摘要： 在現(xiàn)代定位系統(tǒng)中，傳統(tǒng)的時差測量方法往往受限于信號調制方式、噪聲干擾以及硬件實現(xiàn)復雜度等因素，難以保持高精度和實時性。針對上述問題，本文設計一種基于參數特征映射的多站時差定位系統(tǒng)中時差測量方法，由主站檢測并產生參考信號，廣播至各從站；各站根據此參考信號基于頻域互相關算法完成時差測量。該方法有效提高二進制相移鍵控（binary phase shift keying， BPSK）信號、四相相移鍵控（quadrature phase shift keying， QPSK）信號、頻移-相移復合調制（frequency shift keying-phase shift keying， FSK-PSK）信號等時差測量精度。本文給出了基于現(xiàn)場可編程邏輯門陣列（field programmable gate array， FPGA）時差測量方法的硬件實現(xiàn)，采用實時動態(tài)壓縮方法，F(xiàn)PGA算法實現(xiàn)資源減少50%；采用拋物線擬合方法，提高時差估計精度；采用基于參數特征映射的數據傳輸方法，保障多站數據的完備、避免數據缺失和冗余的同時，數據傳輸量降低95%。仿真與試驗測試結果表明，信噪比（signal-to-noise ratio， SNR）大于等于5 dB時，PSK調制信號時差測量精度優(yōu)于5 ns;對于前沿緩變調制信號，隨著脈沖上升沿寬度增大，時差測量精度無明顯變化；最后，在外場試驗與飛行試驗結果中驗證方法的有效性與可行性，為高精度多站時差定位系統(tǒng)的實際應用提供了有力支持。

關鍵詞： 多站定位系統(tǒng); 參數特征映射; 時差測量; 互相關; 調制信號

中圖分類號： TN 971

文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.11.04

Realization of multi-station time difference measurement based on parameter characteristics mapping

CHEN Wangjie^1，2， ZHU Weiqiang^2，*， FAN Zhenhong¹， LIU Jian²

（1. School of Electronic and Optical Engineering， Nanjing University of Science and Technology， Nanjing 210094， China; 2. Nanjing Electronic Equipment Institute， Nanjing 210007， China）

Abstract： In modern positioning system， traditional time difference measurement methods are often constrained by factors such as signal modulation types， noise interference， and the complexity of hardware implementation， making it difficult to maintain high accuracy and real-time performance. To address these issues， this paper presents a time difference measurement method for multi-station positioning systems based on parameter characteristic mapping. In this approach， the master station detects and generates a reference signal， which is then broadcasted to each substation. Based on this reference signal， each station completes the time difference measurement using frequency domain cross-correlation algorithm. This method effectively improves the accuracy of time difference measurement， such as binary phase shift keying （BPSK） signals， quadrature phase shift keying （QPSK） signals and frequency shift keying-phase shift keying （FSK-PSK） hybrid modulation signals. This paper presents the hardware implementation of the time difference measurement method based on field programmable gate array （FPGA）. Real-time dynamic compression method is adopted to reduce FPGA algorithm resources by 50%. Parabolic fitting method is used to improve the accuracy of time difference measurement.Data transmission method based on parameter feature mapping is employed to ensure the completeness of data from multiple stations， avoid data loss and redundancy， while reducing the amount of data transmission by 95%. Simulation and experimental test results show that when signal-to-noise ratio （SNR） is equal to or more than 5 dB， the time difference measurement accuracy for PSK modulation signals is better than 5 ns. For edge-transition modulation signals， the accuracy of time difference measurement remains relatively unchanged as the pulse rising edge width increases. Finally， the effectiveness and feasibility of the method are validated in field tests and flight experiments， providing strong support for the practical application of high-precision multi-station time difference positioning system.

Keywords： multi-station locating system; parameter characteristics mapping; time difference measurement; cross correlation; modulation signal

0 引 言

隨著信息化發(fā)展水平的不斷提高，多個觀測站共享資源、組網協(xié)同工作實現(xiàn)偵察打擊一體化逐漸成為未來戰(zhàn)爭的一種重要方式。高精度的多站定位系統(tǒng)作為其中一項關鍵組成部分，具有反應速度快、定位精度高、抗打擊能力強等顯著優(yōu)點，在生命救援、交通管制、無人駕駛、電子偵察等民用和軍用領域具有重要應用價值，近年來受到越來越多的關注^［1-2］。

多站定位按觀測量劃分主要包括測向定位、測時差定位、測頻差定位以及聯(lián)合定位等^［1］。目前采用較多的是測時差定位方式，時差定位對電子輻射源有發(fā)現(xiàn)距離遠、適應信號種類多、隱蔽性強等優(yōu)點。文獻［2-9］針對不同應用場景，構建基于到達時差（time difference of arrival， TDOA）定位技術幾何模型，提出基于非凸稀疏正則化的抗異常值魯棒聲源定位算法^［4］、復雜環(huán)境下交互式多模型時差定位算法^［5-6］、超定時差定位算法^［7］等。除此之外，通過仿真對比分析相同條件下基本互相關算法、廣義加權互相關算法、卡爾曼-最優(yōu)階互相關算法的時差提取精度。驗證卡爾曼-最優(yōu)階互相關算法在較低信噪比（signal-to-noise-ratio， SNR）情況下具有更強的抗噪能力和更高的時差提取精度;通過結合TDOA和到達角（angle of arrival， AOA）兩個信息，利用最小二乘法等算法實現(xiàn)輻射源位置估計^［10-13］。

