学 校代 码 ：

１ ０ １ ２ ６  学 号 ：
３ １ ９ ５ ６ ０ ６ ０



分 类 号 ： Ｔ Ｎ ９ ２  编 号 ：





顚士學値繼龛


Ｃ 膏 业 学像 ）



基 于 Ｔ Ｄ０ Ａ 的 无 人 机


无 线定 位 算 法 研 究 


学 院 ： 电子信 息 工稈学 院



专 业  电 子 与 通信 工 程
： 


研 究 方 向 无 线 通 信 与 网 络
： 


姓名 韩 宇 飞 ：




指 导 教 师 刘 ： 

洋



Ｉ
学校代码： 10126 学 号： 31956060
分 类 号： TN92 编 号：

论文题目

基于 TDOA 的无人机
无线定位算法研究

学 院： 电子信息工程学院
专 业： 电子与通信工程
研究方向： 无线通信与网络
姓 名： 韩宇飞
指导教师： 刘洋

2022 年 6 月 12 日
 内蒙古大学硕士学位论文

原 创 性 声 明

本人声明：所呈交的学位论文是本人在导师的指导下进行的研究工作及取得的研究成果。
除本文已经注明引用的内容外，论文中不包含其他人已经发表或撰写过的研究成果，也不包
含为获得内蒙古大学及其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对
本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。

学位论文作者签名： 指导教师签名：

日 期： 2022.6.12 日 期： 2022.6.12

在学期间研究成果使用承诺书

本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：内蒙古大学有权将
学位论文的全部内容或部分保留并向国家有关机构、部门送交学位论文的复印件和磁盘，允
许编入有关数据库进行检索，也可以采用影印、缩印或其他复制手段保存、汇编学位论文。
为保护学院和导师的知识产权，作者在学期间取得的研究成果属于内蒙古大学。作者今后使
用涉及在学期间主要研究内容或研究成果，须征得内蒙古大学就读期间导师的同意；若用于
发表论文，版权单位必须署名为内蒙古大学方可投稿或公开发表。

学位论文作者签名： 指导教师签名：

日 期： 2022.6.12 日 期： 2022.6.12
 内蒙古大学硕士学位论文

基于 TDOA 的无人机无线定位算法研究

摘 要

随着第五代移动通信的不断普及，基础设施建设愈加完善，商业化覆盖范围

越来越广，低空无人机也因其具有体积小、灵活度高、成本低廉等优势被很多行

业列入了商用场景布局，无人机的无线定位技术作为无人机应用的关键技术也

带来一系列技术挑战。基于 TDOA 的无人机无线定位方法因其简便高效的特点

被广泛使用，但是传统的 TDOA 定位算法在复杂环境下的定位精度较低，不能

满足无人机在 5G 场景下的应用需求。因此本文对适用于当前 5G 覆盖范围的无

人机高精度定位算法进行了深入研究。

首先，本文在视距传播条件下提出一种基于 TDOA 的最小残差加权 Chan-

Taylor 联合算法。利用最小残差原则改进了 Chan 算法在位置估计中对于基站的

筛选组合方式，并在加权过程中赋予不同的权值增加分组区分度，将改进算法求

解的估计坐标作为 Taylor 算法的初始值，通过迭代求解最终定位结果。

其次，针对在非视距传播条件下定位精度下降严重的问题，本文在上述算法

的基础上提出一种基于 TDOA 的改进遗传蚁群混合定位算法。该算法利用遗传

算法优化了蚁群算法的初始信息素的生成过程，以改进 Chan 算法得到的估计坐

标为节点位置，通过提高算法在求解空间中的求解效率和收敛性，改善了 TDOA

算法在非视距下存在的定位精度不佳的问题。

最后，本文提出一种利用改进的遗传蚁群混合算法和扩展卡尔曼滤波相结

合的跟踪定位算法，利用遗传蚁群混合算法对扩展卡尔曼滤波处理后的估计值

进行纠偏定位，然后可根据精准的位置坐标完成对无人机的轨迹跟踪。

I
 内蒙古大学硕士学位论文

关键词：无人机无线定位；最小残差加权；遗传算法；改进蚁群算法；扩展卡尔

曼滤波

II
 内蒙古大学硕士学位论文

RESEARCH ON UAV WIRELESS POSITIONING

ALGORITHM BASED ON TDOA

ABSTRACT

With the increasing popularity of fifth-generation mobile communication,

infrastructure construction is becoming more and more perfect, and commercial

coverage is becoming more extensive. Low-altitude Unmanned Aerial Vehicle is also

included in the layout of commercial scenarios by many industries because of their

advantages of small size, high flexibility, low cost, etc. The wireless positioning

technology of the UAV, as the key technology of the UAV application, also brings a

series of technical challenges. The TDOA-based UAV wireless positioning method is

widely used because of its simplicity and efficiency. However, the traditional TDOA

positioning algorithm has low positioning accuracy in complex environments and

cannot meet the application requirements of UAVs in 5G scenarios. Therefore, this

paper conducts an in-depth study on the high-precision positioning algorithm of UAVs

suitable for the current 5G coverage.

Firstly, We propose a joint TDOA-based minimum residual weighted Chan-Taylor

algorithm under line-of-sight propagation conditions. The method of screening and

combining base stations in position estimation by Chan algorithm is improved by using

the principle of minimum residual error, and different weights are assigned in the

weighting process to increase the degree of group discrimination. Taking the estimated

III
 内蒙古大学硕士学位论文

coordinates solved by the improved algorithm as the initial value of the Taylor

algorithm, the final positioning result is solved iteratively.

Secondly, to address the severe degradation of localization accuracy under non-

visual propagation conditions, we propose an improved genetic ant colony hybrid

localization algorithm based on TDOA based on the above algorithm. The algorithm

optimizes the generation process of the initial pheromone of the ant colony algorithm

using the genetic algorithm. Take the estimated coordinates obtained by the improved

Chan algorithm as the node position. By improving the efficiency and convergence of

the algorithm in the solution space, the problem of poor positioning accuracy of TDOA

algorithm in non line of sight is improved.

Finally, we proposed a tracking and positioning algorithm using a combination of

an improved genetic ant colony hybrid algorithm and extended Kalman filtering, where

the estimated value processed by extended Kalman filtering is used to correct the bias

positioning. Then the trajectory tracking of the UAV can be completed according to the

precise position coordinates.

KEYWORDS: UAV wireless localization; minimum residual weighting; genetic

algorithm; improved ant colony algorithm; extended Kalman filtering

IV
 内蒙古大学硕士学位论文

目 录

第一章 绪论 ................................................................................................................................ 1
1.1 研究背景与意义 ........................................................................................................... 1
1.2 国内外研究现状 ........................................................................................................... 3
1.3 论文主要研究内容和章节安排 ................................................................................... 7
第二章 无线定位理论基础 ...................................................................................................... 10
2.1 无线定位几何模型 ..................................................................................................... 10
2.1.1 TOA 定位模型.................................................................................................. 10
2.1.2 TDOA 定位模型 ............................................................................................... 12
2.1.3 AOA 定位模型 ................................................................................................. 13
2.1.4 混合定位模型 .................................................................................................. 14
2.2 无线信道模型 ............................................................................................................. 15
2.2.1 基于几何结构的单次反射统计信道模型 ...................................................... 15
2.2.2 T1P1 信道模型 ................................................................................................. 16
2.3 无线定位误差来源分析 ............................................................................................. 17
2.3.1 NLOS 误差 ....................................................................................................... 17
2.3.2 多径衰落 .......................................................................................................... 18
2.4 无线定位性能评价标准 ............................................................................................. 18
2.4.1 均方/均方根误差............................................................................................. 18
2.4.2 累积分布函数 .................................................................................................. 19
2.4.3 克拉美罗下界 .................................................................................................. 19
2.5 本章小结 ..................................................................................................................... 20
第三章 基于 TDOA 的最小残差加权 Chan-Taylor 联合算法 .............................................. 21
3.1 最小残差加权算法 ..................................................................................................... 21
3.2 最小残差加权的 Chan-Taylor 联合算法 .................................................................. 23
3.3 仿真结果与分析 ......................................................................................................... 28
3.4 本章小结 ..................................................................................................................... 35
第四章 基于 TDOA 的无线定位跟踪误差抑制算法............................................................. 36

V
 内蒙古大学硕士学位论文
4.1 遗传算法和改进的蚁群算法 ..................................................................................... 36
4.1.1 遗传算法 .......................................................................................................... 36
4.1.2 蚁群算法 .......................................................................................................... 39
4.1.3 蚁群算法的改进 .............................................................................................. 41
4.2 基于改进遗传蚁群混合算法的定位算法 ................................................................. 41
4.2.1 改进遗传蚁群混合定位算法 .......................................................................... 41
4.2.2 仿真结果与分析 .............................................................................................. 45
4.3 基于扩展卡尔曼滤波的改进遗传蚁群混合跟踪定位算法 ..................................... 50
4.3.1 卡尔曼滤波模型 .............................................................................................. 50
4.3.2 基于扩展卡尔曼滤波的跟踪定位算法 .......................................................... 51
4.3.3 非视距误差的鉴别与抑制 .............................................................................. 54
4.3.4 混合定位跟踪算法流程 .................................................................................. 55
4.3.5 仿真结果与分析 .............................................................................................. 55
4.4 本章小结 ..................................................................................................................... 58
第五章 总结与展望 .................................................................................................................. 60
5.1 本文总结 ..................................................................................................................... 60
5.2 未来研究展望 ............................................................................................................. 61
参考文献.................................................................................................................................... 62
致谢............................................................................................................................................ 67

VI
 内蒙古大学硕士学位论文

第一章 绪论

1.1 研究背景与意义

无人机（Unmanned Aerial Vehicle, UAV）最早出现在 20 世纪 20 年代的军事领域，近几

十年来无人机技术因为无线电通信技术、计算机和自控技术的不断升级、更新换代而展现出
前所未有的发展势头。无人机如今在诸如军事、农业和工商业等领域广泛应用[1]，例如具体在
应急救援、农业植保、警用执法、环境监测、交通管理、影视娱乐等行业领域中有着旺盛的
需求，这都得益于无人机成本低廉、操作灵活便捷、体积不大等优势。同时随着 5G 时代的来
临，无人机作为主要应用的场景之一，这也使得无人机成为当今最受关注的热点技术领域之
一，这既是机遇又是严峻的考验[2]。
无人机根据不同的飞行高度可分为超低空无人机、低空无人机、中空无人机、高空无人
机和超高空无人机五种，其中超低空无人机一般指飞行高度低于 120m。根据中国民航局对不
同飞行高度的无人机做出的数据统计，表明超过 90%的无人机飞行高度低于 120m。而城市中
一般 25 层的高楼建筑高度就达到 75m，40 层的高楼就能达到 100m 的高度，因此飞行高度低
于 120m 的无人机可能在城市环境中出现无线信号受到障碍物阻挡的情况。无人机定位技术
是无人机广泛应用各领域的基础，也是现如今亟待解决的技术难点。传统的无人机技术主要
依靠 GNSS 定位系统，众所周知，该技术在空旷及信号良好地区有较好的效果，但是该方法
也存在一些不可忽视的缺陷。在环境恶劣或是遮挡物较多的地区容易出现较大的误差，这严
重影响了无人机的正常定位。5G 网络目前可以提供多种能力和服务，且在地面与高楼顶部均
有不同的基站部署，分布广泛，这使得无人机即使在城市中低空飞行也可获得较高定位精度
成为可能。搭载 5G 系统的无人机可利用与地面基站之间的相互通信来得到定位所需的参考
信号，这也进一步体现出了定位与通信的一体化布局，最大程度体现了“一网多用”的优势。
所以可将 5G 定位技术应用于超低空无人机，作为 GNSS 定位系统性能不佳时的一种有效补
充技术手段。
无人机的无线定位问题可以归结于无人机与 5G 通信基站之间的信号获取，结合无人机
的特性对现有算法加以改进。5G 无线网络与传统的宏蜂窝网络的区别，主要体现在其能够为
移动定位所需的基础数据提供有效增益。在 5G 网络中，小蜂窝和 D2D 传输将占主导地位，
这样的布局方式缩短了基站和移动设备之间的距离，较短的距离将增加视距（Line of Sight,

1
 内蒙古大学硕士学位论文
LOS）的概率，而且无线网络带宽的增加会使定位更加准确[3]。观察到达时间差（Observed Time
Difference of Arrival, OTDOA）是一种下行定位方法, 在用户处观察（即测量）两个基站发送
的基于专用定位参考信号（Positioning Reference Signal, PRS）的参考信号时差（Reference Signal
Time Difference, RSTD）[4]，从而定义用户所在的双曲线。然后可通过对多个不同的基站发出
的下行定位参考信号 PRS 产生的到达时间差 RSTD 进行解析计算，并最终得到实际的位置坐
标。因为无人机可以在空中灵活的移动，所以应用场景也相当广泛，随着应用场景的变化，
通信网络的覆盖区域可简单分为密集区和稀疏区两种。在通信网络覆盖密集区域，包含宏基
站、微基站、皮基站和飞基站在内的基站数量很多，定位可获取的信息较为冗余且造成了一
定的资源上的浪费。又或是在偏远地区，缺少有效的基站覆盖网络，无法为高精度定位提供
相应的测量数据。鉴于上述两种通信网络的覆盖区域就需要一些新算法或是对传统算法做出
改进以克服这两种影响定位精度的情况。一般情况下，定位精度是定位系统中一项重要的性
能评判指标，定位精度也会因环境因素而发生变化。
实际情况中，因为信号在空中的传输时间的计算难度较大，无法实现两端时间的精准同
步，基于到达时间差（Time Difference of Arrival, TDOA）的定位技术仅需要满足基站之间的
同步，不要求定位终端和基站之间的时钟同步，所以相比基于到达时间（Time of Arrival, TOA）
的定位技术也更具实际应用意义。在基于 TDOA 的无线定位中，主要有 LOS 传播和 NLOS 传
播这两种信号的传播方式。LOS 传播要满足以下两点条件：一是在第一菲涅尔区内不能有任
何阻碍无线电信号的物体；二是无线电信号沿直线在发信端与接收端之间传播。只要有一个
条件不满足，信号强度会迅速衰弱。信号源误差是误差的主要来源，也就是基站的部署情况
以及自身硬件系统的时间偏差。该问题目前已得到较大改善，但这种误差问题依然存在，因
此本文对现有的无线网络定位算法进行研究并加以改进，当无人机处于 LOS 传播条件时，选
择合适的基站数据，获得更高的定位精度。
当不满足 LOS 传播条件时，无线信号在收发两端出现非直线传播，发生反射、散射或衍
射等现象[5]。多径效应就是由于无线信号出现接收途径不一致所导致的现象，最直接的表现
为信号衰减严重、极化改变、传播时延不一致等众多问题，这些问题造成的误差统称非视距
（Non Line of Sight, NLOS）传播误差。NLOS 传播相比 LOS 传播会因无线信号在传播途中遇
到障碍物阻挡延长传播时间和距离，不仅增加了额外的功率消耗，还会使信号到达接收端的
角度出现偏差，NLOS 条件下产生的传播误差要比 LOS 条件下产生的大的多[6]。NLOS 传播
将直接影响 TDOA、TOA 等测量值的测量精度，导致定位结果出现较大误差，算法稳定性降
低，成为了急需解决的问题[7]。目前，解决定位算法中 NLOS 误差问题主要集中在以下三种

2
 内蒙古大学硕士学位论文
方案，第一种，识别 LOS 和 NLOS 路径[8]。该方法需要首先通过识别算法对 LOS 路径和 NLOS
路径做出识别判断，放弃 NLOS 路径，仅仅选择 LOS 路径进行定位解析，但是该方法局限性
很大，在 LOS 路径极少或是只有 NLOS 路径时可能无法进行有效定位。第二种，NLOS 误差
建模[9]。根据先验信息建立 NLOS 误差模型，然后通过降低模型中测量值的 NLOS 误差起到
抑制作用，但该方法在实际应用中有着很大的困难，以及不确定性，因为信号的传播模型在
实际的定位环境中十分复杂。第三种，利用最优化理论优化定位解算过程[10]。这类方法通常
会先确定定位解算的目标方程，再利用优化算法对求解过程进行优化，降低 NLOS 误差对定
位结果的影响[11]。但以上算法在定位中都有着较明显的不足，所以在 NLOS 环境下如何有效
消除无人机在无线定位中产生的传播误差十分重要，同时也将会是本文研究的重点内容。

1.2 国内外研究现状

无人机技术经过快速发展已逐渐走向成熟，无人机的身影也出现在许多场景中，例如监
视、测量、货物交付、搜索和救援以及提供无线覆盖[12]。在 5G 与无人机相结合的领域越来越
受到各国科研人员重视的同时，随之受到关注的是如何借助现有 5G 网络对无人机进行定位。
当无人机的飞行速度较慢时，无人机可被假设为一个移动缓慢且需要三维定位坐标的用户，
无人机的无线定位算法也就可以归结为基于测距的无线定位算法的研究，尤其体现在 LOS 和
NLOS 两种传播环境下如何有效消除传播误差，获得高精度定位的问题上。
人们对无线定位的研究很早就已经开始了，基于 TDOA 的定位技术研究源于二十世纪六
十年代，经过多年的研究，现已发展为一种广泛应用于各个领域的高精度无线定位方法，这
得益于该定位技术组网便捷，便于信息测量的优势。进行 TDOA 定位的关键是不同基站收到
移动台发出的信号的时延估计，定位的精度直接受时延估计的效果和准确性影响。时差的测
量主要有直接法和间接法两种方法[13]。直接法指测量待测目标物与各基站间的 TOA，然后进
行相减运算得到多组时间差，但该方法需要各基站统一时间。间接法是指通过两个信号间的
相似关系估计时间差，在实际应用中多数采用的是间接法。典型的间接法有 Knapp 最先提出
的利用广义互相关法（Generialized Cross Correlation, GCC）估计 TDOA[14]，即当不同基站间
的互相关函数达到峰值点的时刻，可作为两信号的时延。但是该方法在低信噪比条件下，这
种常用方法则可能无法起到较好的估计效果，因此 Kartal 提出了一种用于到达时间差估计的
广义互相关方法的增强技术[15]，通过将接收信号划分为小时间窗口，然后对每个样本的相关
结果进行积分运算。即使在低信噪比条件下，利用该方法也可以在时差估计中得到更准确的
结果。

3
 内蒙古大学硕士学位论文
表 1.1 总结了两种方法测量时差的优劣势。
表 1.1 直接法和间接法测量时差优劣势

Table 1.1 Advantages and disadvantages of direct method and indirect method for measuring time difference

