具体实施方式

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，本技术领域普通技术人员在没有作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。

需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。

如图1至图7所示，本发明实施例提供的无人机辅助定位方法，所述方法包括步骤S11至步骤S14：

步骤S11，通过信号强度模型得到具有噪声的接收信号。

具体的，假设地面有一移动用户，N个无人机部署于空中，无人机可通过信号强度对地面的移动用户进行定位。即无人机作为信号的发射端，移动用户作为信号的接收端，接收端接收到的信号强度可通过信号强度模型计算得到。其中，原始信号与带噪信号的曲线图请参阅图2。

进一步地，所述信号强度模型为：

其中，为用户接收到的从第i个锚点发射的发射信号，单位为dBm；为发射信号的强度；为常数，是发射信号一米处的参考功率；κ_i为用户和第i个锚点间的路径衰落因子；d为用户和第i个锚点间的距离；是均值为0，方差为σ²的阴影噪声，符合正态分布。

可以理解的，通过所述信号强度模型可得到接收信号的强度，以及发射端到接收端的距离。其中，阴影噪声和对κ的估计值以及阴影噪声会影响定位的精准度。

步骤S12，将具有噪声的所述接收信号输入滤波器进行滤波处理，以消除所述接收信号中的阴影噪声。

具体的，因为是一个加性随机过程，它的分布是独立于κ和d的，因此的消除可以被看成是一个独立的问题来解决。为此，我们基于LMS算法设计一个滤波器来消除n，此滤波器的抽头经过训练序列训练。即通过一个加权滤波器来消除加性高斯白噪声，将阴影噪声转变为一个服从均匀分布的高斯随机变量，并且其均值为零，方差为一个确定的数。其原始信号与滤波后信号的曲线图请参阅图3。

请参阅图4，所述滤波器的获取方法包括：

步骤S121，获取初始化参数。

其中，所述初始化参数包括训练序列χ、χ的子序列x、特定长度M的带噪声的接收信号滤波器抽头ω_j、滤波器抽头数L及学习步长μ。

步骤S122，从所述训练序列的某一元素开始取特定度的滤波器抽头数作为子序列。

具体的，从训练序列χ的第j个元素开始，取一段长度为L的子序列x(j)，即x(j)＝[x(j-L)]x(j-L+1)…x(j-1)]^T]。

步骤S123，通过所述滤波器抽头对子序列中带噪声的接收信号进行滤波，得到输出值。

具体的，通过ω_j对x(j)进行滤波，得到的一个输出值，即

步骤S124，根据所述输出值更新误差值，并根据误差值及学习步长更新所述滤波器。

具体的，所述误差值为所述滤波器的模型为：

ω＝ω_j+2μe(j)x^T(j)

其中，ω_j为滤波器抽头，μ为学习步长，e(j)为误差值，x(j)为子序列，j为训练序列中的元素，T为矩阵转置。

步骤S13，通过代价模型对消除阴影噪声的所述接收信号进行迭代处理，以得到路径衰落因子及发射端与接收端的距离。

具体的，在无线通信中，路径衰减因子κ是一个变化值。事实上，κ的值是随环境的变化而变化的，而κ的值会影响定位的精度。因此本申请通过代价模型来进行κ和d的估算。该算法的思路是先固定d，对κ进行迭代，直到κ达到一定精度，更新κ的值；然后固定κ，对d进行迭代，直到d达到一定精度，更新d的值。迭代一定次数后，得到精度较高的κ和d。其定位的均方误差图请参阅图5。

请参阅图6至图7，通过代价模型对消除阴影噪声的所述接收信号进行迭代处理的方法包括：

步骤S131，初始化路径衰落因子及发射端与接收端的距离。

步骤S132，通过所述代价模型对初始化的路径衰落因子及发射端与接收端距离进行迭代训练。

步骤S133，当所述路径衰落因子的第一搜索精确度，以及所述发射端与接收端距离的第二搜素精确度趋向于收敛时，更新所述代价模型。

具体的，初始化路径衰落因子及发射端与接收端的距离，用训练好的滤波器ω消除阴影噪声通过所述代价模型对初始化的路径衰落因子进行迭代训练，直至然后更新代价函数里的κ值，即通过所述代价模型对初始化的发射端与接收端距离进行迭代训练，直至然后更新代价函数里的d值，即

其中，所述代价模型为：

其中，P_t为发射信号，P_r为接收信号，κ为路径衰落因子，d为发射端与接收端的距离，为阴影噪声，ω为滤波器，K为迭代次数，ε_κ为第一搜索精度，ε_d为第二搜索精度。

