一种面向电场信号干扰的超宽带定位方法及装置与流程

1.本技术涉及领域，尤其涉及一种面向电场信号干扰的超宽带定位方法及装置。


背景技术：

2.超宽带技术是一种无线通信技术。它通过对具有很陡上升和下降时间的冲激脉冲进行直接调制，使信号具有ghz量级的带宽。
3.超宽带技术有众多优点，其一由于它的无载波的无线技术优势，传输效率更高、消耗功率低、穿透能力强。其二超宽带技术可以应用到室内位置分析和机器人发展运动对象追踪等领域。所以，超高宽带技术可以被广泛地用于室内静态、运动和人类的位置追踪和导航，并且具有非常高的准确率。
4.由于面向强电场环境中精确定位技术涉及异常数据处理、数据聚类清洗、初步目标定位问题、精确目标定位问题、定位模型阈值和权值优化，只有建立多种模型及算法才能切实解决精确定位的问题。但在实际定位应用中存在穿透力低、功耗高、效率低下、系统复杂度低、在强电场干扰下不能精确定位的问题。


技术实现要素：

5.本技术提供了一种面向电场信号干扰的超宽带定位方法及装置，以解决在实际定位应用中存在穿透力低、功耗高、效率低下、系统复杂度低、在强电场干扰下不能精确定位的问题。
6.一方面本技术提供一种面向电场信号干扰的超宽带定位方法及装置，包括：
7.构建定位模型，所述定位模型以强电场中目标靶点三维坐标精确定位为目标；
8.根据所述定位模型，基于最小二乘算法的残差加权算法进行粗略定位，得到粗略定位信息；
9.根据所述粗略定位信息，改进迭代自组织数据分析算法iso算法调整bp神经网络权值和阈值，以及对超宽带精确定位问题进行求解，得到精确定位信息。
10.可选的，根据所述定位模型，基于最小二乘算法的残差加权算法进行粗略定位，包括：
11.构建k-means聚类模型；
12.基于飞行时间测距原理，得到超宽带数据集；
13.采用基于最优k值的k-means数据清洗模型对所述超宽带数据集进行数据清洗，得到超宽带数据清洗模型；
14.对所述超宽带数据清洗模型利用残差加权算法对目标靶点坐标初步求解，得到粗略定位信息。
15.k-means聚类模型算法思想简单，收敛速度快，聚类效果较优。
16.可选的，所述超宽带数据集含有基站、目标靶点的实际坐标数据及分别处于有、无信号干扰的基站到目标靶点距离数据；获取基于飞行时间测距原理，得到超宽带数据集，包
括:
17.根据所述实际坐标数据以及所述距离数据计算基站到目标靶点的距离；
18.每个数据文件在同一坐标位置连续时间记录多组数据，以及在每个坐标位置采集正常数据和异常数据，得到总数据；
19.对所述总数据进行筛选，得到筛选后的数据库；
20.对所述筛选后的数据库利用相似性度量方法衡量数据集中所有数据之间的关系，以及将相似性大于或等于阈值的数据划分到一个集合中，得到所述超宽带数据集。
21.可选的，对所述总数据进行筛选，得到筛选后的数据库，包括：
22.基于3σ准则异常值剔除方法，得到异常值，所述异常值为结果值中与平均值的偏差超过三倍标准差的值；
23.移除所述异常值以及所述数据库中的相同值；
24.将移除后数据集的利用k-means算法筛选，得到离质心最近的数据集。
25.3σ准则可以提高数据的准确性。
26.可选的，采用基于最优k值的k-means数据清洗模型对所述超宽带数据集进行数据清洗，包括：
27.在基于肘部法则的k-means聚类模型中选取最优k值；
28.计算每次聚类后，每个坐标点到其所属质心距离平方和；
29.基于所述距离平方和所述距离平方的变化率中，获取最优k值，所述最优k值为所述距离平方的变化率超过变化率阈值的点对应k值；
30.采用基于所述最优k值的数据清洗模型对所述超宽带数据集进行数据清洗。
