本发明涉及一种基于混合方式的非合作目标定位方法，属于无线定位
技术领域：
。
背景技术：
：目前基于定位的服务己经涵盖了搜索救援、智能交通、航海航空导航、物流管理、大地测量、海洋测绘、气象测量、灾害预防、医疗服务等诸多领域，并且定位与导航技术己成为保障国家安全和开展军事行动的必要手段之一。相应地，无线定位技术的研究也日益受到各国的高度重视，现已成为一个十分活跃的研究领域。在众多无线定位系统中，最著名的是把无线电发射源设置在各种轨道卫星上的定位系统，例如美国的全球定位系统(GPS)、欧洲的伽利略(Galileo)系统、俄罗斯的GLONASS系统以及我国的“北斗”定位系统等，凭借着广域覆盖的巨大优势，将无线电定位技术发展到一个新的高度。尽管卫星定位技术已经在国民经济各个方面得到广泛应用，但是在应用领域由于受到各种接收误差的影响，需要通过其它辅助手段(例如建立差分基准站)才能达到所需的定位精度要求；同时在接收信号受到物理遮挡的情况下常常无法完成导航任务。因此，利用现有和即将建设的庞大的民用无线通信设施进行无线定位，不仅可以弥补卫星定位系统的不足，而且可以作为无线通信高附加值的服务。尤其是在美国联邦通信委员会颁布了E911(Emergencycall911)强制性定位要求后，加上巨大市场利润的驱动，国内外出现了研究移动通信系统终端定位技术的热潮。然而，目前无论是卫星定位还是基于无线通信基础设施进行定位，均要求被定位目标携带定位设备，如GPS接收机或手机等，否则就无法实现定位。但在一些应用环境下，如入侵者检测、灾后救援、战场侦测、人质解救等，要求被定位目标携带与定位系统相匹配的定位装置是不现实的或不可能的，这些被定位目标就称为无设备定位(Device-FreeLocalization，DFL)目标。对于这些目标的定位，一直是无线定位领域的难点，也是传统定位方法无法实现的。目前国内外用于解决非合作目标定位问题的技术可以分为两类：一类是基于非射频技术的定位方法，一类是基于射频技术的定位方法。非射频技术主要包括视频技术、红外技术和压力技术等。视频技术利用多个摄像头采集图像信息，然后通过图像处理算法进行定位分析。这类技术通常成本较高，而且由于摄像装置对光线的要求，不能在夜晚和黑暗环境中使用。对于无需光线要求的红外目标定位系统，由于红外线的穿透力较弱，而且红外线比无线电信号更易受环境变化的影响，因此在很多场合无法适用。压力技术是通过放置在地板上的加速和气压传感器来检测是否有人的脚印来实现定位，这项技术要求比较密集的节点布置才能在要求范围内有效定位，而且成本较高。以上这些因素极大限制了非射频类技术在非合作目标定位领域中的应用。针对以上问题，Youssef和Patwari等人最早提出利用射频信号的接收强度变化本身作为测量信息的思想，根据目标引起的无线电磁环境变化来进行检测和定位。Youssef等人将指纹定位方法引入到无源非合作目标定位问题中，采用指纹匹配的方法实现目标定位(Moussa,M.,M.Youssef,“Smartdevicesforsmartenvironments:device-freepassivedetectioninrealenvironments,”7thIEEEPerCom,1–6,2009.)。然而，目前此方法存在着计算量大，容易受环境波动影响的问题，而且指纹定位法的受限于前期的测绘工作周期长，并需要花费大量人力和物力，当定位区域环境发生变化，如室内布置改变等，就需要建立新的指纹信息数据库。与上述方法不同，Patwari等人借鉴医学CT的思想，用无线层析成像(RadioTomographicImaging,RTI)技术来实现DFL(Wilson,J.,N.Patwari,“Radiotomographicimagingwithwirelessnetworks,”IEEETransactionsonMobileComputing,Vol.9,No.5,621–632,2010.)