删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

基于正则化约束总体最小二乘的TDOA/FDOA无源定位方法

本站小编 Free考研考试/2022-08-06
基于正则化约束总体最小二乘的TDOA/FDOA无源定位方法

国强,李文韬

(哈尔滨工程大学 信息与通信工程学院,哈尔滨 150001)



摘要:

目前在基于到达时间差（TDOA）和到达频率差（FDOA）的多站无源定位模型中,噪声的干扰、接收站和目标位置的不合理分布以及接收站的个数均会对定位模型中的系数矩阵造成影响,因此在实际的求解过程中系数矩阵可能会出现病态的问题,这在很大程度上会对定位结果产生影响。为了进一步在系数矩阵出现病态的情况下确保定位精度,提出了一种基于正则化约束总体最小二乘（RCTLS）的闭式解析法。该方法分为两步,第一步针对TDOA/FDOA定位问题建立基于RCTLS思想的定位模型,同时基于最小化均方误差的准则求解正则化参数,之后通过数学推导给出该模型的闭式解析解；第二步是利用约束条件建立关于第一步估计误差的方程并进行求解,最后利用求得的解对第一步的估计结果进行修正。仿真结果表明:本文方法通过牺牲了无偏性取得了低于两步加权最小二乘法（TSWLS）和约束总体最小二乘法（CTLS）的均方根误差（RMSE）,而且在系数矩阵出现病态的情况下,其定位性能较TSWLS方法和CTLS方法也更为稳定。

关键词:  无源定位  到达时间差  到达频率差  正则化约束最小二乘  均方根误差

DOI：10.11918/202012030

分类号:V247；TN97

文献标识码:A

基金项目:



Passive TDOA/FDOA location based on regularized constrained total least squares

GUO Qiang,LI Wentao

(College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, China)

Abstract:

The interference of noise, the unreasonable distribution of receivers and target, and the number of receivers all affect the coefficient matrix in the multi-station passive positioning model based on time difference of arrival (TDOA) and frequency difference of arrival (FDOA). Therefore, the coefficient matrix may be ill-conditioned in the actual solution process, which will affect the positioning accuracy to a large extent. A closed-form analytical method based on regularized constrained total least squares (RCTLS) was proposed to further improve the positioning accuracy when the coefficient matrix was ill-conditioned. The method was divided into two steps. In the first step, the positioning model based on RCTLS method was established to solve the positioning problem using TDOA and FDOA, and the regularization parameter was solved based on the criterion of minimizing mean square error. Then, the closed-form analytical solution of the model could be obtained by mathematical operation. The second step was to establish the equation of the estimation error obtained from the first step utilizing the constraint conditions, which was then solved. Finally, the obtained solution was used to modify the estimation results of the first step. Simulation results show that the root mean square error (RMSE) of the proposed method was lower than those of two-stage weighted least squares (TSWLS) and constrained total least squares (CTLS) methods through sacrificing unbiasedness, and the positioning performance was more stable than those of TSWLS and CTLS methods in the case of ill-conditioned coefficient matrix.

Key words:  passive location  time difference of arrival (TDOA)  frequency difference of arrival (FDOA)  regularized constrained least squares  root mean square error (RMSE)


国强, 李文韬. 基于正则化约束总体最小二乘的TDOA/FDOA无源定位方法[J]. 哈尔滨工业大学学报, 2022, 54(5): 81-87. DOI: 10.11918/202012030.
GUO Qiang, LI Wentao. Passive TDOA/FDOA location based on regularized constrained total least squares[J]. Journal of Harbin Institute of Technology, 2022, 54(5): 81-87. DOI: 10.11918/202012030.
作者简介 国强(1972—)，男，博士生导师 通信作者 国强, guoqiang@hrben.edu.cn 文章历史 收稿日期: 2020-12-09



Abstract            Full text            Figures/Tables            PDF


基于正则化约束总体最小二乘的TDOA/FDOA无源定位方法
国强, 李文韬     
哈尔滨工程大学 信息与通信工程学院，哈尔滨 150001

收稿日期: 2020-12-09
作者简介: 国强(1972—)，男，博士生导师
通信作者: 国强, guoqiang@hrben.edu.cn


摘要: 目前在基于到达时间差（TDOA）和到达频率差（FDOA）的多站无源定位模型中，噪声的干扰、接收站和目标位置的不合理分布以及接收站的个数均会对定位模型中的系数矩阵造成影响，因此在实际的求解过程中系数矩阵可能会出现病态的问题，这在很大程度上会对定位结果产生影响。为了进一步在系数矩阵出现病态的情况下确保定位精度，提出了一种基于正则化约束总体最小二乘（RCTLS）的闭式解析法。该方法分为两步，第一步针对TDOA/FDOA定位问题建立基于RCTLS思想的定位模型，同时基于最小化均方误差的准则求解正则化参数，之后通过数学推导给出该模型的闭式解析解；第二步是利用约束条件建立关于第一步估计误差的方程并进行求解，最后利用求得的解对第一步的估计结果进行修正。仿真结果表明: 本文方法通过牺牲了无偏性取得了低于两步加权最小二乘法（TSWLS）和约束总体最小二乘法（CTLS）的均方根误差（RMSE），而且在系数矩阵出现病态的情况下，其定位性能较TSWLS方法和CTLS方法也更为稳定。
关键词: 无源定位    到达时间差    到达频率差    正则化约束最小二乘    均方根误差    
Passive TDOA/FDOA location based on regularized constrained total least squares
GUO Qiang, LI Wentao     
College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, China



Abstract: The interference of noise, the unreasonable distribution of receivers and target, and the number of receivers all affect the coefficient matrix in the multi-station passive positioning model based on time difference of arrival (TDOA) and frequency difference of arrival (FDOA). Therefore, the coefficient matrix may be ill-conditioned in the actual solution process, which will affect the positioning accuracy to a large extent. A closed-form analytical method based on regularized constrained total least squares (RCTLS) was proposed to further improve the positioning accuracy when the coefficient matrix was ill-conditioned. The method was divided into two steps. In the first step, the positioning model based on RCTLS method was established to solve the positioning problem using TDOA and FDOA, and the regularization parameter was solved based on the criterion of minimizing mean square error. Then, the closed-form analytical solution of the model could be obtained by mathematical operation. The second step was to establish the equation of the estimation error obtained from the first step utilizing the constraint conditions, which was then solved. Finally, the obtained solution was used to modify the estimation results of the first step. Simulation results show that the root mean square error (RMSE) of the proposed method was lower than those of two-stage weighted least squares (TSWLS) and constrained total least squares (CTLS) methods through sacrificing unbiasedness, and the positioning performance was more stable than those of TSWLS and CTLS methods in the case of ill-conditioned coefficient matrix.
Keywords: passive location    time difference of arrival (TDOA)    frequency difference of arrival (FDOA)    regularized constrained least squares    root mean square error (RMSE)    
目前多站无源定位技术已广泛应用于各种军民领域[1-3]，如传感器网络[4]、雷达[5]、导航[6]等。多站无源定位技术可以利用的观测量主要包括到达角(angle of arrival，AOA)、到达时间差(time difference of arrival，TDOA)、到达频率差(frequency difference of arrival，FDOA)等。而联合不同测量参数的定位体制可以融合不同参数的优势，在一定程度上提高定位精度。本文基于TDOA和FDOA的联合定位问题进行研究。

文献[7]基于TDOA/FDOA的定位问题进行了研究，并提出了经典的两步加权最小二乘法(two-stage weighted least squares，TSWLS)，在噪声较低的情况下，该算法可以达到克拉美罗下限(Cramer-Rao lower bound，CRLB)。文献[8]将基于TDOA/FDOA的定位问题转换为约束加权最小二乘(constrained weighted least squares, CWLS)问题并利用拉格朗日乘子技术和牛顿法进行求解。文献[9-10]指出基于WLS的定位模型并未考虑到观测矩阵和数据向量中的噪声有着相关性和不同的方差，因此将约束总体最小二乘(constrained total least squares, CTLS)的思想应用于TDOA/FDOA定位问题中，其定位效果要优于文献[7-8]中基于WLS模型的定位方法。