31.基于肘部法则，可以重复训练多个k-means模型，选取不同的k值，来得到相对合适的聚类类别。
32.可选的，对所述超宽带数据清洗模型利用残差加权算法对目标靶点坐标初步求解，得到粗略定位信息，包括：
33.计算所述超宽带数据集中基站与待测目标靶点的测量距离的平方，得到测量距离；
34.根据基站中被干扰基站的个数，得出近似坐标点；
35.建立残差加权算法模型通过穷举基站个数分组；
36.利用通过最小二乘算法得到的每种组合下的目标靶点的初始估计坐标，同时得到该组合的残差；
37.对所述组合的残差进行残差加权，取归一化残差的倒数作为权重，得到粗略定位信息。
38.残差加权算法程序简单、计算便捷准确且误差可知，提高效率。
39.可选的，对所述粗略定位信息构建bp神经网络精确定位模型，包括：
40.设置输入、输出及隐层节点神经网络个数，以及设置初始权重；
41.重复迭代提供训练样本、计算实际输出、权值调整、对于隐层-输出层以及对于输入层-隐层，直至达到最大迭代次数，得到bp神经网络精确定位模型。
42.可选的，对bp神经网络精确定位模型进行优化和求解，包括：
43.基于iso优化算法优化bp神经网络权值和阈值，得到初始化种群；
44.对所述初始化种群进行求解,得到精确定位信息。
45.iso优化算法通过反向学习种群初始化、环境温度收敛因子策略、孵化过程随机差分变异加快了种群的收敛，有效地防止了种群陷入局部最优，同时增强全局搜索能力，有利于降低强电场对定位模型的干扰，提高定位精确度。
46.另一方面，本技术还提供一种面向电场信号干扰的超宽带定位装置，包括：
47.构建模块，用于构建定位模型，所述定位模型以强电场中目标靶点三维坐标精确定位为目标；
48.粗略定位模块，用于根据所述定位模型，基于最小二乘算法的残差加权算法进行粗略定位，得到粗略定位信息；
49.精确定位模块，用于根据所述粗略定位信息，改进迭代自组织数据分析算法iso算法调整bp神经网络权值和阈值，以及对超宽带精确定位问题进行求解，得到精确定位信息。
50.由以上技术方案可知，本技术提供的一种面向电场信号干扰的超宽带定位方法及装置，所述方法包括：构建定位模型，所述定位模型以强电场中目标靶点三维坐标精确定位为目标；根据所述定位模型，基于最小二乘算法的残差加权算法进行粗略定位，得到粗略定位信息；根据所述粗略定位信息，改进迭代自组织数据分析算法iso算法调整bp神经网络权值和阈值，以及对超宽带精确定位问题进行求解，得到精确定位信息。本技术提供的定位方法实现了实际定位应用中穿透力低、功耗高、效率低下、系统复杂度低的的问题、在强电场干扰下提高了定位精确度。
附图说明
51.为了更清楚地说明本技术的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
52.图1为一种面向电场信号干扰的超宽带定位方法及装置的步骤示意图；
53.图2为一种面向电场信号干扰的超宽带定位方法及装置中对超宽带数据集进行数据清洗的示意图；
54.图3为一种面向电场信号干扰的超宽带定位方法及装置中so算法的步骤示意图。
具体实施方式
55.下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本技术相一致的所有实施方式。仅是与权利要求书中所详述的、本技术的一些方面相一致的系统和方法的示例。
56.面向强电场环境中精确定位技术涉及异常数据处理、数据聚类清洗、粗略目标定位、精确目标定位、定位模型阈值权值优化，只有建立多种模型及算法才能切实解决精确定位的问题。
57.室内定位技术通常采用传统的窄带系统及基于aoa、toa、tdoa、rss的定位算法和混合算法定位的简单定位，但仍存在总体精度低、实施难度大、鲁棒性弱、抗干扰能力弱、成本高、等诸多约束条件，强电场很难在满足约束条件的情况下在干扰下可以精确定位的问
