一种基于当前统计模型的GPS定位方法及系统与流程

一种基于当前统计模型的gps定位方法及系统
技术领域
1.本发明涉及gps定位技术领域，特别涉及一种基于当前统计模型的gps定位方法及系统。


背景技术：

2.gps为大众所熟知的全球定位系统。该系统是基于一个或多个卫星星座的无线电导航系统，能通过卫星为各类静止或高速运动的用户提供精准的三维空间坐标与时间信息，以及提供位置相关的实时动态信息等多种服务，对国家交通导航、经济发展和公共安全服务，特别是军事和战略意义深远。在现代化战争之中信息战已经逐渐成为主体是现在各现代化大国综合实力与国际竞争力的重要体现。所以，如何提高定位系统精确度是现在gps领域面临的一大挑战也是各专家学者研究的热门课题。
3.gps是一种新的突破，在导航定位以及测量学中开拓了新的领域，打破了以往传统只能根据星相或地标来确定位置的不便。然而，由于 gps定位中会产生各种各样的利用传统的方法很难去除的误差，这些误差会给定位精度带来很大的影响，因此这个原因就会限制了gps在某些地方的应用。为了减少误差带来的影响，在实践中有各种方法得到了应用，例如，常见的方法有动态滤波、差分定位等。为了去除定位过程中的一些误差，提高gps的定位精度，在线性系统中卡尔曼滤波算法最常用。该算法有着递推性这一很少见的特征，也正因如此，使得其能以“预测-修正”的工作方式进行工作，意思就是当把修正值添加到预测的估计值中后，滤波后之的估计值就可以得到了。但是，当系统的状态突然改变时，就是所观测物体方向或速度发生突变时，滤波得到的系统状态有一定的延迟性，做不到及时跟踪到该系统真实状态的变化，正是因为卡尔曼滤波有这样的一个缺点，所以影响了最终的滤波效果，使得结果达不到理想预期。


技术实现要素：

4.为解决上述现有技术中所存在的卡尔曼滤波效果不理想，导致最终gps定位结果不准确等问题，本发明提供一种基于当前统计模型的 gps定位方法，采用“当前统计模型”来进行建模，从而解决延迟性，提高定位精度。
5.为了达到上述技术目的，本发明提供了一种基于当前统计模型的 gps定位方法，包括：
6.获取原始数据，基于定位原始数据构建系统方程及量测方程，其中系统状态模型为当前统计模型；
7.将系统方程及量测方程进行离散化，获取离散扩展卡尔曼滤波方程；
8.通过对量测方程进行加速度预测，得到自适应方程，通过自适应方程改进离散扩展卡尔曼滤波方程，获取自适应扩展卡尔曼滤波方程，通过自适应扩展卡尔曼滤波方程进行gps定位，获取gps定位结果。
9.可选的，所述原始数据包括状态变量及观测变量；
10.其中状态变量包括同一坐标系下，载体三轴位置，载体三轴速度，载体三轴加速度，误差源三轴总体位置误差，观测变量包括观测噪声。
11.可选的，所述系统方程为：
[0012][0013]
其中，a为载体三轴及总体位置误差矢量，x为误差源三轴总体位置误差矩阵，b为加速度及均值误差矢量，u为加速度及均值误差矩阵的转置矩阵。
[0014]
可选的，所述量测方程为：
[0015]
z＝hx w
l
[0016]
其中，h为里测矩阵，h＝[i3×
3 03×
6 i3×3]3×
12
,i3×3,03×6,i3×3为相应次数测量的里测矩阵，观测噪声表示为w
l
＝[w
ρ1
、w
ρ2
、w
rz
]
t
，w
ρ1
、 w
ρ2
、w
rz
为相应分量的观测噪声。
[0017]
可选的，所述自适应扩展卡尔曼滤波方程包括预测方程，预测误差协方差阵，增益矩阵，滤波矩阵，滤波方程，滤波误差协方差阵，其中，
[0018]
预测方程为：x(k|k-1)＝φ1(k|k-1)x(k-1|k-1)
[0019]
增益矩阵为：
[0020]
p(k|k-1)＝φ(k|k-1)p(k-1|k-1)φ
t
(k|k-1) q(k-1|k-1)
[0021]
滤波矩阵为：
[0022]
k(k)＝p(k|k-1)h
t
(k)[h(k)p(k|k-1)h
t