但由于噪声的干扰、接收站和目标位置的分布以及接收站个数对系数矩阵的影响，以上这些基于WLS、TLS模型的方法中的系数矩阵在实际应用中可能会出现病态的问题。而且文献[11]从数值分析的角度指出，CTLS方法的求解过程实际上是一个降正则化的过程，会使得系数矩阵出现更为严重的病态。而正则化方法是解决此类病态问题的有效方法[12]。文献[13]在CTLS模型的基础上提出了一种正则化约束总体最小二乘方法(regularized constrained total least squares，RCTLS)，并将该方法用于处理图像恢复中的病态问题。文献[14]对RCTLS算法进行了扰动分析，从理论上证明RCTLS算法通过合理地选取正则化参数可以降低CTLS算法的均方根误差。文献[15]将RCTLS的思想应用于基于DOA和TDOA的单站无源定位中，并且证明了RCTLS方法的定位精度和鲁棒性要优于CTLS方法，但文献[15]中提出的这种基于RCTLS思想的方法是一种迭代法，而且也无需考虑目标函数的约束条件。

针对TDOA/FDOA无源定位问题中的系数矩阵病态问题，本文基于RCTLS的思想提出了两步正则化约束最小二乘方法(two-stage regularized constrained total least squares，TRCTLS)，这种方法在CTLS模型的基础上引入了正则化参数，通过合理地选取正则化参数来提高定位的均方根误差并抑制系数矩阵的病态性，而且不同于文献[9-10]中的迭代类方法，TRCTLS方法是一种闭式的解析法。仿真实验结果表明所提方法通过合理选择正则化参数可以在CTLS方法的基础上进一步降低算法的均方根误差，同时在系数矩阵出现病态时的定位性能也更加稳定。

1 定位模型假设在三维空间中利用M个接收站对移动的目标辐射源进行定位，目标辐射源的位置和速度分别为uo=[x, y, z]T、 ${\mathit{\boldsymbol{\dot u}}^{\rm{o}}} = {[\dot x, \dot y, \dot z]^{\rm{T}}}$，第i个接收站的位置和速度分别为si=[xi, yi, zi]T、 ${\mathit{\boldsymbol{\dot s}}_i} = {[{\dot x_i}, {\dot y_i}, {\dot z_i}]^{\rm{T}}}$。则接收站与目标辐射源之间的真实距离可表示为

$r_{i}^{\rm o}=\left\|\boldsymbol{u}^{\rm o}-\boldsymbol{s}_{i}\right\|=\sqrt{\left(\boldsymbol{u}^{\rm o}-\boldsymbol{s}_{i}\right)^{\mathrm{T}}\left(\boldsymbol{u}^{\rm o}-\boldsymbol{s}_{i}\right)}$ (1)

选取其中任意一个接收站为主站，编号为1，其余为辅站，则主站与各辅站之间的真实距离差为

$r_{i 1}^{\rm o}=r_{i}^{\rm o}-r_{1}^{\rm o}$ (2)

式中：ri1o由真实的TDOA数据计算得到，其向量形式可记为ro=[r21o, r31o, …, rM1o]T，联合式(1)和式(2)可得基于TDOA的定位方程：

$r_{i 1}^{\mathrm{o} 2}+2 r_{i 1}^{\mathrm{o}} r_{1}^{\mathrm{o}}=\boldsymbol{s}_{i}^{\mathrm{T}} \boldsymbol{s}_{i}-\boldsymbol{s}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}-2\left(\boldsymbol{s}_{i}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} \boldsymbol{u}^{\mathrm{o}}$ (3)

对式(1)进行求导可得接收站与目标辐射源之间真实距离变化率的定义式：

$\dot{r}_{i}^{\mathrm{o}}=\frac{\left(\dot{\boldsymbol{u}}^{\mathrm{o}}-\dot{\boldsymbol{s}}_{1}\right)^{\mathrm{T}}\left(\boldsymbol{u}^{\mathrm{o}}-\boldsymbol{s}_{i}\right)}{r_{i}^{\mathrm{o}}}$ (4)

对式(3)进行求时间导数可得基于FDOA的定位方程：

$\begin{gathered}2\left(\dot{r}_{i 1}^{\mathrm{o}} r_{i 1}^{\mathrm{o}}+\dot{r}_{i 1}^{\mathrm{o}} r_{1}^{\mathrm{o}}+r_{i 1}^{\mathrm{o}} \dot{r}_{1}^{\mathrm{o}}\right)=2\left(\dot{\boldsymbol{s}}_{i}^{\mathrm{T}} \boldsymbol{s}_{i}-\dot{\boldsymbol{s}}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}\right)- \\\left(\dot{\boldsymbol{s}}_{i}-\dot{\boldsymbol{s}}_{1}\right)^{\mathrm{T}} \boldsymbol{u}^{\mathrm{o}}-\left(\boldsymbol{s}_{i}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} \dot{\boldsymbol{u}}^{\mathrm{o}}\end{gathered}$ (5)

式中 $\dot r_{i1}^{\rm{o}}$是由真实的FDOA信息推导出的真实距离差变化率，其向量形式可记为 ${\mathit{\boldsymbol{\dot r}}^{\rm{o}}} = {[\dot r_{21}^{\rm{o}}, \dot r_{31}^{\rm{o}}, \cdots , \dot r_{M1}^{\rm{o}}]^{\rm{T}}}$。假设利用实际测量得到的TDOA和FDOA数据所得的距离差向量和距离差变化率向量分别为r=[r21, r31, …, rM1]T和 $\mathit{\boldsymbol{\dot r}} = {[{\dot r_{21}}, {\dot r_{31}}, \cdots , {\dot r_{M1}}]^{\rm{T}}}$，可将其描述为真实值与噪声值相加的形式：

$\begin{gathered}\boldsymbol{r}=\boldsymbol{r}^{\mathrm{o}}+\Delta \boldsymbol{r}=\boldsymbol{r}^{\mathrm{o}}+c \Delta \boldsymbol{t} \\\dot{\boldsymbol{r}}=\dot{\boldsymbol{r}}^{\mathrm{o}}+\Delta \dot{\boldsymbol{r}}=\dot{\boldsymbol{r}}^{\mathrm{o}}+c \Delta \dot{\boldsymbol{t}}\end{gathered}$ (6)

式中：TDOA测量数据和FDOA测量数据中所包含的测量噪声分别为Δr=[Δr21, Δr31, …, ΔrM1]T以及 $\Delta \mathit{\boldsymbol{\dot r}} = {[\Delta {\dot r_{21}}, \Delta {\dot r_{31}}, \cdots , \Delta {\dot r_{M1}}]^{\rm{T}}}$。假设它们服从均值为零的高斯分布，则其协方差矩阵为

$E\left(\left[\Delta \boldsymbol{r}^{\mathrm{T}}, \Delta \dot{\boldsymbol{r}}^{\mathrm{T}}\right]^{\mathrm{T}}\left[\Delta \boldsymbol{r}^{\mathrm{T}}, \Delta \dot{\boldsymbol{r}}^{\mathrm{T}}\right]\right)=\boldsymbol{Q}^{2}$ (7)

将包含噪声的TDOA测量值r=ro+Δr和FDOA测量值 $\mathit{\boldsymbol{\dot r = }}{{\mathit{\boldsymbol{\dot r}}}^{\rm{o}}} + \Delta \mathit{\boldsymbol{\dot r}}$代入式(3)和式(5)中并忽略二阶误差项，可以得到：

$\boldsymbol{\varepsilon}_{\mathrm{t}}=r_{i 1}^{2}+\boldsymbol{s}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}-s_{i}^{\mathrm{T}} s_{i}+2 r_{i 1} r_{1}^{\mathrm{o}}+2\left(\boldsymbol{s}_{i}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} \boldsymbol{u}^{\mathrm{o}}$ (8)