多站定位根據觀測站數量可分為雙站定位^{［8，10，13］}、三站定位^{［1，3，7，14］}、四站定位^{［5，9，12，15］}等。早期的相關研究對多站構型進行分析得出，當3個觀測器成等腰或者等邊三角形分布時，平均定位誤差最小。通過對多機無源定位進行分析，得出4機、5機、6機對區(qū)域目標的最優(yōu)布站各站坐標^［14-17］。分析時差定位幾何稀釋精度（geometric dilution of precision， GDOP）影響因素，得出空間雙站、三站TDOA定位系統(tǒng)定位精度與基線長度呈正相關，與時差測量誤差和站址測量誤差呈負相關，同時還探討了測向時差誤差和測角誤差對定位精度的影響，并提出了相應的誤差校正方法^［18-21］。

多站時差測量歸納為集中式和分布式兩大類。集中式通過轉發(fā)技術將信號集中到主站統(tǒng)一進行處理，從站自身不對信號進行任何處理。分布式各個從站也參與信號的處理，通過站間通信鏈路將處理結果發(fā)送給主站。集中式對主站的處理能力要求較高，且從站需要二次轉發(fā)，一定程度上損失了時差測量精度，而分布式對各站的同步精度要求較高，達到納秒量級，實現(xiàn)難度大，但隨著高精度同步技術的發(fā)展^［22-24］，這種方式將會成為未來發(fā)展研究的重要方向。

時差測量精度直接影響定位精度。獲取時差有兩種基本的方法：第一種是測量信號具有特征的某一點的時間，然后將不同接收點的時間相減;第二種是比較這兩個信號，求其相對移動時間后信號最相似，也叫時差相關法。文獻［25］分析時差估計誤差與信號帶寬的關系，最后得出信號帶寬越大、頻率采樣點越多、信號的相關性越好，則時差誤差越小。文獻［26-27］提出了基于Hilbert變換的相關時差測量方法。文獻［28］針對民航飛機的應答信號下行S模式信號提出了解碼用M個脈沖積累的方法，TDOA測量精度提升M^1/2倍。文獻［29］提出一種基于Haar小波變換的時差測量方法，當SNR≤5 dB時，時差估計均方根大于10 ns，然而對于調相信號，當SNR低時，時差測量精度誤差較大。文獻［30］提出基于最大似然時差定位法，通過對目標輻射信號時延差穩(wěn)定性進行分析，采用多次積累提升低SNR信號時延差估計精度，算法工程實現(xiàn)復雜度較大，無法適應復雜電磁環(huán)境。

針對上述問題，本文設計了一種基于頻域互相關時差測量方法，該方法采用數字信道化檢測到達時間作為粗測量結果，引導提取子信道濾波數據，與參考信號完成頻域互相關計算，實現(xiàn)到達時間精確估計，進而完成多站時差測量。此外，本文給出了基于可編程邏輯門陣列（field programmable gate array， FPGA）時差測量方法的硬件實現(xiàn)，并采用實時動態(tài)壓縮和基于參數特征映射的數據傳輸方法，減少FPGA資源消耗，采用基于字典的萊姆佩爾-齊夫-斯托勒-西曼斯基（Lempel-Ziv-Storer-Szymanski， LZSS）壓縮算法數據包壓縮，保障多站數據的完備、避免數據缺失和冗余，降低數據傳輸量。最后，外場試驗與飛行試驗測試結果表明，所提算法有效提高了二進制相移鍵控（binary phase shift keying， BPSK）信號、四相相移鍵控（quadrature phase shift keying， QPSK）信號、頻移-相移復合調制（frequency shift keying-phase shift keying， FSK-PSK）等調制信號時差測量精度，且資源利用少，工作效率高，具有廣泛的工程應用前景。

1 時差測量方法

1.1 頻域互相關分布式設計

頻域互相關時延估計方法如圖1所示，利用信號與噪聲、噪聲與噪聲不相關性，求解得到主站和從站接收到的兩路信號x₁（t）、x₂（t） 的互相關函數R_x1x2（t），進而獲得時延τ的高精度估計^{［26-27，31］}。

分布式多站定位系統(tǒng)通過處理多個觀測站采集到的信號到達時間數據，對輻射源進行定位，通過時間同步確保了系統(tǒng)內各節(jié)點的時鐘保持一致。時間同步方法包括無線電波授時、衛(wèi)星授時和網絡授時。衛(wèi)星授時在大范圍內具有高精度和可靠性。北斗衛(wèi)星導航系統(tǒng)通過無線電定位業(yè)務提供高精度授時服務，其授時精度達到1.1 ns級別^［22］。此外，采用秒脈沖（one pulse per second， 1PPS）閉環(huán)補償方法，短期授時精度達到0.1 ns，實現(xiàn)1PPS信號的高精度輸出^［23］，進一步提高分布式多站系統(tǒng)時間同步精度。分布式定位系統(tǒng)示意圖如圖2所示。