时延测量方法 优势 劣势

局限性大
直接测量法 测量简便
高脉冲信号定位
精度高 需接收站间进行
间接测量法
使用范围广 无失真传输

TDOA 非线性方程组主要有两种求解方法，一种是可推导确切计算表达式的解析类方法，
另一种是迭代类方法。我们所熟知的 Chan 算法就是一种典型的解析类算法，Chan 提出一种
利用两步加权最小二乘（Weighted Least Squares, WLS）的方法[16]，该算法可以看作是近似的
最大似然估计，方程的解析解需要通过引入冗余的变量得到。第一步用于估计，将 TDOA 观
测量和移动台位置构成的非线性方程进行简化处理，然后再使用最小二乘（Least Square, LS）
算法得到其中间解；第二步用于修正，利用未知坐标和中间参考量两者的关系，最后通过结
合第二次的 WLS 求解得到准确的位置结果。在实际信道中，TDOA 测量值不可避免地会出现
因各种干扰因素导致的偏差，上述算法的定位结果也必然会出现较大的误差。随后 Chan 为弥
补先前算法所存在的问题又提出了近似最大似然估计（Approximate Maximum Likelihood
Recursive Estimation, AML）算法[17]，该算法首先通过使用传统 Chan 算法得到定位初始值，
然后列出一组具有非线性相关的最大似然等式，最后对这组等式反复求解，可以求出一个近
似封闭解。但是文献[18]在随后的实验中证明上述方法还是存在局限性，当 TDOA 方程的双
曲线有两个交点时，AML 算法将得到两个拟合方程的解。在这种情况下，使用 AML 算法可
能会选择非最优解，而且算法的迭代初始值要求必须精确，计算复杂度高也是不可忽视的一
点。
另一种迭代类算法，主要是通过对 TDOA 方程组迭代计算来估计目标位置。这类算法较
为我们所熟知的就是以泰勒级数展开式为基础的线性最小二乘算法，这个算法是由 Foy 等人
所提出的[19]，该算法的求解过程分为两步，第一步是先利用泰勒展开式将非线性定位等式线
性化，第二步是通过 LS 求解线性方程得到目标的估计位置，这样将非线性问题转化为线性问
题的方式可以起到降低 TOA/TDOA 的测量误差作用。该算法相较解析类算法在信号环境极
佳的地方有着更高的定位精度和稳健性，但是也由于需要进行迭代运算，复杂度也要高于
Chan 算法，尤其是易受到初始值的干扰，若是初始值较差则迭代过程极易发散不收敛。针对

4
 内蒙古大学硕士学位论文
迭代过程中使用的 LS 算法，文献[20]中对线性最小二乘算法做了相应的改进。该算法的具体
思路是先把非线性等式中的平方项移除，然后对处理后的方程组做线性最小二乘求解，最后
的求解结果就是目标移动台的位置估计。另一个经典迭代类算法，Gauss-Newton 算法是一种
精确的定位方法，但与 Taylor 算法相似，这种算法也对初始点的要求较高，容易造成迭代过
程不收敛问题。为了解决初始值这个问题，文献[21]中提出了一种基于因子图算法的两步定位
算法。该算法想到先利用因子图算法解决初始值问题，接着再将得到的初始值用于 Gauss-
Newton 算法并得到最终位置估计。经此方法改进后，极大改善了 Gauss-Newton 算法可能因
初始值导致的迭代不收敛问题，其定位误差在一定范围内接近 CRLB 下界。为了降低计算的
复杂度，Yan 等人提出了一种基于估计范围且适用于 TDOA 的 LS 定位的新框架[22]，该文献
的思路是在转换 LS 框架内引入了一种方法，首先将多维非线性定位问题转化为一维再进行
迭代求解，然后提出了选择一维参数的方法，推导了一维估计器收敛速度和均方根误差的理
论表达式来验证测量结果。该算法的优势在于引入的一维迭代方法的计算负载相当轻，每次
迭代的计算量大大减少，在 TDOA 定位方法中，通过该框架方法获得解的性能与非线性最小
二乘法相似。J. Chen 等人在两步 WLS 算法的基础上做了改进[23]，两步 WLS 法因其计算效
率高而成为基于到达时间差定位问题的经典方法，然而该方法受到第二步 WLS 法中的平方
根运算导致的符号模糊的影响。虽然最终解决方案的符号可以根据第一个 WLS 步骤中的估
计大致确定，但由于第一个 WLS 步骤中的位置估计不够准确，定位精度将下降。为了规避这
个问题，文献所提的改进两步 WLS 算法的主要策略是对约束关系进行适当的变换，在第二个
WLS 步骤中只保留方程左边的线性项。
上述介绍的 TDOA 算法大多只适用于 LOS 场景，在 LOS 环境下还可以获得较好的定位
效果和定位稳定性，但在 NLOS 传播环境中会因为距离测量值中包含 NLOS 误差，导致最终
的运算结果出现较大误差，而造成定位精度大幅下降的情况 [24]。一般针对消除无线信号在
NLOS 环境中的传播误差有两种方法：一种是鉴别抛弃法，主要是通过判别算法先对无线信
号的传输途径进行判别，若判定为 NLOS 传播则抛弃该测量值。该类方法最大的缺陷是必须
保证足够量的基站，即使舍弃大量 NLOS 传播路径上的基站，也至少需要四个基站来参与无
人机的定位；另一种方法是通过相关算法尽量消除 NLOS 误差的干扰，不舍弃 NLOS 途径得
到的测量值，使其更接近真实距离，这样即可得到高精度的定位坐标。相比前一种算法，后
一种算法在实际应用中不需要大量的 LOS 传播基站，降低了基础硬件设施成本，但却会增加
计算复杂度，甚至会因为算法自身的局限性而导致定位精度下降严重，致使估计坐标严重偏
离实际坐标。

5
 内蒙古大学硕士学位论文
在实际应用中需要先对信号的传输环境做出判别鉴定[25]，Chan 针对 NLOS 环境下难以
准确建模的问题提出了一种可以识别出 LOS 路径上的基站的位置残差检测算法[26]，该方法的

工作原理是当所有测量值都是 LOS 时，归一化残差服从中心  2 分布，而当存在 NLOS 时则

为非中心分布。通过这个原理可识别，将在 NLOS 环境下得到的数据舍弃，再利用其余的 LOS

数据来估计移动台位置。算法需要至少三个或以上基站的有效数据才能定位，如丢弃数据过
多导致可以的基站数据小于三个则无法定位。在实际情况中，该算法极易出现误判的情况，
在一个基站收到的信息既包含 LOS 路径又存在 NLOS 路径的情况下，若不能从 NLOS 中分
离出 LOS 路径，则可能将该数据当作 LOS 处理，必然会导致定位精度的下降。无线定位技
术在 LOS 和 NLOS 并存的混合环境中易出现精度低、稳定性低的问题，文献[27]中提出了一
种动态定位的新算法。该算法采用混合高斯模型解决了现有方法在混合环境中存在的识别传
播途径的问题，同时还针对计算过程容易陷入局部最优解而无法跳出的情况引入了 SA 算法。
改进后的算法不仅可以跳出局部最优解，而且具有更稳定的定位性能。近些年也有人提出利
用深度学习的方法来实现对 LOS 和 NLOS 环境的识别，文献[28]中提出可以通过机器学习的
方法将 NLOS 分类来提高定位精度。TDOA 测量距离之间都会存在相关性，该算法利用这一
特性，识别选择 NLOS 数据。以及 F.Wang 等人提出了一种利用卷积神经网络（Convolutional
Neural Networks, CNN）识别信道的脉冲响应图，以此达到识别 LOS/NLOS 信道的方法[29]。
该方法能够识别四种不同类型的信道脉冲响应图形，并具有出色的识别精度。在 5G 的应用
环境中，毫米波也可以用来识别 LOS/NLOS 信道环境。B.Hu 提出了一种基于毫米波的
LOS/NLOS 识别方法[30]，为了将 LOS 和单边界 NLOS 路径与多边界 NLOS 路径分开，该方
法首先对所有路径做出所有可能的反射条件假设，以给出所有可能的用户目标位置，每条路
径的假设对应于一个可能的用户位置，然后通过对计算的位置应用均值漂移聚类，找到具有
最多点的聚类作为正确假设点的集合，说明对于该集群中的点所做的 LOS/NLOS 假设是正确
的。
在对信道环境做出判别后，如果不抛弃 NLOS 条件下的测距信息，就需要通过相关算法
尽量消除 NLOS 的误差干扰，以此提高最终的定位精度。在 NLOS 条件下，针对系统可靠性
会严重下降的问题，文献[31]中提出了一种基于 LOS/NLOS 的先验知识的自适应 TOA 估计方
法，尽管在 LOS/NLOS 识别中会存在错误，但在有先验信息的情况相较于传统定位方案的定
位精度有所提升。针对现有方案存在的凸包等问题，Z. Su 提出了一种具有新约束关系的半定
规划方法[32]。该方法利用一种模型转换的新技术，不仅解决了现有方案存在的问题，且不需
要任何关于 NLOS 链路或 NLOS 错误统计的先验信息。为了解决传统定位方法在 NLOS 环境

6
 内蒙古大学硕士学位论文
中精度低、计算量大的问题，Y. Chen 等人提出了一种基于布谷鸟搜索算法的泰勒级数扩展
TDOA 的定位方法[33]。该算法将由 TDOA 定位测量值构建的非线性方程代入布谷鸟搜索算法,
利用布谷鸟算法强大的最大值搜索能力，为泰勒级数展开算法提供初始值，解决了泰勒级数
展开算法对初始值敏感的问题，具有良好的收敛特性。Q. Li 等人提出一种两步 LS 约束的
TDOA 定位算法[34]。该算法的基本思路是将得到的时差观测方程线性化，并通过考虑 TDOA
测量误差对其精度的影响，提供最优的 TDOA 定位模型。算法通过引入中间变量将初始一元
优化问题转化为二元优化问题，然后它使用交替乘子算法（Alternating Direction Method of
Multipliers, ADMM）获得源位置的粗略估计，随后通过粗略估计计算出一个测量矩阵，最后
再次使用 ADMM 找到最终的目标位置。W. Jiang 等人提出了一种可抑制 NLOS 误差的 TDOA
定位方案[35]。该方案使用了多维缩放（Multiple Dimensional Scaling, MDS）框架，方案的基本
思路是先将所有 TDOA 的测量值集合在 MDS 框架中形成一个标量积矩阵，然后利用删除诊
断方法从标量积矩阵中找到 TDOA 测量的子集，该子集形成的特征值满足特定分布的子矩阵，
最后使用 2WLS 方法计算上述 TDOA 测量子集，从而得到目标的估计位置。由 NLOS 传播造
成的基站间的时钟同步误差也是降低定位可靠性和定位精度的主要原因，为了消除定位系统
中的时钟同步误差，Z. Hao 等人在文献中提出了一种名为 NLOS-K 的定位方法[36]。该方法分
为三步，第一步使用最大似然估计算法进行迭代，第二步重新对卡尔曼增益矩阵进行定义，
第三步对主从基站间的时钟漂移做出补偿，以此保持两者的时间同步。H. Jiang 提出了一种
基于扩展卡尔曼滤波器的 TDOA/AOA 混合定位算法[37]。该算法利用 LS 法求解重构的测量值
方程即可大致得到目标节点位置，然后利用改进的扩展卡尔曼滤波器进行室内移动定位跟踪。
虽然该算法对定位过程中的 NLOS 误差起到了一定程度上的抑制作用，提高了定位精度，但
仍不能满足在 NLOS 环境下对高定位精度的要求。
综上所述，尽管国内外学者在有关无线定位算法的研究上取得了一定的进展与成果，但
在无人机领域实际应用的无线定位算法性能仍存在不足，合适的定位算法需要满足即使在
NLOS 环境中也具备较好的定位性能的条件，且在满足相同定位性能的前提下，用到的定位
基站越少越好。上述的研究并不能满足无人机对于无线定位的需求，所以本文接下来也将对
基于 TDOA 的无人机定位算法展开深入研究。

1.3 论文主要研究内容和章节安排

本文主要对 5G 环境下基于 TDOA 的无人机无线定位算法展开深入研究，本文分别从

LOS 和 NLOS 信号环境作为切入点，针对传统 TDOA 定位算法存在的定位精度低，测距误差

7
 内蒙古大学硕士学位论文
受信号传播环境影响大，不能合理有效利用现有基站获取数据等问题，提出一系列适用于 5G
环境的改进算法。本文在 LOS 传播条件下提出一种基于 TDOA 的最小残差加权 Chan-Taylor
联合算法，首先利用最小残差原则改进筛选基站的组合方式，并且在加权过程中将原本的一
阶项变换为残差函数的高阶项，利用最小残差加权算法改进的 Chan 算法可以提高在不同基
站情况下定位估计值的精度，在取得定位的初始值后再经过 Taylor 算法的迭代求解得到最终
目标位置。接着，本文针对在非视距传播条件下定位精度下降严重的问题，在上述算法的基
础上提出一种基于 TDOA 的改进遗传蚁群混合定位算法，蚁群算法求解所需的一部分初始信
息素由遗传算法生成，通过这样的方式优化了蚁群算法的初始信息素的生成过程。此时在求
解空间内的初始信息素分布广泛，蚁群算法根据已有的信息素开始求解最优初始值。将改进
的 Chan 算法获得的粗定位值作为节点，再利用改进的遗传蚁群混合算法进行寻优，确定初始
定位值，最后经过 Taylor 算法的迭代求解得到最终目标位置。两种算法利用对方的优势弥补
了自己的不足，改进后的算法不光具有更快的求解速度和更高最优解精度，而且提高了全局
的收敛性，最终该算法在非视距传播环境下的定位精度也得到了提高且稳定性较好。最后，
本文提出一种利用改进遗传蚁群混合算法和扩展卡尔曼滤波相结合的跟踪定位算法，针对扩
展卡尔曼滤波定位时会出现某一时刻误差较大而影响整体定位的问题，利用改进后的遗传蚁
群混合算法的定位精度高的优势对误差较大的定位进行纠偏，同时也设置了一个权重门限值，
当估计误差大于所设 2 倍门限值时赋予其较小的权重，保证扩展卡尔曼滤波在 NLOS 环境下
可以获得一个相对平稳的状态更新，最后可根据精准的位置坐标完成对无人机的轨迹跟踪。
本论文对五个章节的工作安排如下：
第一章绪论，主要简单的概述了课题的研究背景以及研究意义，针对在 LOS/NLOS 两种
信道情况下基于 TDOA 的无线定位算法因测距误差导致的定位精度低等问题阅读了大量文
献，并对国内外的有关研究做了分析总结，总结出如何有效消除无人机在 NLOS 环境下产生
的传播误差仍是需要亟待解决的问题之一，本文也将该内容作为重点研究方向。最后对本文
接下来的研究内容做出具体的章节安排。
第二章主要阐述了无线定位的理论基础，包括无线信道模型、无线定位的三种几何测量
模型、无线定位误差来源分析、几种常用的定位性能的评价指标，为后续开展的研究奠定理
论基础。
第三章主要介绍了本文在 LOS 传播条件下提出了一种基于 TDOA 的最小残差加权 Chan-
Taylor 联合算法，本章首先利用最小残差原则改进筛选基站的组合方式，并且在加权过程中
将原本的一阶项变换为残差函数的高阶项，然后推导了 Chan 算法和 Taylor 算法在三维空间

8
 内蒙古大学硕士学位论文
下的理论基础公式，并将最小残差加权算法应用到 Chan 算法获取估计值的步骤上，改进的
Chan 算法提高了在不同基站情况下获取的定位估计值的精度，最后以取得的定位估计值作初
始值，经过 Taylor 算法的迭代求解得到最终目标。经仿真分析，在满足定位所需的基本基站
数量时，该算法相较其余几种算法可有效提升定位精度。
第四章主要介绍了在 NLOS 传播条件下，本文在上一章所提算法的基础上提出一种基于
TDOA 的改进遗传蚁群混合定位算法，并最终和扩展卡尔曼滤波相结合完成了对无人机的跟
踪定位。本章考虑到蚁群算法的初始信息素可以通过遗传算法优化，这样在形成初始信息素
的过程中就发挥了遗传算法所具备的求解快速、随机和全局收敛的优势，而在已知初始信息
素分布寻找最优初始值时发挥了蚁群算法高求解效率的特点。将改进后的 Chan 算法获得的
定位坐标值作为遗传蚁群混合定位算法的节点，经过遗传蚁群混合定位算法对于节点的寻优
确定输出最优初始坐标，然后经过 Taylor 算法的迭代求解得到最终目标位置。改进后的算法
相比两种传统算法有了更好的全局收敛性和更快的求解速度，最后经仿真对比，该算法改善
了上一章算法在非视距环境下定位性能下降的问题，且可以保持较好的定位精度和稳定性。
最后，本章还提出一种利用改进的遗传蚁群混合算法和扩展卡尔曼滤波相结合的跟踪定位算
法，在利用扩展卡尔曼滤波对无人机位置进行估计时，可能会因为扩展卡尔曼滤波连续的特
性出现某个前一时刻的估计误差过大导致后面整体的定位结果出现较大偏差的问题。改进的
遗传蚁群混合算法可以利用其定位精度高的优势对前一时刻的结果进行纠偏，同时也设置了
一个权重门限值，当估计误差大于所设 2 倍门限值时赋予其较小的权重，保证扩展卡尔曼滤
波在 NLOS 环境下可以获得一个相对平稳的状态更新，最后可根据精准的位置坐标完成对无
人机的轨迹跟踪。
第五章主要对全文的工作进行总结，指出现今还面临的问题和困难，并对后续的研究工
作进行了展望。

9
 内蒙古大学硕士学位论文

第二章 无线定位理论基础

本章主要阐述了在 LOS/NLOS 环境中的无线定位的基础理论知识，首先详细说明了三种

常见的无线定位几何测量模型，然后介绍并分析了无线定位的评判标准和无线定位误差模型。
本章的工作内容主要是为接下来的研究工作打下理论基础。

2.1 无线定位几何模型

近些年来，国内外的科研人员都对无线定位算法展开了深入的研究，广义上的无线定位
技术依据参与定位的信号到达接收基站的不同测量方式划分为以下几类：基于到达时间的
TOA 定位方法、基于到达时间差的 TDOA 定位方法、基于到达角度的（Angle of Arrival, AOA）
定位方法以及两两混合的定位方法[38]。

2.1.1 TOA 定位模型

TOA[39][40]定位算法是指测量无线电信号经发射端到接收端所需的传播时间，利用速度乘
时间等于路程的关系式，将测量到的时间数据转化为基站与无人机之间的几何直线距离进行
定位。TOA 定位过程可分为两步，第一步是获取信号在基站与目标位置间传输的时间测量值；
第二步，根据上一步获得的多个 时间测量值可以建立方程组，然后使用最小二乘法求解目标
位置。TOA 信号的传播模型如图 2.1 所示，无人机与地面基站之间收发两端的时钟必须保持