$\begin{gathered}\boldsymbol{\varepsilon}_{\mathrm{f}}=2\left(\dot{r}_{i 1} r_{i 1}+\dot{\boldsymbol{s}}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}-\dot{\boldsymbol{s}}_{i}^{\mathrm{T}} \boldsymbol{s}_{i}\right)+2 \dot{r}_{i 1} r_{1}^{\mathrm{o}}+2 r_{i 1} \dot{r}_{1}^{\mathrm{o}}+ \\2\left(\dot{\boldsymbol{s}}_{i}-\dot{\boldsymbol{s}}_{1}\right)^{\mathrm{T}} \boldsymbol{u}^{\mathrm{o}}+2\left(\boldsymbol{s}_{i}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} \dot{\boldsymbol{u}}^{\mathrm{o}}\end{gathered}$ (9)

式中：εt=BΔr，为TDOA方程的误差项; ${\mathit{\boldsymbol{\varepsilon }}_{\rm{f}}} = \mathit{\boldsymbol{\dot B}}\Delta \mathit{\boldsymbol{r}} + \mathit{\boldsymbol{B}}\Delta \mathit{\boldsymbol{\dot r}}$，为FDOA方程的误差项; B=2diag{r2o, r3o, …, rMo}、 $\mathit{\boldsymbol{\dot B}} = 2{\rm{diag\{ }}\dot r_2^{\rm{o}}{\rm{, }}\dot r_3^{\rm{o}}, \cdots , \dot r_M^{\rm{o}}{\rm{\} }}$。

2 基于RCTLS的定位方法构造辅助变量 ${\mathit{\boldsymbol{\theta }}_1} = {\{ {\mathit{\boldsymbol{u}}^{{\rm{oT}}}}, {{\mathit{\boldsymbol{\dot u}}}^{{\rm{oT}}}}, r_1^{\rm{o}}, \dot r_1^{\rm{o}}\} ^{\rm{T}}}$，本文提出的TRCTLS方法是在CTLS方法的基础上引入了正则化参数，因此首先根据CTLS模型将式(8)和式(9)表示为

$(\boldsymbol{A}+\Delta \boldsymbol{A}) \boldsymbol{\theta}_{1}=\boldsymbol{b}+\Delta \boldsymbol{b}$ (10)

其中：

$\begin{array}{l}\boldsymbol{A}=-2\left[\begin{array}{cccc}\left(\boldsymbol{s}_{2}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} & \mathit{\pmb{0}}^{\mathrm{T}} & r_{21} & 0 \\\vdots & \vdots & \vdots & \vdots \\\left(\boldsymbol{s}_{M}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} & \mathit{\pmb{0}}^{\mathrm{T}} & r_{M 1} & 0 \\\left(\dot{\boldsymbol{s}}_{2}-\dot{\boldsymbol{s}}_{1}\right)^{\mathrm{T}} & \left(\boldsymbol{s}_{2}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} & \dot{r}_{21} & r_{21} \\\vdots & \vdots & \vdots & \vdots \\\left(\dot{\boldsymbol{s}}_{M}-\dot{\boldsymbol{s}}_{1}\right)^{\mathrm{T}} & \left(\boldsymbol{s}_{M}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} & \dot{r}_{M 1} & r_{M 1}\end{array}\right]\\\boldsymbol{b}=\left[\begin{array}{c}r_{21}^{2}-\boldsymbol{s}_{2}^{\mathrm{T}} \boldsymbol{s}_{2}+\boldsymbol{s}_{1}^{\mathrm{T}} \boldsymbol{s}_{1} \\\vdots \\r_{M 1}^{2}-\boldsymbol{s}_{M}^{\mathrm{T}} \boldsymbol{s}_{M}+\boldsymbol{s}_{1}^{\mathrm{T}} \boldsymbol{s}_{1} \\2\left(\dot{r}_{21} r_{21}-\dot{\boldsymbol{s}}_{2}^{\mathrm{T}} \boldsymbol{s}_{2}+\dot{\boldsymbol{s}}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}\right) \\\vdots \\2\left(\dot{r}_{M 1} r_{M 1}-\dot{\boldsymbol{s}}_{M}^{\mathrm{T}} \boldsymbol{s}_{M}+\dot{\boldsymbol{s}}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}\right)\end{array}\right]\\\Delta \boldsymbol{A}=-2\left[\begin{array}{lcc}\boldsymbol{O}_{(M-1) \times 2 N} & \Delta \boldsymbol{r} & \mathit{\pmb{0}}_{M-1}^{\mathrm{T}} \\\boldsymbol{O}_{(M-1) \times 2 N} & \Delta \dot{\boldsymbol{r}} & \Delta \boldsymbol{r}\end{array}\right]\\\Delta \boldsymbol{b}=2\left[\begin{array}{c}\boldsymbol{r} \odot \Delta \boldsymbol{r} \\\dot{\boldsymbol{r}} \odot \Delta \boldsymbol{r}+\boldsymbol{r} \odot \Delta \dot{\boldsymbol{r}}\end{array}\right]\end{array}$ (11)

式中：O(M-1)×2N为(M-1)×2N的零矩阵，0为3×1的零向量。从式中可以看出，接收站和目标位置的不合理分布、噪声的干扰均可能会导致矩阵A出现病态，比如当接收站的坐标在x轴上比较接近时，那么此时矩阵A的条件数会明显增加，矩阵将出现病态，从而导致定位结果对噪声的敏感性增加。而引入正则化参数是一种有效抑制矩阵病态问题的手段。令噪声矩阵 $\mathit{\boldsymbol{n}} = {[\Delta {\mathit{\boldsymbol{r}}^{\rm{T}}}, \Delta {{\mathit{\boldsymbol{\dot r}}}^{\rm{T}}}]^{\rm{T}}}$，可以看出ΔA和Δb中的噪声是具有相关性的，可以将矩阵ΔA和Δb表示为

$\begin{gathered}\Delta \boldsymbol{A}=\left[\boldsymbol{F}_{1} \boldsymbol{n}, \boldsymbol{F}_{2} \boldsymbol{n}, \cdots, \boldsymbol{F}_{l} \boldsymbol{n}\right] \\\Delta \boldsymbol{b}=\boldsymbol{F}_{l+1} \boldsymbol{n}\end{gathered}$ (12)

式中l为矩阵ΔA的列数, l=1, 2, …, 8;F1到F9的值可以表示为

$\begin{aligned}&\boldsymbol{F}_{i}=\boldsymbol{O}_{2(M-1) \times 2(M-1)}, i=1,2, \cdots, 6 \\&\boldsymbol{F}_{7}=-2 \times \boldsymbol{I}_{2(M-1) \times 2(M-1)}\\&\boldsymbol{F}_{8}=-2\left[\begin{array}{ll}\boldsymbol{O}_{(M-1) \times(M-1)} & \boldsymbol{O}_{(M-1) \times(M-1)} \\\boldsymbol{I}_{(M-1) \times(M-1)} & \boldsymbol{O}_{(M-1) \times(M-1)}\end{array}\right]\\&\boldsymbol{F}_{9}=2\left[\begin{array}{cc}\sum\nolimits_{11} & \boldsymbol{O}_{(M-1) \times(M-1)} \\\sum\nolimits_{21} & \sum\nolimits_{22}\end{array}\right]\end{aligned}$ (13)

式中： ${\sum _{11}} = {\sum _{22}} = {\rm{diag}}({r_{21}}, {r_{31}}, \cdots , {r_{M1}})$、 ${\sum _{21}} = {\rm{diag}}({{\dot r}_{21}}, {{\dot r}_{31}}, \cdots , {{\dot r}_{M1}})$。

考虑到n中各项误差具有相关性且有着不同的方差，对其进行白化处理。令Q=E[nnT]，对Q做Cholesky分解可得Q=PPT，则n的白化向量为σ=P-1n，同时可得到ΔA=[G1σ, G2σ, …, Glσ]、Δb=Fl+1n，其中Gi=FiP，对式(10)进行数学变换可得：

$\boldsymbol{A} \boldsymbol{\theta}_{1}-\boldsymbol{b}=\boldsymbol{W}_{\theta_{1}} \boldsymbol{\sigma}$ (14)

式中 ${\mathit{\boldsymbol{W}}_{\theta 1}} = - (\sum\nolimits_{i = 1}^l {{\mathit{\boldsymbol{\theta }}_{{1_i}}}{\mathit{\boldsymbol{G}}_i} - {\mathit{\boldsymbol{G}}_{l + 1}}} )$，则基于RCTLS的TDOA/FDOA定位问题可表述为