题。
58.本技术提供的一种面向电场信号干扰的超宽带定位方法及装置，参见图1，为一种面向电场信号干扰的超宽带定位方法及装置的步骤示意图。超宽带精确定位方法包括：
59.s1：构建定位模型，定位模型以强电场中目标靶点三维坐标精确定位为目标；
60.s2：根据定位模型，基于最小二乘算法的残差加权算法进行粗略定位，得到粗略定位信息；
61.s3：根据粗略定位信息，利用迭代自组织数据分析算法iso算法调整bp神经网络权值和阈值，以及对超宽带精确定位问题进行求解，得到精确定位信息。
62.残差加权算法程序简单、计算便捷准确且误差可知，提高效率。
63.根据定位模型，基于最小二乘算法的残差加权算法进行粗略定位包括：
64.构建k-means聚类模型；
65.基于飞行时间测距原理，得到超宽带数据集；
66.采用基于最优值的数据清洗模型对超宽带数据集进行数据清洗，得到超宽带数据清洗模型；
67.对超宽带数据清洗模型利用残差加权算法对目标靶点坐标初步求解，得到粗略定位信息。
68.关于图2，图2为一种面向电场信号干扰的超宽带定位方法及装置中对超宽带数据集进行数据清洗的示意图。
69.其中，关于数据清洗包括：分析数据、缺失值处理、异常值处理、去重处理、噪音数据处理等。对于数据源缺失处理可采用删除缺失值，适用于当样本数量较大时，并且出现缺失值的样本在整个样本比较相对较小时；也可采用均值填补，即根据缺失值的属性相关系数最大的那个属性，将数据分成几组，分别计算每组的均值，将均值放入缺失的数值中。噪音数据处理还可以选用回归法，回归法可以用一个函数拟合数据来光滑数据，线性回归涉及找出拟合两个属性或变量的“最佳”直线，使得一个属性能够预测另一个，多线性回归是线性回归的扩展，它涉及多于两个属性，并且数据拟合到一个多维面，使用回归法，找出适合数据的数学方程式，就能够帮助消除噪声。
70.超宽带数据集含有基站、目标靶点的实际坐标数据及分别处于有、无信号干扰的基站到目标靶点距离数据；基于飞行时间测距原理，得到超宽带数据集，包括:
71.根据实际坐标数据以及距离数据计算基站到目标靶点的距离；
72.在同一坐标位置连续时间记录多组数据，以及在每个坐标位置采集正常数据和异常数据，得到总数据；
73.对总数据进行筛选，得到筛选后的数据库；
74.对筛选后的数据库利用相似性度量方法衡量数据集中所有数据之间的关系，以及将相似性大于或等于阈值的数据划分到一个集合中，得到超宽带数据集。
75.飞行时间测距原理的原理为通过发射激光脉冲来测量传感器到物体的距离。激光脉冲是指在短时间间隔内一个接一个地发射多个准直光脉冲。它们被物体反射，并被探测器再次收集。计算发射激光脉冲和接收激光脉冲所需的时间，得到传感器到物体的距离。标签和基站之间会通过无线收发至少3次交互之后，可以得到标签和基站之间的距离信息。也可以选用到达时间差进行测距，其标签定位一次只需要发送一次数据，可以做到无限基站
的扩展，只存在2次的交互过程即可实现定位，但飞行时间测距的测距流程简单，关于测距方法不做限制，保证可测距即可。
76.例如基站为a0a1a2a3，待测目标靶点为x＝[x,y,z]
t
，则测量距离的平方等于待测目标靶点到每个基站之间的距离平方，即为以下公式：
[0077][0078]
即：
[0079][0080]
其中，ki＝x
i2
y
i2
z
i2
,i＝0,1,2,3为目标靶点到第i个基站得测量距离。
[0081]
设第1个基站到其他基站的距离平方差为d
i,0
，那么
[0082][0083]
即：
[0084]
ax＝b
[0085]
其中，
[0086][0087]