同步，在 tm 时刻有无线电信号从节点１发出，在 tn 时刻到达节点２， t f 表示信号传播所需要

的时间。假设无人机与基站间的信号传播为直线传播，距离为 R ，c 为无线电信号传播速度，
信号传输所需的时间 t 可以表示为：
R
t= (2.1)
c

图 2.1 TOA 信号传播模型

Figure 2.1 TOA Signal Propagation Model

10
 内蒙古大学硕士学位论文
TOA 定位模型也被称为圆周模型，其定位示意图如图 2.2 所示：

图 2.2 TOA 定位原理

Figure 2.2 The principle of TOA positioning

无人机到达三个基站的距离分别用 r1 , r2 , r3 表示，假设参与定位的基站分别为 BS1、BS2 和

BS3（基站要不少于 3 个），然后分别以三个基站为圆心，画三个半径分别为 r1 , r2 , r3 的圆，无

人机的位置就是这三个圆重合的交点坐标。假设 ( x, y ) 是无人机的坐标，( xi , yi ) 表示参考基站

的坐标，其中 i = 1, , N 。利用几何关系可推导出以下方程：

( x − xi ) + ( y − yi ) = ri 2 , i = 1, 2,
2 2
,N (2.2)

将公式(2.2)展开并化简得到：

xi2 + yi2 + x 2 + y 2 − 2 xi x − 2 yi y = ri 2 (2.3)

令 K i = xi + yi , R = x + y ，将得到：
2 2 2 2

ri 2 − K i = −2 xi x − 2 yi y + R (2.4)

将公式(2.4)化为矩阵形式，可得：

 r12 − K1   −2 x1 − 2 y1 1
 2   x 
 r2 − K 2  =  −2 x2 − 2 y2 1  
   y (2.5)
 
     R 
 rN2 − K N   −2 xN − 2 y N 1

将方程(2.5)左右两边矩阵分别用 Y, A, X 表示：

Y = AX (2.6)

11
 内蒙古大学硕士学位论文
对方程(2.6)利用最小二乘法求解可得移动无人机坐标 X ：

X = ( AT A ) AT Y
-1
(2.7)

在不考虑误差的理想环境下，几何上的圆重合在唯一的一个点，可直接利用最小二乘法
求解，但实际情况中定位存在各种误差使得几何圆周无法准确交于一点，导致最后的求解存
在误差。同时该定位方法还存在一些局限性：第一，TOA 定位法必须满足收发两端的时间同
步；第二，接收方必须准确无误的识别出信号的发出时间，需要对不同信号做出标识；第三，
定位目标基站数必须满足三个以上。
2.1.2 TDOA 定位模型
基于 TDOA 的定位模型从几何模型的角度看也可称为双曲线定位模型[41][42]。在实际情况
中，因为信号在空中的传输时间的计算难度较大，无法实现两端时间的精准同步，所以 TDOA
定位使用无人机到其中两个基站的时间差作为观测量，利用无线电传播速度将时间差转化为
距离差，然后建立几何关系方程，无人机的坐标就是所作双曲线的交点坐标。采集 TDOA 的
测量值有两种方法：一种是要求两个基站间的时间严格同步，通过测量无线信号从无人机到
达其中两个基站的所用时间，然后通过相减可以得到时间差值，这种方法可以在一定程度上
减小由多径传播带来的误差。另一种方法不需要各基站的时间同步，只需对两个信号作互相
关运算就能得到时间差值。基于 TDOA 的无人机定位中主要采用第一种方式获取测量值，如
图 2.3 所示：

图 2.3 TDOA 定位原理

Figure 2.3 The principle of TDOA positioning

TDOA 定位至少需要三个基站参与定位，假设 BS1、BS2 和 BS3 为参考基站，其位置坐

标分别为 ( x1 , y1 ) , ( x2 , y2 ) , ( x3 , y3 ) ，UAV 坐标为 ( x, y ) ，TDOA 定位需要先确定一个主基站作为

参考点，假设 BS1 为主基站，那么第 i 个基站到目标位置之间的距离可以表示为 ri ， ri ,1 表示

12
 内蒙古大学硕士学位论文
BS1 到目标位置的距离与第 i 个基站到目标位置的距离相减的距离之差。
基站和目标位置的关系方程为：

ri = ( xi − x ) + ( yi − y )
2 2
(2.8)

根据公式(2.8)可建立 ( x, y ) 和距离差之间的关系方程组：

 ( x − x2 ) + ( y − y2 )
2 2
− ( x − x1 ) + ( y − y1 )
2 2
= r21

 (2.9)
 ( x − x3 ) + ( y − y3 ) − ( x − x1 ) + ( y − y1 ) = r31
2 2 2


其中 ri1 = ri − r1 = cti1 = c (ti − t1 ) , i = 2, , N ， c 为信号传播速度， t i 为从无人机发出的信号到达

第 i 个从基站的 TOA 时间，t1 为从无人机发出的信号到达主基站的 TOA 时间。对方程组(2.9)

进行化简可得：

ki − 2 xi1 x − 2 yi1 y − k1 = ri12 + 2ri1r1 (2.10)

公式(2.10)中

xi1 = xi − x, yi1 = yi − y, ki = xi2 + yi2 (2.11)

由式(2.10)最终可解得无人机的位置坐标。
2.1.3 AOA 定位模型
与之前介绍的 TOA 和 TDOA 两种测距方法不同，AOA 定位[43][44]是通过获取目标位置与
基站信号间的入射角来估算目标位置坐标，角度信息是从基站位测得的。AOA 定位是在不考
虑信号发生折射或反射的情况，信号在基站与无人机之间按照直线传播。AOA 定位需要两个
或以上的基站参与，当只有两个基站时，要求与无人机不在一条直线上。从几何原理上看，
可得到定位基站测量得到以基站为顶点的角度边延长射线，两条射线经过无限延长必定汇于
一点，交点坐标即为所求解的目标位置坐标。
如图 2.4 所示，AOA 定位仅需要两个基站就能得到目标位置，比 TDOA 定位和 TOA 定

位所需的最少基站数量少一个。假定有基站 BS1 ( x1 , y1 ) ，测得的到达角为  ，基站 BS2 ( x2 , y2 ) ，

测得的到达角为  ，如图所示两条射线的交点就是目标位置。假设目标位置坐标为 ( x, y ) ，根

据几何意义，可建立到达角和位置坐标间的关系：

y − yi
tan  i = (2.12)
x − xi

将式(2.12)展开，可得：

13
 内蒙古大学硕士学位论文

yi − xi tan i = − x tan i + y (2.13)

多个基站测量的到达角方程组，可表示为：
 y1 − x1 tan 1   − tan 1 1 
 y − x tan    − tan  1 
 2 2 2 
= 2  x  (2.14)
     y 
   
 y N − xN tan  N   − tan  N 1
将矩阵(2.14)化简成最小二乘法形式：

Y = AX (2.15)
最后可解得位置结果 X 。

图 2.4 AOA 定位原理示意图

Figure 2.4 Schematic diagram of AOA positioning principle

虽然 AOA 定位相比 TDOA 定位和 TOA 定位所需的定位基站数要少，可以在收发器距离

较小时提供准确的估计，而且在实际使用中天线阵列可以提供定位所需的一些角度信息。但
AOA 定位对基础硬件条件和天线阵列的角度较为严格复杂，所需成本和节点规格比较高，而
且外界的非视距传播环境会对测距过程产生较大的影响，精度会随着收发器距离的增加而下
降，如果到达角计算存在轻微误差，在被转化为实际位置的估计中就成了非常大的误差[45]。
这也使得这类定位方法在大规模网络中并不适用，也不适合在无人机应用场景中广泛使用。
2.1.4 混合定位模型
在实际定位过程中，信号一般不能沿视距直线传播，仅仅采用以上任意一种方法可能并
不能获得满意的定位精度，所以一般会把上述的三种定位方法两个一组混合使用[46][47]。通过
混合使用的方法可以更好的发挥不同算法的优势，弥补算法自身在特定环境中的缺陷，一般
情况下都会获得比使用单一方法更好的定位精度。但也会增加混合定位的硬件成本，如果混
合不当还会造成定位精度下降的负面效果。

14
 内蒙古大学硕士学位论文

2.2 无线信道模型

2.2.1 基于几何结构的单次反射统计信道模型
基于几何单次反射统计信道模型是一种适合对各种定位算法进行分析的信道模型，根据
宏蜂窝和微蜂窝两种环境，该模型也被分为两种，宏蜂窝环境中通常使用的是基于几何结构
的单次反射圆模型，微蜂窝环境中使用的是基于几何结构的单次反射椭圆模型。
基于几何结构的单次反射圆模型，如图 2.5 所示，反射体均匀分布在以 MS 为圆心，半径

为 R 的圆周上，其中 R 的值是根据实际测量的数据统计得到的。根据图设 MS 坐标为 ( x, y ) ，

参与定位的基站个数为 M， BSi 坐标为 ( xi , yi ) 。为了便于分析，进行如下假设:

（1）MS 与 BS 之间为 NLOS，MS 发射的电波以角度  到达反射圆再经反射后到达 BSi ，

 服从 - ,   上的均匀分布；

（2）信号的各多径分量在到达 BSi 之前只经历一次反射；

（3）MS 和 BSi 之间的距离大于 R；

（3）NLOS 造成的误差与系统的自身测量误差是相互统计独立的。

图 2.5 基于几何结构的单次反射圆模型

Figure 2.5 Single reflection circle model based on geometric structure

由模型可知，最大时延扩展  max 和最大角度扩展  max 分别为

 max = 2 R / c (2.16)

 
R R
 max = arcsin   = arcsin   (2.17)
 
 di  ( x − xi ) + ( y − yi )
2 2
 

15
 内蒙古大学硕士学位论文
其中 c 为光速。
2.2.2 T1P1 信道模型
无线信道模型是无线信号研究的基础，本文采用的无线信道模型是 T1P1 模型，这个模型
也被叫做 COST259 模型，常被用于分析基于时间定位系统的误差[48]。
COST259 模型中，信道环境包括一定数量的子波组成的散射体，每个散射体由平均到达

角度  i 、超量延时 Tbi 、平均功率 1 和 Nakagami-m 参数表征。每个子波延时相同，但到达角

度不同，因此可以仿真每个散射体的衰落情况。各个信道模型的参数可见表 2.1 所示。

表 2.1 T1P1 模型的具体参数

Table2.1 Parameters of TlPl mode

散射体 平均延时扩展: Nakagami-

环境 延时  i 相对功率 Pi
个数 平均超量延时 m 参数

闹市 1-20 0  max ( 0.5-1.5)  exp ( −6 /  max ) 1:1 1

市区
A
1-20 0  max ( 0.5-1.5)  exp ( −6 /  max ) 1:1 1
与市区 A 类似,但应随相对功率调
市区 2.3
1-20    1.5:1 1
B 整延时  =   1 +
t

  max 
1 0 4.3 15
郊区 0  max
2 :1
2-6 0.1-0.4 1-5

乡村 同郊区
Greenstein 模型是一种实际测量值模型，不同信道环境下 Greenstein 模型的详细参数见表
2.2。
表 2.2 不同环境下的 Grenstein 模型的具体参数

Table2.2 Parameters of Grenstein model in different environment

环境 T  y

闹市区 1.0 0.5 4dB

一般市区 0.4 0.5 4dB
郊区 0.3 0.5 4dB
远郊 0.1 0.5 4dB
山区 1.0 1.0 4dB

表 2.1 中的延时扩展  max 就是根据该模型得到的[49]，即:

 max = T1d  y (2.18)

16
 内蒙古大学硕士学位论文

式(2.17)中， max 为均方根延时扩展， T1 为距离等于 1km 处的延时扩展中值，  一般取值范围

在 0.5 1，根据实际信道环境确定， y 服从标准差为  y 的对数正态分布。因为 T1P1 信道模型

是最常用来评估基于时间定位技术的模型，所以本文也将该模型作为之后仿真的信道模型。

2.3 无线定位误差来源分析

2.3.1 NLOS 误差
由第一章的介绍可知超低空无人机一般指飞行高度低于 120m，这类无人机常被用于交通
车辆巡检、警用治安巡检等方面的低空应用场景。而城市中一般 25 层的高楼建筑高度就达到
75m，40 层的高楼就能达到 100m 的高度，因此飞行高度低于 120m 的无人机可能在城市环境
中出现无线信号受到障碍物阻挡的情况。
如图 2.6 所示，在理想的无线定位环境中，信号在目标位置与基站间沿直线传播，利用基
站和目标终端的距离的几何约束关系构建定位模型，从而求解目标位置坐标，此时的测量误
差较小。当不满足 LOS 传播条件时，从发射端发出的无线信号已经无法沿直线到达接收端，

图 2.6 定位传播模型示意图

Figure 2.6 Schematic diagram of the positioning propagation model

最直接的表现为信号衰减严重、极化改变、传播时延不一致、链路不稳定等众多问题，这些
问题造成了 NLOS 传播误差[50]。在非视距情况下测量到的信号相关测量值（如 TDOA、TOA、
AOA 等）不能正确表示待测目标与基站间的几何关系。在 TDOA 技术的实际测量中，因为非
视距的影响会导致测量的时间值远高于实际值，反映到距离位置上就会有很大的位置差距。

若有 N 个基站参与无人机定位，用 ri 表示无人机到第 i 个基站间的测量距离，ri 表示无人

机到第 i 个基站间的实际距离，无人机的距离模型可表示为[51]：

17
 内蒙古大学硕士学位论文

ri = ri + ni + i = cti , i = 1, 2, ,N (2.19)

其中 c 为信号传播速度， t i 为无人机发出的信号到第 i 个基站的传播时间， ni 是视距传播条件

下服从零均值的高斯分布的系统测量误差， i 表示非视距传播误差，在只有视距传播时  i 为

0。
2.3.2 多径衰落
无线电信号在传播过程中会因受自然环境等因素的影响而产生多个不同的到达接收机的
路径，这些不同路径到达的无线电射线相位不一致且具有时变性，导致接收信号呈衰落状态。
由于传播路径不同，反射体的性质不同，使得到达接收点的各反射波的幅度和相位都是随机
的。可能存在直射波和众多不同路径的反射波，在较小范围内不同位置的场强有时同相相加
而变大，有时反相抵消而变小，形成驻波分布。同一接收设备从不同传播路径收到的信号衰
落程度各不相同，这会对使用互相关技术获取时延参数估计的方法产生很大的影响，从而影
响定位算法对目标位置的定位精度。在本文中，主要考虑的是 NLOS 误差对无线定位算法产
生的影响，后续的研究也是以消除 NLOS 误差对定位算法的影响为主。

2.4 无线定位性能评价标准

为了客观的对不同的定位算法做出评价，那就需要事先确定好一套评判定位性能的标准。
常用于衡量无线定位算法的性能标准有衡量模型预测精确度的均方误差（Mean Square Error,
MSE）和均方根误差（Root Mean Squared Error, RMSE），反应整体定位性能的累积分布函数
（Cumulative Distribution Function, CDF）以及无偏估计的参考值克拉美罗下界（Cramer Rao
Lower Bound, CRLB)。
2.4.1 均方/均方根误差
均方误差可以反映估计量与被估计量之间的差异程度[52]，数学表达为实际值与估计值之
差的平方的数学期望，在定位算法研究中被广泛用作定位精度的评判标准，均方误差值大小
代表算法模型预测的精确度，均方误差值大说明该算法的定位精度较低，均方误差值小则说
明该算法的定位精度较高。

假设在二维平面对目标位置坐标进行 N 次估计，假设 xi , yi 为第 i 次估计的位置坐标值， ( )

目标实际位置用 ( x, y ) 表示。MSE 的计算公式可表示为：

18
 内蒙古大学硕士学位论文

 ( x − x ) + ( y − y ) 
N 2 2

MSE2 =
i =1 i i  (2.20)
N
将 MSE 取平方根，得到均方根误差：

RMSE2 = MSE2 (2.21)

三维空间下的 MSE：

 ( x − x ) + ( y − y ) + ( z − z ) 
N 2 2 2

MSE3 =
i =1 i i i  (2.22)
N
三维空间下的 RMSE：

RMSE3 = MSE3 (2.23)

2.4.2 累积分布函数
累积分布函数也是定位系统中常用到的误差评判标准，累积分布函数能完整描述一个实
随机变量的概率分布，因此也被称为分布函数，表示概率密度函数的积分，其定义如下：

Fx ( x ) = P ( X  x ) (2.24)

累积分布函数相较于 RMSE 可以更直观地反映算法性能，累积分布函数能反映出每种定

位精度占总定位精度的百分比情况。在无线定位系统中，定位的均方根误差 RMSE 和累计分
布函数 CDF 的关系曲线反映了算法的整体定位性能以及 RMSE 小于某个值的概率变化情况。
2.4.3 克拉美罗下界
无线定位问题使用信号的传播特征作为参数来估计目标位置，以克拉美罗下界为标准衡
量定位算法在定位过程中无偏估计的性能[53]。在对实际目标位置的估计结果中，CRLB 给出
的是无偏估计量的理论下界，因此可将算法计算出的均方误差和均方根误差与 CRLB 进行对
比，以此检验该定位算法性能的优劣。
CRLB 具体表示如下，定义 ˆ 为  的无偏估计值，则：

()
E ˆ =  (2.25)

( ) (
E  − ˆ =   − ˆ  ( x  ) dx = 0 )

(2.26)
−

对  做进一步处理，得到：

() (
Var ˆ = E   − ˆ   ) 1
2

    ln p ( x  )2  
(2.27)
E  
  
 

19
 内蒙古大学硕士学位论文

当  和 x 符合下述式(2.28)关系时，式(2.27)可以取等号:

 ln p ( x  )
2


((
=  − ˆ k ( ) ) ) (2.28)

根据式(2.27)可知，克拉美罗下界的定义是参数  的均方误差值大于和似然函数相关的参数时

的取值：
1 1
=-
E  (  ln p ( x  )
) E (  2 ln p ( x  )
) (2.29)
2


   2

可知，TDOA 定位的克拉美罗下界为:

 = c 2 ( GtT Q−1Gt )
−1
(2.30)

其中， c 为无线电的传播速度，残差方程组的协方差矩阵为 Q， Gt 表示如下：

 ( x1 − x0 ) / R1  − ( x2 − x0 ) / R2  ( y1 − y0 ) / R1  − ( y2 − y0 ) / R2  

 
( x − x ) / R1  − ( x3 − x0 ) / R3  ( y1 − y0 ) / R1  − ( y3 − y0 ) / R3  
Gt =   1 0  (2.31)
 
 x − x / R  −  x − x / R  ( y1 − y0 ) / R1  − ( yM − y0 ) / RM  
 ( 1 0 ) 1   ( M 0) M 

