【鲁棒、传感器】基于平方距离迭代加权最小二乘的鲁棒目标定位研究（Matlab代码实现）

 👨‍🎓个人主页：研学社的博客    

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

定位问题出现在不同的研究领域，如无线网络、导航、监视和声学[1]-[3]。基于各种类型的测量，有许多不同的定位方法，例如距离和平方范围（SR），到达时间（ToA），到达时间差（TDoA），双向飞行时间（TW-ToF），到达方向（DoA）和接收信号强度（RSS）[2]，[4]-[7]。

在[2]中，考虑了距离测量和距离差测量的定位，并利用了最小二乘（LS）估计器。[1]–[3]、[7] 中的作者已经建立了在最大似然 （ML） 框架中找到精确或近似解的方法。通常，为 ML 估计器找到解决方案是一项艰巨的任务或计算繁重的任务 [3]， [7]。

本文考虑了鲁棒目标定位问题。在传感器网络中，某些节点可能会无意或恶意地向处理节点报告错误数据。这可能是由于网络故障、电池电量不足、场景物理障碍和攻击者造成的。因此，处理节点不应简单地聚合来自所有传感器的测量值。忽略异常值测量值并根据可靠的测量值定位目标更有效。

对于可靠的本地化，有不同的方法。[4] 中的方法通过将 ToA 估计误差建模为柯西-洛仑兹分布而获得。在[8]中，利用稳健的统计，特别是Huber范数，使用节点子集的位置以分布式方式定位网络中的传感器。[6]中的作者试图最小化最坏情况似然函数，并采用半定松弛法来使用TW-ToF测量值获得估计值。[9] 中的作者开发了一种强大的地理定位方法，通过将测量误差的概率密度函数 （PDF） 估计为高斯核的总和。当测量误差来自高斯混合 PDF 时，此方法效果最佳。

在本文中，目标是在存在异常值范围测量的情况下以集中方式定位单个目标。我们的目标是实现异常值分布鲁棒性，这意味着估计器在不同的异常值概率分布下表现良好。最小二乘法应用于平方范围测量。虽然这个公式在ML意义上不是最优的[3]，但它为我们提供了有效找到估计值的机会。

本文可归纳如下。首先，使用平方范围公式制定一个鲁棒优化问题，该问题忽略了不可靠的测量。接下来，提出两种不同的算法来找到优化问题的解。在第一个基于迭代加权最小二乘（IRLS）的算法中，提出的优化问题被转换为一类特殊的优化问题，即广义信任区域子问题（GTRS）[10]。数值仿真表明，该算法具有较快的目标收敛性。然而，全序列收敛在理论上尚未建立。

第二种算法基于梯度下降。此算法是全局收敛的，但需要更多的迭代才能收敛。通过使用这两种算法，我们提出了一种混合方法，该方法具有理想的理论和实践特征，例如快速全序列收敛。

📚2 运行结果

 

可视化部分代码 

%% Plot Data
figure(1);
clf;
plot(sweep_parameter,ErrorSRL0,'-og','LineWidth',4,'DisplayName',' SR-IRLS')
hold on
plot(sweep_parameter,ErrorSRLS,'-.>b','LineWidth',4,'DisplayName',' SR-LS')
plot(sweep_parameter,ErrorSRBCD,'-*c','LineWidth',4,'DisplayName',' SR-GD')
plot(sweep_parameter,ErrorSRHybrid,'--<m','LineWidth',4,'DisplayName',' SR-Hybrid')
plot(sweep_parameter,ErrorLowerBound,'--k','LineWidth',2,'DisplayName',' CRLB')

legend_handle  = legend('show');
set(legend_handle,'Interpreter','latex')
set(legend_handle,'FontSize',14)
set(legend_handle,'Location','Best')

yhandle = ylabel('RMSE');
set(yhandle,'Interpreter','latex','FontSize',16)

xhandle = xlabel('Num of Sensors');
set(xhandle,'Interpreter','latex','FontSize',16)

set(gca,'FontSize',12,'LineWidth',1)
grid on
saveas(gcf, '../results/RMSE.png');
%%
figure(2);
clf;
semilogy(sweep_parameter,TimeSRL0,'-og','LineWidth',4,'DisplayName','SR-IRLS')
hold on
semilogy(sweep_parameter,TimeSRLS,'-.^y','LineWidth',4,'DisplayName','SR-LS')
semilogy(sweep_parameter,TimeSRBCD,'-*c','LineWidth',4,'DisplayName','SR-GD')
semilogy(sweep_parameter,TimeSRHybrid,'-<m','LineWidth',4,'DisplayName','SR-Hybrid')

legend_handle  = legend('show');
set(legend_handle,'Interpreter','latex','FontSize',14,'Location','Best')

yhandle = ylabel('Time (s)');
set(yhandle,'Interpreter','latex','FontSize',16)

xhandle = xlabel('Num of Sensors');
set(xhandle,'Interpreter','latex','FontSize',16)

set(gca,'FontSize',12,'LineWidth',1)
grid on

saveas(gcf, '../results/Time.png');
 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]Alireza Zaeemzadeh, Mohsen Joneidi, Behzad Shahrasbi, Nazanin Rahnavard (2017) Robust Target Localization Based on Squared Range Iterative Reweighted Least Squares

🌈4 Matlab代码实现