本发明涉及信号定位技术领域，具体涉及一种基于随机信号的定位方法及装置。
背景技术：
随着科技的发展，人们对定位服务的需求也日益强烈。gps、北斗等卫星导航系统日益完善与普及，定位精度已经基本满足人们的日常需求；然而在一些日常环境(城市高楼林立或室内)，gps等卫星导航信号无法保证精度。室内和城市内信号接收质量较好的随机信号导航的研究逐渐引起学者们的关注。随机信号的信号源是民用设施，包括数字广播、数字电视、手机基站等，易获取、信号质量好，能够提供不随时间积累的绝对定位信息，逐渐成为卫星导航系统的有益补充。
由于随机信号出现时间无法预知，持续时间不确定，其精度受环境和基站影响较大，使得基于随机信号的导航定位误差大，定位不准确。
鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。
技术实现要素：
为解决上述技术缺陷，本发明采用的技术方案在于，首先提供一种基于随机信号的定位方法，其包括：
步骤1，根据随机信号的定位原理，建立观测量与位置解算恒等式；
步骤2，在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
步骤3，确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
步骤4，根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型；
步骤5，根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波；
步骤6，根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算。
较佳的，所述恒等式是理想情况下的观测量与位置解算恒等式。
较佳的，所述步骤4中，对所述置信度进行归一化处理。
较佳的，所述步骤5中，对所述卡尔曼滤波器加入遗忘因子。
较佳的，所述步骤1中，所述恒等式为：
式中，
其中，ri0、
较佳的，所述步骤2中，所述位置误差与观测量误差的关系式为：
其中，δu为解算结果中的误差部分，u目标位置的坐标向量，t为转置符号，ri、rj为基站i、j与目标位置之间的距离，
较佳的，所述步骤3中，与观测量误差相关的项为：
式中，ai为与观测量误差相关的项，t为转置符号，ri为基站i与目标位置之间的距离，
较佳的，所述步骤3中，与观测量误差无关的项为：
式中，bi为与观测量误差无关的项，t为转置符号，ri、rj为基站i、j与目标位置之间的距离，
较佳的，所述步骤4中，所述置信度模型为：
式中，γ′i为基站i的置信度，ai为与观测量误差相关的项，bi为与观测量误差无关的项，ri、rj为基站i、j与目标位置之间的距离，
其次，提供一种与所述的定位方法对应的基于随机信号的定位装置，其包括：
等式建立模块，其根据随机信号的定位原理，建立观测量与位置解算恒等式；
误差引入模块，其与所述等式建立模块连接，在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
误差确定模块，其与所述误差引入模块连接，确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
置信度模块，其与所述误差确定模块连接，根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型；
滤波模块，其与所述置信度模块连接，根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波；
导航解算模块，其与所述滤波模块连接，根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算。
与现有技术比较本发明的有益效果在于：通过估计观测量误差在解算模型中的比重，估计接收到各基站随机信号的置信度并排序，根据定位方法中需求的最低随机信号数量，自主选取置信度较高的随机信号进行导航解算，屏蔽低精度随机信号对导航解算的干扰。提高了定位的精度与自适应性，降低了导航解算的计算量。
附图说明
为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明基于随机信号的定位方法的流程图；
图2是本发明基于随机信号的定位装置的结构图；
图3a是本发明实施例13中是否引入置信度的x轴解算对比图；
图3b是本发明实施例13中是否引入置信度的y轴解算对比图；
图3c是本发明实施例13中是否引入置信度的z轴解算对比图；
图4是本发明实施例13中是否加入置信度评估方法的导航解算结果对比图；
图5是本发明实施例13中七个基站的信号评估置信度结果图。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
实施例1
如图1所示，其为；其中，所述基于随机信号的定位方法包括：
步骤1.根据随机信号的定位原理，建立观测量与位置解算恒等式；
其中，所述解算恒等式是理想情况下观测量与位置解算恒等式。
其中，随机信号的定位原理，是定位软件可以根据接收到的每个基站信号的强弱，自动估算目标位置(手机等)到每个基站(信号的发送端)的距离，这样，通过多个基站(至少三个)就可以确定目标位置的位置(基站越多，定位越准确)。
其中，所述观测量为基站信号到达目标位置的时间，理想情况下基站与目标位置之间的距离，可以由所述观测量直接确定。
步骤2.在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
其中，为了便于理解，可以将位置误差与观测误差分别位于等式两侧。
其中，位置误差侧仅存在实际位置项与位置误差项；