，并给出了一种基于Tikhonov正则化的计算方法，解决病态反问题的求解。RTI方法利用WSN网络来测量定位区域内射频电磁信号分布，并由此得到待定位目标对电磁场影响后的图像，进而根据该图像来推断目标的位置。这种图像基的定位方法具有较高的直观性，但需要较多的WSN节点才能构建较准确的电磁信号分布。而且文献(Kaltiokallio,O.,M.Bocca,andN.Patwari,“AFadeLevel-BasedSpatialModelforRadioTomographicImaging,”IEEETrans.MobileComput.,Vol.13,Vo.5,1159–1172,2014.)证明这种两步定位方式容易导致信息丢失。近年来，随着压缩感知(CompressiveSensing,CS)理论的成熟和发展，根据定位问题的空间稀疏性，将定位问题转化为稀疏重构问题，用压缩感知技术重实现定位的方法引起了学术界和工业界的关注。文献(Kanso,M.A.,M.G.Rabbat,“CompressedRFtomographyforwirelesssensornetworks:centralizedanddecentralizedapproaches,”inProc.5thDCOSS,173–186,2009.)引入压缩感知方法到DFL问题中，将压缩感知与RTI结合，并通过求l1范数的最小化进行图像重构从而估计目标位置。一般来说，以上这些方法都属于模型基(Model-based)的DFL方法，因为它们都需要用到链路阴影模型(LinkShadowingModel,LSM)。然而电磁波在实际环境中具有时变性和不可预知性，因此现有的链路阴影模型大都是半经验的，根据模型计算的RSSI变化与定位目标引起的真实RSSI变化之间存在误差。另外，模型基的DFL方法需要将定位区域划分成若干格点(一般格点个数要大于1000才能减轻格点划分引起的量化误差)，因此模型基的方法通常需要进行高维矩阵的相乘、求逆等操作，对运算量和存储量要求都很高。对一些资源受限的无线网络，模型基的DFL方法往往无法适用。技术实现要素：为了解决上述技术问题，本发明提供了一种基于混合方式的非合作目标定位方法。为了达到上述目的，本发明所采用的技术方案是：一种基于混合方式的非合作目标定位方法，包括以下步骤，步骤1，利用预先布置的若干无线节点组成能够互相通信的测量网络，测量不同无线节点间信号强度的变化量，即链路中RSSI变化量；步骤2，根据目标移动的最大速度，计算出当前目标存在的有效区域；步骤3，根据链路中RSSI变化量和当前目标存在的有效区域，选取通过有效区域的有效链路；步骤4，利用有效链路的几何关系进行粗定位；步骤5，利用无线节点坐标对粗定位结果进行修正，得到精确定位结果。步骤1中，链路中RSSI变化量的计算公式为，Δyi(t)＝yi(t)-yi(0)≈-Si(t)-vi(t)+vi(0)(1)其中，yi(0)为没有目标存在时第i条链路的基线RSSI测量值，yi(t)为t时刻第i条链路的RSSI测量值，Δyi(t)为从没有目标存在到t时刻第i条链路中RSSI变化量，Si(t)为t时刻第i条链路的阴影损耗，vi(t)为t时刻第i条链路的噪声，vi(0)为没有目标存在时第i条链路的噪声。步骤2中，当前目标存在的有效区域为，以上一刻目标位置为圆心，以(1+m)r为半径的圆内；即zt＝{pt|H(pt-1,pt)＜(1+m′)r}(2)其中，zt为t时刻的有效区域，pt为t时刻的目标位置，pt-1为t-1时刻的目标位置，H(pt-1,pt)为pt与pt-1之间的欧几里得距离，r为目标最大移动距离，r＝umax×Δt，umax为目标最大速度，Δt为t时刻与t-1时刻之间的时间间隔，即单位时间，m′∈(0,1)。