對于遠距離目標，分布式時差定位結果為以目標定位線為半長軸的細長橢圓形，具有較高的角度定位精度（切向定位精度），在距離向（徑向）的可靠性較差，定位誤差服從概率誤差橢圓分布^［32-33］。

1.2 基于參數特征映射的數據傳輸

分布式時差測量方法將重點目標匹配數據、參考信號數據包發(fā)送給從站，同時將多個從站的檢測全脈沖數據包、時差測量結果等信息匯聚到主站，因此站間通信鏈路數據傳輸的實時性和穩(wěn)定性至關重要?？紤]數傳數據的安全性與通信開銷，利用參數特征映射關系，通過提取、壓縮、轉換等數據處理手段，最終將不同信號樣式的數據裝載到一個統(tǒng)一標準的結構中，通過參數特征融合數據代替?zhèn)鬏斣紨祿越档屯ㄐ畔?，并在接收端進行數據恢復。該方法增強了多站分布式數據傳輸面對惡劣信道衰落和噪聲不確定度的穩(wěn)健性。

采用基于參數特征映射的數據傳輸按照以下5個步驟執(zhí)行。

步驟 1 在初始化階段。每個1PPS開始時，主站對脈沖信號進行數字信道化檢測，得到頻率、脈寬、幅度、帶寬、調制類型等全脈沖信息，并與重點目標進行匹配，匹配上且第一次出現(xiàn)時，則提取前沿數據信息，進行快速傅里葉變換（fast Fourier transform， FFT）運算得到頻譜信息，形成原始參考信號，緩存到存儲器中。

步驟 2 數據融合階段。對工作周期內偵收到的重點目標信號，與原始參考信號根據頻率、帶寬、調制類型、信號強度等參數進行脈沖參數最優(yōu)融合，并判斷是否更新參考信號。

步驟 3 數據發(fā)送階段。1PPS開始后，對當前秒匹配產生的參考信號，結合全脈沖信息中的頻率、帶寬、調制類型等特征信息，根據頻譜映射關系，提取原始參考信號有效頻譜數據，對于線性調頻（linear frequency modulation， LFM）信號選取帶寬對應頻譜數據，對于100 ns碼元BPSK/QPSK信號選取對應20 MHz帶寬數據、FSK-BPSK信號選取40 MHz帶寬共數據。

步驟 4 數據動態(tài)壓縮。針對頻譜數據特點采用基于字典的LZSS算法^［34］進行動態(tài)數據壓縮，形成數傳數據壓縮包發(fā)送給從站。

步驟 5 數據恢復階段。從站接收到主站下發(fā)的數傳數據包解壓后，提取頻率、帶寬、調制類型參數特征，對頻譜數據進行補零恢復，根據重點目標號進行存儲，并更新使用。

當傳輸信道受外界影響而不能完成信息傳遞時，可以采用一個中間轉發(fā)方進行過渡傳遞數據信息，實現(xiàn)中續(xù)式協(xié)作數據傳輸。

2 FPGA硬件實現(xiàn)

2.1 FPGA硬件設計流程

根據頻域互相關的時延估計方法原理，設計FPGA硬件實現(xiàn)方案。其中，模擬到數字（analog-to-digital， AD）采樣率1 GHz，F(xiàn)PGA芯片為XC7K325T。在每個1PPS工作周期內，根據第1.2節(jié)基于參數特征映射數據傳輸步驟，完成重點目標匹配，參考信號生成、廣播分發(fā)與數據恢復。在工程應用中，考慮到檢測脈沖數多，逐脈沖分發(fā)求時差，傳輸數據量大，因此對同一1PPS內偵收到的重點目標信號，主站與從站同時采用參考信號作為互相關運算模板，進行頻域互相關時差提取，分別得到主站信號與參考信號時差τ_主-參、從站信號與參考信號時差τ_從-參，因此主站與從站時差τ_主-從為：τ_主-從=τ_主-參-τ_從-參，主站與從站時差測量時序關系如圖3所示，頻域互相關法FPGA硬件實現(xiàn)流程圖如圖4所示。

2.2 FFT處理模塊

FFT處理模塊主要是區(qū)分主站發(fā)送參考信號模板數據與從站采集的子信道濾波數據進行FFT處理，主要分為重點目標匹配、前沿數據提取、FFT運算等過程。具體步驟如下。

步驟 1 從站對采集的中頻數據進行數字信道化檢測，得到信號檢波視頻脈沖（video pulse， VP）、頻率、脈寬（pluse width， PW）^［35-39］;

步驟 2 中頻數據輸出延時與檢波VP對齊，并從檢波VP前N點開始取出M點中頻數據，并根據重點目標匹配結果，產生FFT運算啟動信號。

步驟 3 從站在每個工作窗口開始后，選擇接收到主站發(fā)送的數據，接收完主站發(fā)送的數據后，形成參考模板數據，更新重點目標庫，對偵收信號進行匹配，匹配上則輸出FFT運算啟動信號，進而實現(xiàn)主站與從站的互相關處理。

