【26】Matlab仿真 TDOA/FDOA联合定位TSWLS方法与改进TSWLS方法偏差与方差计算包含与对应CRLB对比。 主要参考文献 1.基于时差频差的多机无源定位及跟踪算法研究 第三章 2. An accurate algebraic solution for moving source location using TDOA and FDOA measurementsIEEE Transactions on Signal Processing 主要供文档方法的学习 非全文复现。嗯今天在实验室研究多目标无源定位的问题碰到了一个挺有意思的小课题基于TDOA时差定位和FDOA频差定位的联合定位方法特别是关于TSWLS加权最小二乘和改进后的TSWLS方法的性能对比。虽然看起来这个方向不算特别新但结合Matlab仿真去深入分析一下还是挺有意思的。说到TDOA和FDOA这些都是无源定位系统中的经典手段。TDOA通过测量信号到达不同传感器的时间差来定位而FDOA则利用信号在不同传感器处的频差进行定位。结合起来TDOA可以提供水平方向的信息而FDOA则能在垂直方向上提供补充信息。两者结合理论上定位精度会比单独使用其中一种方法更高。1. TDOA/FDOA联合定位的基础先不急着写代码简单梳理一下联合定位的基本概念。TDOA可以表示为$$\tau{ij} \frac{\|\mathbf{r}i - \mathbf{r}s\| - \|\mathbf{r}j - \mathbf{r}_s\|}{c}$$其中$\tau{ij}$是传感器i和传感器j之间的时差$\mathbf{r}i$、$\mathbf{r}j$分别是i、j传感器的位置$\mathbf{r}s$是目标的位置c是光速。FDOA呢可以通过多普勒频移来表达$$f{ij} \frac{v}{\lambda} (\mathbf{v}s \cdot \mathbf{d}{ij}) / \|\mathbf{r}j - \mathbf{r}_i\|$$【26】Matlab仿真 TDOA/FDOA联合定位TSWLS方法与改进TSWLS方法偏差与方差计算包含与对应CRLB对比。 主要参考文献 1.基于时差频差的多机无源定位及跟踪算法研究 第三章 2. An accurate algebraic solution for moving source location using TDOA and FDOA measurementsIEEE Transactions on Signal Processing 主要供文档方法的学习 非全文复现。这里$f{ij}$是频差v是目标的速度$\lambda$是载波波长$\mathbf{v}s$是目标的速度向量$\mathbf{d}_{ij}$是传感器i到传感器j的单位方向向量。在实际应用中TDOA和FDOA结合后可以构成非线性方程组通过求解这些方程来得到目标的位置和速度。那TSWLS方法是什么全称是Time Difference of Arrival and Frequency Difference of Arrival based Weighted Least Squares基于时差和频差的加权最小二乘。它的核心思想就是通过构建目标函数利用加权最小二乘的方法将TDOA和FDOA的测量值进行联合优化得到目标的最优估计位置。2. 仿真搭建先抛开公式直接写点代码看看这样会更直观。首先需要定义一些基本参数。比如传感器阵列的位置目标的位置噪声的大小等等。% 传感器位置 R 100; % 传感器间距 sensor_pos [-R/2, 0; R/2, 0; 0, R/2; 0, -R/2]; % 四元阵列 % 目标位置 r_s [50; 60]; % x, y坐标 v_s [0.1; 0.2]; % 速度向量 % 噪声参数 sigma_tau 1e-6; % TDOA噪声标准差 sigma_f 1e-3; % FDOA噪声标准差然后根据定义好的参数计算理想的TDOA和FDOA。当然这里要加一些噪声模拟真实情况。% 计算理想TDOA tau_true zeros(length(sensor_pos)-1, 1); for i 2:length(sensor_pos) tau_true(i-1) norm(sensor_pos(i,:) - r_s, 2) - norm(sensor_pos(1,:) - r_s, 2); end tau_noisy tau_true sigma_tau * randn(size(tau_true)); % 计算理想FDOA f_true zeros(length(sensor_pos)-1, 1); for i 2:length(sensor_pos) d_ij sensor_pos(i,:) - sensor_pos(1,:); d_norm norm(d_ij, 2); f_true(i-1) (velocity / c) * (v_s(1)*d_ij(1) v_s(2)*d_ij(2)) / d_norm; end f_noisy f_true sigma_f * randn(size(f_true));这里velocity是目标运动速度c是光速。