步骤3中，当链路中RSSI变化量大于最优门限值并且位于有效区域内，则该链路为有效链路；即其中，St′为有效链路集合，li表示挑选出的第i条链路，为最优门限值，di(t)为有效区域圆心到第i条链路的距离，di(t)=|kixt-1-yt-1+bi|1+ki2---(4)]]>其中，ki为第i条链路直线方程中的斜率，bi为第i条链路直线方程中的截距，(xt-1,yt-1)为t-1时刻的目标位置坐标。采用方差最小准则选择最优门限值，具体过程为，S1，选择初始自适应门限值S2，将RSSI变化量大于的链路归为A1类，将RSSI变化量小于的链路归为A2类；S3，分别计算A1类和A2类链路RSSI变化量的方差和并统计每一类中链路数目b1和b2；S4，计算代价函数S5，令i′＝1；S6，其中，δ为步长；S7，重复S3和S4的工作，得到β(i′)；S8，当时，i′＝i′+1，转至S6，Δymax为预设的RSSI的最大变化量；否则选择满足下述条件的门限值为最优门限值{b1b1+b2σ12+b2b1+b2σ22}|Δyth*=min{b1b1+b2σ12+b2b1+b2σ22}|Δyth(i′).]]>步骤4中，假设有效链路有Q条，共可形成∑max个三角形，对∑max个三角形的重心取加权平均得到粗定位坐标(xs,ys)；xs=Σj=1ΣmaxpjωjxjΣj=1Σmaxpjωj,ys=Σj=1ΣmaxpjωjyjΣj=1Σmaxpjωj---(5)]]>其中，(xj,yj)表示第j个三角形的重心坐标，ωj为第j个三角形的重心坐标的权重，ωj等于组成第j个三角形三条链路的RSSI变化量之和，表示从Q条链路中选出任意三条链路组成三角形的组合数目，pj表示第j个三角形重心落在有效区域内外的概率系数；其中，为t时刻第j个三角形的重心坐标，为有效区域圆心与t时刻第j个三角形重心之间的欧几里得距离。步骤5中，利用无线节点坐标对粗定位结果进行修正，根据距离误差得到目标函数J(θ)：J(θ)＝(Aθ-b)T(Aθ-b)+λθTΣθ(6)约束条件为：θTΣθ＝0其中，λ为拉格朗日乘子，A=x1y112x2y212.........xMyM12,θ=x0y0R0T,b=12Rs-x1xs-y1ys12Rs-x2xs-y2ys...12Rs-xMxs-yMys,]]>(xm,ym)为第m个无线节点坐标，m∈{1,2,…,M}，M表示无线测量节点个数，(x0,y0)为目标待求位置坐标，将式(6)对θ求导，并令导数为0，可得：∂J(θ)∂θ=2(ATA+λΣ)θ-2ATb=0---(7)]]>θ＝(ATA+λΣ)-1ATb。(8)求解拉格朗日乘子λ的过程为，将式θ＝(ATA+λΣ)-1ATb带入约束条件得到；bTA(ATA+λΣ)-1Σ(ATA+λΣ)-1ATb＝0(9)利用特征值分解，矩阵ATAΣ可以分解为；ATAΣ＝UΛU-1(10)其中，γn均为矩阵ATAΣ的特征值，n∈{1,2,3}，n为整数，每一个特征值对应一个特征矢量，U为特征矢量构成的矩阵；将式(10)带入式(9)可得；pT(Λ+λI)-2q＝0其中，p＝UTΣATb＝[p1p2p3]T，q＝UTATb＝[q1q2q3]T，pn为p的分量，qn为q的分量；I为与Λ同维数的单位矩阵；可得拉格朗日乘子λ的方程为；f(λ)=pT(Λ+λI)-2q=Σi=13piqi(λ+γi)2=0---(11)]]>求解方程(11)即可得到拉格朗日乘子λ。本发明所达到的有益效果：1、本发明的方法综合利用几何和约束优化方式的优点来实现非合作目标定位，既保持了现有射频类DFL方法成本低、布置简单，适应暗场环境等特点，又没有模型基DFL方法需要链路阴影模型的约束，可以避免模型误差对定位精度的影响；2、本发明的方法根据几何关系求解目标位置，仅涉及求线段交点和三角形重心以及低维的矩阵操作，算法简单，无需进行高维矩阵的相乘、求逆等操作，大大降低了运算量和存储量；3、与大多数DFL方法不同，本发明的方法利用先验空间关系去除野值链路的影响，并利用精确的节点位置信息来修正粗定位的结果，可以有效提高非合作目标定位性能。