$\begin{gathered}\min \left(\|\boldsymbol{\sigma}\|^{2}+\lambda_{1}\left\|\boldsymbol{\theta}_{1}\right\|^{2}\right) \\\text { s.t. } \boldsymbol{A} \boldsymbol{\theta}_{1}-\boldsymbol{b}=\boldsymbol{W}_{\theta_{1}} \boldsymbol{\sigma}\end{gathered}$ (15)

经过简单的数学运算，式(15)可转换为如下函数的求极小值问题：

$\begin{gathered}\boldsymbol{F}\left(\boldsymbol{\theta}_{1}\right)=\left(\boldsymbol{A} \boldsymbol{\theta}_{1}-\boldsymbol{b}\right)^{\mathrm{T}}\left(\boldsymbol{W}_{\theta_{1}} \boldsymbol{W}_{\theta_{1}}^{\mathrm{T}}\right)^{-1}\left(\boldsymbol{A} \boldsymbol{\theta}_{1}-\boldsymbol{b}\right)+ \\\lambda_{1} \boldsymbol{\theta}_{1}^{\mathrm{T}} \boldsymbol{\theta}_{1}\end{gathered}$ (16)

对上式进行求导可得：

$(\boldsymbol{A}-\boldsymbol{\varLambda})^{\mathrm{T}}\left(\boldsymbol{W}_{\theta_{1}} \boldsymbol{W}_{\theta_{1}}{ }^{\mathrm{T}}\right)^{-1}\left(\boldsymbol{A} \boldsymbol{\theta}_{1}-\boldsymbol{b}\right)+\lambda_{1} \boldsymbol{\theta}_{1}=0$ (17)

式中：

$\boldsymbol{\varLambda}=-\left[\boldsymbol{G}_{1} \boldsymbol{W}_{\theta_{1}}^{-1}\left(\boldsymbol{A} \boldsymbol{\theta}_{1}-\boldsymbol{b}\right), \cdots, \boldsymbol{G}_{l} \boldsymbol{W}_{\theta_{1}}^{-1}\left(\boldsymbol{A} \boldsymbol{\theta}_{1}-\boldsymbol{b}\right)\right]$ (18)

对式(18)进行求解, 可得方程的RCTLS解：

$\begin{gathered}\left.\widehat{\boldsymbol{\theta}}_{1}=((\boldsymbol{A}-\boldsymbol{\varLambda})^{\mathrm{T}}\left(\boldsymbol{W}_{\theta_{1}} \boldsymbol{W}_{\theta_{1}}^{\mathrm{T}}\right)^{-1} \boldsymbol{A}+\lambda_{1} \boldsymbol{I}\right)^{-1} \\(\boldsymbol{A}-\boldsymbol{\varLambda})^{\mathrm{T}}\left(\boldsymbol{W}_{\theta_{1}} \boldsymbol{W}_{\theta_{1}}^{\mathrm{T}}\right)^{-1} \boldsymbol{b}\end{gathered}$ (19)

式(19)中所得的解并未考虑约束条件，因此TRCTLS算法的第二步是利用约束条件重新构造一组方程以完成对第一步估计值的修正。假设从第一步得到的目标估计位置和速度分别为u1和 ${{\mathit{\boldsymbol{\dot u}}}_1}$，则第一步的估计误差为Δu=u1-uo、 $\Delta \mathit{\boldsymbol{\dot u}} = {{\mathit{\boldsymbol{\dot u}}}_1} - {{\mathit{\boldsymbol{\dot u}}}^{\rm{o}}}$，令 ${\mathit{\boldsymbol{\theta }}_2} = {\{ \Delta {\mathit{\boldsymbol{u}}^{\rm{T}}}, \Delta {{\mathit{\boldsymbol{\dot u}}}^{\rm{T}}}\} ^{\rm{T}}}$。将第一步中辅助变量的真实值r1o和 $\dot r_1^{\rm{o}}$在u1和 ${{\mathit{\boldsymbol{\dot u}}}_1}$处进行一阶泰勒展开可得：

$\begin{gathered}r_{1}^{\mathrm{o}} \approx\left\|\boldsymbol{u}_{1}-\boldsymbol{s}_{1}\right\|^{2}-\boldsymbol{\alpha}^{\mathrm{T}} \Delta \boldsymbol{u} \\\dot{r}_{1}^{\mathrm{o}} \approx\left(\dot{\boldsymbol{u}}_{1}-\dot{\boldsymbol{s}}_{1}\right)^{\mathrm{T}}\left(\boldsymbol{u}_{1}-\boldsymbol{s}_{1}\right) /\left\|\boldsymbol{u}_{1}-\boldsymbol{s}_{1}\right\|^{2}- \\\boldsymbol{\alpha}^{\mathrm{T}} \Delta \dot{\boldsymbol{u}}-\boldsymbol{\beta}^{\mathrm{T}} \Delta \boldsymbol{u}\end{gathered}$ (20)

假设第一步得到的辅助变量估计值为r1和 ${{\dot r}_{1}}$，则α和β的表达式为

$\begin{gathered}\boldsymbol{\alpha}=\left(\boldsymbol{u}_{1}-\boldsymbol{s}_{1}\right) / r_{1} \\\boldsymbol{\beta}=\left[r_{1}\left(\dot{\boldsymbol{u}}_{1}-\dot{\boldsymbol{s}}_{1}\right)-\dot{r}_{1}\left(\boldsymbol{u}_{1}-\boldsymbol{s}_{1}\right)\right] / r_{1}^{2}\end{gathered}$ (21)

将Δu=u1-uo、 $\mathit{\boldsymbol{\dot u}} = {{\mathit{\boldsymbol{\dot u}}}_1} - {{\mathit{\boldsymbol{\dot u}}}^{\rm{o}}}$以及式(20)代入式(10)可得：

$(\mathit{\boldsymbol{M}} + \Delta \mathit{\boldsymbol{M}}){\mathit{\boldsymbol{\theta }}_2} = \mathit{\boldsymbol{N}} + \Delta \mathit{\boldsymbol{N}}$ (22)

