shù)據(jù)集個(gè)數(shù)(這里認(rèn)為均值、偏度、峰均比、均方根延遲擴(kuò)展、極值5個(gè)數(shù)據(jù)特征中有3個(gè)大于訓(xùn)練集所選數(shù)據(jù)特征即可);S為數(shù)據(jù)集總數(shù);Gl為隨機(jī)森林訓(xùn)練過(guò)程中所使用的基尼指數(shù)[22],初始值取0.2,由小樣本數(shù)據(jù)實(shí)際測(cè)試得到,在數(shù)據(jù)樣本增大后,依據(jù)式(10)確定最優(yōu)值。

(10)

式中：pl,f表示位置估計(jì)值定位誤差小于期望精度(初始期望精度為小樣本數(shù)據(jù)可以得到的最優(yōu)UAV定位精度,當(dāng)后續(xù)連續(xù)定位時(shí),以訓(xùn)練集能達(dá)到的最優(yōu)精度與當(dāng)前期望精度的中間值作為新的期望精度進(jìn)行更替)的位置數(shù)據(jù)樣本占總數(shù)據(jù)集的比例；Dl是第l組數(shù)據(jù)集；m代表從定位數(shù)據(jù)中提取的UAV信號(hào)特征數(shù)量。

隨機(jī)森林建立過(guò)程如圖2所示。

圖2 隨機(jī)森林建立過(guò)程Fig.2 Random forest establishment process

在對(duì)隨機(jī)森林進(jìn)行估計(jì)后,利用二元混淆矩陣對(duì)模型進(jìn)行評(píng)價(jià)[16]，如表1所示。

表1 二元混淆矩陣

表1中TP、FN、FP、TN分別表示正確分類(lèi)且被正確判斷、正確分類(lèi)但被錯(cuò)誤判斷、錯(cuò)誤分類(lèi)但被正確判斷、錯(cuò)誤分類(lèi)且被錯(cuò)誤判斷。

相對(duì)比傳統(tǒng)的評(píng)價(jià)矩陣只以l個(gè)數(shù)據(jù)集的TP作為評(píng)價(jià)矩陣的主對(duì)角線,本文通過(guò)分別加入FP和FN作為次對(duì)角線,使得第i組訓(xùn)練數(shù)據(jù)和第(N-l)組訓(xùn)練數(shù)據(jù)同時(shí)對(duì)結(jié)果進(jìn)行修正。評(píng)價(jià)矩陣如下：

(11)

使用權(quán)重補(bǔ)償矩陣P與xd相乘后,得到校正的距離Rl,進(jìn)一步得到Fvalue作為對(duì)UAV隨機(jī)森林定位模型的評(píng)價(jià)

(12)

Si代表第i種特征下的正確率與召回率值矩陣。

在對(duì)模型進(jìn)行權(quán)值補(bǔ)償后,進(jìn)行目標(biāo)位置信息獲取。首先得到距離校正參數(shù)

fi, j=1-μ(ri, j-Ri)

(13)

式中：fi, j是距離修正系數(shù)。在定位精度為Facc的情況下,設(shè)置位置誤差的迭代參數(shù)μ為Facc/2,便于歸一化處理,降低計(jì)算復(fù)雜度。ri, j是第i個(gè)接收基站和第j個(gè)中心基站之間的距離。Ri是利用隨機(jī)森林模型對(duì)目標(biāo)到接收基站的距離校正后的數(shù)據(jù)。距離校正后的權(quán)重矩陣W′定義為

(14)

將更新后的迭代矩陣W′代入式(5),估計(jì)出目標(biāo)UAV的三維坐標(biāo)。

2.2 誤差標(biāo)定

在檢測(cè)空間設(shè)置一個(gè)已知UAV位置的標(biāo)定目標(biāo),獲取UAV與各個(gè)基站之間的距離(the distance between the UAV and each base station, BSD)和UAV運(yùn)動(dòng)速度(the calibration UAV moving rate, CUV)測(cè)量值來(lái)估計(jì)在定位過(guò)程中由發(fā)射基站和接收基站引起的微小定位誤差[23]。

當(dāng)檢測(cè)到UAV進(jìn)入監(jiān)控區(qū)域后,校準(zhǔn)UAV開(kāi)始在檢測(cè)區(qū)域飛行,通過(guò)BSD和CUV信息定位待測(cè)UAV。對(duì)已知坐標(biāo)UAV進(jìn)行定位,得到當(dāng)前設(shè)備的定位誤差[24](基站坐標(biāo)誤差和距離估計(jì)中的小數(shù)時(shí)延估計(jì)誤差)。如圖3所示。

圖3 誤差標(biāo)定Fig.3 Error calibration

(15)

(16)

(17)

(18)

Hα=B+E

(19)

式中:H是時(shí)差估計(jì)梯度矩陣;α是UAV距離差分矩陣;B是UAV時(shí)差矩陣;E是UAV時(shí)差估計(jì)誤差。

(20)