对总数据进行筛选，得到筛选后的数据库，包括：
[0088]
基于3σ准则异常值剔除方法，得到异常值，异常值为结果值中与平均值的偏差超过三倍标准差的值；
[0089]
移除异常值以及数据库中的相同值；
[0090]
将移除后数据集的利用算法筛选，得到离质心最近的数据集。
[0091]
在实际应用中，3σ准则异常值剔除方法具体步骤公式为：
[0092][0093]
p(|x-μ|＞3σ)≤0.003
[0094]
其中，σ为标准差，n为试样总数或测量次数，μ为均值，x＝μ为图像的对称轴，i为各次测量值。
[0095]
假设已有训练样本是{x
(1)
,
…
,x
(m)
}每一个x(i)∈rn。
[0096]
随机选取k个聚类质心点为μ1,μ2,
…
,μk∈rn；
[0097]
重复每一个样本i计算其属于的类:
[0098]ci
＝arg min||x
(i)-μj||2ꢀꢀꢀ
(6)
[0099]
对于每一个类μj，重新计算该类的质心
[0100][0101]
关于异常值剔除还可以选择grubbs准则，grubbs准则具体步骤为:首先剔除偶然误差，提高自适应速度，其次把采集到的ad值存入一个数组中求平均值，最后计算残差，求标准差。
[0102]
grubbs准则具体操作步骤如下：根据误差理论，要有效地剔除偶然误差，一般要测量10次以上，兼顾到精度和响应速度，例如：选择15次为一个单位。
[0103]
在取得的15个数据中，有些可能含有较大的误差，需要进行数据分检，剔除可疑值，提高自适应速度。
[0104]
它认为若某测量值xi对应的残差vi满足下公式，则此时应将该数据舍去。
[0105]
|vi|＝|xi-x|》＝g(n，a)
×
σ(x)
ꢀꢀꢀ
(8)
[0106]
其中：x为n次采集到的ad值的平均值，x＝(∑xi)/n；σ(x)为测量数据组的标准差，g(n，a)是取决于测量次数n和显着性水平a，a通常取0.01或0.05。
[0107]
由贝塞尔函数可得：
[0108]
σ(x)＝[(∑vi2)/(n-1)]1/2
ꢀꢀꢀ
(9)
[0109]
通过格拉布斯表可得：当n＝15时，a＝0.05,g(n，a)＝2.41。
[0110]
把15次采集到的ad值存入一个数组中然后求平均值，计算残差，求标准差σ(x)。
[0111]
将残差绝对值与2.41倍的标准差σ(x)比较。剔除可疑值以后，再求平均值，求出新的平均值以后，应再重复以上过程，验证是否还有可疑值存在。
[0112]
然而这种方法也有它的不足,利用grubbs准则需要处理大量的数据，而在一般的工业现场测试设备中，仪表结构大多采用嵌入式结构，如avr单片机。这些mcu程序空间和数据空间有限，若处理大量数据，难以满足资源要求。而且，由于grubbs准则要求mcu进行大量数据处理，使得系统降低了信号采集速率，影响实时性。
[0113]
关于质心的确定可以选择随机法，即随机选择某k个样本点作为初始质心；还可以使用层次聚类法，即提取出k个簇，选择这k个簇的质心作为k-means的初始质心。
[0114]
采用基于最优k值的数据清洗模型对超宽带数据集进行数据清洗，包括：
[0115]
在基于肘部法则的聚类模型中选取最优值；
[0116]
计算每次聚类后，每个坐标点到其所属质心距离平方和；
[0117]
基于距离平方和所述距离平方的变化率中，获取最优值，最优值为所距离平方的变化率超过变化率阈值的点对应k值；
[0118]
采用基于最优值的数据清洗模型对超宽带数据集进行数据清洗。
[0119]
其中，在迭代k值过程中，平方和将逐渐减少，直至平方和为0。
[0120]