可以理解的，通过对κ和d的分开迭代，避免了对d求解时由于非凸问题，而有多个局部最优解，因此迭代的结果精确度不高的问题。

步骤S14，根据所述路径衰落因子及发射端与接收端的距离对用户进行定位。

如上所述，通过在信号传播过程中考虑阴影效应的影响，并通过精度较高的路径衰落因子及发射端与接收端的距离对用户进行定位，从而提高了用户定位体验的满意度。

上述无人机辅助定位方法，通过信号强度模型得到具有噪声的接收信号；将具有噪声的所述接收信号输入滤波器进行滤波处理，以消除所述接收信号中的阴影噪声；通过代价模型对消除阴影噪声的所述接收信号进行迭代处理，以得到路径衰落因子及发射端与接收端的距离；根据所述路径衰落因子及发射端与接收端的距离对用户进行定位。相比现有技术，本发明能够考虑阴影效应对信号强度的影响，并提高路径衰落因子的获取精度，从而用户的定位精度，满足了实际应用需求。

应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

如图8所示，是本发明提供的一种无人机辅助定位系统的结构框图，所述系统包括：

噪声获取模块21，用于通过信号强度模型得到具有噪声的接收信号。

其中，所述信号强度模型为：

其中，为用户接收到的从第i个锚点发射的发射信号，单位为dBm；为发射信号的强度；为常数，是发射信号一米处的参考功率；κ_i为用户和第i个锚点间的路径衰落因子；d为用户和第i个锚点间的距离；是均值为0，方差为σ²的阴影噪声，符合正态分布。

滤波处理模块22，用于将具有噪声的所述接收信号输入滤波器进行滤波处理，以消除所述接收信号中的阴影噪声。

具体的，所述滤波器的获取为，

获取初始化参数；其中，所述初始化参数包括训练序列、特定长度的带噪声的接收信号、滤波器抽头、滤波器抽头数及学习步长；

从所述训练序列的某一元素开始取特定度的滤波器抽头数作为子序列；

通过所述滤波器抽头对子序列中带噪声的接收信号进行滤波，得到输出值；

根据所述输出值更新误差值，并根据误差值及学习步长更新所述滤波器。

进一步地，所述滤波器的模型为：

ω＝ω_j+2μe(j)x^T(j)

其中，ω_j为滤波器抽头，μ为学习步长，e(j)为误差值，x(j)为子序列，j为训练序列中的元素，T为矩阵转置。

迭代训练模块23，用于通过代价模型对消除阴影噪声的所述接收信号进行迭代处理，以得到路径衰落因子及发射端与接收端的距离。

迭代训练模块23，具体用于，

初始化路径衰落因子及发射端与接收端的距离；

通过所述代价模型对初始化的路径衰落因子及发射端与接收端距离进行迭代训练；

当所述路径衰落因子的第一搜索精确度，以及所述发射端与接收端距离的第二搜素精确度趋向于收敛时，更新所述代价模型。

所述代价模型为：

其中，P_t为发射信号，P_r为接收信号，κ为路径衰落因子，d为发射端与接收端的距离，为阴影噪声，ω为滤波器，K为迭代次数，ε_κ为第一搜索精度，ε_d为第二搜索精度。

用户定位模块24，用于根据所述路径衰落因子及发射端与接收端的距离对用户进行定位。

本发明实施例所提供的无人机辅助定位系统，通过信号强度模型得到具有噪声的接收信号；将具有噪声的所述接收信号输入滤波器进行滤波处理，以消除所述接收信号中的阴影噪声；通过代价模型对消除阴影噪声的所述接收信号进行迭代处理，以得到路径衰落因子及发射端与接收端的距离；根据所述路径衰落因子及发射端与接收端的距离对用户进行定位。相比现有技术，本发明能够考虑阴影效应对信号强度的影响，并提高路径衰落因子的获取精度，从而用户的定位精度，满足了实际应用需求。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的无人机辅助定位方法。

本发明实施例还提供了一种终端设备，参见图9所示，是本发明提供的一种终端设备的一个优选实施例的结构框图，所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现如上所述的无人机辅助定位方法。

优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器20也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图9结构框图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

综上，本发明实施例所提供的无人机辅助定位方法、系统、存储介质及终端设备，通过信号强度模型得到具有噪声的接收信号；将具有噪声的所述接收信号输入滤波器进行滤波处理，以消除所述接收信号中的阴影噪声；通过代价模型对消除阴影噪声的所述接收信号进行迭代处理，以得到路径衰落因子及发射端与接收端的距离；根据所述路径衰落因子及发射端与接收端的距离对用户进行定位。相比现有技术，本发明能够考虑阴影效应对信号强度的影响，并提高路径衰落因子的获取精度，从而用户的定位精度，满足了实际应用需求。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。