式(21)可由式(17)得

(21)

將式(20)與式(21)結(jié)合,得到

(22)

3 系統(tǒng)仿真

在仿真中,6個(gè)信號(hào)接收基站均勻分布在半徑1 000 m的圓周上,一個(gè)發(fā)射站分布在圓中心。待定位目標(biāo)是反射面小于0.02 m2的小型UAV,并依據(jù)UAV反射信號(hào)模型,增加與反射面大小相對(duì)應(yīng)的反射信號(hào)功率衰減[27-30]。信號(hào)發(fā)射基站坐標(biāo)為(0,0,10)。本文所提算法在Win10系統(tǒng)上,利用Python3.7.9進(jìn)行仿真。仿真參數(shù)見(jiàn)表2。

表2 仿真參數(shù)

在表2中所示參數(shù)下建立隨機(jī)森林模型。得到了隨機(jī)森林定位模型的評(píng)價(jià)結(jié)果，如表3所示。

表3 目標(biāo)坐標(biāo)定位決策樹(shù)的精度分析

其中召回率是正確檢索到的結(jié)果占所有結(jié)果的比例,精確率是正確檢索到的結(jié)果與所有實(shí)際檢索到的結(jié)果的比例。檢驗(yàn)值代表隨機(jī)森林模型在各坐標(biāo)軸上的評(píng)價(jià)得分,用來(lái)衡量模型是否與實(shí)際相符。Evalue代表隨機(jī)森林模型在每個(gè)坐標(biāo)軸上的位置估計(jì)的準(zhǔn)確率。根據(jù)表3中的結(jié)果,模型最終的評(píng)價(jià)結(jié)果Fvalue可以達(dá)到93.05%。

考慮到UAV本身具有的移動(dòng)速度慢的特點(diǎn),仿真將對(duì)同一位置固定點(diǎn)進(jìn)行多次重復(fù)定位,而單次定位所花費(fèi)的時(shí)間具有偶然性且數(shù)值過(guò)小,并且該定位時(shí)間內(nèi),由于定位過(guò)程中UAV運(yùn)動(dòng)造成的誤差轉(zhuǎn)化為UAV運(yùn)動(dòng)的距離時(shí),數(shù)值過(guò)小,故而本文通過(guò)對(duì)同一個(gè)點(diǎn)(200,200,200)處固定位置不變的UAV進(jìn)行相同參數(shù)情況下的多次重復(fù)定位后,得到程序的不同算法,同樣多次定位累計(jì)運(yùn)行時(shí)間,并進(jìn)行對(duì)比,對(duì)本文所提算法與其他算法進(jìn)行復(fù)雜度對(duì)比。結(jié)果如表4所示。

表4 算法運(yùn)行時(shí)間比較

在表4中的定位算法結(jié)果數(shù)據(jù)里,UAV定位時(shí)的誤差分為兩部分:UAV固定位置時(shí),算法定位產(chǎn)生的誤差;算法定位時(shí)間花費(fèi)過(guò)程中,UAV在此期間運(yùn)動(dòng)的距離所導(dǎo)致的誤差。而其中,由于定位時(shí)間短以及UAV運(yùn)動(dòng)緩慢,定位誤差主要是由UAV固定位置時(shí),算法定位產(chǎn)生的誤差這部分構(gòu)成。定位誤差均值不同是由算法差異所導(dǎo)致的,而定位所用時(shí)間只表示不同算法對(duì)同一坐標(biāo)處的UAV進(jìn)行同樣次數(shù)的定位所用時(shí)間。由表4可知,本文算法與文獻(xiàn)[5]、文獻(xiàn)[9]和文獻(xiàn)[10]等非機(jī)器學(xué)習(xí)算法相對(duì)比,定位誤差有明顯降低,并且定位所用時(shí)間相差較小。本文算法與文獻(xiàn)[11]中KNN算法與文獻(xiàn)[12]中SVM算法這兩種常用的機(jī)器學(xué)習(xí)算法進(jìn)行計(jì)算復(fù)雜度對(duì)比,機(jī)器學(xué)習(xí)定位誤差相近,但本文所提算法的計(jì)算復(fù)雜度有明顯優(yōu)勢(shì),這一點(diǎn)在對(duì)運(yùn)動(dòng)UAV進(jìn)行連續(xù)定位時(shí),可以明顯降低最終定位誤差。

通過(guò)Fvalue對(duì)距離數(shù)據(jù)誤差進(jìn)行了補(bǔ)償。比較了隨機(jī)森林模型在視距(line of sight, LOS)條件下和非LOS(non-LOS, NLOS)條件下與現(xiàn)有的其他定位算法進(jìn)行了比較。