其中：

$\begin{array}{l}\boldsymbol{M}=2\left[\begin{array}{cc}\left(\boldsymbol{s}_{2}-\boldsymbol{s}_{1}+r_{21} \boldsymbol{\alpha}\right)^{\mathrm{T}} & \mathit{\pmb{0}}^{\mathrm{T}} \\\vdots & \vdots \\\left(\boldsymbol{s}_{M}-\boldsymbol{s}_{1}+r_{M 1} \boldsymbol{\alpha}\right)^{\mathrm{T}} & \mathit{\pmb{0}}^{\mathrm{T}} \\\left(\dot{\boldsymbol{s}}_{2}-\dot{\boldsymbol{s}}_{1}+\dot{r}_{21} \boldsymbol{\alpha}+r_{21} \boldsymbol{\beta}\right)^{\mathrm{T}} & \left(\boldsymbol{s}_{2}-\boldsymbol{s}_{1}+r_{21} \boldsymbol{\alpha}\right)^{\mathrm{T}} \\\vdots & \vdots \\\left(\dot{\boldsymbol{s}}_{M}-\dot{\boldsymbol{s}}_{1}+\dot{r}_{M 1} \boldsymbol{\alpha}+r_{M 1} \boldsymbol{\beta}\right)^{\mathrm{T}} & \left(\boldsymbol{s}_{M}-\boldsymbol{s}_{1}+r_{M 1} \boldsymbol{\alpha}\right)^{\mathrm{T}}\end{array}\right]\\\boldsymbol{N}=\left[\begin{array}{c}r_{21}^{2}-\boldsymbol{s}_{2}^{\mathrm{T}} \boldsymbol{s}_{2}+\boldsymbol{s}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}+2 r_{21} r_{1}+ \\2\left(\boldsymbol{s}_{2}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} \boldsymbol{u}_{1} \\\vdots \\r_{M 1}^{2}-\boldsymbol{s}_{M}^{\mathrm{T}} \boldsymbol{s}_{M}+\boldsymbol{s}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}+2 r_{M 1} r_{1}+ \\2\left(\boldsymbol{s}_{M}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} \boldsymbol{u}_{1} \\2\left(\dot{r}_{21} r_{21}-\dot{\boldsymbol{s}}_{2}^{\mathrm{T}} \boldsymbol{s}_{2}+\dot{s}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}\right)+2\left(\dot{\boldsymbol{s}}_{2}-\dot{\boldsymbol{s}}_{1}\right)^{\mathrm{T}} \boldsymbol{u}_{1}+ \\2\left(\boldsymbol{s}_{2}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} \dot{\boldsymbol{u}}_{1}+2 \dot{r}_{21} r_{1}+2 r_{21} \dot{r}_{1} \\\vdots \\2\left(\dot{r}_{M 1} r_{21}-\dot{\boldsymbol{s}}_{M}^{\mathrm{T}} \boldsymbol{s}_{M}+\dot{\boldsymbol{s}}_{1}^{\mathrm{T}} \boldsymbol{s}_{1}\right)+2\left(\dot{\boldsymbol{s}}_{M}-\dot{\boldsymbol{s}}_{1}\right)^{\mathrm{T}} \boldsymbol{u}_{1}+ \\2\left(\boldsymbol{s}_{M}-\boldsymbol{s}_{1}\right)^{\mathrm{T}} \dot{\boldsymbol{u}}_{1}+2 \dot{r}_{M 1} r_{1}+2 r_{M 1} \dot{r}_{1}\end{array}\right]\\\Delta \boldsymbol{M}=2\left[\begin{array}{cc}\Delta r_{21} \boldsymbol{\alpha}^{\mathrm{T}} & \mathit{\pmb{0}}^{\mathrm{T}} \\\vdots & \vdots \\\Delta r_{M 1} \boldsymbol{\alpha}^{\mathrm{T}} & \mathit{\pmb{0}}^{\mathrm{T}} \\\Delta \dot{r}_{21} \boldsymbol{\alpha}^{\mathrm{T}}+\Delta r_{21} \boldsymbol{\beta}^{\mathrm{T}} & \Delta r_{21} \boldsymbol{\alpha}^{\mathrm{T}} \\\vdots & \vdots \\\Delta \dot{r}_{M 1} \boldsymbol{\alpha}^{\mathrm{T}}+\Delta r_{M 1} \boldsymbol{\beta}^{\mathrm{T}} & \Delta r_{M 1} \boldsymbol{\alpha}^{\mathrm{T}}\end{array}\right]\\\Delta \mathit{\boldsymbol{N}} = \left[ {\begin{array}{*{20}{c}}{2{r_{21}}\Delta {r_{21}} + 2\Delta {r_{21}}{r_1}}\\ \vdots \\{2{r_{M1}}\Delta {r_{M1}} + 2\Delta {r_{M1}}{r_1}}\\{2{{\dot r}_{21}}\Delta {r_{21}} + 2\Delta {{\dot r}_{21}}{r_{21}} + 2\Delta {{\dot r}_{21}}{r_1} + 2\Delta {r_{21}}{{\dot r}_1}}\\ \vdots \\{2{{\dot r}_{M1}}\Delta {r_{M1}} + 2\Delta {{\dot r}_{M1}}{r_{M1}} + 2\Delta {{\dot r}_{M1}}{r_1} + 2\Delta {r_{M1}}{{\dot r}_1}}\end{array}} \right]\end{array}$ (23)

式中的ΔM和ΔN可分别表示为

$\begin{gathered}\Delta \boldsymbol{M}=\left[\boldsymbol{U}_{1} \boldsymbol{n}, \boldsymbol{U}_{2} \boldsymbol{n}, \cdots, \boldsymbol{U}_{k} \boldsymbol{n}\right] \\\Delta \boldsymbol{N}=\boldsymbol{U}_{k+1} \boldsymbol{n}\end{gathered}$ (24)

式中U1, U2, …, Uk(k=6)的具体表达式略，对n进行白化处理后可得：

$\begin{gathered}\Delta \boldsymbol{M}=\left[\boldsymbol{V}_{1} \boldsymbol{n}, \boldsymbol{V}_{2} \boldsymbol{n}, \cdots, \boldsymbol{V}_{k} \boldsymbol{n}\right] \\\Delta \boldsymbol{N}=\boldsymbol{V}_{k+1} \boldsymbol{n}\end{gathered}$ (25)

式中Vi=UiP，则式(22)可转换为以下形式：

$\boldsymbol{M} \boldsymbol{\theta}_{2}-\boldsymbol{N}=\boldsymbol{W}_{\theta_{2}} \boldsymbol{\sigma}$ (26)

式中 $\boldsymbol{W}_{\theta_{2}}=-\left(\sum_{i=1}^{k} \boldsymbol{\theta}_{2_{i}} \boldsymbol{V}_{i}-\boldsymbol{V}_{k+1}\right)$，利用第一步的RCTLS算法对式(26)进行求解可得：

$\begin{gathered}\widehat{\boldsymbol{\theta}}_{2}=\left((\boldsymbol{M}-\boldsymbol{Z})^{\mathrm{T}}\left(\boldsymbol{W}_{\theta_{2}} \boldsymbol{W}_{\theta_{2}}{ }^{\mathrm{T}}\right)^{-1} \boldsymbol{M}+\lambda_{2} \boldsymbol{I}\right)^{-1}\\(\boldsymbol{M}-\boldsymbol{Z})^{\mathrm{T}}\left(\boldsymbol{W}_{\theta_{2}} \boldsymbol{W}_{\theta_{2}}{ }^{\mathrm{T}}\right)^{-1} \boldsymbol{N}\end{gathered}$ (27)

式中

$\boldsymbol{Z}=-\left[\boldsymbol{V}_{1} \boldsymbol{W}_{\theta_{2}}{ }^{-1}\left(\boldsymbol{A} \boldsymbol{\theta}_{2}-\boldsymbol{b}\right), \cdots, \boldsymbol{V}_{k} \boldsymbol{W}_{\theta_{2}}{ }^{-1}\left(\boldsymbol{A} \boldsymbol{\theta}_{2}-\boldsymbol{b}\right)\right]$ (28)

则目标位置和速度的最终估计值分别为 $\mathit{\boldsymbol{\hat u = }}{{\mathit{\boldsymbol{\hat \theta }}}_1}(1:3) - {{\mathit{\boldsymbol{\hat \theta }}}_2}(1:3)$、 $\widehat{\dot{\boldsymbol{u}}}=\widehat{\boldsymbol{\theta}}_{1}(4: 6)-\widehat{\boldsymbol{\theta}}_{2}(4: 6)$。

3 正则化参数的选择正则化参数λ1和λ2的选取对TRCTLS方法的性能有着很大的影响，本节主要从最小化均方误差的原则对正则化参数进行求解。假设第一步的估计值 ${{\mathit{\boldsymbol{\hat \theta }}}_1}$与真实值θ1之间的关系为

$\widehat{\boldsymbol{\theta}}_{1}=\boldsymbol{\theta}_{1}+\Delta \boldsymbol{\theta}_{1}$ (29)

将式(29)代入式(17)中可得：

$\begin{gathered}(\boldsymbol{A}-\boldsymbol{\varLambda})^{\mathrm{T}}\left(\boldsymbol{W}_{\theta_{1}} \boldsymbol{W}_{\theta_{1}}^{\mathrm{T}}\right)^{-1}\left(\boldsymbol{A} \Delta \boldsymbol{\theta}_{1}+\boldsymbol{W}_{\theta_{1}} \boldsymbol{\sigma}\right)+ \\\lambda_{1}\left(\boldsymbol{\theta}_{1}+\Delta \boldsymbol{\theta}_{1}\right)=0\end{gathered}$ (30)

令S=(A-Λ)T(Wθ1WTθ1)-1，由式(30)可得：

$\Delta \boldsymbol{\theta}_{1}=-\left(\boldsymbol{S} \boldsymbol{A}+\lambda_{1} \boldsymbol{I}_{8 \times 8}\right)^{-1}\left(\boldsymbol{S} \boldsymbol{W}_{\theta_{1}} \boldsymbol{\sigma}+\lambda_{1} \boldsymbol{\theta}_{1}\right)$ (31)