(k) r(k)]-1
[0023]
滤波方程为：
[0024]
x(k|k)＝x(k|k-1) k(k)[z(k)-h(k)x(k|k-1)]
[0025]
滤波误差协方差阵为：
[0026]
x(k|k-1)为k时刻的后验状态估计值，即更新后的结果，也叫最优估计,φ1(k|k-1)为k-1时刻的系统状态转移矩阵，p(k|k-1)为后验估计协方差，q(k-1|k-1)为系统动态噪声，k(k)为滤波增益矩阵，是滤波的中间计算结果，卡尔曼增益，或卡尔曼系数，h(k)为 k时刻的里测矩阵，r(k)为观测噪声的协方差矩阵，z(k)为k时刻观测向量。
[0027]
为了更好的达到上述技术目的，本发明还提供了一种基于当前统计模型的gps定位系统，包括，
[0028]
第一处理模块用于获取原始数据，基于定位原始数据构建系统方程及量测方程，其中系统状态模型为当前统计模型；
[0029]
第二处理模块用于将系统方程及量测方程进行离散化，获取离散扩展卡尔曼滤波方程；
[0030]
定位模块用于通过对量测方程进行加速度预测，得到自适应方程，通过自适应方程改进离散扩展卡尔曼滤波方程，获取自适应扩展卡尔曼滤波方程，通过自适应扩展卡尔曼滤波方程进行gps定位，获取 gps定位结果。
[0031]
可选的，所述第一处理模块中，所述原始数据包括状态变量及观测变量；
[0032]
其中状态变量包括同一坐标系下，载体三轴位置，载体三轴速度，载体三轴加速度，误差源三轴总体位置误差，观测变量包括观测噪声。
[0033]
可选的，所述第一处理模块中，所述系统方程为：
[0034]
[0035]
其中，a为载体三轴及总体位置误差矢量，x为误差源三轴总体位置误差矩阵，b为加速度及均值误差矢量，u为加速度及均值误差矩阵的转置矩阵。
[0036]
可选的，所述第一处理模块中，所述量测方程为：
[0037]
z＝hx w
l
[0038]
其中，h为里测矩阵，h＝[i3×
3 03×
6 i3×3]3×
12
,i3×3,03×6,i3×3为相应次数测量的里测矩阵，观测噪声表示为w
l
＝[w
ρ1
、w
ρ2
、w
rz
]
t
，w
ρ1
、 w
ρ2
、w
rz
为相应分量的观测噪声。
[0039]
可选的，所述定位模块中，所述自适应扩展卡尔曼滤波方程包括预测方程，预测误差协方差阵，增益矩阵，滤波矩阵，滤波方程，滤波误差协方差阵，其中，
[0040]
预测方程为：x(k|k-1)＝φ1(k|k-1)x(k-1|k-1)
[0041]
增益矩阵为：
[0042]
p(k|k-1)＝φ(k|k-1)p(k-1|k-1)φ
t
(k|k-1) q(k-1|k-1)
[0043]
滤波矩阵为：
[0044]
k(k)＝p(k|k-1)h
t
(k)[h(k)p(k|k-1)h
t
(k) r(k)]-1
[0045]
滤波方程为：
[0046]
x(k|k)＝x(k|k-1) k(k)[z(k)-h(k)x(k|k-1)]
[0047]
滤波误差协方差阵为：
[0048]
x(k|k-1)为k时刻的后验状态估计值，即更新后的结果，也叫最优估计,φ1(k|k-1)为k-1时刻的系统状态转移矩阵，p(k|k-1)为后验估计协方差，q(k-1|k-1)为系统动态噪声，k(k)为滤波增益矩阵，是滤波的中间计算结果，卡尔曼增益，或卡尔曼系数，h(k)为k时刻的里测矩阵，r(k)为观测噪声的协方差矩阵，z(k)为k 时刻观测向量。
[0049]
本发明具有如下技术效果：
[0050]
本发明解决了因为卡尔曼滤波中的一步预测值和滤波增益所造成的不能及时跟踪现象的问题，采用了“当前统计模型”来进行建模，从而解决延迟性，提高定位精度。
附图说明
[0051]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0052]
图1为本发明实施例提供的方法流程示意图；
[0053]
图2为本发明实施例提供的系统示意图。