式(2.31)中起始位置和锚节点位置的距离定义为 Ri 。

2.5 本章小结

本章主要介绍了无线定位的理论基础知识和相关的定位性能衡量指标。本章最先对 TOA、
AOA 和 TDOA 三种无线定位方法的基本原理做了简单的介绍，分析了它们各自的优缺点以
及在实际应用中的可行性，然后介绍并分析了无线定位的评判标准和无线定位误差来源以及
无线信道模型。本章为之后的深入研究打下了基础，同时也为后文的算法性能仿真分析提供
了理论依据。

20
 内蒙古大学硕士学位论文

第三章 基于 TDOA 的最小残差加权 Chan-Taylor 联合算法

三维空间下参与多基站共同定位的最低所需基站数量要比二维空间多一个，也就是要求
参与定位的基站数量要大于等于四个。一般情况下，可以通过增加基站的数目获取更多的测
量信息来达到提高定位精度的需求，也可避免因为某个基站的测量误差过大而使定位精度严
重下，只有充分利用每个基站的测量数据才能最大程度保证定位的精度。
有两种定位算法可以充分利用每个基站的测量数据而不丢弃数据。一种是对所有测量数
据采用相等的权重，但该方法对测量误差很敏感，如果每个基站的测量误差相似，则该算法
的定位精度相对较高，当出现某一个较大的测量误差时，会对定位精度造成较大的偏差。另
一种算法则巧妙的利用了加权思想，根据不同基站实际测得数据赋予不同的加权处理方式。
残差加权算法就是这一类方法的典型算法，通过减小误差较大的测量数据的权重，可以降低
其对定位精度的影响。
Chan 算法和 Taylor 级数展开法都是需要利用多个基站共同定位的方法，其中 Chan 算法
因为不需要预先知道初始值和计算量小等优势被广泛应用于视距环境下的定位解决方案中。
当处于理想的视距环境时，该算法具有良好的位置估计性能，可以实现接近 CRLB 下界的定
位精度。在观测数据大于算法要求的最小观测数据的前提下，可以通过冗余的测量数据达到
提高定位精度的目的。
本章根据第二章介绍的理论基础对不存在非视距干扰的无人机无线定位算法展开相关研
究。在 LOS 传播条件下提出了基于 TDOA 的最小残差加权 Chan-Taylor 联合算法，首先利用
最小残差原则改进筛选基站的组合方式，并且在加权过程中将原本的一阶项变换为残差函数
的高阶项，然后推导了 Chan 算法和 Taylor 级数展开法在三维空间下的求解过程，并将组最
小残差加权算法应用到 Chan 算法获取初始值的步骤上，改进的 Chan 算法提高了在不同基站
情况下获取的定位估计值的精度，最后取得的定位估计值再经过 Taylor 算法的迭代求解得到
最终目标。该算法不仅解决了单一定位算法适用范围局限的问题，而且定位精度和稳定性也
得到了提高。

3.1 最小残差加权算法

由前面第二章可知，三维空间下的 TDOA 定位算法至少需要 4 个基站进行定位，首先需

要从基站总数中选择所有个数等于 4 的基站组合，然后分别求出每个组合的位置估计，判断

21
 内蒙古大学硕士学位论文
出 LOS 传播路径。传统的残差加权算法使用的是穷举的方法，但在基站个数较多时，这样的
方法会极大的增加计算复杂度。为了能够有效降低计算的复杂度，本文通过选择具有最小残
差子集的基站组合的方式代替传统的穷举方法。具体算法步骤如下所示。
（1）假设进行定位的基站共有 M 个，TDOA 的测量值的数量为 m ,则 m = M − 1 个,首先
筛选出基站个数为 4 的 TDOA 测量值的组合：
M
N =  Cm4 (3.1)
i =4

式中，N 表示所需基站数最小组合的个数，TDOA 测量值的索引集定义为 Sk k = 1, 2, ,M 。

ˆ 的中间值，每个分组的残差代表测量的距
（2）使用最小二乘法计算无人机坐标向量  k1

离差和依据中间位置计算得到的预测值之间的差值，利用最小残差法筛选从 N 个基站组合子

集中的每个组合，对每个组合计算 Res ，找到具有最小 Res 的组合并将索引集 S k 更新为 Smin ，

设从 N 个基站组合中筛选的最小组合 Res 定义为:

( ) ( )
M
ˆ ,S =  r − 
2
Res0  ˆ −X (3.2)
k1 1 i k1 i
i =1

基站和无人机之间的测量距离用 ri 表示，基站坐标记作 X i ，S1 表示 M 个基站完成分组的全部

ˆ 表示由 M 个基站共同估计得到的目标位置坐标。将残差进行归一化处理，可有效
集合，  k1

消除定位基站数量对权值大小的影响，可定义归一化残差：

(
ˆ ,S
Res0  ) = Res ( ˆ , S1 )
( ˆ ,S =
Res0  k1 1 ) k1 1

Size of S1
0

C M
k1
(3.3)
M

（3）设 Smin 中共有 P 个元素，将补集 Q 中的每个元素分别放入 Smin 中，形成一个新的索

引集 Sk i = 1, 2, , N − P ，此时，新的 S k 中的元素个数为 P +1 。对于 N − P 个新组合，再次计

算 Res ，找到具有最小 Res 的组合。

例如从全站中选择 P +1 个基站，设从 N − P 个基站组合中的最小 Res 定义为:

)  ( r − ˆ )
N −P

(
2
ˆ ,S =
Res1  − Xi (3.4)
k2 2 i k2
i =1

ˆ ,S
Res1  ( ) = Res ( ˆ , S2 )
Res1 (
ˆ ,S =
k2 2 ) k2 2

Size of S2
1

CMM −1
k2
(3.5)

22
 内蒙古大学硕士学位论文

（4）然后比较 Res0 和 Res1 ，如果 Resi  Res0 ，说明该基站组合的 LOS 传播路径要优于

上一个组合，则将此位置估计加入到最终的位置估计集合中，更新 Smin 并重复上述步骤，直到

Res 不再随着选择不同的基站组合发生变化时，说明当前选择的基站的传播路径为 LOS 传播，

当索引集大小为 M 时,结束操作并进入到下一步骤。
（5）根据残差对上述步骤中计算出的位置估计值进行加权，最终的位置估计结果可以表
示为：

( ( ))
−1
 k =1 Xˆ k Res Xˆ k , Sk
V

X= (3.6)
( ( ))
−1
 Res Xˆ k , Sk
V
k =1

其中， V 为得到的位置估计的数目。

考虑到传统残差加权算法的加权过程，非特殊情况下，残差值的大小和 NLOS 的误差大

小成反比。当 LOS 基站数量明显多于 NLOS 基站组合才会产生较大的残差，可以为 LOS 基
站组合赋予更高的权重。但是，在 NLOS 基站数量明显多于 LOS 基站组合时, 传统残差加权
算法加权过程中直接取残差值的倒数作为权重的效果则很不理想，残差值可能会明显小于
NLOS 误差。针对这种情况，本文在上面的计算过程中将残差的高次幂作为权重函数，取值
n = 2 ，这样的好处是函数值的变化可以更为明显，如公式 3.7 所示
n
1
Wi ( ) =   , n  2 (3.7)
 

该最小残差加权算法的原理主要是从定位基站组合中求解最小 Res 组合并将冗余基站的

信息以补集的方式逐步添加到新的索引集中，利用最小残差准则，逐渐缩小索引集，根据最
小残差原则不断重复迭代直至出现最优估计值，最后对符合最小残差准则的位置估计值进行
加权，提高了 LOS 基站数据的利用率，也降低了传统残差加权算法的计算复杂度。

3.2 最小残差加权的 Chan-Taylor 联合算法

Chan 算法是一种具有解析表达式的非递归双曲线方程组解法[54]。在满足视距的传播环境
时，该算法有计算量小且定位精度高的优点。Taylor 级数展开法不同于 Chan 算法，这是一种
迭代算法，主要通过选择一个初始迭代值进行 Taylor 级数展开，最后在不断迭代的过程中用
最小二乘求解位置估计误差的局部解，并对目标的位置进行修正更新，最后趋近于真实坐标
值。因为该算法是一种迭代算法，所以要想保证递归运算收敛就要选取恰当的初始值，而且

23
 内蒙古大学硕士学位论文
该算法计算复杂比较高。如果初始值位置出现过大误差，则会导致定位结果发散，甚至会出
现迭代不收敛的现象，定位效果也会远不及预期。Chan 算法具有运算复杂性低且运算速度较
快的特点，而且定位结果也较为精准，这就有助于作为泰勒算法的初始值，同时也有利于泰
勒算法的收敛。
最小残差加权的 Chan-Taylor 联合算法主要有三个步骤，第一步，利用最小残差准则，逐
渐缩小索引集，根据最小残差原则不断重复迭代直至出现最优估计值; 第二步，把一步中得到
的时差值代入 Chan 算法并求解，得到的结果作为初始估计坐标值；第三步，把解得的该坐标
值作为 Taylor 算法的初始值，Taylor 算法在不断迭代的过程中会反复比较对误差阈值的设定，
如不满足条件，重新迭代求解，若满足条件，则结束迭代，并输出最终位置结果。所以本节
的第一个工作是在 3.1 节所提的最小残差加权算法的基础上推导了三维空间下的 Chan 算法。

假设三维空间中的基站坐标为 ( xi , yi , zi ) ，基站总数量为 N ( N  4 ) ，用 ( x, y, z ) 表示无人机

的位置坐标， ri 表示无人机与基站之间的测量距离，通常在众多基站中选择第一个作为主服

务基站，其余基站设为从基站， ri1 就是无人机到服务基站与从基站的测量距离差。根据公式

(2.8)可推导得到下式：

ri 2 − r12 = ( x − xi ) + ( y − yi ) + ( z − zi ) − ( x − x1 ) + ( y − y1 ) + ( z − z1 )
2 2 2 2 2 2
(3.8)

上式的 xi1 , yi1 , zi1 可分别表示为 xi1 = xi − x1 ， yi1 = yi − y1 ， zi1 = zi − z1 化简得：

x 
ri − r = K i − K1 + 2  xi1 yi1 zi1   y 
2
1
2
(3.9)
 z 

在式(3.9)中：

Ki = xi2 + yi2 + zi2 (3.10)

现假设 x, y, z, r1 均是无线性相关的，令 z =  x y z r1  ，测量误差向量用 Ψ 表示，式(3.9)的

T

矩阵形式为：

h = Gz0 + Ψ (3.11)

其中 z 对应的真实位置为 z 0 ,且：

24
 内蒙古大学硕士学位论文

 r212 − K 2 + K1   x21 y 21 z 21 r21 

 2  x y z r 
1  r31 − K 3 + K1   31 31 31 31 
h=   ,G = −  (3.12)
2 
   
 ri12 − K i + K1   xi1 yi1 zi1 ri1 

如果测量误差 Ψ 服从高斯分布，则可运用加权最小二乘求解式(3.11)：

zˆ = ( GT −1 G ) GT −1 h
−1
(3.13)

式(3.13)中的 Σ -1 为权重矩阵。

Σ=E ( ΨΨT ) = C2 BQB (3.14)

其中，Σ 是测量误差 Ψ 的协方差矩阵，B = diag ( r20 , r30 , , rN0 ) ，Q = E ( nnT ) 是时延误差的协方

差矩阵， c 为无线电信号的传播速度， ri 0 在目标位置相距基站特别远的时候可认为趋近于一

个常数。假设 B  ra I ，则 Σ  C2 ra2Q ，可用 Q 来近似代替 Σ ，可得方程变形如下：

zˆ  ( GT Q−1G ) GT Q−1h
−1
(3.15)

Chan 算法得到目标位置的初始值且第一次加权最小二乘结束。
在噪声条件较小的情况下：

ri1 = ri10 + Cni1


h = h + h (3.16)
0

G = G 0 + G


因 h0 = G0 z 0 再结合式(3.11)和式(3.16)可得：

Ψ=h − Gz0 (3.17)

令 z = z 0 + z ，结合式(3.14)和式(3.17)可得 z 和 z 协方差矩阵的表达式：

z = C ( G 0T Σ −1G 0 ) G 0T Σ −1Bn (3.18)

cov ( z ) = E zzT  = ( G 0T Σ−1G 0 )

−1
(3.19)

式(3.18)中的 Bn = Ψ / C ，向量 z 是一个元素为 z1 , z2 , z3 , z4 的随机向量，对应 z 的元素的估计误

差分别为 e1 , e2 , e3 , e4 ，那么 z1 = x 0 + e1 ， z2 = y + e2 ， z3 = z + e3 ， z4 = r1 + e4 就是 z 的元素的表

0 0 0

达式，利用向量 z 中的 z1 , z2 , z3 元素分别减去编号为 1 的基站在三个坐标轴上的 x1 , y1 , z1 ，接着

25
 内蒙古大学硕士学位论文
平方运算已经处理过的元素，就能得出如下线性方程组表达式：
Ψ = h − Gz (3.20)
式中 Ψ 表示新的误差向量，且：
( z1 − x1 )2 
  1 0 0  ( x − x1 )2 
( z2 − y1 )2  0 1 0  

h = 
 ,G =   , z = ( y − y1 ) 
  2
(3.21)
( z3 − z1 ) 
2  0 0 1   
   ( − ) 
2
  
z z

 z42  1 1 1  1

对式(3.20)做最小二乘计算可得：

zˆ  = ( GT Σ−1G ) GT Σ−1h

−1
(3.22)

其中 Σ 为 Ψ 的近似协方差矩阵且：

Σ=4BCov ( z ) B, B = diag  x 0 − x1 , y 0 − y1 , z 0 − z1 , r10  (3.23)

最终得到第二次最小加权结果：

 x1 
z p =  zˆ  +  y1  (3.24)
 z1 

完成上述工作并把最小残差加权 Chan 算法求解得到位置坐标记作 ( x0 , y0 , z0 ) ，在得到

Taylor 算法的初始值后接着推导了三维空间下的 Taylor 算法，具体工作如下。

现假设三维空间中的基站数量共有 N ( N  4 ) 个，无人机的位置坐标用 ( x, y, z ) 表示，基站

坐标则可以表示为 ( xi , yi , zi ) ，用 ( x0 , y0 , z0 ) 表示 Taylor 算法的初始估计坐标，把主基站设为第

一个基站，测量噪声服从零均值高斯分布，真实位置和初始估计位置之间的估计误差为

 x , y , z 。

依据第二章介绍的 TDOA 定位的几何模型，函数定义如下：

f i ( x, y , z ) = ( x − xi ) + ( y − yi ) + ( z − zi ) − ( x − x1 ) + ( y − y1 ) + ( z − z1 )
2 2 2 2 2 2
(3.25)

对上式进行化简可得：

fi ( x, y, z ) = ri1 (3.26)

真实坐标与初始估计坐标的关系可表示为：

26
 内蒙古大学硕士学位论文
 x = x0 +  x

 y = y0 +  y (3.27)

 z = z0 +  z

利用 Taylor 级数展开法展开式(3.26)中的 ( x0 , y0 , z0 ) 并抛弃二阶以上项可得：

di di di

di = di +x + y +z + i (3.28)
x x z
x0 , y0 , z0 x0 , y0 , z0 x0 , y0 , z0 x0 , y0 , z0

其中偏导数项目值为：


 di =
x − xi
=
x0 − xi
 x dˆ
x0 , y0 , z0
( x − xi ) + ( y − yi ) + ( z − zi )
2 2 2 x0 , y0 , z0


i


 di y − yi y0 − yi
 = = (3.29)
 y dˆ
x0 , y0 , z0
( x − xi ) + ( y − yi ) + ( z − zi )
2 2 2 x0 , y0 , z0
i

 di z − zi z0 − zi
 = =
 z dˆ
x0 , y0 , z0
( x − xi ) + ( y − yi ) + ( z − zi )
2 2 2 x0 , y0 , z0
i

式(3.28)可以转化为

 x0 − xi 
(
 i = di − dˆi −  ) ˆ
y −y z −z
 x + 0 i  y + 0 i  z 
dˆi dˆi
(3.30)
 di 
令

 x0 − x1 y0 − y1 z0 − z1 
 dˆ dˆ1 dˆ1 
 d1 − dˆ1   1
   x0 − x2 y0 − y2 z0 − z2   x 
 d 2 − dˆ2   ˆ ˆ ˆ   
h=  , G =  d2 d2 d 2  , σ =  y  (3.31)
     
 d − dˆ     z
 n n x −
 0 n 0x y − y n z 0 − z n 
 dˆ ˆ d n 
ˆ
 n dn

则可以得到测量值的误差向量为：
Ψ = h - Gσ (3.32)

让误差函数 ψ = 0 ，根据加权最小二乘法，得到如下结果：

σ = ( GT Q−1G ) GT Q−1h
−1
(3.33)

其中 Q 表示测量误差的协方差矩阵，假设测量误差之间是相互独立的， I2 表式每个基站的测

27
 内蒙古大学硕士学位论文
量误差的方差，则可得到：
12 0 0 
 
Q=  (3.34)
0 0  2 
 N

Taylor 级数展开法是迭代类算法的其中一种，估计的初始位置坐标随着下一次迭代变为

(x
0 +  x , y0 +  y , z0 +  z ) ， 设 置 门 限 值  ， 当  x +  y +  z   时 ， 结 束 迭 代， 反 之如 果

 x +  y +  z   则重复上面的推导过程，利用最小二乘法求解估计坐标。也可在最初时预

设一个最大迭代次数 N ，当完成 N 次后，  x +  y +  z   是否成立都强制退出迭代。

基于 TDOA 的最小残差加权 Chan-Taylor 联合算法步骤如图 3.1 所示。

图 3.1 最小残差加权 Chan-Taylor 联合算法流程

Figure 3.1 Minimum residual weighted Chan-Taylor joint algorithm process

3.3 仿真结果与分析

本小节主要在三维空间下对基于 TDOA 的最小残差加权 Chan-Taylor 联合算法进行了

Matlab 仿真并与其他几种算法做了对比，结合仿真图对几种算法的定位性能（RMSE、CDF

28
 内蒙古大学硕士学位论文
等）做了分析。仿真环境设置为视距环境，所以信道模型选用 T1P1 信道模型的远郊场景，假

设共有 7 个基站参与定位，其坐标分别为 ( 0,0,0 ) ，( 350,600, 20 ) ，( 700,0,30) ，( -350,600,30 ) ，

0, 40) ，( -350，
( -700， -600,50) ，( 350， 35) ，基站半径为 400m，假设 TDOA 的测量误差相互
-600，

独立的，而且是服从零均值高斯分布的，在参数不发生变化的情况下运行 1000 次并取平均值。

仿真 1 RWChan-Taylor 算法性能仿真

仿真 1 的主要目的是验证本文所提出的 RWChan-Taylor（RW C-T）算法性能。验证的算

法性能包括以下五点：一是该算法的定位精度与基站数量的关系；二是该算法在不同参与定
位的基站数量下与其它几种算法的对比；三是不同算法的定位精度与基站半径的关系；四是
该算法相较其它算法的性能提升百分比；五是该算法在不同场景下的性能情况。

