【定位问题】TDOA定位改进Chan算法移动基站无源定位（4个基站）【含Matlab源码 3155期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab物理应用（仿真科研站版）仿真内容点击👇
Matlab物理应用（仿真科研站版）

⛄一、chan+taylor算法移动基站无源定位简介

1 引言
随着无人机的普及，低空空域的安全问题受到人们的极大关注．针对该问题，本研究对“非合作型”无人机采用一种基于时差法的无源定位算法对其进行实时定位．基于时差法的无源定位方法是根据求解无人机信号到达主站和各辅站的距离差，并联合各基站坐标所构成的双曲线方程组来实现．该方法定位精度高，且不对外发射信号，可在机场等区域安全使用．

目前，Chan算法和Taylor算法是2种经典的时差定位算法．其中，Chan算法在时差值精确的情况下，可以实现较高精度的定位，但如果时差值精度不够，其定位精度会大幅降低．Taylor算法则是在已有的定位坐标基础上，进行迭代递归，使定位出的坐标接近于目标的真实坐标．虽然Taylor算法定位精度较高，但需要提供初始估计坐标，否则就无法实现准确定位．基于2种算法的特点，本研究提出Chan-Taylor联合算法，其思路是，将Chan算法解算出的目标坐标作为初始估计坐标值赋给Taylor算法进行迭代运算，即使获取的时差值存在一定误差，使初始估计坐标的精度不高，但可以通过迭代来提高定位坐标的精度．通过算法对比和仿真分析表明，Chan-Taylor联合算法较Chan算法具有更高的定位精度和稳定性，较Taylor算法更具有实用性．

2 算法描述
2.1 Chan算法
基于Chan算法的无源定位是通过求解目标源信号到达辅站与主站之间的时差并联立各基站坐标所得的双曲线方程组来实现的．该算法是一种非迭代算法，不需要初始值，在时差精确、视距传输的情况下，其定位效果良好，但在工程上，很难获得满足要求的时差初值．因此，Chan算法可作为其他算法的前置条件．

本研究以4站三维定位系统为例建立3组方程，该方程组为超定方程组．通常情况下，由于该方程组导出的矩阵不存在逆矩阵，方程组无法正常求解．所以，本研究利用伪逆法联合最小二乘法对方程组进行解算，即Chan算法．4站定位系统的定位原理如图1所示．

图1 4站定位系统示意图
图1中，主站坐标联立3个辅站坐标，通过分别计算出的时差可构建3条双曲线，其交点就是无人机的位置．

假设无人机位置为P=[px,py,pz]，各基站坐标为Pi=[pix,piy,piz],i∈[0,3]，则无人机到基站i的距离ri2可表示为，

本研究若不特别指明，均默认i∈[1,3]．对式(1)整理可得，

式中，Ri表示基站i到坐标原点的距离;R0为主站到坐标原点的距离;ri0为无人机到辅站与主站间的距离差．

4站三维定位系统存在一个由3组式(2)的关系式结合而成的方程组，如式(3)所示．当A≠0时，线性方程组(3)有解．

式中，A是方程组的系数矩阵，b是方程组的输出向量．

利用伪逆法可求得无人机坐标为，

2.2 Chan-Taylor联合算法
因为Chan算法是非递归算法，对时差精度要求高，因此，本研究对该算法的定位结果进行二次处理．Taylor算法是利用局部最小二乘解进行迭代[5]的递归算法，其定位精度高，但需要初始估计坐标，否则无法进行定位．

基于低空无人机时差定位的实际需求，本研究结合Chan算法和Taylor算法提出了一种改进的算法，即Chan-Taylor联合算法．Chan-Taylor联合算法是将Chan算法的解算结果作为初始估计坐标送入Taylor算法，以达到对无人机坐标进行误差计算和定位修正的作用．算法在迭代时，将误差与设定的阈值进行比较，若误差值大于阈值，则继续迭代;若误差值小于设定阈值，则终止迭代并输出结果．

2.3 Chan-Taylor联合算法流程及计算原理
Chan-Taylor联合算法流程如图2所示，具体为:首先，算法获得无人机信号到主站与各辅站之间的时差;然后，将时差用于Chan算法部分进行初始估计坐标值的计算，并利用该坐标值在Taylor算法部分做误差向量的计算，用以定位修正;同时，对误差进行阈值比较．如不满足条件，则继续迭代，如满足条件，则结束迭代，并输出最终结果．

图2 Chan-Taylor算法流程

式中，α为目标差值向量，b为时差的差值向量，e为时差估计误差向量，H为时差估计的梯度矩阵．它们可分别表示为，

由式ri0=ri-r0=cτi0与站址坐标，可得，

将式(10)与式(11)联立，化简可得，

⛄二、部分源代码

function gjchan()
M = 4;
gjChanCDFjs=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0];
for i=1:5000
gjChanStandarddeviation = 1;
gjChandwwc = [0,0.2,0.4,0.6,0.8,1,1.2,1.4,1.6,1.8,2,2.2,2.4,2.6,2.8,3];
gjChanms=[5,10];
gjChanx=gjChanms(1);
gjChany=gjChanms(2);
gjChanc=310^8;
gjChanX=[0,0,-45,-45,0,45,45];
gjChanY=[0,51.96,25.98,-25.98,-59.16,-25.98,25.98];
gjChanbasestx=gjChanX(1:M);
gjChanbasesty=gjChanY(1:M);
gjChanN=length(gjChanbasestx);
gjChanri1=[];
gjChanxi1=[];
gjChanyi1=[];
gjChank=[];
gjChanh=[];
gjChanGa=[];
gjChanrmse=[];
for i=2:gjChanN
gjChanxi1(i-1)=gjChanbasestx(i)-gjChanbasestx(1);
gjChanyi1(i-1)=gjChanbasesty(i)-gjChanbasesty(1);
end
for i=1:gjChanN
gjChank(i)=(gjChanbasestx(i))^{2+(gjChanbasesty(i))}2;
end
for j0=1:length(gjChandwwc)
for i=2:gjChanN
gjChanri1(i-1)=sqrt((gjChanbasestx(i)-gjChanx)^{2+(gjChanbasesty(i)-gjChany)}2)- sqrt((gjChanbasestx(1)-gjChanx)^{2+(gjChanbasesty(1)-gjChany)}2)-gjChanStandarddeviationrandn(1);
end
for i=2:gjChanN
gjChanh(i-1)=0.5*((gjChanri1(i-1))^2-gjChank(i)+gjChank(1));
end
for i=1:3
for j=2:gjChanN
switch i,
case 1,
gjChanGa(j-1,i)=-gjChanxi1(j-1);
case 2,
gjChanGa(j-1,i)=-gjChanyi1(j-1);
case 3,
gjChanGa(j-1,i)=-gjChanri1(j-1);
end
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 罗正华,雷林,周方均,李霞.基于Chan-Taylor联合算法的低空无人机时差定位研究[J].成都大学学报(自然科学版). 2019,38(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置