2.3 相關卷積模塊

根據延時匹配的重點目標信號x₁（t），與本地已存儲的重點目標信號x₂（t）相匹配，對輸入的數據進行FFT運算得到頻譜信息X₁（f），同時讀出參考模板數據X₂（f）并根據文獻［26］中進行相關卷積，得到卷積結果X₁（f）·X^*₂（f），輸出至快速傅里葉逆變換（inverse fast Fourier transform， IFFT ）處理模塊。

2.4 峰值搜索模塊

峰值搜索，就是查找IFFT輸出數據的絕對功率最大值及其位置。其中，絕對功率值可以采用對正交（in-phase quadrature， IQ）數據求模等比運算代替。

假設輸入IQ數據（I_k，Q_k），其中I_k為數據實部，Q_k為數據虛部，取模采用近似運算。令A₁=max{|I_k|，|Q_k|}，A₂=min{|I_k|，|Q_k|}，模值近似運算可以表示為|y_k|=max{A₁，?A₁+?A₂}，然后對求得的模值采用逐點比較反饋保留最大值的方式進行搜索，獲得IFFT輸出數據的峰值及其位置。

3 設計優(yōu)化與仿真設計

為提高硬件性能，本文利用拋物線擬合、實時動態(tài)壓縮和基于字典的LZSS壓縮算法，進一步優(yōu)化算法，有效提高時差測量精度，大幅度降低FPGA資源消耗，有利于工程實現(xiàn)。

3.1 拋物線插值擬合估計

采用逐點比較搜索得到最大值后，采用經典的拋物線三點擬合法^［39］進行插值處理，得到時差估計值τ為

式中：T_s是相鄰數據時間分辨率；R_n為最大值點處幅度;R_n－1和R_n+1為左右點幅度值；n為R_n所在位置。能夠得到更高分辨率的最大值的相對位置，即可提高局部范圍內到達時間估計分辨率，進而獲得更高精度的時差估計值。對于幅度值插值運算，取R_n最高位往下進行6 bits壓縮（對應36 dB動態(tài)范圍），實現(xiàn)數據估計分辨率從1提高到1/256，在保證估計分辨率的同時，降低FPGA資源消耗。針對6 bits壓縮歸一化后擬合插值仿真圖如圖5所示。

3.2 數據位寬動態(tài)壓縮優(yōu)化

從圖1中分析可知，基于頻域互相關的時延估計方法最關鍵的3個環(huán)節(jié)在于FFT運算、卷積運算、IFFT運算。這3個環(huán)節(jié)對于有效數據的精確保留直接影響到最終的時差估計精度。同時，保留中間處理數據精度越高，對于FPGA實現(xiàn)的資源消耗越多。

根據FFT公式：

式中：X（k）為x（n）的離散傅里葉變換；N是信號x（n）的長度。當輸入12 bits有符號實數信號進行4 096點FFT運算（虛部置零），輸出為23 bits有符號結果。表1給出了相位因子位寬為16 bits的情況下，輸入數據不同位寬時，F(xiàn)FT輸出資源消耗的對比結果。其中，不截位模式按照理論輸入數據與相位因子運算后全精度輸出;截位模式按照全精度情況下從最高位往下取輸入位寬相同的數據位寬輸出。從表中可以看出，當輸入位寬大于12 bits， 不截位模式下乘法器DSP48 E1分布隨機存取存儲器（block-random access memory， Block RAM）等資源使用成倍增加。

設置AD采樣率1 GHz，信號頻率550～950 MHz以0.1 MHz步進，脈寬5 μs，SNR從-10～40 dB遞增，分別對常規(guī)調制脈沖（modulated pulse， MP）信號、帶寬10 MHz的LFM信號、100 ns碼元BPSK信號、100 ns碼元QPSK信號、FSK-BPSK信號進行4 096點FFT運算，統(tǒng)計各類信號FFT輸出峰值有效位寬，如圖6所示。

從圖中可以看出，隨著SNR增大，F(xiàn)FT運算輸出數據峰值有效數據位寬呈規(guī)律遞增趨勢。因此，可以根據輸入數據SNR情況，估計FFT輸出數據峰值位寬、相關卷積輸出數據位寬以及IFFT輸出數據位寬，并對3級輸出數據分別進行動態(tài)壓縮，按照峰值往下取X bits輸出，即保證低SNR情況時差估計精度，同時又極大地節(jié)省了FPGA資源消耗。

綜上所述，通過對鏈路截位分析對比最終的時差估計精度，數據位寬動態(tài)壓縮優(yōu)化主要包括以下3個步驟。

步驟 1 保證低SNR AD數據無損輸出，F(xiàn)FT處理模塊采用不截位模式IP核，12 bits輸入，全精度輸出，通過動態(tài)壓縮1輸出的數據均為有效數據。

步驟 2 完成相關卷積運算后，經動態(tài)壓縮2輸出數據，均為有效數據，對于IFFT模塊，采用截位模式IP核，令輸出位寬=輸入位寬。

步驟 3 通過仿真測試，動態(tài)壓縮1將原25 bits位寬優(yōu)化為12 bits，動態(tài)壓縮2將原47 bits位寬優(yōu)化為12 bits，動態(tài)壓縮3將原47 bits位寬優(yōu)化為6 bits時，經動態(tài)壓縮后時差估計精度在10^-3 ns量級，精度達到壓縮優(yōu)化前99.9%。