图 3.2 RWChan-Taylor 算法在不同基站数量下的性能比较

Figure 3.2 Performance comparison of RWChan-Taylor algorithm under different numbers of base stations

图 3.3 不同基站数量下 RWChan-Taylor 算法的 CDF 与 RMSE 的关系曲线

Figure 3.3 The relationship between the CDF and RMSE of RWChan-Taylor algorithm under different
numbers of base stations

29
 内蒙古大学硕士学位论文
如图 3.2 和图 3.3 所示，随着基站数量的逐渐增加，RWChan-Taylor 算法的定位精度也在
逐步提高，尤其是在 7 个基站下的定位精度相比 4 个基站的定位精度有了较大幅度的提升。
随着基站数量的增加，在测量误差较小的情况时，该算法对于定位精度的提升效果也在逐渐
减小，但当测量误差不断增大到一定程度时，该算法对于定位精度的提升效果要更加明显。
当基站由 6 个增加到 7 个时，该算法的定位性能只是略有提高，但也可以达到一个不错的定
位效果。
为了验证所提算法在不同基站数量下的定位性能，本仿真设计与其他几种算法进行了对
比，观察各算法在相同条件下的定位性能，评判标准包括 RMSE、CDF、CRLB，对比算法有
Chan 算法、Taylor 算法、传统残差加权（Rwgh）算法。

图 3.4 不同基站下的定位均方根误差

Figure 3.4 RMSE of positioning under different base stations

如图 3.4 所示，本文所提出的 RWChan-Taylor 算法在基本参数一致且在满足最低定位基

站条件下优于其他定位算法，最接近 CRLB 下界。Chan 算法和 Taylor 算法的定位性能比较接
近，Rwgh 算法的定位性能也要低于 RWChan-Taylor 算法。随着参与定位的基站数量不断增
加所有算法的定位精度都在提高，误差在逐渐减小。这是因为这些算法可以对冗余的 TDOA
测量数据加以合理利用，那么定位精度必然会在一定程度上得到提高。但是这些算法也不会
随着冗余基站的测量数据不断增多而无限降低定位误差，因为每个算法对这些测量数据的利
用程度是有限的，当达到一定上限时，定位性能会趋于稳定，说明其定为精度已接近最优值，
基站数量继续增加只会增加成本上的资源浪费，而不会改善现有定位的性能。
如图 3.5 所示，所有算法的均方根误差值都随着测距误差的逐渐增大而呈现上涨趋势，
但当参与定位基站的数量逐渐增多，所有算法的均方根误差值呈整体下降趋势。整体看 Chan
算法和 Taylor 算法的定位精度相近，随着测距误差增大，Taylor 算法的定位精度逐渐接近甚

30
 内蒙古大学硕士学位论文
至强于 Chan 算法。Rwgh 算法优于除 RWChan-Taylor 算法的其他两种算法，说明通过使用残
差加权可以有助于定位精度的提高。但通过使用最小残差加权算法改变了基站组合的筛选方
式，改变权重的赋值，并把利用最小残差加权算法改进的 Chan 算法最为作为初始值，利用
Taylor 算法进行迭代并反复更新坐标，可再次提高定位性能。在测距误差较小的时候，几个
算法的均方根误差相差不大，RWChan-Taylor 算法相比其他算法只是略有提高定位精度。但
随着测距误差的增加，RWChan-Taylor 算法相比其它几种算法的优势就体现出来，该算法的
均方根误差增长幅度要小于其它几种算法，说明该算法对测距误差有着良好的抑制作用。

（a） (b)

（c） (d)

图 3.5 各个算法在不同基站下的 RMSE 性能比较，(a) BS=4，(b) BS=5，(c) BS=6，(d) BS=7

Figure 3.5 Comparison of RMSE performance of each algorithm under different base stations,

(a) BS=4, (b) BS=5, (c) BS=6, (d) BS=7

在图 3.6 中，我们可以看到随着基站数量的增加每个算法的性能都在提升，在有 4 个基

站的情况时，RWChan-Taylor 算法有 80%的情况处于 RMSE  13 m，Rwgh 算法有 80%的情况

处于 RMSE  16 m，Chan 算法有 80%的情况处于 RMSE  17 m，而 Taylor 算法有 80%的情况

31
 内蒙古大学硕士学位论文

处于 RMSE  27.5 m。相比 Chan 算法，Taylor 算法受基站数量影响要更大一些，这也和算法

本身的求解性质有关。当基站数量增加到 7 个时，RWChan-Taylor 算法有 80%的情况处于

RMSE  6 m，Rwgh 算法有 80%的情况处于 RMSE  7.5 m，Chan 算法有 80%的情况处于

RMSE  9 m，而 Taylor 算法有 80%的情况处于 RMSE  8.5 m。RWChan-Taylor 算法在基站增

加的过程中始终优于其他算法，说明该算法有着卓越的定位性能，且具备较好的稳定性。

（a） (b)

（c） (d)

图 3.6 各个算法在不同基站下的 CDF 与 RMSE 的关系曲线，(a) BS=4,(b) BS=5,(c) BS=6,(d) BS=7

Figure 3.6 The relationship between CDF and RMSE of each algorithm under different base stations,

(a) BS=4, (b) BS=5, (c) BS=6, (d) BS=7

根据图 3.7 所示，随着基站半径的扩大，四种算法的均方根误差也在逐渐增大，其中 Taylor

算法的增长幅度最大，Chan 算法次之，且均方根误差明显大于 Rwgh 算法和 RWChan-Taylor
算法，所提 RWChan-Taylor 算法的均方根误差一直最小且增长幅度也最小。说明所提算法通
过对基站分组可以有效地改善因基站距离相隔较远或分布不均匀所带来的测距误差问题，具

32
 内蒙古大学硕士学位论文
备较好的稳定性。

图 3.7 不同基站半径的定位均方根误差

Figure 3.7 RMSE of positioning for different base station radius

为了更直观地表示 RWChan-Taylor 算法性能提升情况，设计了 RWChan-Taylor 算法性能

提升百分比的对比仿真。
在图 3.8 中，为可更直观地看出所提算法的性能变化，Chan 算法作为比较的标准参考算
法，比较了 RWChan-Taylor 算法和 Rwgh 算法相较传统 Chan 算法的性能提升情况。如图所示
两种算法都有了不小的性能提升，但 RWChan-Taylor 算法提升幅度更大，最高提升有 35%。
随着测量误差的增大，性能提升呈下降趋势，说明测量误差对定位性能的影响很大。

图 3.8 RWChan-Taylor 算法的性能提升百分比

Figure 3.8 Percentage of performance improvement of RWchan-Taylor algorithm

图中提升百分比的计算方法如下：

RMSER − RMSEC
Percentage R = 100% (3.35)
RMSEC

33
 内蒙古大学硕士学位论文

RMSEw − RMSEC
Percentage w = 100% (3.36)
RMSEC

图 3.9 不同信道环境下 RWChan-Taylor 算法的性能

Figure 3.9 Performance of RWChan-Taylor Algorithm in Different Channel Environments

图 3.10 不同信道环境下 RWChan-Taylor 算法的 CDF

Figure 3.10 CDF of RWChan-Taylor Algorithm in Different Channel Environments

在图 3.9 和图 3.10 中，设置的信道环境分别为第 2.3 节中介绍的 T1P1 模型里的闹市、郊

区和远郊三种环境。从图中可以看出 RWChan-Taylor 算法在远郊环境下的定位性能最优，闹
市环境下的定位性能最差。这是因为远郊环境可近似看为 LOS 传播，而闹市环境中随着遮挡
物的增多，出现了 NLOS 传播误差，所以定位性能显著下降。可以看出该算法在 LOS 传播环
境下有较好的定位性能，但在 NLOS 环境下定位性能下降较为明显，因此下一章将着重解决
在 NLOS 环境下的定位问题。

34
 内蒙古大学硕士学位论文

3.4 本章小结

本章在 LOS 传播条件下提出了基于 TDOA 的最小残差加权 Chan-Taylor 联合算法，解决

了单一定位算法适用范围局限的问题。首先利用最小残差原则改进筛选基站的组合方式，并
且在加权过程中将原本的一阶项变换为残差函数的高阶项，然后对在三维空间下的 Chan 算
法和 Taylor 级数展开法的求解过程展开推导，并将最小残差加权算法应用到 Chan 算法获取
初始值的步骤上，改进的 Chan 算法提高了在不同基站情况下获取的定位初始值的精度，最后
在取得定位的估计值后再经过 Taylor 算法的迭代求解得到最终目标。文章对几种算法在不同
基站的情况下仿真做了分析与总结，分析了几种算法各自的优缺点。得出几种算法均可通过
增加基站的数量来提高定位精度，但不会无限制提高，当基站数量为 6 时定位性能趋于稳定。
最后通过仿真对比得出，在相同条件下，所提出的算法的定位性能明显优于其余三种算法，
定位性能在测距误差较大时具有更加显著的优势。所有算法的均方根误差值都随着基站半径
的扩大而不断增大，但是 RWChan-Taylor 算法的均方根误差值一直低于其他算法且增长幅度
也最小。说明所提算法通过对基站分组可以有效的改善因基站距离相隔较远或分布不均匀所
带来的测距误差问题，具备较好的稳定性。接着，为了更直观的表现算法性能，以 Chan 算法
的定位误差作为参考值，对比了 Rwgh 算法和 RWChan-Taylor 算法性能的提升百分比，表明
该算法有着一定的实际意义。最后，对比了所提算法在不同环境下的定位性能，得出该算法
并不适用于 NLOS 环境的结论，同时也是下章所要重点解决的问题。

35
 内蒙古大学硕士学位论文

第四章 基于 TDOA 的无线定位跟踪误差抑制算法

低空无人机的飞行高度通常较低，定位精度有时会受到地势和复杂环境的影响。在如今
的城市峡谷环境中，建筑物十分密集且多以高度较高的高层建筑为主，街道也较为狭窄，基
站的高度有限，无线电信号在无人机与基站间很容易发生 NLOS 传播。例如无人机在城市中
可能会用于交通车辆巡检、警用治安巡检等方面的低空应用，但由于建筑物等障碍物的干扰，
会严重影响无人机的定位精度，因此在 NLOS 环境中对无人机无线定位技术的研究极为重要。
本章在 NLOS 传播条件下的研究分为两部分，第一部分在第三章所述算法的基础上提出
一种基于 TDOA 的改进遗传蚁群混合定位算法寻找最优初始值，该算法利用遗传算法生成了
一部分蚁群算法求解所需的初始信息素，优化了蚁群算法的初始信息素的生成过程。此时在
求解空间内的初始信息素分布广泛，蚁群算法根据已有的信息素开始求解最优初始值。将改
进的 Chan 算法获得的粗定位值作为节点，经过改进的遗传蚁群混合定位算法对于节点的寻
优确定输出最优初始坐标，然后经过 Taylor 算法的迭代求解得到最终目标位置，改进后的算
法相比蚁群算法具有求解速度快，全局收敛性好的优势，并且提高了在非视距下的定位精度。
第二部分，本章还提出一种利用改进后的遗传蚁群混合算法和扩展卡尔曼滤波相结合的跟踪
定位算法，在利用扩展卡尔曼滤波对无人机位置进行估计时，可能会因为扩展卡尔曼滤波连
续的特性出现某个前一时刻的估计误差或是测量误差过大导致后面整体的定位结果出现较大
偏差的问题。改进的遗传蚁群混合算法可以利用其精确的定位值对前一时刻的结果进行纠偏，
同时也设置了一个权重门限值，当估计误差大于所设 2 倍门限值时赋予其较小的权重，保证
扩展卡尔曼滤波在 NLOS 环境下可以获得一个相对平稳的状态更新，最后可根据精准的位置
坐标完成对无人机的轨迹跟踪。

4.1 遗传算法和改进的蚁群算法

4.1.1 遗传算法
遗传算法（Genetic Algorithm, GA）是一种以达尔文的进化论作为理论基础的自适应全局
优化概率搜索算法 [55]。遗传算法的基本思想经过几十年的不断更新与研究总结，一个名为
Goldberg 的学者对遗传算法的基本框架进行了归纳总结[56]。该算法借鉴进化论中的优胜劣汰
和适者生存的自然法则建立了一套完整的筛选机制，其中模拟了完善的自然环境中的基因遗
传模式，且遗传算子具备选择、交叉和变异的功能。通过逐代筛选产生优秀的新个体也可称

36
 内蒙古大学硕士学位论文
为目标候选解，最终在候选解中优中选优搜索到最接近目标解的个体。
遗传算法是一种常用来解决复杂非线性问题的参数优化算法[57]，在实际问题中只需要给
出目标函数的信息和一定的搜索空间，而且它对初始值要求不是很高，同时也不受搜索空间
内是否可微的限制。编码群体是遗传操作过程中的进化基础，算法的评判指标是适应度函数，
用编码空间在遗传算法建立个体的迭代过程中代替问题的参数空间，最后只需目标优化对象
提供目标函数的计算标准和参数的上下限，就可得到全局最优解。
遗传算法基本用语如表 4.1 所示：
表 4.1 遗传算法基本用语

Table 4.1 Basic terms of genetic algorithm

基本用语 基本用语介绍

种群 所有的个体数量
交叉 前后两段染色体分别交换产生新染色体
变异 出现小概率的新性状
适应度 每个个体适应环境的程度
编码 将表现型转化为基因型
解码 将基因型转化为表现型
表现型 基因的不同表现在个体的特征差异上
进化 种群适者生存，个体性状发生进化

遗传算法具有如下的特点：
（1）自组织、自适应和自学习。遗传算法在进化过程中始终把“适者生存”作为优化的
选择策略，进行组织搜索时，根据已知信息选择存活率高的个体，存活概率高的个体对应在
遗传结构中有较高的适应性[58]。遗传算法的可扩展性比较强，方便与其他算法相融合，使之
优势互补。
（2）遗传算法的编码操作对象通常是决策变量，这也决定了该算法能够处理只有代码概
念而没有具体数值的问题。
（3）遗传算法可直接将目标函数作为适应度函数来搜索信息，遗传算法不受搜索空间内
是否可微的限制，避免了在实际应用中许多函数无法求导的问题。
（4）多点并行搜索的特性。遗传算法是从有较多个体组成的群体开始组织搜索的，同时
在目标解解空间中的不同区域进行搜索，经过对初始群体的选择，交叉，变异操作，经过多
代的遗传筛选产生新一代群体。利用这种搜索方式，遗传算法能以少量的计算而获得较好的

37
 内蒙古大学硕士学位论文
结果。
（5）遗传算法也是一种概率算法，在筛选过程中，为了确保遗传算法始终保持随机性和
全局收敛性，需要根据具体问题对选择、交叉、和变异三个基本的算子概率做出适当调整。
遗传算法流程图如图 4.1 所示：

图 4.1 遗传算法流程图

Figure 4.1 Flowchart of Genetic Algorithm

遗传算法的步骤如下[59]：
第一步就是编码，遗传算法需要对每一个种群中的独立个体进行编码，从而建立起表现
型与基因型的对应关系模型，常用的编码方法可分为实数编码、二进制编码以及雷格码。
第二步是种群初始化，选择适当的初始种群生成方法，要保证以下两点，一是种群数量
要足够大，应该尽量的分散在解空间内；二是尽可能多的获取目标函数的信息，加快在全局
范围内找到最优解的速度，也要保证算法精度更高。一般情况下，初始种群个体通过生成拟
随机序列的方法产生，这样可以保证初始种群在搜索解空间内分散度较好。
第三步是选取恰当的适应度函数，这不仅关系到遗传算法能否收敛，更是遗传算法用来
选育优良子代的唯一基础依据，而且算法整体的复杂度也会直接受适应度函数影响，因此设

38
 内蒙古大学硕士学位论文
计适应度函数要考虑以下因素：计算简单，可降低整体算法的运算时间；通用性好；能够反
映真实的个体优劣。
第四步是利用遗传操作产生新群体，这个过程中又包括了选择，交叉和变异这三个步骤，
选择操作主要是执行遗传算法在自然界模拟优胜劣汰的步骤，以适应度函数值的大小作参考
在个体之间进行比较，从而挑选出优秀的个体进入下一步。选择算子中主流的有轮盘法，锦
标赛法，精英制法等。交叉算子可以分为单点交叉、两点交叉和多点交叉等方法，主要的目
的是让同源染色体发生分离并经过重组形成新的染色体。变异算子通常将变异概率设置的很
低，模拟了生物在自然界中发生基因变异从而产生新的个体性状，种群中通过变异得到具有
新性状的个体。变异算子的存在可以帮助遗传算法保持种群基因多样性，提高局部的随机搜
索能力。
第五步是终止条件判断，重复计算过程直到系统判定达到终止条件，将现在所选的最优
个体作为结果输出。一般可选择以下三种作为终止条件：第一种是超出种群预设的个体最大
适应值；第二种是迭代次数超出预设值；最后一种是超出预设的种群中的个体平均适应值。
4.1.2 蚁群算法
蚁群算法（Ant Colony Optimization, ACO）是一种受蚂蚁集群智能行为启发而提出的新
型模拟进化算法[60]。研究人员发现：在自然界中，蚁群通常是以随机的方式探索巢穴周围的
区域来寻找食物，只要有任何一只蚂蚁发现食物来源，它会立即返回巢穴并会在沿途地面上
沉积化学信息素，蚂蚁对当前食物的质量和数量做出的评估然后释放出对应的信息素量。通
过信息素轨迹，蚂蚁群会朝着信息素浓度高的方向（食物方向）聚集。蚂蚁通常会选择路径
上有较多信息素沉积量的，久而久之，该路径上经过的蚂蚁越多，返回巢穴的蚂蚁会留下更
多的信息素，新出巢觅食的蚂蚁选择该路径的概率就越大，蚁群的集体外出觅食行为由无规
则向规则转变，且在选择路径的行为上表现出一种正反馈现象。
如图 4.2 所示，蚁群搜寻食物机制示例。假设 t = 0 时共有 16 只蚂蚁从巢穴出发去找食物，
且所有蚂蚁的单位速度是相同的。蚁群在 A 点时有相同的概率选择左右两侧 AB 和 AC 两条
路径，平均分为两拨，每拨各有 8 只蚂蚁去往两侧的 B 点和 C 点。在 t = 4 时刻，左侧的 8 只
蚂蚁比右侧先发现食物源并开始返回；在 t = 5 时刻，返回的蚁群和之前寻找食物选择 AC 路
径的蚁群在 D 点相遇，此时 BD 路径和 CD 路径上都是由 4 只蚂蚁留下的信息素，积累量相
同，所以返回的蚁群又会平均分为两拨。在 t = 8 时刻，选择较短 BD 路径的蚁群会先选择 CD
路线的蚁群带着食物返回巢穴，此时各有 4 只蚂蚁在 AC、DC 和 BD 三条路径上；当 t = 9 时
刻，AB 上的信息素量是 16 而 AC 上是 12，所以蚁群在 A 点选择路径时会有更多蚂蚁选择