附图说明图1为本发明的流程图。图2为当前目标存在的有效区域示意图。图3为利用几何关系进行粗定位的示意图。图4为具体实验中本发明的定位结果图5为具体实验中模型基RTI定位结果。具体实施方式下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。如图1所示，一种基于混合方式的非合作目标定位方法，包括以下步骤：步骤1，利用预先布置的若干无线节点组成能够互相通信的测量网络，测量不同无线节点间信号强度的变化量，即链路中RSSI变化量。假设定位系统有M+1个无线节点，其中M个无线收发节点构成测量网络，以IEEE802.15.4的无线通信协议为基础进行组网，两两之间可以互相通信，因此可以组成K＝M×(M-1)/2条无线链路，第M+1个节点为控制节点，负责数据收集等。根据通信理论，第i条链路中RSSI(接收端的接收信号强度)值可以表示为，yi(t)＝Pi-Li-Si(t)-Fi(t)-vi(t)其中，Pi表示发送端的发射功率，一般假设发送功率固定，Li表示表示与传输距离、天线模式等相关的静态损耗，Si(t)为t时刻第i条链路的阴影损耗，vi(t)为t时刻第i条链路的噪声，Fi(t)表示衰落损耗，yi(t)为t时刻第i条链路中RSSI测量值。链路中RSSI变化量可以表示为，Δyi(t)＝yi(t)-yi(0)≈-Si(t)-vi(t)+vi(0)(1)其中，yi(0)为没有目标存在时第i条链路的基线RSSI测量值，yi(t)为t时刻第i条链路的RSSI测量值，Δyi(t)为从没有目标存在到t时刻第i条链路中RSSI变化量，vi(0)为没有目标存在时第i条链路的噪声。上述K条链路的RSSI测量值用矢量表示为Y(t)＝[y1(t)y2(t)…yk(t)]T，基线RSSI测量值用矢量表示为Y(0)＝[y1(0)y2(0)…yk(0)]T，t时刻RSSI测量值与基线RSSI测量值的差值即为，ΔY(t)＝abs[Y(t)-Y(0)]，其中，[·]T表示转置操作，abs[·]表示绝对值操作。步骤2，根据目标移动的最大速度，计算出当前目标存在的有效区域。目标在移动过程中，每一单位时间Δt内目标最大移动距离由其最大运动速度决定，即最大移动距离r＝umax×Δt，其中，umax为目标最大速度。由于目标只影响其周围附近的链路，当前目标只能出现在以上一时刻目标位置为圆心，以r为半径的圆形区域内，因此链路只有通过这一区域的才是当前有效链路。考虑到目标可能出现在圆形区域的边界处，如图2所示，此时圆外部分链路也会受到目标的影响，所以将有效区域的半径扩大到(1+m′)r，m′∈(0,1)，m′根据实际情况取值，一般取0.2。因此当前目标存在的有效区域为，以上一刻目标位置为圆心，以(1+m′)r为半径的圆内；即zt＝{pt|H(pt-1,pt)＜(1+m′)r}(2)其中，zt为t时刻的有效区域，pt为t时刻的目标位置点，pt-1为t-1时刻的目标位置，H(pt-1,pt)为pt与pt-1之间的欧几里得距离。步骤3，根据链路中RSSI变化量和当前目标存在的有效区域，选取通过有效区域的有效链路。步骤2中获得了有效区域，但不代表通过有效区域的所有链路都受到目标的影响，事实上只有受目标阻挡和目标附近的链路才会发生明显的变化。相应地，这些链路的RSSI变化量会比较大，而未受目标影响链路的RSSI变化量会比较小。考虑到环境和噪声的影响，RSSI本身会有一定波动，因此只有选出能够反映目标影响的链路对DFL才有价值。有效链路选择准则如下：当链路中RSSI变化量大于最优门限值并且位于有效区域内，则该链路为有效链路；即其中，St′为有效链路集合，li表示挑选出的第i条链路，为最优门限值，di(t)为有效区域圆心到第i条链路的距离。