关于选取最优k值可以使用轮廓系数法，即求出所有样本点的平均轮廓系数，取值为[-1,1]，其值越大越好，聚类效果越好。轮廓系数法的步骤为：每次聚类后，每个样本都会得到一个轮廓系数，当它为1时，说明这个点与周围簇距离较远，结果较好，当它为0，说明这个点可能处在两个簇的边界上，当值为负时，该点可能被误分了，求出所有样本的轮廓系数后再求平均值就得到了平均轮廓系数。关于选取最优k值也可以使用canopy算法，canopy算法通过事先粗聚类的方式，为k-means算法确定k值和初始聚类点,canopy聚类无须给定k
值，其虽然聚类精度低，但收敛速度快，故而可以以canopy算法k-means算法的方式，对样本进行canopy粗聚类，确定k值和初始聚类中点，再使用k-means算法进行细聚类。
[0121]
对超宽带数据清洗模型利用残差加权算法对目标靶点坐标初步求解，得到粗略定位信息，包括：
[0122]
计算超宽带数据集中基站与待测目标靶点的测量距离的平方，得到测量距离；
[0123]
根据基站中被干扰基站的个数，得出近似坐标点；
[0124]
建立残差加权算法模型通过穷举法对基站进行个数分组；
[0125]
利用通过最小二乘算法得到的每种组合下的目标靶点的初始估计坐标，同时得到该组合的残差；
[0126]
对组合的残差进行残差加权，取归一化残差的倒数作为权重，得到粗略定位信息。
[0127]
其中，关于穷举法，其算法简单，也可用辗转相除法，辗转相除法能以有系统的方式求出两数的最大公约数，而无需分别对它们作因式分解。
[0128]
例如：空间中4个基站a0a1a2a3,待测目标靶点为x＝[x,y,z]
t
，若不存在测量误差，则测量距离的平方等于待测目标靶点到每个基站之间的距离平方，即：
[0129][0130]
即：
[0131][0132]
其中ki＝x
i2
y
i2
z
i2
,i＝0,1,2,3为目标靶点到第i个基站得测量距离。
[0133]
假设：第1个基站到其他基站的距离平方差为d
i,0
，那么
[0134][0135]
即：
[0136]
ax＝b
[0137]
其中：
[0138][0139]
实际上，测量误差是存在的，本公开的目标是测量距离与真实距离的误差达到最小，同时保证坐标在题目给定的范围之内，所以考虑如下最小二乘优化(ls)问题：
[0140]
[0141][0142]
假设，n个基站中有m个基站被干扰，只需其他n-m个基站的距离求解出一个近似坐标点，所以建立残差加权算法模型通过穷举基站个数分组，利用通过最小二乘算法得到的每种组合下的目标靶点的初始估计坐标，同时求得该组合的残差。
[0143]
假设，共有n个基站(假设n＝4)，且同一时刻只有一个基站被强电场干扰。考虑每种组合的基站数目，共有种组合，其索引集为：sk,k＝1,2,
…
,m残差定义为：
[0144][0145]
其中，ri为基站ai的测距，xk表示在该组合下的目标靶点估计位置坐标，xi表示基站ai的坐标。为了消除不同组合下基站数目对残差大小的影响，定义归一化残差为：
[0146][0147]
对组合数的估计结果进行残差加权，取归一化残差的倒数作为权重，给出目标坐标的最终估计为:
[0148][0149]
对粗略定位信息构建bp神经网络精确定位模型，包括：
[0150]
设置输入、输出及隐层节点神经网络个数，以及设置初始权重；
[0151]
重复迭代提供训练样本、计算实际输出、权值调整、对于隐层-输出层以及对于输入层-隐层，直至达到最大迭代次数，得到bp神经网络精确定位模型；
[0152]
例如：
[0153]
对bp神经网络精确定位模型进行优化和求解，包括：
[0154]
基于iso算法优化bp神经网络权值和阈值，得到初始化种群；
[0155]
对初始化种群进行求解,得到精确定位信息。