具体实施方式
[0054]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055]
为了解决在现有技术中存在卡尔曼滤波效果不理想，导致最终gps定位结果不准确等问题，本发明提供了如下方案：
[0056]
实施例一
[0057]
如图1所述，本发明提供了一种基于当前统计模型的gps定位方法，包括：
[0058]
在经过对卡尔曼滤波递推算法的分析推算后，发现之所以产生不能及时跟踪现象主要是因为卡尔曼滤波中的一步预测值和滤波增益所造成的，故本文采用了“当前统计模型”来进行建模，从而解决延迟性，提高定位精度。本发明提供了一种基于“当前统计模型”的 gps定位算法。在研究卡尔曼滤波基本原理和载体动态模型后，首先从接收机输出的定位结果出发，为了方便后期的结果处理以及研究顺利，以此总误差来替代所有过程中产生的各种误差，来方便计算研究。并且在建立滤波器的模型时，采用了以当前统计模型为基础来建模，接着在处理动态定位数据，用线性卡尔曼滤波器来处理。然后在原始滤波器模型的基础上，对算法做了简单的自适应滤波，滤波后效果较好，提高一些定位精度。最后，用matlab语言开发定位算法，并做仿真分析，结果表明此算法定位精度较高，满足研究初衷。
[0059]
一阶马尔柯夫过程可以根据加速度或者a(t)的变化通过二阶系统一阶时间相关模型来描述。
[0060]
设定a的时间相关函数满足式(3-2)，式中加速度的方差用表示，它和λ一样都是由载体的机动特性决定的未知数，如果目标运动状态不同，那么他们取值就会不同，只有通过实时测量才能确定它们的准确值。一般情况下，它们的取值会有大概的范围，例如，转弯机动λ等于1/60，逃避机动λ等于1/20，大气扰动λ等于 1，根据一阶马尔柯夫理论应该有下式成立
[0061][0062]
s(t)为高斯白噪声，
[0063]
们假设加速度服从近似均匀分布，加速度方差为
[0064][0065]
于是singer模型可描述如下
[0066][0067]
从式(3-2)中可以发现，当λ
→
∞时，a(t)为0，这时载体运动属于等速直线运动，当λ为0时，a为0，a(t)为常数，这时载体运动属于等加速运动。当λ取不同的值，载体的运动状态也会不同，运动状态是从等速到等加速之间的，因此如果要它跟ca模型比的话，该模型的机动适应性要强一些。但是如果是强机动时不适合采用该模型，因为会产生的比较大误差，所以该模型只适合等速和等加速范围内的运动。
[0068]
如果正以某一加速度机动时，下一时刻的加速度取值只能在“当前”的加速度的周围变化，并且是有限的，采用这个模型时，所有的加速度取值情况都不用考虑，只要得到机动加速度的“当前”的概率密度就行，这不仅仅减少了很大的工作量，同时也减少了误差，因为采用这个模型可以缩减机动加速度的取值范围。
[0069]
若载体的当前加速度大于0时，概率密度函数为：
[0070][0071][0072][0073]
其中已知载体加速度的正上限用a
max
表示，η指的是一个为正的常数。
[0074]
当载体的当前加速度小于0时，概率密度函数为：
[0075][0076][0077][0078]
其中加速度负下限用a-max
表示。
[0079]
在实践轴上随机的机动加速度符合一阶时间相关过程。即
[0080][0081][0082]
式中加速度的“当前”均值在每个采样周期内为常数，用表示。s(t)指的是高斯白噪声。其数学期望和方差为：
[0083]
e[s(t)]＝0
ꢀꢀꢀ
(3-12)
[0084][0085]
整理式(3-10)和式(3-11)得：
[0086][0087]
于是当前统计模型为：
[0088][0089]
在比较了当前统计模型与singer模型后，发现目前当前统计模型比singer模型要常用一些。它机动加速度特性是通过修正瑞利分布去表述。如果目标正以某一加速度运动时，采用零均值的时间相关模型不太好，会有很多误差，因此，如果采用不为零的均值时间相关模型，定位误差更小，目标机动范围和强度的变化更能被准确地反映出来，定位精度更高。因此，当前统计模型更适用于实际情况。