令SWθ1σ=J，可得：

$\begin{gathered}\Delta \boldsymbol{\theta}_{1}^{\mathrm{T}} \Delta \boldsymbol{\theta}_{1}=\left(\boldsymbol{J}^{\mathrm{T}}+\lambda_{1} \boldsymbol{\theta}_{1}^{\mathrm{T}}\right)\left[\left(\boldsymbol{S} \boldsymbol{A}+\lambda_{1} \boldsymbol{I}_{8 \times 8}\right)^{-1}\right]^{\mathrm{T}} \\\left(\boldsymbol{S} \boldsymbol{A}+\lambda_{1} \boldsymbol{I}_{8 \times 8}\right)^{-1}\left(\boldsymbol{J}+\lambda_{1} \boldsymbol{\theta}_{1}\right)\end{gathered}$ (32)

通常矩阵SA为满秩矩阵，存在一个标准正交矩阵使得SA对角化：

$\boldsymbol{S} \boldsymbol{A}=\boldsymbol{P}^{\mathrm{T}} \operatorname{diag}\left\{u_{1}, u_{2}, \cdots, u_{8}\right\} \boldsymbol{P}$ (33)

对[(SA+λ1I8×8)-1]T(SA+λ1I8×8)-1进行特征值分解可得：

$\left[\left(\boldsymbol{S} \boldsymbol{A}+\lambda_{1} \boldsymbol{I}_{8 \times 8}\right)^{-1}\right]^{\mathrm{T}}\left(\boldsymbol{S} \boldsymbol{A}+\lambda_{1} \boldsymbol{I}_{8 \times 8}\right)^{-1}=\boldsymbol{P}^{\mathrm{T}} \boldsymbol{D} \boldsymbol{P}$ (34)

式中：P是8×8的标准正交矩阵，D=diag{(u1+λ1)-2, (u2+λ1)-2, …, (u8+λ1)-2}。考虑到E(J)=0，对式(32)取期望可得第一步估计值的均方误差为

$E\left[\Delta \boldsymbol{\theta}_{1}^{\mathrm{T}} \Delta \boldsymbol{\theta}_{1}\right]=E\left[\boldsymbol{J}^{\mathrm{T}} \boldsymbol{P}^{\mathrm{T}} \boldsymbol{D} \boldsymbol{P} \boldsymbol{J}\right]+\lambda_{1}^{2} \boldsymbol{\theta}_{1}^{\mathrm{T}} \boldsymbol{P}^{\mathrm{T}} \boldsymbol{D} \boldsymbol{P} \boldsymbol{\theta}_{1}$ (35)

令C1=PJ、C2=Pθ1，则C1、C2为两个列向量。设C1=[c11, c12, …, c18]T、C2=[c21, c22, …, c28]T，则E[Δθ1TΔθ1]可表示为

$\begin{gathered}E\left[\Delta \boldsymbol{\theta}_{1}^{\mathrm{T}} \Delta \boldsymbol{\theta}_{1}\right]=E\left[\boldsymbol{C}_{1}^{\mathrm{T}} \boldsymbol{D} \boldsymbol{C}_{1}\right]+\lambda_{1}^{2} \boldsymbol{C}_{1}^{\mathrm{T}} \boldsymbol{D} \boldsymbol{C}_{1}= \\\sum\nolimits_{i=1}^{8} \frac{E\left[c_{1 i}^{2}\right]}{\left(\boldsymbol{u}_{i}+\lambda_{1}\right)^{2}}+\lambda_{1}^{2} \sum\nolimits_{i=1}^{8} \frac{c_{2 i}^{2}}{\left(u_{i}+\lambda_{1}\right)^{2}}\end{gathered}$ (36)

可以看出第一步中利用RCTLS算法求得的结果的均方误差是关于λ1的函数，为了求得均方误差最小值对应的λ1值，对式(36)求导可得：

$\frac{\partial E\left[\Delta \boldsymbol{\theta}_{1}^{\mathrm{T}} \Delta \boldsymbol{\theta}_{1}\right]}{\partial \lambda_{1}}=2 \sum\nolimits_{i=1}^{8} \frac{\lambda_{1}^{2} c_{2 i}^{2} u_{i}-E\left[c_{1 i}^{2}\right]}{\left(u_{i}+\lambda_{1}\right)^{3}}$ (37)

对式(37)进行分析可得，当 $0 < {\lambda _1} < \min \left\{ {\frac{{E\left[ {c_{1i}^2} \right]}}{{c_{2i}^2{u_i}}}} \right\}$时， $\frac{{\delta E\left[ {\Delta \mathit{\boldsymbol{\theta }}_1^{\rm{T}}\Delta {\mathit{\boldsymbol{\theta }}_1}} \right]}}{{\delta {\lambda _1}}} < 0$，此时估计均方误差随λ1单调递减；当 ${\lambda _1} > \max \left\{ {\frac{{E\left[ {c_{1i}^2} \right]}}{{c_{2i}^2{u_i}}}} \right\}$时， $\frac{{\delta E\left[ {\Delta \mathit{\boldsymbol{\theta }}_1^{\rm{T}}\Delta {\mathit{\boldsymbol{\theta }}_1}} \right]}}{{\delta {\lambda _1}}} > 0$，此时估计均方误差随λ1单调递增。因此可以得到λ1最小值的取值区间为 $\left[ {\min \left\{ {\frac{{E\left[ {c_{1i}^2} \right]}}{{c_{2i}^2{u_i}}}} \right\}, \max \left\{ {\frac{{E\left[ {c_{1i}^2} \right]}}{{c_{2i}^2{u_i}}}} \right\}} \right]$，则本文中取极小值为

$\lambda_{1}=\frac{1}{2}\left(\min \left\{\frac{E\left[c_{1 i}^{2}\right]}{c_{2 i}^{2} u_{i}}\right\}+\max \left\{\frac{E\left[c_{1 i}^{2}\right]}{c_{2 i}^{2} u_{i}}\right\}\right)$ (38)

同理可得λ2的取值。注意到第一步中Λ和Wθ1均含有未知数θ1，因此在实际的计算中先假设Λ=0、(Wθ1WTθ1)-1=Q，得到初始的值后再将其代入Λ和Wθ1的表达式中，之后利用新的Λ和Wθ1重新计算θ1，如此循环3~5次即可得到最终的θ1; 同样地，在第二步对θ2进行求解时也需要进行类似的处理。

4 实验仿真及分析本节通过仿真实验对提出的TRCTLS方法进行性能分析。蒙特卡洛循环次数设置为10 000次，分别为TDOA和FDOA测量值添加均值为零的高斯白噪声，其中TDOA的噪声的方差为δd2，协方差矩阵为Rt=δd2R，R为对角线上元素为1、其余元素为0.5的矩阵。FDOA的噪声方差为TDOA噪声方差的0.1倍，其协方差矩阵为Rf=0.1δd2R。计算机仿真条件为Windows10，64位操作系统，Core i5-9300H处理器，16 GB内存，MATLAB9.0版本。利用均方根误差RMSE对定位方法进行性能分析，其表达式为

$R_{\mathrm{MSE}}(\widehat{\boldsymbol{\theta}})=\sqrt{\sum\nolimits_{i=1}^{L}\left\|\widehat{\boldsymbol{\theta}}_{i}-\boldsymbol{\theta}^{\mathrm{o}}\right\|^{2} / L}$ (39)

本文的仿真实验在3个场景下进行，其中场景1和场景2中目标辐射源的位置和速度分别为u=[285,325,275]T m和 $\mathit{\boldsymbol{\dot u}} = {[ - 20, 15, 40]^{\rm{T}}}\;{\rm{m/s}}$，场景3中目标辐射源的位置和速度分别为u=[50,320,110]T m和 $\mathit{\boldsymbol{\dot u}} = {[ - 20, 15, 40]^{\rm{T}}}\;{\rm{m/s}}$。每个场景均设置5个接收站，场景1和场景3中接收站的位置坐标分别见表 1; 场景2中接收站的位置坐标见表 2; 3个场景中的接收站与目标的位置在三维空间中的分布见图 1。可以看出，3个场景中的接收站的整体分布基本接近，只有场景2中有2个接收站在z轴上的坐标与场景1和场景3中略有不同，这种设置可减少不同场景中接收站的分布方式对定位精度的影响。场景1为系数矩阵并未出现病态时的定位场景，而场景2中则因为接收站在z轴上坐标接近而导致系数矩阵出现病态，场景3则是因为目标辐射源与5个接收站之间的距离接近而导致系数矩阵出现病态。在3个场景中均使用式(39)的均方根误差对定位方法进行性能分析，使用CRLB作为衡量估计精度的标准，同时使用文献[7]中的TSWLS方法、文献[9]中的CTLS方法作为对比方法。