優(yōu)化前后FPGA資源使用見表2，經動態(tài)壓縮優(yōu)化后，寄存器Slice Registers使用減少39.5%，查找表Slice LUTs使用減少43.5%，存儲器Block RAMs使用減少49.4%，乘法器DSP48 E1使用減少50.5%。

時鐘采樣率1 GHz，信號頻率750 MHz，脈寬5 μs，100 ns碼元BPSK信號，SNR 40 dB，分別對比以下3種情況與全精度的測量誤差。

（1） 動態(tài)壓縮1。僅動態(tài)壓縮1輸出從1～20 bits、保持動態(tài)壓縮2、3全位寬輸出;

（2） 動態(tài)壓縮2。動態(tài)壓縮1輸出12 bits、動態(tài)壓縮2輸出從1～20 bits，保持動態(tài)壓縮3全位寬輸出;

（3） 動態(tài)壓縮3。動態(tài)壓縮1、動態(tài)壓縮2輸出12 bits，動態(tài)壓縮3輸出從1～20 bits。

分別仿真1 000次，統(tǒng)計不同動態(tài)壓縮位寬輸出時差的均方根誤差（root mean square error， RMSE），結果如圖8所示。

不同SNR下動態(tài)壓縮前后時差測量差值的RMSE統(tǒng)計如圖9所示。

3.3 基于字典的LZSS壓縮優(yōu)化

為了進一步降低站間數據傳輸數據量，在數據包發(fā)送前，針對頻譜數據特點，利用瞬時振幅、瞬時頻率、四重相位差分等信號參數特征，實現(xiàn)基于字典的LZSS算法進行無損壓縮，算法復雜度低，全并行實時運算，易于FPGA實現(xiàn)。

根據圖10所示，各類信號的相位差分數據呈現(xiàn)出清晰的規(guī)律性，采用基于字典的LZSS壓縮算法高效處理這些數據。該算法運用滑動窗口技術對數據進行壓縮，主要包括數據預處理、數據與存儲地址的映射運算、字典讀取與更新、數據匹配與編碼輸出等步驟^{［34，40］}，通過狀態(tài)機控制各個流程狀態(tài)轉移，壓縮流程如圖11所示。

壓縮步驟如下。

步驟 1 設置編碼輸入數據起始位置。

步驟 2 比較待編碼字符與字典中字符的相似度，在搜索緩沖區(qū)查找最大匹配長度字符串。

步驟 3 查找最大匹配長度的字符串并計算最大匹配長度len。

步驟 4 比較最大匹配長度len與當前最小匹配長度minlength的大小：

如果len≥minlength，則輸出二元組（1， offset， len）。其中，1表示配對成功，offset表示字典中配對成功數據距離字典起始位置的偏移量，將滑動窗口后移len個字符。

如果len＜minlength，則輸出待編碼區(qū)的第一個字符，并在前面添加標志位0，表示該字符未被編碼，將滑動窗口后移1個字符。

步驟 5 重復上述步驟2～步驟4，直到待編碼區(qū)所有字符都被處理完畢。

數據解壓縮時通過判斷標志位進行數據還原。如果標志位是0，表示下一個字節(jié)是一個未經壓縮的真實字符。讀入該字符，并將窗口后移一個字節(jié)，然后將該字符輸出到字符文件。如果標志位是1，則讀入匹配位置的偏移量和長度，找到匹配數據的起始位置，按照長度進行還原。

設計LZSS滑動窗口大小16，字典大小16×8 bits，地址RAM大小64×4 bits，對帶寬10 MHz的LFM信號、100 ns碼元BPSK信號、100 ns碼元QPSK信號、FSK-BPSK信號進行4 096點FFT運算，統(tǒng)計不同SNR下，各種類型數據的壓縮率，如圖12所示。從圖中可以看出，LFM信號壓縮率在42%左右，PSK信號壓縮率在34%～47%，F(xiàn)SK-BPSK信號壓縮率在46%～51%。

本文提出了基于參數特征映射的數據傳輸方法。通過基于參數特征映射關系進行數據抽取，根據信號SNR對數據位寬進行動態(tài)壓縮，最后結合信號頻譜特征采用基于字典的LZSS壓縮算法對發(fā)送數據包進行壓縮優(yōu)化，數據傳輸量降低95%，極大降低了數據傳輸壓力，既保障多站數據的完備又避免數據缺失和冗余，實現(xiàn)單脈沖時差相關測量。

3.4 仿真與測試

為了驗證不同帶寬頻域互相關法測時差的容忍度，設置信號頻率750 MHz，脈寬10 μs，SNR 10 dB，信號帶寬1～50 MHz，步進1 MHz，分別進行蒙特卡羅仿真1 000次，并與克拉美羅下限（Cramer-Rao lower bound，CRLB）仿真對比^［25］，仿真結果如圖13所示。從圖中可以看出，信號帶寬越大，斜率越高，相關性越好，時差測量誤差越小^［41-42］。針對不同脈沖上升沿寬度頻域互相關法時差測量誤差對比可得，脈沖上升沿寬度變大后，對頻域互相關法時差測量誤差影響不明顯，即頻域互相關法時差測量對上升沿變化具有魯棒性。

