重庆大学智能信息算法课程ppt.ppt

基于遗传算法的目标定位技术介绍;目录：;TDOA：Time Difference of Arrival 到达时间差 不同于基于信号到达基站的绝对时间的TOA定位，TDOA是通过检测信号到达不同基站的时间差，来确定移动终端的位置。TDOA降低了时间同步的要求，采用三个不同的基站可以测到两个TDOA,移动台位于两个TDOA确定的双曲线的交点。;1.利用移动台到达的时间TOA，取其差值来获得，这时仍需要基站时间的严格同步，但当基站间移动信道传输特性相似时，可减少由多径效应带来的误差。 2.将一个移动台接收到的信号与另一个移动台接收到的信号进行相关运算，得到TDOA的值，这种算法可以在基站和移动台不同步时，估计出TDOA值。;对无源时差定位算法的研究，目前已提出多种具有不同精度和计算复杂性的定位算法，可分为具有解析表达式解的算法和递归算法两种。具有解析表达式解的算法有 Fang算法、Chan 算法等，递归算法有泰勒级数展开法、DAC（分类征服）算法等。这些算法中 Chan 算法、泰勒级数展开法精度最高。Chan 算法特点是计算量小，适合三站和多站，当噪声比较小并且服从高斯分布时，定位精度较高，但在非视距(NLOS)环境下定位精度会显著下降。泰勒级数展开法是一种需要初始位置的递归算法，需要一个与实际位置接近的初始估计位置以保证算法收敛，对于不收敛的情况不能事先判断，除此之外，泰勒序列展开法还需要有关 TDOA 测量值的先验信息，计算量也较大。;遗传算法概念： 遗传算法(Genetic Algorithms,GA)是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。 遗传算法的概念最早是由Bagley J.D于1967年提出。遗传算法是对达尔文生物进化理论的简单模拟，其遵循“适者生存、优胜劣汰”的原理遗传算法模拟一个种群的进化过程，并且通过选择、杂交以及变异等机制，种群经过若干代以后，总是达到最优（或近最优）的状态;遗传算法组成部分：;编码（解码）： 遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体。这一转换操作就叫做编码。;适应度函数： 遗传算法的适应度函数也叫评价函数，是用来判断群体中的个体的优劣程度的指标，它是根据所求问题的目标函数来进行评估的。 适应度函数是遗传算法进化过程的驱动力，也是进行自然选择的唯一标准，它的设计应结合求解问题本身的要求而定。 ;遗传算法运算流程图：;TDOA定位分两步完成：第一步：利用时延估计技术得到基站间的波达时差估计，然后将其转换为基站间的距离差测量值，得到一组非线性方程；第二步：利用有效的算法得到这些非线性方程组的正确解，即得到移动台的位置坐标。 接下来介绍两种TDOA定位模型并进行比较和讨论，选择合适的定位模型，获得TDOA测量值。;外同步时差定位模型： ;但是我们并不采用上页那种方法，因为实现基站同步要求基站之间必须是视线传播，否则会产生很大的测量误差，并且对硬件要求较高，系统复杂度很高。 所以，为了降低同步带来的昂贵费用，同时简化系统复杂程度，我们采用下面介绍的内同步时差定位模型;内同步时差定位模型：;同理，可列出P1,与P3到基站Ai的时间差确定的定位模型以及P1与P4到基站Ai的时间差确定的定位模型：;将前面三个非线性方程组进行整理可得，空间连续四点对于基站Ai的时差定位方程如下：;相比外同步时差定位模型，内同步时差定位模型在时差获取时： 1.不需要地面基站时间统一，所以不需购买价格昂贵且对环境要求苛刻的高精度时钟，降低了系统成本。 2.不要求基站之间必须是视线传播，使用范围更广 3.系统不需要基于统一信号的时差测量方式中专门的信号转发设备及传输通道，所以系统总体简单易于实现;基于遗传算法的目标定位实现： 目标的定位实现过程分为两部分：首先，给出一个理想的目标运动轨迹，由此，获得理想情况下的时差数据和空间点的坐标数据。然后，将理想的时差数据作为遗传算法的输入，运动目标的坐标作为优化对象，求解定位方程。 ;1.二维平面的定位过程 （1）给定理想的目标运动轨迹 假设目标在基站A1以与x轴成30度仰角飞出，初始速度v0=1km/s，并且每隔固定时间间隔T=0.1s向地面基站发射一次信号，由此得到xoy平面的理想轨迹如图：;用遗传算法实现时差定位的测试中，选取轨迹上等时间间隔的100个点代表整个过程，并将这些点分为25组，每相邻4个点为1组。遗传算法每次依次解算空间四个点的坐标，25组全部解算完成后将结果汇在一起，得到目标轨迹;令 ，设非空集合S是待优化值 的搜索空间，则定位方程解算可描述为：在S内搜索 对应的值;3）生成初