如圖4所示,本文的算法在LOS和NLOS下與現(xiàn)有的一些算法進(jìn)行了仿真比較。隨著距離的增加,相應(yīng)地增加了噪聲誤差。從總體趨勢(shì)來(lái)看,該方法和其他方法的定位誤差隨著噪聲的增大而增大。但與無(wú)跡卡爾曼濾波算法[5]、三邊定位方法[9]和非線性補(bǔ)償Pilsbon算法[10]相比,模型的定位精度有所提高。定位的均方根誤差(root mean square error, RMSE)明顯優(yōu)于其他算法。

圖4 UAV定位性能比較Fig.4 Comparison of UAV positioning performance

對(duì)不同運(yùn)動(dòng)速度的UAV進(jìn)行定位,定位結(jié)果如圖5所示。

圖5 UAV速度變化對(duì)定位結(jié)果影響Fig.5 Influence of UAV speed change on positioning result

在直徑300 m的探測(cè)空間內(nèi),隨機(jī)生成41個(gè)目標(biāo)點(diǎn)并進(jìn)行定位，如圖6所示。

在300 m的探測(cè)空間范圍內(nèi),隨機(jī)生成并定位了41個(gè)目標(biāo)點(diǎn)。藍(lán)色方形是實(shí)際的目標(biāo)點(diǎn),紅色圓形是估計(jì)的坐標(biāo)點(diǎn)。從仿真結(jié)果可以得出,該定位算法可以有效地定位目標(biāo)。

圖6 空間隨機(jī)目標(biāo)定位檢測(cè)Fig.6 Spatial random target location and detection

通過(guò)改變高度和水平坐標(biāo)來(lái)估計(jì)檢測(cè)空間中的小目標(biāo),并獲得圖7所示的仿真結(jié)果。部分估計(jì)結(jié)果數(shù)據(jù)如表5所示。

圖7 UAV在三維空間中的定位效果Fig.7 Positioning effect of UAV in three-dimensional space

表5 定位結(jié)果

由圖7分析可以得到,在UAV高度以及水平距離變化時(shí),定位結(jié)果的高度誤差變化相對(duì)較大。隨著高度增加,UAV定位誤差也隨著增大,分析這是由于接收基站的實(shí)際高度為0到10 m,因此在算法的定位過(guò)程中,由于Z軸值太小,導(dǎo)致定位結(jié)果在Z軸方向上具有較大的誤差。但是仍然在可接受的誤差范圍內(nèi)。當(dāng)UAV水平距離變化時(shí),UAV定位誤差先減小后增大,這是由于UAV過(guò)于接近發(fā)射基站或離接收基站過(guò)近時(shí),UAV與基站之間的距離和基站與基站之間的距離過(guò)于接近,導(dǎo)致UAV反射信號(hào)與基站之間的直接通信信號(hào)到達(dá)時(shí)間差過(guò)小,UAV反射信號(hào)淹沒(méi)在基站與基站之間直接通信的信號(hào)當(dāng)中,定位精度因此降低。在以大量定位結(jié)果與實(shí)際UAV坐標(biāo)進(jìn)行對(duì)比后,以估計(jì)的UAV坐標(biāo)點(diǎn)為中心,計(jì)算出半徑為2.6 m的球體內(nèi)需要定位的實(shí)際坐標(biāo)點(diǎn),得到2.6 m-CEP(circular error probable)為92.4%,即代表實(shí)際UAV定位在以估計(jì)目標(biāo)為圓心,半徑為2.6 m的球內(nèi)的概率為92.4%。該定位結(jié)果明顯優(yōu)于其他基于移動(dòng)通信基站對(duì)UAV進(jìn)行定位的算法。仿真結(jié)果表明,該定位算法能夠?qū)AV實(shí)現(xiàn)高精度定位。

4 結(jié) 論

針對(duì)UAV定位中多徑噪聲與高度誤差較大的問(wèn)題,提出了一種基于隨機(jī)森林權(quán)重補(bǔ)償?shù)男∧繕?biāo)高精度定位算法,利用UAV對(duì)移動(dòng)通信基站信號(hào)的反射進(jìn)行特征提取,并使用標(biāo)定UAV校正機(jī)器誤差,實(shí)現(xiàn)對(duì)UAV的高精度定位。在距離誤差矩陣中,我們提出了定位距離的權(quán)重校正矩陣。根據(jù)定位信號(hào)的特點(diǎn),通過(guò)交叉驗(yàn)證得到隨機(jī)森林位置模型的決策樹(shù)參數(shù)。我們通過(guò)混淆矩陣和泛化誤差來(lái)校正定位數(shù)據(jù),并分配相應(yīng)的權(quán)重以最終獲得目標(biāo)的三維坐標(biāo),在此基礎(chǔ)上,使用標(biāo)定UAV來(lái)估計(jì)設(shè)備誤差,進(jìn)而得到待估計(jì)UAV的坐標(biāo)信息。結(jié)果表明,隨機(jī)森林算法比現(xiàn)有的三維空間定位算法定位精度更高,滿足了隨機(jī)森林模型與實(shí)際的一致性。