最优门限值采用方差最小准选择，具体过程为：S1，选择初始自适应门限值S2，将RSSI变化量大于的链路归为A1类，将RSSI变化量小于的链路归为A2类；S3，分别计算A1类和A2类链路RSSI变化量的方差和并统计每一类中链路数目b1和b2；S4，计算代价函数S5，令i′＝1；S6，其中，δ为步长；S7，重复S3和S4的工作，得到β(i′)；S8，当时，i′＝i′+1，转至S6，Δymax为预设的RSSI的最大变化量；否则选择满足下述条件的门限值为最优门限值，{b1b1+b2σ12+b2b1+b2σ22}|Δyth*=min{b1b1+b2σ12+b2b1+b2σ22}|Δyth(i′).]]>计算di(t)，即计算有效区域圆心到链路的距离，定义构成第i条链路的两个无线节点的坐标为则第i条链路的直线方程为y＝kix+bi，ki为第i条链路直线方程中的斜率，bi为第i条链路直线方程中的截距，则，di(t)=|kixt-1-yt-1+bi|1+ki2---(4)]]>其中，(xt-1,yt-1)为t-1时刻的目标位置坐标，即有效区域圆心。步骤4，利用有效链路的几何关系进行粗定位。如图3所示，假设有效链路有Q条，共可形成∑max个三角形，对∑max个三角形的重心取加权平均得到粗定位坐标(xs,ys)，即，xs=Σj=1ΣmaxpjωjxjΣj=1Σmaxpjωj,ys=Σj=1ΣmaxpjωjyjΣj=1Σmaxpjωj]]>其中，(xj,yj)表示第j个三角形的重心坐标，ωj为第j个三角形的重心坐标的权重，ωj等于组成第j个三角形三条链路的RSSI变化量之和，表示从Q条链路中选出任意三条链路组成三角形的组合数目。由图3可见，一些三角形重心可能会落在有效区域外，因此定义落在有效区域内外的概率系数，其中，pj表示第j个三角形重心落在有效区域外的概率系数，为t时刻第j个三角形的重心坐标，为有效区域圆心与t时刻第j个三角形重心之间的欧几里得距离。因此，最终的粗定位坐标(xs,ys)为，xs=Σj=1ΣmaxpjωjxjΣj=1Σmaxpjωj,ys=Σj=1ΣmaxpjωjyjΣj=1Σmaxpjωj---(5)]]>步骤5，利用无线节点坐标对粗定位结果进行修正，得到精确定位结果。由于粗定位采用加权平均的方式，不可避免的会存在着定位误差，为提高定位精度，利用精确的节点坐标进行校正。由粗定位坐标(xs,ys)，可以得到粗定位位置到第m个无线节点的估计距离为，Dm(s)=||rm-rs||=(xm-xs)2+(ym-ys)2]]>其中，rm＝(xm,ym)为第m个无线节点的坐标，m∈{1,2,…,M}，M表示无线测量节点个数，||·||表示欧几里得范数。假设此时真实的目标位置，即目标待求位置坐标记为r0＝(x0,y0)，则目标位置到第m个无线节点的真实距离为，Dm(0)=||rm-r0||=(xm-x0)2+(ym-y0)2]]>由于粗定位坐标和目标真实位置之间存在误差，因而两个距离之间也存在误差，定义误差函数为距离平方之差em为，em=||rm-r0||2-||rm-rs||2=-2rmT-2rmTrs+R02+Rs2]]>其中，将M个误差写成矢量形式可得，e＝Aθ+b其中，e=e1e2...eMT,A=x1y112x2y212.........xMyM12,θ=x0y0R0T,]]>b=12Rs-x1xs-y1ys12Rs-x2xs-y2ys...12Rs-xMxs-yMys;]]>根据最小二次准则，求解真实的目标位置r0＝(x0,y0)等价于求解，minθ(Aθ-b)T(Aθ-b)]]>约束条件为：θTΣθ＝0其中，用拉格朗日乘子法求解该问题，可以得到目标函数为J(θ)为，J(θ)＝(Aθ-b)T(Aθ-b)+λθTΣθ(6)其中，λ为拉格朗日乘子，将式(6)对θ求导，并令导数为0，可得：∂