39
 内蒙古大学硕士学位论文
AB 线路，反复几次，随着信息素的累计增加，最终所有蚂蚁都选择了较短的路径。

图 4.2 蚂蚁的搜索机制

Figure 4.2 The search mechanism of ants

蚁群算法具有以下五个优点：第一点是正反馈性，蚁群觅食过程中路径上的信息素是一
个正反馈的积累过程；第二点是蚁群算法具备很强的自组织性，蚁群从随机无序的觅食到依
据对信息素量的判断变为有序觅食；第三点是较好的鲁棒性，该算法可以适应大部分的优化
求解问题；第四点是并行能力强，每个单独的蚂蚁可从多个节点同时开始进行独立的搜索：
第五点是包容性强，极易与其他优化算法相结合，发挥混合算法的优势。
蚁群算法的过程如图 4.3 所示:

图 4.3 蚁群算法的流程图

Figure 4.3 Flowchart of Ant Colony Algorithm

40
 内蒙古大学硕士学位论文
4.1.3 蚁群算法的改进
本文采用 MAX-MIN 蚁群系统，改进了蚁群系统中信息素的更新方式。为了避免蚁群算
法在搜索过程中出现过早收敛，MMAS 系统规定每一条路径上的信息素浓度都集中在区间

 min , max  内。信息素值被限制在  min 和  max 之间，如果信息素更新后超过预设范围，则会被强

行制约：

 max  ij   max

 ij =  (4.1)
 min  ij   min


每只蚂蚁在遍历一次后，做调整的只有途经路径最短的蚂蚁：
 ijmin = Q / L
 ( k = 1, 2, , n) (4.2)
 L = min ( Lk )

 ij ( t + n ) =  ij (t ) +  ijmin (4.3)

在算法开始时，MMAS 蚁群系统的初始信息量  ij ( t ) = c 会被设为  max ，信息素挥发系数

 取较小值有助于算法提高最优解的解算能力。MMAS 蚁群系统与基本蚁群算法在参数条件

设置一致的情况下，前者的搜索速度要强于后者，这是因为改变了信息素的更新方式，只留
每次循环中的最优个体的信息量做调整，加快了解的收敛速度。通过这样的改进方法可以在
一定程度上减小了某一条路径上的信息素累积量远超其他路径，防止出现过早收敛的问题，
但蚁群遍历一次的总信息素释放量 Q 会对算法的早期收敛产生直接影响，随着时间的推移，
难免会出现多条路径信息素相当，而忽略该路径上的最优解的情况。

4.2 基于改进遗传蚁群混合算法的定位算法

4.2.1 改进遗传蚁群混合定位算法
根据前文的介绍，蚁群算法在解算初期会因为存在信息素匮乏而导致解算速度慢这一问
题，而遗传算法存在因为不能有效利用反馈信息从而造成了求精确解效率低的问题。为了解
决上面提到的两种算法存在的问题，本文将遗传算法与改进的蚁群算法相结合，充分利用这
两种启发式算法各自所具备的快速性和精确性，弥补两个算法的不足。混合算法的基本思路
分为两部分，算法的前期利用遗传算法为改进的蚁群算法快速产生初始信息素，在保证全局
收敛的同时随机分布在解空间中；融合算法的后期采用改进的蚁群算法进行搜索，改进的蚁
群算法根据前期产生的初始信息素通过强并行能力从多点出发寻找最优解，利用正反馈的优
势提高了在全局中求解最优解的效率。

41
 内蒙古大学硕士学位论文
改进算法的具体设计步骤如下：
（1）本文采用实数编码的方式对编码对象进行编码，便于处理复杂的变量约束条件，无
需经常操作编码也可保证在种群数量最大情况下得到最优的结果。
（2）本文采用 Faure 序列在目标搜索空间内随机产生原始种群，设置遗传算法的原始种
群个体数量为 50，并对种群中的每一个单独个体设立适当的取值范围，遗传算法地运算效率
与取值范围有直接关系，恰当的取值可提高算法的求解效率，种群中的个体即表示目标无人
机的初始预测位置。
（3）选择合适的适应度函数。

假设 ( xi , yi , zi ) 用来表示无人机的真实坐标位置，估计的坐标位置记为 ( xˆi , yˆi , zˆi ) ，无人机

的真实坐标到第 i 个基站的距离记为 Ri ，无人机的估计坐标位置到第 i 个基站的距离记为 Rˆi ，

噪声误差 ni 服从高斯分布，可得真实坐标与估计坐标的距离差值 R 为：

R = Ri − Rˆi + ni , i=1,2,3, , M (4.4)

所以本文的适应度函数可表示为：

1
f ( x) = (4.5)
R

（4）遗传算子的选择。
本文选择算子的操作方法确定为轮盘赌选择方法，遗传向下一代的优良个体是根据种群
中个体的适应度值占群体适应度值的比例选择出来的。优良个体的选中概率为：

fi
Pi = N
, i = 1, 2, ,N (4.6)
f
i =1
i

本文设定的交叉概率值为 Pc = 0.9 ，交叉算子的操作方式选择两点交叉方法，根据预先设

定的交叉概率，随机将两个优良个体中特定的基因片段进行交换，重组得到具有新性状的优
良个体。

本文设定的变异概率值为 Pm = 0.05 ，变异算子的操作方式选择均匀变异的方法，指定种

群中的基因变异点，依据变异概率随机进行替换，变异算子的操作是维持遗传算法中种群多
样性的关键，既有利于提升算法的局部搜索能力又避免了混合算法中出现局部最优解。
（5）采用精英保留策略，保留现有解中的部分优良个体，无需继续参加遗传过程直接成

42
 内蒙古大学硕士学位论文
为下一代种群的成员，这样能有效地提高遗传算法的全局效果。
（6）重复计算过程直到系统判定达到终止条件，将现在所选的最优个体作为结果输出。
（7）生成信息素，信息素由两部分组成，第一部分是把利用遗传算法得到的最优解坐标
作为信息素，第二部分是随机生成的一部分信息素。初始时刻信息素生成规则：

 s =  c +  G (4.7)

其中：  c 是在蚁群算法路径上随机生成的信息素常量；  G 是经遗传算法生成的信息素。

（8）路径选择，蚁群会在每个节点处对遗留在每条岔路上的信息素强度做出判断，选择
信息素量多的路径，因为选择该路径的蚂蚁越多，所以该路径的信息素量也越多，这样的正
反馈机制也是蚁群算法求解效率高的原因。

蚂蚁在 t ( t  0) 时刻的移动方向由各条路径上信息素的累积量决定，而信息素累积量的多

少与路径的长度有关，蚂蚁 k 从位置 i 到位置 j 的转移概率 pij ( t ) 的数学模型如下所示：

k

  ij ( t ) •ij ( t )
 , if j  allowed
Pijk ( t ) =    is •is ( t )
 
(4.8)
 Sallowed
0 , else
 为信息素启发因子，  为期望启发因子，  为信息素的挥发度，信息素残留系数用

(1 −  ) 表示且  要满足 ( 0    1) ，m 为蚁群中的个体数量，Q 为蚁群遍历一遍的信息素总量，

 ij 表示路径 ( i, j ) 能见度，一般取ij = 1/ dij ，t 时刻路径 ( i, j ) 上现有的信息素量用  ij ( t ) 表示，

 ij 代表路径 ( i, j ) 上每遍历一次的信息素增量，  ijk 代表第 k 只蚂蚁在路径 ( i, j ) 上每遍历一

次所留的信息素增量， t 时刻蚂蚁 k 从 i 移动到 j 的概率为 pij ( t ) 。

k

（9）信息素更新，假设在 t 时刻蚁群已经完成一次遍历，那 t + 1 时刻信息素应按式(4.9)-

式(4.11)方式更新。

 i, j ( t + 1) = (1 −  ) i, j ( t ) +  i , j ( t, t + 1) (4.9)

m
 i , j ( t , t + 1) =   ik, j ( t , t + 1) (4.10)
k =1

 k Q
 ij ( t ) = ,第k只蚂蚁走过ij
 Lk (4.11)
0 ,其他


43
 内蒙古大学硕士学位论文

式中的 Lk 表示蚂蚁 k 留下信息素的路途长度，  ij ( t , t + 1) 表示编号为 k 的蚂蚁在时间

k

(t, t + 1) 的信息素增量，  ij (t, t + 1) 表示蚁群总体在时间 (t, t + 1) 遍历一次的信息素增量。

改进遗传蚁群混合算法的流程如图 4.4 所示:

图 4.4 改进遗传蚁群算法的流程图

Figure 4.4 Flow chart of improved genetic ant colony algorithm

回顾第三章内容，首先利用最小残差原则改进筛选基站的组合方式，并且在加权过程中
将原本的一阶项变换为残差函数的高阶项，再将最小残差加权算法应用到 Chan 算法上。改进
Chan 算法的估计结果用来生产改进后的遗传蚁群混合算法求解所需的节点，改进遗传蚁群混
合算法的任务就是从这些结点中找到信息素分布最多的最优解。最后以最优解作初始值，再
经过 Taylor 算法的迭代求解得到最终目标。
该定位算法的具体思路如下：
第一步，首先利用改进的残差加权 Chan 算法在整个定位范围空间内，对基站进行个数为
4 的分组，然后将分组后计算得到的粗略坐标估计值记录，最后把估计值结果输出为改进的

遗传蚁群算法的节点坐标，表示为 Pi ( xi , yi , zi ) 。

44
 内蒙古大学硕士学位论文

第二步，利用改进的遗传蚁群混合算法对这些节点坐标 Pi ( xi , yi , zi ) 进行全局搜索，把包

含信息素最多的节点作为最优解输出到 Taylor 算法的初始值，此时初始值在 NLOS 环境下已

经具有较高的定位精度。
第三步，利用 Taylor 算法迭代求解得到最终目标。
4.2.2 仿真结果与分析
本小节主要在三维空间的 NLOS 环境下对改进的遗传蚁群混合定位算法（RWC-GAA-T
算法）进行 matlab 仿真，先是分析了基站数量对定位精度的影响，然后与前文所介绍的几种
算法的定位性能做了比较分析。

算法参数设置如下：共有 7 个基站，其坐标分别为 ( 0,0,0 ) ，( 350,600, 20 ) ，( 700,0,30) ，

0, 40) ， ( -350,60
( -350,600,30) ， ( -700， - 0,50) ， ( 350， 35) ，仿真环境设置为非视距环境，
-600，

因此信道模型选用了 T1P1 信道模型的闹市场景，基站半径为 400m，遗传算法种群中的个体

数量 M = 50 ，交叉概率 PC = 0.9 ，变异概率 Pm = 0.01 ，蚁群算法中蚂蚁的数目，m=20 ， =0.8 ，

 =0.2 ，  =0.7 ，两个算法的最大迭代次数均为 100 次。假设 TDOA 测量值误差相互独立，

在参数不发生变化的情况下运行 200 次并取其平均值。

仿真 2 RWC-GAA-T 算法性能仿真

图 4.5 GA-ACO 混合算法的收敛性能比较

Figure 4.5 Comparison of convergence performance of GA-ACO hybrid algorithm

如图 4.5 所示，首先对改进的遗传蚁群混合算法与遗传算法和蚁群算法的收敛性和最优
值精度做了比较。从图中可以看出遗传算法的开始收敛速度最快，改进后的算法略慢于遗传
算法，蚁群算法的收敛速度最慢，这是因为改进算法在开始阶段继承了遗传算法全局快速收

45
 内蒙古大学硕士学位论文
敛的特点。改进算法有着最高的最优解精度，其次是蚁群算法，遗传算法最低，这是因为改
进后的算法可看作有较好初始值的蚁群算法，所以最优解精度可以更高。

图 4.6 不同基站数量下 RWC-GAA-T 算法的性能比较

Figure 4.6 Performance comparison of RWC-GAA-T algorithm under different numbers of base stations

结果如图 4.6 所示，RWC-GAA-T 算法的定位精度会随着基站数量的增多而呈上升趋势，

当有 7 个基站参与定位时，该算法的定位精度相比只有 4 个基站参与定位时有了较大幅度的
提高。可以看出较多的冗余基站能够对该算法的定位精度起到直接的帮助，这是因为随着基
站数量的增加产生了更多可加以利用的冗余 TDOA 测量数据，在只有 4 个基站即可完成定位
的情况下充分利用这些冗余基站的测量数据，该算法就能有更多不同的基站分组方案，避免
了测量数据较少且其中存在较大的 NLOS 误差干扰所导致的定位误差较大的问题，从而使定
位精度能够得到提高。

图 4.7 不同基站数量时 RWC-GAA-T 算法的 CDF 与 RMSE 的关系曲线

Figure 4.7 The relationship between CDF and RMSE of the RWC-GAA-T algorithm with different numbers

of base stations

46
 内蒙古大学硕士学位论文
如图 4.7 所示，可更直观地看出该算法的定位性能随着基站数量的增加有所提高，基站
数量由 4 增加到 5 时，算法在均方根误差较小时的性能相似，但随着均方根误差的增大，参
与定位的基站越多，可以越快的趋近于 1，分布在较小均方根误差的可能性也越大。

（a） (b)

（c） (d)

图 4.8 各个算法在不同基站下的 RMSE 性能比较，(a) BS=4，(b) BS=5，(c) BS=6，(d) BS=7

Figure 4.8 Comparison of RMSE performance of each algorithm under different base stations,

(a) BS=4, (b) BS=5, (c) BS=6, (d) BS=7

如图 4.8 所示，RWC-GAA-T 算法的定位性能最好，最接近 CRLB 下界，RWC-T 算法次

之，说明加入改进的遗传蚁群混合算法改善了第三章所提算法在 NLOS 环境下定位下降的问
题。随着基站数量的增加，在 NLOS 环境中 Taylor 算法的定位性能逐渐优于 Chan 算法和 Rwgh
算法。所有算法的均方根误差均比在 LOS 环境中有所增大，说明 NLOS 传播的误差干扰对定
位性能还是有很大影响的。但也可看出 RWC-GAA-T 算法的精度始终高于其他算法，这是因
为该算法做了以下改变，首先利用基于最小残差加权的 Chan 算法对现有基站进行分组，并根
据 NLOS 误差的干扰情况赋予不同的权重降低了 NLOS 误差，最后得到的坐标生成蚁群算法

47
 内蒙古大学硕士学位论文
中所需的节点位置。接着利用改进后的遗传蚁群算法进行全局搜索，把最优位置坐标作为
Taylor 算法的初始坐标，经过不断迭代过程得到目标估计值。该算法经过两次降低 NLOS 误
差的操作，很大程度降低了 NLOS 的干扰。虽然所有算法的均方根误差值都会随着测距误差
的增大而出现上涨，但可看出 RWC-GAA-T 算法增长幅度较为平缓，说明该算法抗干扰能力
较强，定位性能较为稳定。

（a） (b)

（c） (d)

图 4.9 各个算法在不同基站下的 CDF 与 RMSE 的关系曲线，(a) BS=4，(b) BS=5，(c) BS=6，(d) BS=7

Figure 4.9 The relationship between CDF and RMSE of each algorithm under different base stations,

(a) BS=4, (b) BS=5, (c) BS=6, (d) BS=7

如图 4.9 所示，RWC-GAA-T 算法的定位性能最佳，在只有 4 个基站参与定位时，有超过

80%的均方根误差小于 25m，Chan 算法的定位性能最差，有 80%的均方根误差小于 38m。随
着基站数量的增加，所有算法的性能都有所提升，当基站数量增加到 7 个时，从图(d)中可看
出 RWC-GAA-T 算法有超过 80%的均方根误差小于 21m，可以在在 NLOS 环境中取得较好的
定位效果。从图中跟直观地看出改进算法相比其余算法在 NLOS 环境中的优势，证明了其良

48
 内蒙古大学硕士学位论文
好的定位性能。

图 4.10 不同基站下的定位均方根误差

Figure 4.10 RMSE of positioning under different base stations

如图 4.10 所示，本文所提出的 RWC-GAA-T 算法在基本参数一致且在满足最低定位基站

条件下明显优于其他定位算法，最接近 CRLB 下界。RWC-T 算法的定位性能仅次于 RWC-
GAA-T 算法，定位性能最差的是 Chan 算法，因为该算法受非视距误差的影响较大。随着参
与定位的基站数量不断增加，所有算法的定位精度都在提高，均方根误差在逐渐减小。

图 4.11 不同基站半径的定位均方根误差

Figure 4.11 RMSE of positioning for different base station radius

如图 4.11 所示，所有算法的均方根误差都随着基站半径的增加而增大，其中 Chan 算法

的增长幅度最大，Rwgh 算法次之，RWChan-Taylor 算法和 RWC-GAA-T 算法的均方根误差增
长幅度较小，且 RWC-GAA-T 算法的均方根误差最小。随着基站半径的增大，非视距误差的
干扰也越来越大，相比其他算法，RWC-GAA-T 算法的优势也越加明显。

49
 内蒙古大学硕士学位论文

图 4.12 RWC-GAA-T 算法的性能提升百分比

Figure 4.12 Performance improvement percentage of RWC-GAA-T algorithm

图 4.12 中提升百分比的计算方法如下：

RMSEG − RMSEC
PercentageG = 100% (4.12)
RMSEC

在图 4.12 中，为了更直观地看出本章所提算法较上一章所提算法的性能变化，同样把
Chan 算法作为比较的标准参考算法，比较了 RWChan-Taylor 算法和 RWC-GAA-T 算法相较
传统 Chan 算法的性能提升情况。图中可看出改进后的算法有了较大幅度的提升，RWC-GAA-
T 算法大约比 RWChan-Taylor 算法提高了 20%。说明在 NLOS 环境下，RWC-GAA-T 算法对
NLOS 误差起到了有效的抑制，适用于解决 NLOS 环境下的定位问题。