步骤3.确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
其中，为所述观测量误差位于所述等式的一侧，其中，有些项内不包含所述观测量误差以及所述观测量误差影响的其他变量，因此为与所述观测量误差无关的项，反之，为与所述观测量误差有关的项。
确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项，并记录与观测量误差相关的项之和，与观测量误差无关项之和。
步骤4.根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型。
在确定所述置信度模型后，计算基站的置信度。
较佳的，对所述置信度进行归一化。
步骤5.根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波。
其中，为保持卡尔曼滤波器的活性，对卡尔曼滤波器加入遗忘因子λ(λ＞1)；
步骤6.根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算。
这样，通过估计观测量误差在解算模型中的比重，估计接收到各基站随机信号的置信度并排序，根据定位方法中需求的最低随机信号数量，自主选取置信度较高的随机信号进行导航解算，屏蔽低精度随机信号对导航解算的干扰。提高了定位的精度与自适应性，降低了导航解算的计算量。
实施例2
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤1中，所述恒等式为：
式中，
其中，ri0为理想情况下基站i与目标位置之间的距离，
这里，是以toa定位法为基础进行公式的确定，其中，toa，即到达时间，其原理为：测量目标位置与发送端的信号到达时间差，假定测得其传输时间，则目标位置与发送端的距离为传输时间与信号传输速度的乘积；若发送端数量为多个，已知发送端坐标，则根据几何原理可以得到方程组，从而求解即可得出带定位节点的坐标。
实施例3
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤2中，所述位置误差与观测量误差的关系式为：
其中，δu为解算结果中的误差部分，u目标位置的坐标向量，t为转置符号，ri、rj为基站i、j与目标位置之间的距离，
实施例4
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤3中，与观测量误差相关的项为：
式中，ai为与观测量误差相关的项，t为转置符号，ri为基站i与目标位置之间的距离，
实施例5
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤3中，与观测量误差无关的项为：
式中，bi为与观测量误差无关的项，t为转置符号，ri为基站i与目标位置之间的距离，
实施例6
如上述所述的基于随机信号的定位方法，本实施例与其不同之处在于，所述步骤4中，所述置信度模型为：
式中，γ′i为基站i的置信度，ai为与观测量误差相关的项，bi为与观测量误差无关的项，ri，rj为基站i，j与目标位置之间的距离，
其中，δri可以由卡尔曼滤波器中估计值得到。
实施例7
如上述所述的基于随机信号的定位方法，本实施例为与其对应的基于随机信号的定位装置，如图2所示，其为；其中，所述基于随机信号的定位装置包括：
等式建立模块1，其根据随机信号的定位原理，建立观测量与位置解算恒等式；
其中，所述解算恒等式是理想情况下观测量与位置解算恒等式。
其中，随机信号的定位原理，是定位软件可以根据接收到的每个基站信号的强弱，自动估算目标位置(手机等)到每个基站(信号的发送端)的距离，这样，通过多个基站(至少三个)就可以确定目标位置的位置(基站越多，定位越准确)。
其中，所述观测量为基站信号到达目标位置的时间，理想情况下基站与目标位置之间的距离，可以由所述观测量直接确定。
误差引入模块2，其与所述等式建立模块1连接，在所述恒等式中引入误差项，确定位置误差与观测量误差的关系式；
其中，为了便于理解，可以将位置误差与观测误差分别位于等式两侧。
其中，位置误差侧仅存在实际位置项与位置误差项；
误差确定模块3，其与所述误差引入模块2连接，确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项；
其中，为所述观测量误差位于所述等式的一侧，其中，有些项内不包含所述观测量误差以及所述观测量误差影响的其他变量，因此为与所述观测量误差无关的项，反之，为与所述观测量误差有关的项。
确定观测量误差项，分别记录与所述观测量误差相关的项以及与所述观测量误差无关的项，并记录与观测量误差相关的项之和，与观测量误差无关项之和。
置信度模块4，其与所述误差确定模块3连接，根据所述的与观测量误差相关的项以及与观测量误差无关的项确定所述观测量误差在位置解算中的比重，确定置信度模型；
在确定所述置信度模型后，计算基站的置信度。
较佳的，对所述置信度进行归一化。
滤波模块5，其与所述置信度模块4连接，根据所述置信度模型建立卡尔曼滤波器，对所述置信度进行平滑滤波；
其中，为保持卡尔曼滤波器的活性，对卡尔曼滤波器加入遗忘因子λ(λ＞1)；
导航解算模块6，其与所述滤波模块5连接，根据随机信号的定位原理，建立导航解算模型，并选择置信度较高的基站信号进行导航解算。
这样，通过估计观测量误差在解算模型中的比重，估计接收到各基站随机信号的置信度并排序，根据定位方法中需求的最低随机信号数量，自主选取置信度较高的随机信号进行导航解算，屏蔽低精度随机信号对导航解算的干扰。提高了定位的精度与自适应性，降低了导航解算的计算量。
实施例8