表 1
表 1 场景1和场景3中的接收站位置分布 Tab. 1 Location distribution of receivers in scenario 1 and scenario 3 接收站编号 xi/m yi/m zi/m ${\dot x}_i$/(m·s-1) ${\dot y}_i$/(m·s-1) ${\dot z}_i$/(m·s-1)

1 300 100 120 30 -20 20

2 400 150 100 -30 10 20

3 300 500 120 10 -20 10

4 350 200 100 10 20 3

5 -150 -200 100 20 -10 10



表 1 场景1和场景3中的接收站位置分布 Tab. 1 Location distribution of receivers in scenario 1 and scenario 3


表 2
表 2 场景2中的接收站位置分布 Tab. 2 Location distribution of receivers in scenario 2 接收站编号 xi/m yi/m zi/m ${\dot x}_i$/(m·s-1) ${\dot y}_i$/(m·s-1) ${\dot z}_i$/(m·s-1)

1 300 100 105 30 -20 20

2 400 150 100 -30 10 20

3 300 500 105 10 -20 10

4 350 200 100 10 20 3

5 -150 -200 100 20 -10 10



表 2 场景2中的接收站位置分布 Tab. 2 Location distribution of receivers in scenario 2


Fig. 1
图 1 3个场景中接收站以及目标位置分布 Fig. 1 Distribution of receivers and target in three scenarios


图 2是场景1中3种方法的定位情况，图 2(a)和(b)中横坐标为噪声功率，纵坐标分别为位置估计和速度估计的均方根误差。可以看出3种方法在噪声较低时均可达到CRLB，文献[16]表明了有偏估计可以通过牺牲算法的偏差来使得算法的均方根误差低于CRLB，而本文提出的基于RCTLS思想的方法是一种有偏估计，通过牺牲了无偏性来换取更低的均方根误差，因此在噪声较低的情况下本文提出的TRCTLS方法的定位均方根误差要略低于CRLB。而随着噪声的增加，3种算法均开始偏离CRLB，其中TSWLS方法受噪声影响较大，偏离CRLB的程度也最为明显，CTLS方法和本文提出的TRCTLS方法偏离CRLB程度较小，而且TRCTLS方法的偏离程度还要小于CTLS方法，这表明TRCTLS方法通过合理的选取正则化参数进一步提升了基于CTLS模型的定位算法的性能。

Fig. 2
图 2 场景1中3种方法的定位均方根误差 Fig. 2 RMSE of three methods in scenario 1


图 3是场景2下3种方法的定位情况，由于场景2中5个接收站在z轴上的坐标接近，导致系数矩阵出现病态，此时估计值对噪声的敏感程度要高于场景1。因此从图 3(a)和(b)中可以看出3种方法偏离CRLB的程度均要高于在场景1中偏离CRLB的程度，但相对于TSWLS方法和CTLS方法，TRCTLS方法在场景2中的表现则更为稳定，这是因为相对于文献[7, 9]中的方法，TRCTLS方法在求解过程中引入了正则项，而引入正则项是解决病态问题的有效方法。TRCTLS方法通过合理地选取正则化参数来抑制系数矩阵的病态性，进而降低了病态矩阵对定位精度的影响，提升了定位方法在病态情况下的稳定性。可以看出，本文提出的定位方法通过合理地选取正则化参数，不仅在CTLS模型的基础上降低了均方根误差，而且在系数矩阵出现病态时的定位误差也要低于CTLS方法和TSWLS方法，提升了算法在不同定位情况下的稳定性。

Fig. 3
图 3 场景2中3种方法的定位均方根误差 Fig. 3 RMSE of three methods in scenario 2


图 4显示了场景3下3种方法的定位情况，可以看出，由于目标辐射源距离各个接收站的距离接近，因此系数矩阵出现了较为严重的病态问题。TSWLS方法和CTLS方法均在噪声较低的情况下便开始偏离CRLB。但与场景2中不同，TSWLS方法和CTLS方法在噪声较低时偏离CRLB的程度比在噪声较高时偏离CRLB的程度更为明显，这是因为在噪声较低时，r1, r2, …, rM的值比较接近，这会造成系数矩阵的病态，而在噪声较高时，因为受到测量误差的影响，导致r1, r2, …, rM的值出现了较大的差异，此时系数矩阵的病态性得到了较大的改善。而相较于TSWLS方法和CTLS方法，本文提出的TRCTLS方法在各种测量噪声的情况下均有着更为稳定的定位性能。

Fig. 4
图 4 场景3中3种方法的定位均方根误差 Fig. 4 RMSE of three methods in scenario 3


最后对3种定位算法的计算复杂度和运行时间进行分析。文献[7]中提出的TSWLS方法的计算量为48M3-48M2+768M+8 010，而文献[12]中的CTLS方法为迭代法，单次迭代的计算量与TSWLS方法相近，本文提出的TRCTLS方法的计算量约为56M3+139M2+398M+1 230。在3种场景下的仿真实验中, 对3种方法的运行时间进行分析，其中CTLS方法的迭代次数设置为5次，可以得到TSWLS方法的平均运行时间为0.001 7 s，CTLS方法的平均运行时间约为0.007 4 s，而TRCTLS方法的平均运行时间为0.002 9 s，可以看出本文提出的TRCTLS方法因为具有计算正则化参数以及矩阵Λ和Z的过程，因此其运行时间要少于TSWLS方法，而CTLS方法是一种迭代法，需要利用牛顿法迭代求解拉格朗日参数，当迭代次数高于2次时，其运行速度要高于本文提出的TRCTLS方法。

5 结论针对基于TDOA/FDOA的无源定位问题，本文提出了一种基于RCTLS思想的定位方法。该方法分为两步，第一步在CTLS模型的基础上引入正则化参数后进行求解，第二步利用约束条件构造出一组关于第一步的估计误差的方程后进行求解，之后利用求解结果对第一步的估计结果进行修正以得到最终的估计值。仿真结果表明，本文方法通过牺牲了无偏性取得了低于TSWLS和CTLS方法的均方根误差，而且在系数矩阵出现病态的情况下定位性能较TSWLS方法和CTLS方法也更为稳定。同时本文的算法是一种闭式解析方法，因此在运行速度上也要优于CTLS方法。


参考文献
[1] HOK C, CHAN Y T. Geolocation of a known altitude object from TDOA and FDOA measurements[J]. IEEE Transactions on Aerospace and Electronic Systems, 1997, 33(3): 770. DOI:10.1109/7.599239


[2] QU X, XIE L, TAN W. Iterative constrained weighted least squares source localization using TDOA and FDOA measurements[J]. IEEE Transactions on Signal Processing, 2017, 3990.


[3] WEINSTEIN E. Optimal source localization and tracking from passive array measurements[J]. IEEE Transactions on Acoustics Speech and Signal Processing, 1982, 30(1): 69. DOI:10.1109/TASSP.1982.1163855


[4] GUSTAFSSON T, RAO B D, TRIVEDI M. Source localization in reverberant environments: Modeling and statistical analysis[J]. IEEE Transactions on Speech & Audio Processing, 2003, 11(6): 791.


[5] 王伟, 王咸鹏, 马跃华. 基于多级维纳滤波的双基地MIMO雷达多目标定位方法[J]. 航空学报, 2012, 33(7): 1281.
WANG Wei, WANG Xianpeng, MA Yuehua. Multi-target localization based on multi-stage wiener filter for bistatic MIMO radar[J]. Acta Aeronautica et Astronautica Sinica, 2012, 33(7): 1281.