4.3 基于扩展卡尔曼滤波的改进遗传蚁群混合跟踪定位算法

上一节提出的基于改进遗传蚁群混合算法的定位算法虽然可以在 NLOS 环境下获得较高

的定位精度，但是却并不适合对超低空无人机进行连续的轨迹跟踪，所以这一节本文又提出
了基于扩展卡尔曼滤波的改进遗传蚁群混合跟踪定位算法。扩展卡尔曼滤波是一种同时考虑
了上一时刻的历史状态与观测数据，并以不断迭代的方式对系统下一时刻的状态做出有根据
的预测的算法，所以该算法更适合在伴随着各种干扰的情况下完成对无人机的轨迹跟踪。
4.3.1 卡尔曼滤波模型
1960 年卡尔曼滤波器作为一款解决线性高斯系统的最小均方误差的最优估计器而被提出
[61]
。卡尔曼滤波包括预测和更新两个阶段，卡尔曼滤波可以求解未知状态方程和测量方程，
但两种方程均需满足线性条件，卡尔曼滤波器的状态方程和测量方程可以分别表示为：

Xk +1 = A k Xk + wk (4.13)

50
 内蒙古大学硕士学位论文

Yk +1 = H k +1Xk +1 + vk +1 (4.14)

假设在线性滤波过程中的噪声均为高斯白噪声，A k 为一步状态转移矩阵，wk 为协方差为

Q 且服从高斯分布的过程噪声序列，在 k + 1 时刻的测量值和目标状态的估计值分别为 Yk +1 和

X k +1 ，测量矩阵用 H k +1 表示， vk+1 为协方差为 R 的高斯测量噪声序列。

卡尔曼滤波算法流程主要可概括为以下几个步骤：
第一步初始化：对卡尔曼滤波器的初始值进行赋值
第二步进行预测：
状态预测：
ˆ
X ˆ
= A k −1X (4.15)
k k −1 K −1

状态预测协方差矩阵:

Pk k −1 = A k −1Pk −1ATk −1 + Qk −1 (4.16)

测量预测：
ˆ
Y ˆ
= Hk X (4.17)
k k −1 k k −1

第三步进行更新：
卡尔曼增益：

( )
−1
ˆ = P HT H P HT + R
X (4.18)
k k k −1 k k k k −1 k k

目标状态更新：
ˆ =X
X k
ˆ
k k −1 (ˆ
+ K k Yk − Y k k −1 ) (4.19)

状态协方差矩阵：

Pk = Pk k −1 − K k Hk Pk k −1 (4.20)

4.3.2 基于扩展卡尔曼滤波的跟踪定位算法
基本的卡尔曼滤波器只适用于线性高斯模型，因此有学者提出使用扩展卡尔曼滤波器
（Extended Kalman Filter, EKF）来解决非线性问题[62]。EKF 算法是一种次优滤波算法，所以
一般需要先执行非线性模型向线性模型转换的过程，转换过程中先使用了泰勒级数展开法处
理非线性模型，然后利用标准卡尔曼滤波算法进行滤波计算，扩展卡尔曼滤波通过对非线性
模型的转换有效地解决了非线性目标跟踪问题。
EKF 算法的状态方程和观测方程模型如下：

51
 内蒙古大学硕士学位论文

Xk = f ( Xk −1 ) + Wk −1 (4.21)

Yk = h ( X k ) + Vk (4.22)

X k 是时刻的下一个目标估计值， Yk 为 k − 1 时刻的下一个目标测量值。 f ( Xk −1 ) 和 h ( Xk )

都是非线性函数，其中 f ( Xk −1 ) 为状态转移函数，h ( Xk ) 为测量函数，Wk −1 和 Vk 两个噪声序列

均服从零均值高斯分布。

假设参与定位的全部基站数量为 M ( M  4) ，那么得到的 TDOA 测量数据就是 M − 1个。

该系统的非线性观测方程的表达式如下：

ri ,1 = ri − r1 + vi1 i = 3,4 M (4.23)

ri 为待测目标与第 i 个定位基站的距离， vi 为观察噪声。观测方程对应的矩阵参数可表示为

X =  x, y, z  , Y =  r2,1 , r3,1 , rM ,1  , V =  v21 , v31 , , vM 1 

T T T

(4.24)
h ( X ) =  r2 − r1 , r3 − r1 , rM − r1 
T

待测运动目标的状态方程如式(4.25)所示：

S k = f X k −1 + WK −1 (4.25)
T
其中 Sk =  xk , yk , zk , vxk , vyk , vzk  是 tk 时刻的状态向量， xk , yk , zk 是无人机在 tk 时刻的三维

坐标信息， v xk 表示无人机在 x 方向的子速度， v yk 表示无人机在 y 方向的子速度， v zk 表示无

人机在 z 方向的子速度。 f  为状态转移矩阵， Wk −1 是协方差矩阵为 Qk −1 的观测噪声向量，协

方差矩阵和状态转移矩阵可定义为：
0 0 0 0  1 0 T 0 
0 0 0 0   
Q k −1 =   , f  = 0 0 0 T  (4.26)
0 0  k2−1 0  0 0 1 0 
   
0 0 0  k −1  0 0 0 1 
2

相应的观测过程如方程式(4.27)所示:

z k = h ( Sk ) + Vk (4.27)

式(4.27)中， z k 表示测量数据向量， h ( Sk ) 为非线性变换函数， Vk 为测量噪声。

协方差矩阵 R 可以表示为：

R = Bσ2BT (4.28)

52
 内蒙古大学硕士学位论文

 −11 0 0  r21 0 0 
-1 0 1   
 0  0  r21 0 
B= ,σ =
2
(4.29)
   
   
 -1 0 0 1  ( M −1) M  0 0  rM  MM
 2

 r21 ,  r22  rM 表示距离的方差，由于 h ( Sk ) 是非线性变换的，所以用泰勒展开式对 h ( Sk ) 进行

2

展开， Hk 是 h ( Sk ) 在时间 Sˆ k , k −1 的雅各比矩阵。

 h1 ( S k ) h1 ( S k ) h1 ( S k ) 

 0 
 x y z 
 h1 ( S k ) h1 ( S k ) h1 ( S k ) 
 0 
HK =  x y z  (4.30)
 
 
 hM −1 ( S k ) hM −1 ( S k ) hM −1 ( S k ) 
 x y z
0
  Sk =Sk ,k −1

EKF 算法的核心步骤如下：
第一步初始化：给定滤波器的初始值；
第二步进行预测：
状态预测：

Sˆ k ,k −1 = f  Sˆ k ,k −1 (4.31)

状态预测协方差矩阵：

 k−1 f T + Qk −1
Pk ,k −1 = f P (4.32)

测量预测：
ˆ
Y (
ˆ
k , k −1 = h S k , k −1 ) (4.33)

第三步进行更新：
卡尔曼增益：

Kk = Pk,k −1HkT ( Hk Pk,k −1HkT + Rk )

−1
(4.34)

目标状态更新：

( (
Sˆ k = Sˆ k ,k −1 + K k z k − h Sˆ k ,k −1 )) (4.35)

状态协方差矩阵：

53
 内蒙古大学硕士学位论文

Pk = Pk ,k −1 − K k Hk Pk ,k −1 (4.36)

4.3.3 非视距误差的鉴别与抑制
本小节在 NLOS 环境中对扩展卡尔曼滤波跟踪定位算法做了改进，首先在判别阶段加入
了一种判别 TDOA 测量值是否受到 NLOS 信息干扰，通过鉴别测量值中的 NLOS 误差，然后
利用最小残差加权算法降低误差的影响，提高定位算法的精度。判别算法具体步骤如下，首

先假设无人机的参考位置为 Sr = ( x, y, z ) ，共有 N 个基站，其中第 i 个基站的位置为 ( xi , yi , zi ) ，

第 i 个基站与主基站 BS1 的 TDOA 测量值为  i ,1 ，TDOA 的残值可以定义为

2

R =    ( x ( k + 1) − x1 ) + ( y ( k + 1) − y1 ) + ( z ( k + 1) − z1 )  − c i,1 
N
( x ( k + 1) − xi ) + ( y ( k + 1) − yi ) + ( z ( k + 1) − zi ) −
2 2 2 2 2 2

i =3   
(4.37)
其中， c 为信号传播速度，当无人机和基站之间存在 NLOS 时，TDOA 残值会较大；反
之，当无人机和基站之间存在 LOS 时，TDOA 残值会较小。在实际应用中，最理想的无人
机参考位置是其真实位置，但是无人机的参考位置具有随机性和未知性，所以需要根据扩展

卡尔曼滤波调整 NLOS 残值鉴别算法。首先将 S ( k ) 带入(4.20)中，求得下一时刻的估计值

S ( k + 1) ，无人机的参考位置为 S ( k + 1)r = ( x ( k + 1) , y ( k + 1) , z ( k + 1) ) ，则无人机的参考位置

到基站之间与它到服务基站的距离之差为

( x ( k + 1) − x ) + ( y ( k + 1) − y ) + ( z ( k + 1) − z ) ( x ( k + 1) − x ) + ( y ( k + 1) − y ) + ( z ( k + 1) − z )
2 2 2 2 2 2
ri1 = i i i − 1 1 1

(4.38)

其中， ( 3  i  N )

因为扩展卡尔曼滤波理论是对一个连续运动的目标做出预测的，相邻的两个时刻具有连
续性，所以前一刻的运动状态会对下一刻的估计造成影响，并且由此造成的误差会随着扩展
卡尔曼滤波的估计而不断累积，最终导致一个较大的误差，影响定位精度。所以需要设定一

个门限值  以保证对无人机的位置估计不会在复杂的定位环境中产生突变， ri1 = c n 是测量距

离差，如果不等式满足如下关系

ri1 − ri1   (4.39)

则说明第 i 个基站含有 LOS 路径，反之是 NLOS 路径。根据仿真 3 过中的估计误差平均值略

大于 5，所以本文设定门限值  = 5 。在扩展卡尔曼滤波更新的过程中，估计误差可能会因无

54
 内蒙古大学硕士学位论文
人机的位置发生突变而突然增加，所以设定当估计误差大于所设 2 倍门限值时会赋予其较小
的权重，保证扩展卡尔曼滤波在 NLOS 环境下可以获得一个相对平稳的状态更新。
4.3.4 混合定位跟踪算法流程
第一步，利用扩展卡尔曼滤波进行粗定位，比较当前时刻与上一时刻的距离误差。
第二步，利用改进的遗传蚁群混合算法对上一时刻的定位结果进行纠偏，防止上一时刻
突然出现较大的定位误差，从而对后续下一状态的定位结果产生较大的影响。
第三步，鉴别非视距误差，判断其是否大于所设 2 倍门限值，若大于则赋予较小的权重，
平衡误差，保持扩展卡尔曼滤波的状态平衡。
第四步，根据获取的连续定位结果，完成对无人机的轨迹跟踪。
混合定位跟踪算法的流程如图 4.13 所示:

图 4.13 混合定位跟踪算法的流程图

Figure 4.13 Flowchart of the hybrid location tracking algorithm

4.3.5 仿真结果与分析
在 NLOS 环境中，针对移动目标的无线定位更易产生较大误差的问题，本文利用扩展卡
尔曼滤波器的特性对移动坐标位置进行修正，并最终可根据对无人机目标的估计和预测完成
轨迹跟踪。混合算法在下文中记作 GAA-EKF 算法。
仿真环境设置为非视距环境，因此信道模型选用了 T1P1 信道模型的闹市场景，基站半径

为 400m，假设在该场景下有七个基站参与定位，其坐标分别为 ( 0,0,0 ) ， ( 350,600, 20 ) ，

0, 40) ，( -350,-600,50) ，( 350，

( 700,0,30) ，( -350,600,30) ，( -700， 35) ，无人机在三位空间
-600，

55
 内蒙古大学硕士学位论文

中做匀速非直线运动，无人机的初始位置为 (100,100,100) ，NLOS 误差服从指数分布，参数

 =2 ，  =2 ，采样时间间隔为 0.1s 。

仿真 3 改进扩展卡尔曼滤波的定位性能仿真

（a） (b)

（c） (d)

图 4.14 在不同基站数量下 GAA-EKF 算法的均方根误差，(a) BS=4，(b) BS=5，(c) BS=6, (d) BS=7

Figure 4.14 RMSE of GAA-EKF algorithm under different numbers of base stations,

(a) BS=4, (b) BS=5, (c) BS=6, (d) BS=7

由图 4.14 可以看出，随着基站数量的增多，GAA-EKF 算法的均方根误差也越来越小，

说明该算法的定位性能会随着基站数量的增加而逐渐增强，这是因为增加基站的数量也使得
可用的 TDOA 测量数据增多，所提算法有效抑制了 NLOS 的误差。但是当基站数量由 6 变为
7 时，算法定位性能提升特别小，基本保持不变，说明算法依据基站数量的提升空间有限，通
过对测量数据的修正所起到的作用已经比较有限，所以会出现定位精度提升不大的情况。同
时从图中也可以看到，有时会突然出现 RMSE 明显大于上一时刻的情况，但在下一时刻就会
被纠正，恢复到正常误差范围内，说明加入的改进遗传蚁群混合算法和门限值的设定起到了

56
 内蒙古大学硕士学位论文
纠偏的作用，维持了扩展卡尔曼滤波的更新状态平衡。

图 4.15 不同基站数量下 GAA-EKF 算法的 CDF 与 RMSE 的关系曲线

Figure 4.15 The relationship between CDF and RMSE of the GAA-EKF algorithm under different numbers

of base stations

如图 4.15 所示，GAA-EKF 算法的定位性能随着基站数量的增加而不断提高，当基站的

数量为 4 时有 80%的均方根误差小于 10m，当基站的数量为 5 时有 80%的均方根误差小于
7.5m，当基站的数量为 6 时有 80%的均方根误差小于 6m，当基站的数量为 7 时已经有 80%
的均方根误差小于 4m。从整体上看该算法在不同基站数量下均有较好的定位性能，且性能较
为稳定。
仿真 4 三维空间中对无人机轨迹跟踪

图 4.16 三维空间无人机轨迹跟踪效果图

Figure 4.16 Three-dimensional space UAV trajectory tracking renderings

57
 内蒙古大学硕士学位论文

（a） (b)

（c）

图 4.17 三维空间无人机轨迹跟踪各平面效果图，(a) XY 平面效果图，(b) YZ 平面效果图,(c) XZ 平

面效果图

Figure 4.17 Three-dimensional space UAV trajectory tracking renderings of each plane (a)XY plane

renderings, (b)YZ Plane renderings, (c)XZ plane renderings

由图 4.16 和图 4.17 可以看出，GAA-EKF 无线定位算法在无人机的跟踪定位性能方面展

现出了不错的定位性能。无论是在 XY 平面、XZ 平面以及 YZ 平面，该算法都展现出了对
NLOS 传播误差地明显抑制作用。YZ 平面中，预测轨迹基本和真实轨迹重合，在 XZ 平面中，
预测轨迹很贴近真实轨迹，误差小于 1m，虽然在 XY 平面中，相较其它两个平面不够贴近真
实轨迹，但其误差也小于 2m。该算法经仿真验证除了对 NLOS 传播误差有明显抑制作用，还
具有较强的跟踪能力。

4.4 本章小结

本章在 NLOS 传播条件下的研究分为两部分，第一部分在第三章所提算法的基础上提出

58
 内蒙古大学硕士学位论文
一种基于 TDOA 的改进的遗传蚁群混合定位算法，该算法利用改进后的 Chan 算法获得的定
位估计值作为遗传蚁群混合定位算法的节点坐标，经过改进遗传蚁群混合算法对于节点的寻
优确定输出最优初始坐标，然后经过 Taylor 算法的迭代求解得到最终目标位置，改进后的算
法相比蚁群算法具有求解速度快，全局收敛性好的优势，并且提高了在非视距下的定位精度。
第二部分，本章提出一种利用改进的遗传蚁群混合算法对扩展卡尔曼滤波前一时刻的定位结
果进行纠偏的跟踪定位算法，同时也设置了一个权重门限值，当估计误差大于所设 2 倍门限
值时赋予其较小的权重，保证扩展卡尔曼滤波在 NLOS 环境下可以获得一个相对平稳的状态
更新，最后根据位置坐标完成对无人机的轨迹跟踪。

59
 内蒙古大学硕士学位论文

第五章 总结与展望

5.1 本文总结

随着第五代移动通信的不断普及，基础设施建设愈加完善，商业化覆盖范围越来越广，
低空无人机也因其具有体积小、灵活度高、成本低廉等优势被很多行业列入了商用场景布局，
无人机无线定位技术作为无人机应用的关键技术得到了越来越多的关注和研究。基于 TDOA
的无线定位方法因其简便高效的特点被广泛使用于无线定位场景，但是传统的 TDOA 定位算
法存在定位精度低，测距误差受信号传播环境影响大，不能合理有效利用现有基站获取数据
等问题，不能满足无人机在 5G 场景下应用需求。因此本文对适用于当前 5G 覆盖范围的高精
度无人机定位算法展开深入研究，主要工作内容总结如下：
1.在 LOS 传播条件下提出了基于 TDOA 的最小残差加权 Chan-Taylor 联合算法，本章首
先利用最小残差原则改进筛选基站的组合方式，并且在加权过程中将原本的一阶项变换为残
差函数的高阶项，然后对在三维空间下的 Chan 算法和 Taylor 级数展开法的结算过程进行了
推导，并将改进的残差加权算法应用到 Chan 算法获取初始值的步骤上，改进的 Chan 算法提
高了在不同基站情况下获取的定位初始值的精度，最后在取得定位的初始值后再经过 Taylor
算法的迭代求解得到最终目标。经过仿真分析，所提出的定位算法与、Taylor 算法和 Rwgh 算
法相比，定位精度在不同的基站数量下都有了较大幅度的提高，虽然所提算法会随基站半径
的增大或是测距误差的增大而出现定位性能下降的情况，但在相同仿真环境下依然具有最高

RWChan-Taylor 算法有 80%的情况处于 RMSE  6 m，

当基站数量增加到 7 个时，
的定位精度。

Rwgh 算法有 80%的情况处于 RMSE  7.5 m，Chan 算法有 80%的情况处于 RMSE  9 m，而

Taylor 算法有 80%的情况处于 RMSE  8.5 m。所提算法与 Chan 算法相比精度最高提升有 35%，

相比 Rwgh 算法精度最高提升有 16%。

2.NLOS 传播条件下，在第三章所提算法的基础上提出一种基于 TDOA 的改进遗传蚁群
混合定位算法并最终和扩展卡尔曼滤波相结合完成了对无人机的跟踪定位。利用改进后 Chan
算法获得的定位坐标值作为遗传蚁群混合定位算法的节点坐标，经过遗传蚁群混合定位算法
对于节点的寻优确定输出最优初始坐标，然后经过 Taylor 算法的迭代求解得到最终目标位置。
两种算法利用对方的优势弥补了自己的不足，改进后的算法相比蚁群算法具有求解速度快，