為了驗證時差測量精度，分別對LFM信號、BPSK信號、QPSK信號、FSK-PSK信號開展小波變換法、頻域互相關法仿真，并在FPGA芯片上實測驗證。時鐘采樣率1 GHz，信號頻率750 MHz，脈寬12.8 μs，LFM信號帶寬10 MHz，PSK信號碼元100 ns，F(xiàn)SK信號跳變分別為0 MHz、20 MHz、30 MHz、10 MHz共4個頻點，每個頻點3.2 μs;仿真結果如圖14所示。

從圖14（a）中可以看到，LFM信號小波變換的精度比頻域互相關精測的精度高，原因在于相關精測對于LFM信號要求時鐘穩(wěn)定度高，而小波變換只求邊緣檢測，SNR越高，精度越高。從圖14（b）～圖14（d）中可以看出，BPSK、QPSK、FSK-PSK信號在低SNR時采用頻域互相關算法測量精度比小波變換的精度高，收斂性更快;SNR≥5 dB時，PSK調制信號時差測量精度優(yōu)于5 ns，優(yōu)于文獻［29］提出的10 ns。

3.5 飛行試驗驗證

采用1個主站、3個從站，按照間隔3 km組成正三棱錐構型進行飛行，飛行高度2 km，飛行速度150 km/h，飛行方向正對輻射源徑向飛行。飛行測試示意圖如圖15所示，從A區(qū)域飛入，B區(qū)域設備開機，C～D區(qū)域為測試區(qū)域，D～E區(qū)域測試結束。輻射源信號為FSK-PSK信號，信號載頻3 GHz，PSK碼元寬度100 ns，F(xiàn)SK頻率跳變分別為0 MHz、20 MHz、30 MHz、10 MHz共4個頻點，每個頻點3.2 μs;接收機端口信號等效SNR約10 dB;經飛行試驗統(tǒng)計，主站與3個從站接收數據時差均方根如圖16所示，時差測量誤差均方根小于4 ns，輻射源定位誤差分布圖如圖17所示，輻射源與主站距離為R，輻射源切向定位精度為0.12%R。

3.6 難點分析

（1） 基線構型。二維目標定位需要3個偵察站，形成2條獨立的基線，并在平面內構成2條相交的雙曲線，因此需要各站立足于旁瓣偵收，提高檢測靈敏度，提高同時偵收并檢測到同一輻射源的信號準確率，以實現(xiàn)二維目標定位。

（2） 時鐘同步。參考信號要轉發(fā)到各個從站，同時進行時鐘同步，才能保證脈沖能夠配對，提取時差。通過采用衛(wèi)星信號進行1PPS同步，按照1PPS工作周期更新并轉發(fā)參考信號，實現(xiàn)主站和從站均采用統(tǒng)一的參考信號，并通過參數融合保證脈沖配對，實現(xiàn)精確時差提取。

（3） 采樣時鐘穩(wěn)定度。信號和噪聲頻譜特性不理想則不能達到好的效果。對采樣時鐘要求較高，尤其是LFM信號，測量精度受采樣時鐘影響更大?？赏ㄟ^提高時鐘穩(wěn)定度和測量精度。

（4） 機動目標定位。機動目標駐留時間短，突發(fā)數據量大，采用FFT求互相關的方法可以明顯加快數據處理的速度，實現(xiàn)單脈沖相關處理，且不受上升沿影響，因此這種特點很適合對機動目標定位。

4 結束語

本文基于頻域互相關算法提出一種基于參數特征映射的多站時差測量方法。通過峰值檢測與插值方法來實現(xiàn)到達時間的精估計，進而提高時差測量精度。設計中提出了利用動態(tài)壓縮方法與基于字典的LZSS壓縮算法，優(yōu)化FPGA使用資源，降低傳輸數據量，實現(xiàn)資源與測量精度的統(tǒng)一。最后，通過實驗分析了不同帶寬頻域互相關法測時差的容忍度，信號帶寬越大，斜率越高，相關性越好，時差測量誤差越小。驗證不同脈沖上升沿寬度頻域互相關法測時差的適應性，證明了頻域互相關法時差測量對上升沿變化具有魯棒性;分別針對LFM信號、BPSK信號、QPSK信號、FSK-PSK復合調制信號等進行仿真與外場測試，理論分析與實測均證明該方法能有效提高調制信號在多站定位系統(tǒng)中時差測量精度。

參考文獻

［1］WILLIAM D C R， JOSE A A J. An emitter localization method based on multiple differential doppler measurements［J］. IEEE Latin America Transactions， 2022， 20（4）： 537-544.

［2］WU Y J， XU C Q， LING P， et al. Multidimen-sional scaling-based TDOA localization scheme using an auxiliary line［J］. IEEE Signal Processing Letters， 2016， 23（4）： 546-550.