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述等式建立模块1中，所述恒等式为：
式中，
其中，ri0为理想情况下基站i与目标位置之间的距离，
这里，是以toa定位法为基础进行公式的确定，其中，toa，即到达时间，其原理为：测量目标位置与发送端的信号到达时间差，假定测得其传输时间，则目标位置与发送端的距离为传输时间与信号传输速度的乘积；若发送端数量为多个，已知发送端坐标，则根据几何原理可以得到方程组，从而求解即可得出带定位节点的坐标。
实施例9
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述误差引入模块2中，所述位置误差与观测量误差的关系式为：
其中，δu为解算结果中的误差部分，u目标位置的坐标向量，t为转置符号，ri为基站i与目标位置之间的距离，
实施例10
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述误差确定模块3中，与观测量误差相关的项为：
式中，ai为与观测量误差相关的项，t为转置符号，ri为基站i与目标位置之间的距离，
实施例11
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述误差确定模块3中，与观测量误差无关的项为：
式中，bi为与观测量误差无关的项，t为转置符号，ri为基站i与目标位置之间的距离，
实施例12
如上述所述的基于随机信号的定位装置，本实施例与其不同之处在于，所述置信度模块4中，所述置信度模型为：
式中，γ′i为基站i的置信度，ai为与观测量误差相关的项，bi为与观测量误差无关的项，ri，rj为基站i，j与目标位置之间的距离，
其中，δri可以由卡尔曼滤波器中估计值得到。
实施例13
如上述所述的基于随机信号的定位方法及装置，本实施例为对其具体实施过程进行推理和举例说明。
模拟利用toa定位法进行随机信号导航，设基站位置为
建立理想情况下观测量与导航解算位置恒等式，其中，模型中的可测量的观测量，例子中为各基站信号到达时间ti。
由于
其中，
于是
其中，
将式(4)带入式(1)则整理可得，
因此，
其中，
再将式(4)带入式(6)可得，
带入误差项δri，由于随机信号导航系统中观测量为信号到达时间ti，因此δri为由时间误差δti引起的距离误差。
由于，
r＝c·t(10)
其中，c为基站信号在介质(空气)中的传播速度。
因此，
ri＝ri0+δri(11)
建立误差项与实际位置之间关系，将式(11)带入式(8)，可得
其中，δu为导航解算结果中的误差部分，δu＝[δx,δy,δz]。
又因为，
于是，
由于式(15)中等式左侧为根据等式右侧观测量信息的解算位置结果，其中位置误差δu的大小受等式右侧观测量误差项δri影响。
根据式(15)确定观测量误差相关项，在式(15)中，u表示导航解算后的估计值，δu表示估计误差，因此
通过对比式(16)与式(15)可知，引起位置误差的相关项为
观测量误差无关项，
确定置信度模型，根据前文提到的方法，基站i的置信度模型为，
由于实际中δr无法准确获取，因此本方法中主要由卡尔曼滤波器中估计值得到，因为
δri＝ri-ri0
假设卡尔曼滤波器中，状态变量估计值
其中z(k)表示第k次的测量值ri(k)，h为对应的转移矩阵，x(k|k-1)为状态变量rj的中间状态变量。其中，
因此，在卡尔曼估计器迭代中加入式(20)，当估计器收敛时，即可得到δr的估计值。
再对各基站初始置信度归一化，得到各基站最终置信度为，(归一化是为设置遗忘因子λ，其决定新的测量数据在估计结果中所发挥的作用，置信度越高的基站信号观测量所占权重应当越高，但本例中公式所给遗忘因子大于1，实际应用时根据情况对置信度进行调整，如λi＝γi+1等)
建立带遗忘因子的卡尔曼滤波器，其中以γ′i作为状态量与观测量，并根据能检测到基站信号数量确定系统维数，以能检测到7个基站信号为例，则，
z＝bx+υ
其中，
建立卡尔曼滤波器，
x(k|k)＝x(k|k-1)+kg(k)(z(k)-bx(k|k-1))
x(k|k-1)＝ax(k-1|k-1)
kg(k)＝p(k|k-1)b′/(bp(k|k-1)b′+r)
p(k|k)＝(i-kg(k)b)p(k|k-1)
p(k|k-1)＝λ·ap(k-1|k-1)a′+q
其中λ＞1，
根据toa解算模型，得到系统系统状态方程
z＝but+υ
其中，
以及置信度进行导航解算，设七个基站坐标为s1＝(200,0,0)，s2＝(0,1000,0)，s3＝(0,0,1000)，s4＝(-1000,0,0)，s5＝(0,0,-1000)，s6＝(200,-450,2000)，s7＝(0,-1000,0)，目标p位置坐标为u＝(300,400,500)；建立卡尔曼估计器，在目标位置接收到的信号加入白噪声，方差分别为，20，50，30，500，200，1500，100，先不引入置信度结果，将观测量直接引入卡尔曼滤波器进行导航解算；然后再根据置信度结果，选择置信度最高的四个基站信号进行导航解算，得到x、y、z三轴解算结果如图3a、3b、3c所示，其中横轴代表采样次数；纵轴分别为x轴、y轴、z轴坐标的误差，图中的实线为未引入置信度的结果，虚线为引入置信度的结果。
另外，加入置信度评估方法与不加入时，导航解算结果对比如图4所示，其中，七个基站的信号评估置信度(归一化后)如图5所示。
由上述各图可以明显看出，当前可检测到的随机信号进行置信度评估，选取精确等级较高的随机号进行导航解算，屏蔽了低精度信号对导航解算的干扰，大大提高了定位的精度与自适应性，降低了导航解算的计算量。
以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。