[0090]
比较了现有技术的优缺点，开始阐述本发明的具体技术内容：
[0091]
s1、在获取了原始数据的情况下，构建系统方程，取状态变量为:
[0092][0093]
其中x，y，z分别表示机动载体在三个坐标轴方向上的位置，其中x，y，z分别表示机动载体在三个坐标轴方向上的位置，分别表示机动载体在三个坐标轴方向上的速度，分别表示机动载体在三个坐标轴方向上的加速度分量，ε
x
，εy，εz分别表示各种误差源在三个坐标轴方向上造成的总位置误差。
[0094]
如果目标正以某一加速度机动时，不能采用零均值模型，可以用不为零的均值时间相关模型。通俗来讲，其实也很容易理解，就是将加速度变量改成一个当前均值加上一个有色噪声，这样的话，就可以把零均值时间模型改成不为零均值时间模型：
[0095][0096]
其中：a
x
(t)、ay(t)、az(t)为加速度在三个坐标轴上的分量，(t)为加速度在三个坐标轴上的分量，为对应分量加速度的均值，且在每—采样周期内为常数，ξ
x
(t)、ξy(t)、ξz(t)均为零均值有色加速度噪声，满足：
[0097][0098]
其中ω
ax
(t)、ω
ay
(t)、ω
az
(t)为零均值的激励白噪声。τ
ax
、τ
ay
、τ
az
分别为三个坐标轴对应速度分量的相关时间。
[0099]
由式(4-2)可知，
[0100]
因为：
[0101]
设由式(4-4)可得：
[0102]
[0103]
同理可得：
[0104][0105]
将当前均值加上一有色噪声得到的结果看作为总误差，如下：
[0106][0107]
其中：ε
x
、εy、εz为等效总误差在三个坐标轴上的分量，为等效总误差在三个坐标轴上的分量，为对应误差分量的均值，ξ
εx
(t)、ξ
εy
(t)、ξ
εz
(t)均为一有色噪声，满足：
[0108][0109]
其中ω
εx
(t)、ω
εy
(t)、ω
εz
(t)为零均值的激励白噪声。τ
εx
、τ
εy
、τ
εz
分别为对应三个坐标轴对应噪声分量的相关时间的倒数。
[0110]
由式(4-5)可知，
[0111]
因为：
[0112]
所以：
[0113]
由此可得系统状态方程为:
[0114][0115]
式中，
[0116]
a＝diag[a
x a
y a
z a
ε
]
ꢀꢀꢀ
(4-9)
[0117][0118]
矢量
[0119][0120][0121][0122]
w(t)＝[0 0 ω
ax
(t) 0 0 ω
ay
(t) 0 0 ω
az
(t) ω
εy
(t) ω
εy
(t) ω
εz
(t)]
t
[0123]
为系统噪声矢量；ω
ax
、ω
ay
、ω
az
、ω
εx
、ω
εy
、ω
εz
分别分别的高斯白噪声。
[0124]
τ
ax
、τ
ay
、τ
az
、τ
εx
、τ
εy
、τ
εz
分别为xyz轴的相关时间；xyz轴上现在的加速度均值分别用表示。
[0125]
构建量测方程，将接收机接收通过计算得到的两颗星的伪距ρ1 和ρ2、多普勒等其它导航器件输出的三维速度计算得到的全速v作为观测量。记z＝[ρ1、ρ2、v]
t
,设w
ρ1
、w
ρ2
、w
rz
为相应分量的观测噪声即观测变量，则有：
[0126][0127][0128]
[0129]
量测方程如下：
[0130]
z＝hx w
l
ꢀꢀꢀ
(4-11)
[0131]
其中，h＝[i3×3、03×6、i3×3]3×
12
,如下面所示。观测噪声表示为w
l
＝[w
ρ1
、w
ρ2
、w
rz
]
t
。由式(4-8)和(4-11)这两个式子可以看出来它是典型的线性卡尔曼滤波方程。
[0132][0133][0134]
h(0,12)＝c；
[0135][0136][0137]