［3］SHI X F， ANDERSON B D O， MAO G， et al. Robust localization using time difference of arrivals［J］. IEEE Signal Processing Letters， 2016， 23（10）： 1320-1324.

［4］QIU F Y， DING S F. Research on multi-platform time difference location technology［C］∥Proc.of the IEEE 5th International Conference on Signal and Image Processing， 2020： 813-817.

［5］BOLE M， CHAO T， LI P Z， et al. A TDOA localization method for complex environment localization［C］∥Proc.of the Big Data Mining and Information Processing on Journal of Physics Conference Series， 2021， 2004： 012003.

［6］WANG Z W， HU D X， ZHAO Y J， et al. Real-time passive localization of TDOA via neural networks［J］. IEEE Communications Letters， 2021， 25： 3320-3324.

［7］PETR H， JIRI V， JANA O. The complete analytical solution of the TDOA localization method［J］. Defence Science Journal， 2022， 72（2）： 227-235.

［8］TALMON A， MICHAEL W， ROEE D. A time difference of arrival based target motion analysis for localization of underwater vehicles［J］. IEEE Trans.on Vehicular Technology， 2022， 71（1）： 326-338.

［9］LIANG Z D， YI W J. Application of improved particle swarm optimization algorithm in TDOA［J］. AIP Advances， 2022， 12（2）： 227-235.

［10］LI W C， LI Y， WEI P， et al. A closed-form localization algorithm using angle-of-arrival and difference time of scan time measurements in scan-based radar［J］. IEEE Trans.on Aerospace and Electronic Systems， 2019， 55（1）： 511-515.

［11］JIANG F， ZHANG Z K. An improved underwater TDOA/AOA joint localisation algorithm［J］. The Institution of Engineering and Technology Communications， 2021， 15： 802-814.

［12］SADJAD I， MOHAMMAD P， MOHAMM-AD J H， et al. Bi-static target localization based on inaccurate TDOA-AOA mea-surements［J］. Signal， Image and Video Processing， 2022， 16（1）： 239-245.

［13］XU D， WEN M， EMANUEL A P H， et al. TDOA-based robust sound source localization with sparse regularization in wireless acoustic sensor networks［J］. IEEE/ACM Trans.on Audio， Speech and Language Processing， 2022， 30： 1108-1123.

［14］ZOU Y B， LIU H P. Semidefinite programming methods for alleviating clock synchronization bias and sensor position errors in TDOA localization［J］. IEEE Signal Processing Letters， 2020， 27： 241-245.

［15］何勝陽， 杜杰朋， 趙雅琴， 等. 基于TDOA的無人機集群協(xié)同單目標定位［J］. 系統(tǒng)工程與電子技術， 2023， 45（1）： 1-8.

HE S Y， DU J P， ZHAO Y Q， et al. TDOA-based cooperative single target location using UAV cluster［J］. Systems Engineering and Electronic， 2023， 45（1）： 1-8.

［16］YAO H R， ZOU C M， WANG G X， et al. Station distribution optimization algorithm of TDOA passive location based on adaptive matching reconnaissance area［C］∥Proc.of the 2nd International Conference on Electronics， Communications and Information Technology， 2021： 1173-1177.

［17］王程民， 平殿發(fā)， 宋斌斌， 等. 基于粒子群算法的多機無源定位系統(tǒng)優(yōu)化布站［J］. 計算機與數字工程， 2021， 49（3）： 487-492.

WANG C M， PING D F， SONG B B， et al. Optimization of multi-machine passive positioning system based on PSO［J］. Computer and Digital Engineering， 2021， 49（3）： 487-492.

［18］WANG Y Z， ZHOU T， YI W， et al. A GDOP-based performance description of TOA localization with uncertain measurements［J］. Remote Sensing， 2022， 14（4）： 910.

［19］OYANG X X， CAO J M， ZHAO P Y. TDOA and AOA combined location accuracy analysis with two stations［C］∥Proc.of the 2nd International Conference on Control， Automation and Artificial Intelligence， 2017： 429-432.

［20］GUO Q X， ZHANG L B， TAO X F. Research on singular value point of target azimuth aided passive time-difference-of-arrival［C］∥Proc.of the Chinese Institute of Electronics International Conference on Radar， 2016.

［21］王洪， 金爾文， 劉昌忠， 等. 多點定位TOA精確估計及同步誤差校正算法［J］. 系統(tǒng)工程與電子技術， 2013， 35（4）： 835-839.

WANG H， JIN E W， LIU C Z， et al. Accurate estimation of TOA and calibration of synchronization error for multilateration［J］. Systems Engineering and Electronics， 2013， 35（4）： 835-839.

［22］WANG D X， GUO R， XING N， et al. Performance analysis of two RDSS positioning modes of BeiDou-3 system［J］. Astrodynamics， 2022， 6（3）： 317-327.

［23］XU R， ZHAO J F， TIAN X， et al. Scheme of BeiDou high-precision time synchronization technology［J］. Journal of Navigation and Positioning， 2023， 11（1）： 154-158.

［24］ZHANG J H， DONG S W， YUAN H B， et al. Study on PPP time comparison based on BeiDou-3 new signal［J］. IEEE Instrumentation amp; Measurement Magazine， 2022， 8： 30-40.