[6] STOICA P, LI Jian. Lecture notes-source localization from range-difference measurements[J]. IEEE Signal Processing Magazine, 2006, 23(6): 63. DOI:10.1109/SP-M.2006.248717


[7] HO K C, XU W. An accurate algebraic solution for moving source location using TDOA and FDOA measurements[J]. IEEE Transactions on Signal Processing, 2004, 52(9): 2453. DOI:10.1109/TSP.2004.831921


[8] GUO Fucheng, HO K C. A quadratic constraint solution method for TDOA and FDOA localization[C]// IEEE International Conference on Acoustics, Speech and Signal Processing. Prague: IEEE, 2011: 2588


[9] YU H, HUANG G, GAO J. Constrained total least-squares localisation algorithm using time difference of arrival and frequency difference of arrival measurements with sensor location uncertainties[J]. IET Radar Sonar & Navigation, 2012, 6(9): 891.


[10] 曲付勇, 孟祥伟. 基于约束总体最小二乘方法的到达时差到达频差无源定位算法[J]. 电子与信息学报, 2014, 36(5): 1075.
QU Fuyong, MENG Xiangwei. Source localization using TDOA and FDOA based on constrained total least squares algorithm[J]. Journal of Electronics and Information Technology, 2014, 36(5): 1075.


[11] GOLUB G H, VAN LOAN C F. An analysis of the total least squares problem[J]. SIAM Journal on Numerical Analysis, 1980, 17(6): 883. DOI:10.1137/0717073


[12] GOLUB G H, HANSEN P C, O'LEARY. Tikhonov regularization and total least squares[J]. SIAM Journal on Matrix Analysis and Application, 1999, 21(1): 185. DOI:10.1137/S0895479897326432


[13] MESAROVIC V Z, GALATSANOS N P, KATSAGGELOS A K. Regularized constrained total least squares image restoration[J]. IEEE Transactions on Image Processing, 1995.


[14] FAN X, YOUNAN N H, TAYLOR C D. A perturbation analysis of the regularized constrained total least squares[J]. IEEE Transactions on Circuits & Systems II Analog & Digital Signal Processing, 1996, 43(2): 140.


[15] 赵拥军, 赵勇胜, 赵闯. 基于正则化约束总体最小二乘的单站DOA-TDOA无源定位算法[J]. 电子与信息学报, 2016, 38(9): 2336.
ZHAO Yongjun, ZHAO Yongsheng, ZHAO Chuang. Single-observer passive DOA-TDOA location based on regularized constrained total least squares[J]. Journal of Electronics & Information Technology, 2016, 38(9): 2336.


[16] SENGIJPTA S K. Fundamentals of statistical signal processing: estimation theory[J]. Technometrics, 1993, 37(4): 465.



相关话题/文献 数学 干扰 信息 通信工程学院
  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效，10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材，产品类型包含电子书、题库、全套资料以及视频，无论您是考研复习、考证刷题，还是考前冲刺等，不同类型的产品可满足您学习上的不同需求。 ...
    考试优惠券 本站小编 Free壹佰分学习网 2022-09-19
  • 融合有效方差置信上界的Q学习智能干扰决策算法
    融合有效方差置信上界的Q学习智能干扰决策算法饶宁,许华,宋佰霖(空军工程大学信息与导航学院,西安710077)摘要:为进一步提升基于值函数强化学习的智能干扰决策算法的收敛速度,增强战场决策的有效性,设计了一种融合有效方差置信上界思想的改进Q学习智能通信干扰决策算法。该算法在Q学习算法的框架基础上,利 ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2022-08-06
  • 亚洲人阿尔兹海默症miRNA-mRNA网络的生物信息学分析
    亚洲人阿尔兹海默症miRNA-mRNA网络的生物信息学分析杨泽若,张燚,胡柳,温轶(浙江养生堂天然药物研究所,杭州310024)摘要:随着社会人口老龄化加剧,以阿尔兹海默症(Alzheimer’sdisease,AD)为代表的认知障碍疾病越来越严重地危害着人类的生命健康,带来了巨大的社会和经济负担。 ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2022-08-06
  • 大数据时代的整合生物信息学
    大数据时代的整合生物信息学陈铭(浙江大学生命科学学院,生物信息学系,杭州310058)摘要:随着生物数据测量技术的不断发展,生物数据的类型、内容、复杂度不断增加,生物信息学已迈入大数据时代。面对大数据时代多模态、多层次、高维度、非线性的复杂生物数据,生物信息学需要发展相应的方法和技术进行有效整合生物 ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2022-08-06
  • 氨基甲酸乙酯水解酶的家族生物信息学分析
    氨基甲酸乙酯水解酶的家族生物信息学分析张献,彭涛,张耀,李若熙,杨丽娟(酿酒生物技术及应用四川省重点实验室(四川轻化工大学),四川宜宾644000)摘要:氨基甲酸乙酯(Ethylcarbamate,EC)是酒精饮料生产过程中自然产生的副产物,具有潜在的致癌性和遗传毒性,成为影响人们健康的隐患。利用氨 ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2022-08-06
  • 基于生物信息学分析寻找胰腺癌新的诊断和治疗靶点
    基于生物信息学分析寻找胰腺癌新的诊断和治疗靶点杨佳启1,2,李昊2,姜楠3,闫洪锋2,孙培鸣2,张涛2,周金莲4,孙宏伟2,崔彦1,2(1.北京大学解放军306医院教学医院普通外科,北京100101;2.战略支援部队特色医学中心普通外科,北京100101;3.清华长庚医院肝胆胰治疗中心,北京1022 ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2022-08-06
  • 基于生物信息学筛选染料木素抗骨肉瘤靶基因
    基于生物信息学筛选染料木素抗骨肉瘤靶基因郭良煜,余铃,陈敬腾,龚长天,施玉博,郭卫春(武汉大学人民医院骨科,武汉430060)摘要:染料木素是一种天然的小分子物质,在多种肿瘤中显示出抗肿瘤作用,探究染料木素作用于骨肉瘤的靶基因。从DrugBank下载与染料木素有关的靶基因,分别导入string数据库 ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2021-12-04
  • 基于多视角图像的建筑环境信息建模方法
    基于多视角图像的建筑环境信息建模方法殷青1,2,王春兴1,2,韩昀松1,2(1.哈尔滨工业大学建筑学院,哈尔滨150001;2.寒地城乡人居环境科学与技术工业和信息化部重点实验室(哈尔滨工业大学),哈尔滨150001)摘要:结合实践案例,探索了融合多视角图像数据的建筑环境信息建模方法,旨在提高建筑环 ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2021-12-04
  • 动态环境下融合边缘信息的稠密视觉里程计算法
    动态环境下融合边缘信息的稠密视觉里程计算法周凯1,罗元1,张毅2,李晋宏2(1.光电信息传感与技术重点实验室(重庆邮电大学),重庆400065;2.重庆邮电大学信息无障碍与服务机器人工程技术研究中心,重庆400065)摘要:针对传统的视觉里程计算法在动态环境下存在位姿估计精度不高且鲁棒性较差的问题, ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2021-12-04
  • 氯雷他定的生物信息学分析及其对COVID-19的潜在治疗意义
    氯雷他定的生物信息学分析及其对COVID-19的潜在治疗意义陈浩然1,徐和福2,陈熙勐3,张皓旻3,张钧栋3,智鹏1,李卓阳1,刘格良1,王毅兴4,卢学春1(1．山西医科大学管理学院,太原030000;2.天津康复疗养中心检验病理科,天津300381;3.解放军总医院第二医学中心血液科国家老年疾病临 ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2021-12-04
  • 生物信息学在蛋白质组学研究中的应用进展
    生物信息学在蛋白质组学研究中的应用进展马骏骏1,王旭初1,聂小军2(1.海南师范大学生命科学学院,海口570100;2.西北农林科技大学农学院,陕西杨凌712100)摘要:生物信息学是运用数学和信息学方法阐明和解释海量生物学数据所蕴含的生物学意义的重要手段和工具。随着蛋白质组学研究的不断发展和深入, ...
    哈尔滨工业大学科研学术 本站小编 Free考研考试 2021-12-04

Free考研考试FreeKaoYan.Com
欢迎来到Free考研考试，"为实现人生的Free而奋斗"

© 2020 FreeKaoYan! . All rights reserved.