需要注意单位的一致性比如如果r_s是用米作为单位时间应该用秒速度则是米每秒。3. TSWLS方法实现接下来实现原始的TSWLS方法。这需要构建一个非线性方程组然后通过加权最小二乘进行求解。不过这里为了简便先尝试通过线性化的方法来近似求解。% 线性化方程组 H_tau zeros(length(tau_true), 2); b_tau tau_noisy; H_f zeros(length(f_true), 2); b_f f_noisy; for i 1:length(tau_true) % 计算每个传感器对的导数 x_i sensor_pos(i1,1); y_i sensor_pos(i1,2); dx r_s(1) - x_i; dy r_s(2) - y_i; H_tau(i,:) [dx, dy] / sqrt(dx^2 dy^2); end for i 1:length(f_true) x_i sensor_pos(i1,1); y_i sensor_pos(i1,2); d sqrt((x_i)^2 (y_i)^2); H_f(i,:) [y_i, -x_i] / d; end % 加权最小二乘 W_tau diag(1 ./ sigma_tau^2); W_f diag(1 ./ sigma_f^2); H [W_tau * H_tau; W_f * H_f]; b [W_tau * b_tau; W_f * b_f]; % 求解 rhat inv(H * H) * H * b;这里有一个问题上述方法假设初始猜测是准确的但实际上可能需要进行迭代或者使用非线性优化方法。不过在这里作为初步尝试先不考虑迭代。4. 改进TSWLS方法改进后的TSWLS通常会引入更精确的线性化方法或者通过其他优化策略来减少偏移。比如可以引入更高阶的泰勒展开项或者使用非线性最小二乘如Levenberg-Marquardt算法。不过为了简化计算这里假设改进方法是在权重矩阵上做了优化。% 改进后的权重矩阵 W_tau_improved diag(1 ./ (sigma_tau^2 .* (1 b_tau.^2))); W_f_improved diag(1 ./ (sigma_f^2 .* (1 b_f.^2))); H_improved [W_tau_improved * H_tau; W_f_improved * H_f]; b_improved [W_tau_improved * b_tau; W_f_improved * b_f]; rhat_improved inv(H_improved * H_improved) * H_improved * b_improved;这里改进的权重矩阵考虑了测量值的大小对权重的影响认为较大的测量值可能不确定性更高因此给予较小的权重。5. 结果对比与偏差分析那么这个仿真能得出什么结论呢首先计算定位误差error_original norm(rhat - r_s); error_improved norm(rhat_improved - r_s);当然在实际应用中可能需要多次蒙特卡洛仿真然后计算平均误差、偏差以及方差等统计量。另外别忘了计算CRLB克拉美-罗下界看看仿真结果是否接近理论下限。计算CRLB的公式比较复杂这里简单给出思路% 鱼信息矩阵 FIM H * W * H; % W是权重矩阵 CRLB inv(FIM); crlb_error sqrt(trace(CRLB));通过比较errororiginal、errorimproved与crlb_error可以评估两种方法的性能。不过从初步的仿真结果来看改进后的TSWLS方法在误差上有所降低尤其是在噪声较大的情况下改进方法的鲁棒性更好。6. 总结总的来说TDOA和FDOA联合定位在理论上具备较高的定位精度但实际应用中需要考虑传感器布置、噪声模型以及算法的优化等方面。通过Matlab仿真可以直观地评估不同方法的性能发现其优缺点。这次的仿真虽然比较基础但通过代码实现和结果对比确实帮助我更深入地理解了TSWLS方法及其改进策略。当然后续还需要进一步优化算法并结合实际数据进行验证。