［25］楊健， 劉渝， 狄慧. 基于時差校正的長基線寬帶測向算法［J］. 系統(tǒng)工程與電子技術， 2013， 35（1）： 20-28.

YANG J， LIU Y， DI H. Long baseline direction finding algorithm of wideband based on time-delay correction［J］. Systems Engineering and Electronics， 2013， 35（1）： 20-28.

［26］SUN H M， JIA R S， DU Q Q， et al. Cross-correlation analysis and time delay estimation of a homologous micro-seismic signal based on the Hilbert-Huang transform［J］. Computers amp; Geosciences， 2016， 91： 98-104.

［27］ROBERT H. Time delay estimation of random signals using cross-correlation with Hilbert transform［J］. Measurement， 2019， 146： 792-799.

［28］LUO Z H， ZHOU F J， LEI L， et al. A Kalman filter and optimal Fourier fransform rank combined cross correlation algorithm for time-difference extraction［J］. Science and Technology， 2021， 21（12）： 4982-4989.

［29］鄭恩明， 陳新華， 孫長瑜. 一種水下聲信號未知頻率的時延差估計方法［J］. 振動與沖， 2014， 33（9）： 190-194.

ZHENG E M， CHEN X H， SUN C Y. A time delay difference estimation method for unknown frequency of underwater acoustic signals［J］. Journal of Vibration and Shock， 2014， 33（9）： 190-194.

［30］MA X X， TARING B， CHEN H， et al. A maximum-likelihood TDOA localization algorithm using difference-of-convex programming［J］. IEEE Signal Processing Letters， 2021， 28： 309-313.

［31］ZHANG L， WU X L. On the application of cross correlation function to subsample discrete time delay estimation［J］. Digital Signal Processing， 2006， 16： 682-694.

［32］孫兵， 李龍驤， 羅景青. 協(xié)同偵察系統(tǒng)增加猝發(fā)探測功能的定位技術［J］. 航天電子對抗， 2016， 32（3）： 9-12.

SUN B， LI L X， LUO J Q. Location technology of synergy reconnaissance system adding instantaneous detection function［J］. Aerospace Electronic Warfare， 2016， 32（3）： 9-12.

［33］HOU M J， WU H L， PENG J G， et al. Long-range and high-precision localization method for underwater bionic positioning system based on joint active-passive electrolocation［J］. Scientific Reports， 2023， 13（1）： 21475.

［34］ZHANG J L. A FPGA-based parallel method of bridge data compression［C］∥Proc.of the International Conference on Power Electronics and Power Transmission， 2021.

［35］MAHESH R， VINOD A P， EDMUND M K L， et al. Filter bank channelizers for multi-standard software defined radio receivers［J］. Journal of Signal Processing Systems， 2021， 62： 157-171.

［36］DUAN X Z， SU S， MEI N. Transmitting electric power system dynamics in SCADA using polynomial fitting［J］. Science in China Series E： Technological Sciences， 2009， 52（4）： 937-943.

［37］李曉輝， 萬宏杰， 樊韜， 等. 基于多相濾波的高精度延時設計及實現(xiàn)［J］. 系統(tǒng)工程與電子技術， 2023， 45（1）： 25-31.

LI X H， WAN H J， FAN T， et al. Design and implementation of high precision delay based on polyphase filtering［J］. Systems Engineering and Electronics， 2023， 45（1）： 25-31.

［38］SMITH J P， BAILEY J I， TUTHILL J， et al. A high-throughput oversampled polyphase filter bank using vivadio HLS and PYNQ on a RFSoc［J］. IEEE Open Journal of Circuits and Systems， 2021， 2： 241-252.

［39］XIE Y L， JIANG P， GU Y， et al. Dual-source detection and identification system based on UAV radio frequency signal［J］. IEEE Trans.on Instrumentation and Measurement， 2021， 70： 9509437.

［40］CHACKO J D， HENG C H， LIAN Y. A hybrid data compression scheme for power reduction in wireless sensors for IoT［J］. IEEE Trans.on Biomedical Circuits and Systems， 2017， 11（2）： 245-254.

［41］SIYA M， YOU W A， YU Z. A content-independent method for LFM signal source identification［J］. AEU-International Journal of Electronics and Communications， 2022， 143（1）： 154024.

［42］LIU X L， XIAO B， WANG C Y. Optimal target function for the fractional Fourier transform of LFM signals［J］. Circuits， Systems， and Signal Processing， 2022， 41： 4160-4173.

作者簡介

陳望杰（1986—），男，高級工程師，博士研究生，主要研究方向為雷達信號處理。

朱偉強（1964—），男，研究員，博士，主要研究方向為空間電子對抗技術、信號與信息處理、無源定位技術。

樊振宏（1978—），男，教授，博士，主要研究方向為計算電磁學及電磁仿真軟件、電磁散射與輻射、現(xiàn)代天線設計、優(yōu)化與分析技術、微波/毫米波/射頻系統(tǒng)的分析與設計、微波成像和目標電磁特性及識別。

劉 建（1982—），男，研究員，碩士，主要研究方向為雷達通信一體化信號處理。