[0156]
构建三层神经网络.假设bp网络的某层中第j个节点在给定一个训练样本时，其总输入为：
[0157][0158]
第j个节点的输出是其总输出的一个交换：
[0159][0160]
bp学习算法的步骤：
[0161]
初始化，根据需解决的问题，设置输入、输出及隐层节点神经网络个数，同时设初始权重任意小。
[0162]
提供训练样本：(x1,x2,
…
,xn；t1,t2,
…
,tm)
[0163]
计算实际输出：
[0164]
权值调整：ω
ij
(n-1)＝ω
ij
(n) δω
ij
[0165]
对于隐层-输出层：
[0166]
对于输入层-隐层：δk＝ok(1-oj)
[0167]
关于bp神经网络，bp神经网络可以实现从输入到输出的映射功能，利于求解复杂问题，且bp神经网络具有高度自学习和自适应的能力，bp神经网络在训练时，能够通过自动提取输出、输出数据间的“合理规则”，并自适应的将内容记忆于网络的权值中。
[0168]
其中，iso算法为so算法的优化算法；so算法是一种基于蛇生存模拟的算法，模拟自然界中蛇的行为，如觅食、战斗、交配、产卵等。针对so算法算法存在的缺点，提出反向学习种群初始化、环境温度收敛因子策略、孵化过程随机差分变异三个方面对so算法进行优化改进，加快了种群的收敛，有效地防止了种群陷入局部最优，同时增强全局搜索能力，有利于降低强电场对定位模型的干扰，提高定位精确度。
[0169]
参见图3，图3为so算法步骤示意图，包括：
[0170]
s301:基于bp权值阈值，初始化参数；
[0171]
s302:反向学习种群初始化策略；
[0172]
s303:将初始化的种群分为雌性和雄性两个部分，雌性与雄性比例1：1；
[0173]
s304:迭代i＝迭代次数i 1；
[0174]
s305:计算雌、雄种群适应度值；
[0175]
s306:定义环境因素、温度temp；
[0176]
s307:定义食物量q：
[0177][0178][0179]
其中，t表示当前迭代次数，t表示最大迭代次数，c1＝0.5；
[0180]
s308:第一阶段：当q＜0.25时，雄性蛇位置更新：
[0181]
s309:进入探索模式；
[0182][0183]
其中，为雄性蛇so位置，为随机so位置，c2＝0.05，rand为0-1之间随机数；
[0184]
雄性蛇寻找食物的能力am：
[0185][0186]
其中，是的适应度值，f
im
为的适应度值。
[0187]
雌性蛇更新方式：
[0188]
雄性蛇寻找食物的能力af：
[0189][0190]
其中，是的适应度值，f
if
为的适应度值；
[0191]
第二阶段：so算法的开发阶段分为3种模式，包括觅食模式、战斗模式、交配模式；
[0192]
3种模式同时受温度temp和食物量q的影响；
[0193]
(1)觅食模式
[0194]
s310:当q＞0.25 and temp＞0.6时；
[0195]
s311:蛇进入觅食阶段，位置更新；
[0196]
s312:当temp≤6时，蛇将处于战斗模式或交配模式。
[0197]
s313:蛇将处于战斗模式
[0198][0199][0200]
其中，为雄性蛇位置，为fm雄性战斗值，为雌性蛇最优位置。为雌性蛇位置，ff为雌性战斗值，为雄性蛇最优位置。
[0201][0202][0203]
其中和分别为雌性和雄性so适应度值，fi为so的代理位置
[0204]
s314:蛇将处于交配模式；
[0205][0206][0207]
其中，为雄性蛇位置，为雌性蛇位置，mm和mf分别代表雄性和雌性的交配能力。用以下公式：
[0208][0209][0210]
其中，f
if