J(θ)∂θ=2(ATA+λΣ)θ-2ATb=0---(7)]]>θ＝(ATA+λΣ)-1ATb(8)式(8)中拉格朗日乘子λ为未知的，则求解拉格朗日乘子λ的过程如下：将式θ＝(ATA+λΣ)-1ATb带入约束条件得到；bTA(ATA+λΣ)-1Σ(ATA+λΣ)-1ATb＝0(9)利用特征值分解，矩阵ATAΣ可以分解为；ATAΣ＝UΛU-1(10)其中，γn均为矩阵ATAΣ的特征值，n∈{1,2,3}，n为整数，每一个特征值对应一个特征矢量，U为特征矢量构成的矩阵；将式(10)带入式(9)可得；pT(Λ+λI)-2q＝0其中，p＝UTΣATb＝[p1p2p3]T，q＝UTATb＝[q1q2q3]T，pn为p的分量，qn为q的分量；I为与Λ同维数的单位矩阵；可得拉格朗日乘子λ的方程为；f(λ)=pT(Λ+λI)-2q=Σi=13piqi(λ+γi)2=0---(11)]]>求解方程(11)即可得到拉格朗日乘子λ。将拉格朗日乘子λ带入式(8)可得到修正后的精确解。为了进一步说明上述方法，进行了以下对比试验。在本实施例中，以CC2530无线收发芯片为基础，自主开发了定位节点。定位区域为一个6m×6m的方形区域，每隔1m摆放1个无线节点，总共25个无线节点，其中24个无线节点作为测量节点，另一个无线节点作为控制节点，负责收集数据等；每个定位模块使用高度为1m的支架进行支撑，保证了定位数据的发送空间区域高度和人体高度差不多。被定位目标在定位区域内沿着方形轨迹以约0.5m/s的速度行走。在软件协议方面，以IEEE802.15.4的无线通信协议为基础，在Z-stack协议栈中的应用层，添加了消息发送代码和接收消息之后强度值提取的代码。24个定位测量节点从1到24依次编ID号，通过该ID号的不同来区分不同的无线节点。发送定位数据时，数据包会携带发送节点的ID号，当下一个节点收到此ID号后，就会触发定位数据的发送，定位的轮询发送就建立起来了。当发送节点发送定位数据之后，其他定位测量节点收到该数据时会产生一个强度值RSSI和数据链路质量值LQI，它们得到该值之后会立即把这个数据保存下来，然后发送给数据采集节点。一旦采集到数据，经过处理后，代入公式(2)和(3)就可以确定出有效区域和有效链路；然后根据公式(5)进行计算，就可以得到粗定位结果；最后根据公式(6)-(11)就可以修正后的最终结果；同样条件下，采用模型基的RTI方法进行定位，与本发明方法的结果进行对比。如图4和5所示，被定位目标从(1m，1m)的位置出发，按顺时针方向沿方形轨迹移动，步速为0.5m/s。本发明的定位性能要优于模型基的RTI方法，本发明的跟踪轨迹与真实轨迹较接近。而模型基的RTI方法由于没有利用先验信息，且不可避免的存在模型误差对定位的影响，实际定位轨迹明显偏离真实轨迹。表一定位误差统计结果表一中的统计结果也给出同样结论，本发明方法的平均误差比模型基的RTI方法约下降52.1％，同时均方根误差下降69.0％；另外，本发明方法仅涉及求线段交点和三角形重心以及低维的矩阵操作，无需进行高维矩阵的相乘、求逆等操作，所以运算速度也比模型基的DFL方法快得多。上述方法综合利用几何和约束优化方式的优点来实现非合作目标定位，既保持了现有射频类DFL方法成本低、布置简单，适应暗场环境等特点，又没有模型基DFL方法需要链路阴影模型的约束，可以避免模型误差对定位精度的影响。上述方法根据几何关系求解目标位置，仅涉及求线段交点和三角形重心以及低维的矩阵操作，算法简单，无需进行高维矩阵的相乘、求逆等操作，大大降低了运算量和存储量。上述方法与大多数DFL方法不同，利用先验信息去除野值链路的影响，并利用精确的节点位置信息来修正粗定位的结果，可以有效提高非合作目标定位性能。以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。当前第1页1 2 3