60
 内蒙古大学硕士学位论文
全局收敛性好的优势，最终也提高了算法的定位精度且算法稳定性较好。经过仿真分析，所
提算法相比其他几种算法定位性能最好，最接近 CRLB 下界。随着基站半径的增大，非视距
误差的干扰也越来越大，相比其他算法，所提算法的优势也越加明显。该算法与 Chan 算法相
比，定位精度最高提升大约 56%，比上一章所提的 RWChan-Taylor 算法的定位精度提高了大
约 20%。最后，还提出一种利用改进的遗传蚁群混合算法和扩展卡尔曼滤波相结合的跟踪定
位算法，改进的遗传蚁群混合算法可以利用其精确的定位值对扩展卡尔曼滤波前一时刻的位
置估计结果进行纠偏。同时也设置了一个权重门限值，当估计误差大于所设 2 倍门限值时赋
予其较小的权重，保证扩展卡尔曼滤波在 NLOS 环境下可以获得一个相对平稳的状态更新，
最后可根据精准的位置坐标完成对无人机的轨迹跟踪。经过仿真分析，当基站的数量达到 7
个时，该算法有超过 80%的均方根误差小于 4m。在定位跟踪的仿真中，预测轨迹很贴近真实
轨迹，其中 XZ 平面的误差小于 1m，XY 平面的误差小于 2m。

5.2 未来研究展望

无人机定位系统涉及多方面知识，受本人能力和知识面限制，本文对无人机定位算法的
研究仅局限于理论层面，离实际应用还有一段距离。研究也还存在一些不足之处，主要体现
为：
1.本文只考虑了测量值对定位精度的影响，默认无人机的飞行速度较慢，没有深入研究所
提出的算法是否依然适用于高速无人机，针对无人机自身特性的情况还有待进一步研究。
2.本文所提算法虽然在特定场景下提高了定位的精度，但相较传统算法的复杂度也有所
增加。所以在今后的研究中，可以考虑进一步降低算法的复杂度，提高算法的求解效率。
3.本文只考虑了 NLOS 造成的误差干扰，在今后的研究中可考虑研究由多经衰落等因素
造成的无线定位误差。

61
 内蒙古大学硕士学位论文

参考文献

[ 1 ] A. N. Wilson, A. Kumar, A. Jha, et al. Embedded Sensors, Communication Technologies,

Computing Platforms and Machine Learning for UAVs: A Review[J]. IEEE Sensors Journal, 2022,
22(3): 1807-1826.
[2 ] Vaezi, Mojtaba, Azari, et al. Cellular, Wide-Area, and Non-Terrestrial IoT: A Survey on 5G
Advances and the Road Towards 6G[J]. IEEE Communications Surveys & Tutorials, 2021, 1-1.
[3] M. J. Shehab, I. Kassem, A. A. Kutty, et al. 5G Networks Towards Smart and Sustainable Cities:
A Review of Recent Developments, Applications and Future Perspectives[J]. IEEE Access, 2022, 10:
2987-3006.
[4] Müürsepp, Ivo, Kulmar, et al. Performance Evaluation of 5G-NR Positioning Accuracy Using
Time Difference of Arrival Method[C]. 2021 IEEE International Mediterranean Conference on
Communications and Networking, 2021: 494-499.
[5] K. Panwar, M. Katwe, P. Babu, et al. A Majorization-Minimization Algorithm for Hybrid TOA-
RSS based localization in NLOS Environment[J]. IEEE Communications Letters, 2022: 1-1.
[6] H. Wu, L. Liang, X. Mei, et al. A Convex Optimization Approach For NLOS Error Mitigation in
TOA-Based Localization[J]. IEEE Signal Processing Letters, 2022, 29: 677-681.
[7] S. Qin, X. Guo. Robust Source Positioning Method With Accurate and Simplified Worst-Case
Approximation[J]. IEEE Transactions on Vehicular Technology, 2022, 71(2): 1891-1900.
[8] D. H. Tran, B. Chung, Y. M. Jang. GAN-based Data Augmentation for UWB NLOS Identification
Using Machine Learning[C]. 2022 International Conference on Artificial Intelligence in Information
and Communication (ICAIIC), 2022: 417-420.
[9] L. Nosrati, M. S. Fazel, M. Ghavami. Improving Indoor Localization Using Mobile UWB Sensor
and Deep Neural Networks[J]. IEEE Access, 2022, 10: 20420-20431.
[10] X. Dang, W. Ma, E. A. P. Habets, et al. TDOA-Based Robust Sound Source Localization with
Sparse Regularization in Wireless Acoustic Sensor Networks[J]. IEEE/ACM Transactions on Audio,
Speech, and Language Processing, 2022, 30: 1108-1123.
[11] A. Astudillo, J. Gillis, M. Diehl, et al. Position and Orientation Tunnel-Following NMPC of
Robot Manipulators Based on Symbolic Linearization in Sequential Convex Quadratic
Programming[J]. IEEE Robotics and Automation Letters, 2022, 7(2): 2867-2874.
[12] T. Wigren, S. Yasini. Passive UAV Tracking in Wireless Networks[J]. IEEE Transactions on
Aerospace and Electronic Systems, 2022: 1-1.

62
 内蒙古大学硕士学位论文

[13] F. B. Sorbelli, C. M. Pinotti, S. Silvestri, et al. Measurement Errors in Range-Based Localization

Algorithms for UAVs: Analysis and Experimentation[J]. IEEE Transactions on Mobile Computing,
2022, 21(4): 1291-1304.
[14] Knapp, C, Carter, et al. The generalized correlation method for estimation of time delay[J]. IEEE
Transactions on Acoustics, Speech, and Signal Processing, 1976, 24(4): 320-327.
[15] H. B. Önen, M. Kartal. A Time Difference of Arrival Estimation with Integration of Generalized
Cross Correlation Samples for Continuous Wave Signals on Passive Positioning System[C].2021 13th
International Conference on Electrical and Electronics Engineering (ELECO), 2021: 293-297.
[16] Chan Y T, Ho K C. A simple and efficient estimator for hyperbolic location[J]. IEEE Transactions
on Signal Processing, 2002, 42(8): 1905-1915.
[17 ] Chan Y T, Hang H, Ching P C. Exact and Approximate Maximum Likelihood Localization
Algorithms[J]. IEEE Transactions on Vehicular Technology, 2006, 55(1): 10-16.
[18] J. Ling, F. Shixiong. Deviation Analysis for Approximate Maximum Likelihood Localization
Algorithms[C]. 2019 IEEE 4th International Conference on Signal and Image Processing (ICSIP),
2019: 500-503.
[19] Foy W H. Position-Location Solutions by Taylor-Series Estimation[J]. IEEE Transactions on
Aerospace and Electronic Systems, 2007, 12(2): 187-194.
[20 ] Guvenc I, Gezici S, Watanabe F, et al. Enhancements to Linear Least Squares Localization
Through Reference Selection and ML Estimation[C]. 2008 IEEE Wireless Communications and
Networking Conference, 2008: 284-289.
[21] B. Omidali, S. A. B. Shirazi. Performance improvement of AOA positioning using a two-step
plan based on factor graphs and the gauss-newton method[C]. 2009 14th International CSI Computer
Conference, 2009: 305-309.
[22] J. Yan, C. C. J. M. Tiberius, P. J. G. Teunissen, et al. A Framework for Low Complexity Least-
Squares Localization With High Accuracy[J]. IEEE Transactions on Signal Processing, 2010, 58(9):
4836-4847.
[23] J. Chen, Y. Zhao, C. Zhao, et al. Improved Two-Step Weighted Least Squares Algorithm for
TDOA-Based Source Localization[C]. 2018 19th International Radar Symposium (IRS), Bonn,
Germany, 2018, 1-6.
[24] M. Yang, D. R. Jackson, J. Chen, et al. A TDOA Localization Method for Nonline-of-Sight
Scenarios[J]. IEEE Transactions on Antennas and Propagation, 2019, 67(4): 2666-2676.
[25] Yu K, Wen K, Li Y, et al. A Novel NLOS Mitigation Algorithm for UWB Localization in Harsh
Indoor Environments[J]. IEEE Transactions on Vehicular Technology, 2018, 68 (1): 686-699.
[26] Chan Y T, Tsui W Y, So H C, et al. Time-of-arrival based localization under NLOS conditions[J].
63
 内蒙古大学硕士学位论文

IEEE Transactions on Vehicular Technology, 2006, 55(1): 17-24.

[27] G. Qing, K. Wei, T. Wanchun. Wireless positioning method based on dynamic objective function
under mixed LOS/NLOS conditions[C].2018 Ubiquitous Positioning, Indoor Navigation and
Location-Based Services (UPINLBS), 2018, 1-4.
[28] C. Wu, H. Hou, W. Wang, et al. TDOA Based Indoor Positioning with NLOS Identification by
Machine Learning[C]. 2018 10th International Conference on Wireless Communications and Signal
Processing (WCSP), 2018, 1-6.
[ 29 ] F. Wang, Z. Xu, R. Zhi, et al. LOS/NLOS Channel Identification Technology Based on
CNN[C].2019 6th NAFOSTED Conference on Information and Computer Science (NICS), 2019,
200-203.
[30] B. Hu, H. Tian, S. Fan. Millimeter Wave LOS/NLOS Identification and Localization via Mean-
Shift Clustering[C]. 2019 IEEE 30th Annual International Symposium on Personal, Indoor and
Mobile Radio Communications (PIMRC), 2019, 1-7.
[31] I. Sobron, I. Landa, I. Eizmendi, et al. Adaptive TOA Estimation with Imperfect LOS and NLOS
Knowledge in UWB Positioning Systems[C]. 2020 IEEE SENSORS, 2020, 1-4.
[32 ] Z. Su, G. Shao, H. Liu. Semidefinite Programming for NLOS Error Mitigation in TDOA
Localization [J]. IEEE Communications Letters, 2018, 22(7): 1430-1433.
[33] Y. Chen, C. Shen, K. Zhang, et al. TDOA Positioning Method Based on Taylor Series Expansion
Based on Cuckoo Search Algorithm[C]. Zhang jia jie, China: 2020 International Conference on
Virtual Reality and Intelligent Systems (ICVRIS), 2020, 986-989.
[ 34 ] Q. Li, B. Chen, M. Yang. Improved Two-Step Constrained Total Least-Squares TDOA
Localization Algorithm Based on the Alternating Direction Method of Multipliers[J]. IEEE Sensors
Journal, 2020, 20(22): 13666-13673.
[35] W. Jiang, B. Ding. TDOA Localization Scheme with NLOS Mitigation [C]. 2020 IEEE 92nd
Vehicular Technology Conference (VTC2020-Fall), 2020, 1-4.
[36] Z. Hao, B. Li, X. Dang. An improved Kalman filter positioning method in NLOS environment[J].
China Communications, 2019, 16(12): 84-99.
[37] Y. Yang, B. Li, B. Ye. Wireless Sensor Network Localization Based on PSO Algorithm in NLOS
Environment[C]. 2016 8th International Conference on Intelligent Human-Machine Systems and
Cybernetics (IHMSC), 2016, 292-295.
[38] 赵越. 无线定位网络节点优化理论与关键技术研究[D]. 西安: 西安电子科技大学, 2020.
[39 ] N. Petukhov, A. Chugunov, V. Zamolodchikov, et al. Synthesis and Experimental Accuracy
Assessment of Kalman Filter Algorithm for UWB ToA Local Positioning System[C].2021 3rd
International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE),
64
 内蒙古大学硕士学位论文

2021, 1-4.
[40 ] S. Zhao, X. -P. Zhang, et al. A New TOA Localization and Synchronization System With
Virtually Synchronized Periodic Asymmetric Ranging Network[J]. IEEE Internet of Things Journal,
2021, 8(11): 9030-9044.
[41] Z. Ronghua, S. Hemin, L. Hao, et al. TDOA and track optimization of UAV swarm based on D-
optimality[J]. Journal of Systems Engineering and Electronics, 2020, 31(6): 1140-1151.
[42] L. Zang, C. Shen, K. Zhang, et al. Research on Hybrid Algorithm Based on TDOA [C]. 2020
IEEE 20th International Conference on Communication Technology (ICCT), 2020, 539-542.
[43] Y. Zheng, M. Sheng, J. Liu, et al. Exploiting AoA Estimation Accuracy for Indoor Localization:
A Weighted AoA-Based Approach[J]. IEEE Wireless Communications Letters, 2019, 8(1): 65-68.
[44 ] G. Fokin. AOA Measurement Processing for Positioning using Unmanned Aerial Vehicles
[C].2019 IEEE International Black Sea Conference on Communications and Networking
(BlackSeaCom), 2019, 1-3.
[45] F. Zafari, A. Gkelias, K. K. Leung. A Survey of Indoor Localization Systems and Technologies[J].
IEEE Communications Surveys & Tutorials, 2019, 21(3): 2568-2599.
[ 46 ] F. A. Tun,, Y. K. Alp, L. D. Ata. Location Estimation by Using Multiple TDOA/AOA
Measurements[C]. 2020 28th Signal Processing and Communications Applications Conference (SIU),
2020, 1-4.
[47] S. Xu. Optimal Sensor Placement for Target Localization Using Hybrid RSS, AOA and TOA
Measurements[J]. IEEE Communications Letters, 2020, 24(9): 1966-1970.
[48] Ericssion, Evaluation of Positioning Measurement System[M]. T1P1_5: 98-110.
[49] Greenstein L J, Erceg V, Yeh Y S, et al. A New Path-Gain/Delay-Spread Propagation Model for
Digital Cellular Channels[J]. IEEE Transactions on Vehicular Technology, 1997, 46(2): 477-485.
[50] Z. Niu, H. Li, X. Zhou, et al. Overview of Jammer Localization in Wireless Sensor Networks
[C].2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference
(ITAIC), 2020, 9-13.
[51] 彭美璇. 基于无线电测距的无人系统定位算法研究[D]. 济南: 山东大学, 2019.
[52] 赵越. 无线定位网络节点优化理论与关键技术研究[D]. 西安: 西安电子科技大学, 2020.
[53] A. A. Ghany, B. Uguen, D. Lemur. A Pre-processing Algorithm Utilizing a Paired CRLB for
TDoA Based IoT Positioning[C].2020 IEEE 91st Vehicular Technology Conference (VTC2020-
Spring), 2020, 1-5.
[54] 玄玉. 基于卡尔曼滤波算法的 TDOA 室内定位系统设计与实现[D]. 南京：东南大学, 2020.
[55] 李杰. 基于遗传算法与蚁群算法的 WSN 定位算法[D]. 上海: 上海交通大学, 2017.
[56] Xiong H, Xiong K, Tang Q. A Novel Variable-Boundary-Coded Quantum Genetic Algorithm for
65
 内蒙古大学硕士学位论文

Function Optimization[C]. Chengdu, China: Eighth IEEE International Conference on Dependable,

Autonomic and Secure Computing, DASC 2009, 2009, 12-14.
[57] S. Choueiry, M. Owayjan, H. Diab et al. Mobile Robot Path Planning Using Genetic Algorithm
in a Static Environment [C].2019 Fourth International Conference on Advances in Computational
Tools for Engineering Applications (ACTEA), 2019, 1-6.
[58] 包子阳, 余继周, 杨杉. 智能优化算法及其 MATLAB 实例第 2 版[M].北京: 电子工业出
版社, 2018, 10-16.
[ 59 ] A. Lambora, K. Gupta, K. Chopra. Genetic Algorithm- A Literature Review[C]. 2019
International Conference on Machine Learning, Big Data, Cloud and Parallel Computing
(COMITCon), 2019, 380-384.
[60] J. Tang, G. Liu, Q. Pan. A Review on Representative Swarm Intelligence Algorithms for Solving
Optimization Problems: Applications and Trends[J]. IEEE/CAA Journal of Automatica Sinica, 2021,
8(10):1627-1643.
[61] 潘雁鹏. 基于时差量测的目标定位与跟踪算法研究[D]. 西安: 西安电子科技大学, 2019.
[62] P. S. Madhukar, L. B. Prasad. State Estimation using Extended Kalman Filter and Unscented
Kalman Filter[C]. 2020 International Conference on Emerging Trends in Communication, Control
and Computing (ICONC3), 2020, 1-4.

66
 内蒙古大学硕士学位论文

致谢

时光匆匆，犹如滚滚长江东逝水，眨眼间就到了该和三年硕士研究生生活说再见的时候
了。回首这三年，我们经历了新冠疫情，明白了在校自由自在的学习是多么难得。研究生生
活是有着艰辛与苦恼的，但更多的是苦尽甘来的甜，如今回头看去感觉到最多的是对三年生
活的不舍。回顾往昔，我的内心充满着感恩，在硕士论文完成之际，我向所有鼓励、支持以
及帮助过我的老师、同学、朋友以及家人致以最衷心的感谢！
首先我要特别感谢的是我的导师刘洋教授，在这三年间，无论是在生活中还是在科研学
习领域，刘洋老师都给予了我至关重要的帮助和指导。每当我迷茫的处在一个又一个选择的
岔口时，刘老师总像是一盏明灯指引着我前行的方向，让我可以勇敢向前。三年间，我从老
师身上学习到的不只有知识，更有对于学习奋发图强的态度与为人处世的道理。老师总是言
传身教像我们展示着奋发图强的含义，他总是每日最早一批来到学校的老师，也是每日离开
办公室最迟的老师。老师一直以来都是我的榜样，时刻严于律己，在学术道路上不断需求突
破，严谨的学术习惯影响着实验室的每一个学生。当我在科研学校中遇到困难时，刘老师总
能帮助并引导我克服困难，为我答疑解惑。我非常感谢老师能够在看到我自身缺点的时候对
我进行教育，让我能够更快的成长起来。我意识到在接下来的人生道路中还有很长的路要走，
我会继续向老师学习，不忘初心，时刻牢记老师对我的真诚教诲，不断提高完善自我。
其次，我要感谢实验室的梁嘉诚师兄，李玉婷师姐，冯庆霞师姐等人在科研上的帮助，
让我能够快速的进入科研的大门。我要感谢在实验室朝夕相处三年的连尹博，李鹏慧，刘子
寒，柴进，张秋彤，张静，姚钦，成乾，魏嘉璇和成乾这些同门兄弟姐妹们，很幸运有机会相
聚内大，相聚 915 实验室，感谢大家平时对我的关心和照顾。感谢陪伴我三年的舍友们，成
乾，黄杰，成乾，能够有你们的陪伴也是我的幸运，友谊天长地久。
我要特别感谢为我无私奉献的家人们，我的今天离不开家人无条件的支持，也是因为家
人的支持给予了我直面困难的勇气和决心。家人的爱是我最珍贵的财富，真心感谢家人对我
无微不至的关怀与爱护，家人是我力量的源泉，更是我直挂云帆济沧海的信心支撑。
最后，再次感谢所有帮助、关心和支持我的人们，同时也衷心感谢所有参与评审本论文
的专家和老师们，谢谢你们！

67