h(1,12)＝c；
[0138]
s2、建立了系统方程及量测方程后，就是需要建立离散的扩展卡尔曼滤波方程。
[0139]
第三步构建扩展卡尔曼滤波方程，首先对有方程式(4-8)、(4-11)构成的模型进行离散化,设采样周期为t,通过离散化处理,得到如下结果：
[0140]
x(k)＝φ(k|k-1)x(k-1) b1(k)u(k) o(k)w(k)
[0141]
z(k)＝h(k)x(k) w
l
(k)
[0142]
预测方程：
[0143]
x(k|k-1)＝φ(k|k-1)x(k-1|k-1) b1u(k|k)
ꢀꢀꢀ
(4-12)
[0144]
z(k/k-1)＝h(k)z(k/k-1)
[0145]
预测误差协方差阵:
[0146]
p(k|k-1)＝φ(k|k-1)p(k-1|k-1)φ
t
(k|k-1) q(k-1|k-1)
ꢀꢀꢀ
(4-13)
[0147]
增益矩阵:
[0148]
k(k)＝p(k|k-1)h
t
(k)[h(k)p(k|k-1)h
t
(k) r(k)]-1
ꢀꢀꢀ
(4-14)
[0149]
滤波方程:x(k|k)＝x(k|k-1) k(k)[z(k)-h(k)x(k|k-1)]
ꢀꢀꢀ
(4-15)滤波误差协方差阵:p(k|k)＝[1-k(k)h(k)]p(k|k-1)
ꢀꢀꢀ
(4-16)
[0150]
初值算法:
[0151]
如果在进行双星/多普勒组合动态定位的实时滤波时，要是直接用上面说的扩展卡尔曼滤波方程进行，因为所建立的模型特别复杂并且与真实情况存在着误差，所以滤波器不会有很好的动态性能。为了把这个问题给解决了，采用了拥有自适应能力的扩展卡尔漫滤波算法。
[0152]
s3、最后一步就是自适应滤波，想要得到加速度的均值自适应算法，可以通过把的一步预测看作成随机加速度的均值。
[0153]
设
[0154]
将上述假设,代入一步预测方程(4-11)，并以x轴方向为例推导如下：
[0155][0156]
其中，b
1xe
(k)为b
1x
(k)在分量上的投影矩阵。
[0157]
同理可得：
[0158]
又设将上述假设代入ε方向方程，得
[0159][0160]
综上所述x(k|k-1)＝φ1(k|k-1)x(k-1|k-1)
ꢀꢀꢀ
(4-18)
[0161]
式中φ1(k|k-1)＝diag[φ
1x
(k|k-1)φ
1y
(k|k-1)φ
1z
(k|k-1)φ
1ε
(k|k-1)]
[0162]
如果一步预测方程(4-12)被式(4-18)所替代，那么这样就能够得出拥有自适应能力的扩展卡尔曼滤波方程：
[0163]
x(k|k-1)＝φ1(k|k-1)x(k-1|k-1)
ꢀꢀꢀ
(4-19)
[0164]
p(k|k-1)＝φ(k|k-1)p(k-1|k-1)φ
t
(k|k-1) q(k-1|k-1)
ꢀꢀꢀ
(4-20)
[0165]
k(k)＝p(k|k-1)h
t
(k)[h(k)p(k|k-1)h
t
(k) r(k)]-1
ꢀꢀꢀꢀꢀ
(4-21)
[0166]
x(k|k)＝x(k|k-1) k(k)[z(k)-h(k)x(k|k-1)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4-22)
[0167]
p(k|k)＝[1-k(k)h(k)]p(k|k-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4-23)
[0168]
如果没有加速度均值自适应，那么距阵φ1(k|k-1)仅当at趋近于零时才等于φ(k|k-1)。如果加入了均值自适应算法，会提高机动目标跟踪能力，这时候就有两种情况，第一种就是等同于跟踪有很大机动加速度时间常数(a
→
0)，第二种是等同于加大了采样频率(t
→
0)的可能性。
[0169]