和f
im
分别表示so雌性和雄性的搜索代理；
[0211]
s315:如果有蛇卵孵化，更新种群位置；
[0212]
s316:判断当前迭代次数是否满足终止条件，满足则结束算法，不满足则迭代加一继续循环迭代。
[0213]
其中，基于iso算法优化bp神经网络权值和阈值，得到初始化种群包括：
[0214]
均匀随机地生成一个最初种群；
[0215]
根据最初种群生成一个所述反向种群；
[0216]
按适应度函数计算后，取适应度更优个体加入初始种群的对应位置，与最初种群构成最终种群；
[0217]
一种so算法的改进策略iso算法，具体包括：
[0218]
反向学习初始化种群策略：
[0219]
假设蛇种群为x
ij
，可以由以下公式计算其反向种群并且在计算反向种群xi′j，通过改进初始化种群的方式达到算法优化和增强收敛性能的目的，实现局部开发和全局探索能力的提升。
[0220]
x
′
ij
＝x
maxj
x
minj-x
ij
ꢀꢀꢀ
(31)
[0221]
均匀随机地生成一个最初种群；
[0222]
根据最初种群生成一个反向种群；
[0223]
使用适应度函数计算其适应度。选择适应度更优的个体，放进最终的初始种群的对应位置中；
[0224]
将最终的初始种群用于进化算法中。
[0225]
基于改进的降温非线性收敛因子策略：
[0226]
由于降温进行线性变化并不能很好地调节全局搜索能力和局部开发能力，用以下公式进行调节算法寻优能力；
[0227][0228][0229]
其中，a为非线性收敛因子，t为最大迭代次数；t为当前迭代次数；μ和是其表达式相关参数，选取
[0230]
以下公式进行进行蛇卵孵化过程随机差分变异策略；
[0231]
xi(t 1)＝r1×
(x
best-x(t)) r2×
(x
rand-x(t))
ꢀꢀꢀ
(34)
[0232]
其中，r1和r2均为[0,1]随机数；x
rand
为种群中随机选取的个体，x
best
为当前最优位置。
[0233]
其中，对初始化种群进行求解,得到精确定位信息，包括：
[0234]
对初始化种群计算适应度并排序，将较差的一半种群基于反向学习策略，得到新的种群；
[0235]
对新的种群进行随机打乱并分离雌种群、雄种群；
[0236]
分别计算所述雌种群、雄种群适应度，计算食物量与基于收敛因子策略的环境温度；
[0237]
进入探索阶段、觅食阶段和战斗、交配模式，对所述雌种群、雄种群位置进行更新；
[0238]
产卵孵化过程中的随机差分变异策略；
[0239]
进行多轮迭代输出最优解，得到精确定位信息。
[0240]
其中，关于迭代输出最优解，如果不能输出最优解，就会回到求出适应度函数值步骤。
[0241]
由以上技术方案可知，上述实施例中提供一种面向电场信号干扰的超宽带定位方
法及装置，所述方法包括：构建定位模型，定位模型以强电场中目标靶点三维坐标精确定位为目标；根据定位模型，基于最小二乘算法的残差加权算法进行粗略定位，得到粗略定位信息；根据粗略定位信息，改进迭代自组织数据分析算法iso算法调整bp神经网络权值和阈值，以及对超宽带精确定位问题进行求解，得到精确定位信息。本技术提供的定位方法实现了实际定位应用中穿透力低、功耗高、效率低下、系统复杂度低的的问题、在强电场干扰下提高了定位精确度。
[0242]
本技术提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本技术总的构思下的几个示例，并不构成本技术保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本技术方案所扩展出的任何其他实施方式都属于本技术的保护范围。