本发明在前序内容的定位理论基础上，对整个定位过程进行了仿真，实验中，根据卫星轨道参数和时间确定了卫星所在位置，通过模拟卫星轨道参数获得了卫星的位置和速度，这次的实验结果是通过 matlab仿真得到的，下面是做完实验后，分析的实验结果。
[0170]
gps对用户的定位功能是采用24颗卫星组成的玫瑰型星座模型来实现的，假设这24颗卫星在具有55
°
倾角的6个圆形轨道上均匀地分布着，轨道半径a等于26561750m，它的升交点经度呈等间距分布。卫星在轨道中描述运动状态时，可能还需要分别是定义轨道形状和取向的6个参数：a，e，m0，i，ω，ω。一般来说，可以不需要轨道偏心率e和近地点张角ω，因为假设是圆形的轨道。确定了所有卫星轨道参数后，就可以求解出任意时刻卫星的位置和速度。
[0171]
仿真中先假设接收机位置为：(115，32，100)，接收机速度为：(10，10，10)，可以计算出接收机与各个卫星的伪距。然后再给卫星速度加上均方差为0.5的高斯噪声干扰，伪距精度变差，对单点定位过程做600次独立的仿真。能够得到卫星的初始化距离，由于卫星的
真实位置与初始化是有差距的，所以添加了观测噪声，得到了添加了观测噪声后的轨迹，最后得到添加观测噪声后的伪距误差。
[0172]
根据目标在不同运动状态下，由于刚开始卫星是被锁定的，所以 t＝0时刻的误差为0，随着时间的流逝，误差越来越小。在多次改变不同速度和加速度后，通过改变仿真中的速度和加速度，观察不同运动状态(弱机动和强机动)下singer模型和当前统计模型的定位误差。例如，假设接收机位置为：(115，32，100)，接收机速度为：(0.5， 0.5，0.5)，加速度为(0.25，0.25，0.25)；假设接收机位置为：(115， 32，100)。接收机速度为：(30，20，15)，加速度为(20，20，-10)，仿真结果表明，在弱机动下singer模型滤波的估计值误差小，在强机动下采用当前统计模型滤波的估计值比singer模型滤波的估计值误差更小，在强机动下采用singer模型，位置误差在250m左右，误差太大，采用当前统计模型后，位置误差大约在30m左右，误差较小。
[0173]
最后本次实验还仿真自适应滤波算法。仿真中假设接收机位置为：(115，32，100)。接收机速度改变为：(30，20，15)，增加了加速度，加速度为(20，20，-10)。x,y方向加速度正上限和负下限分别为25/s2，
ꢀ‑
25/s2；z方向加速度正上限和负下限分别为15/s2，-15/s2，采样时间间隔为0.1s。
[0174]
通过仿真实验可知，自适应滤波后位置更稳定些，非自适应滤波的估计值比自适应滤波的估计值误差要大一些，收敛慢一些，采用自适应滤波定位误差更小，定位结果更加准确。
[0175]
综上所述，采用当前统计模型比singer模型定位效果更好，然后采用自适应卡尔曼滤波方程对卫星定位结果进行实时滤波处理, 初始条件选取为：假设接收机位置为：(115，32，100)，接收机速度为：(30，20，15)，加速度为(20，20，-10)。多次仿真结果表明，采样周期t＝0.25时效果最佳。采用该模型后，跟踪速度有明显的改进，定位精度得到提高。
[0176]
实施例二
[0177]
如图2所示，本发明还提供了一种基于当前统计模型的gps定位系统，包括，
[0178]
第一处理模块用于获取原始数据，基于定位原始数据构建系统方程及量测方程，其中系统状态模型为当前统计模型；
[0179]
第二处理模块用于将系统方程及量测方程进行离散化，获取离散扩展卡尔曼滤波方程；
[0180]
定位模块用于通过对量测方程进行加速度预测，得到自适应方程，通过自适应方程改进离散扩展卡尔曼滤波方程，获取自适应扩展卡尔曼滤波方程，通过自适应扩展卡尔曼滤波方程进行gps定位，获取 gps定位结果。上述系统技术内容与方法技术内容相对应，此处不做过多赘述。
[0181]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。