具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

一个实施例中，参见图1，提供的一种室内移动目标定位方法，该方法具体包括：

MCUKF室内定位方法是基于MCC的非线性回归方法重新构建观测信息，增强了UKF对非高斯噪声的鲁棒性，本发明将该算法应用于室内定位目标的状态估计中，从而解决了室内定位的重尾非高斯噪声影响的问题。

在室内现场设置L个无线接入点(AP)节点，第l个AP节点的坐标为(x_l,y_l)， l＝1,2,…L。移动的未知节点可以接收来自AP节点的信号强度，以移动的未知节点的位置和速度为状态量(x,y)是未知节点的空间未知坐标，分别是未知节点在x方向和y方向的速度，它的运动在时间步k处x(k)的变化来描述，表达式如下：x(k+1)＝f(x(k))+ω(k)

其中，w(k)为过程噪声，本文设采样时间间隔为T＝1s。

也可以简写为：x(k+1)＝f(x(k))+w(k)。

RSSI测距技术也被称为信号强度测距法，它是基于无线电传播路径损耗模型计算得到的。在室内这种复杂多变的环境中，自由空间模型等传统无线信号传输模型已经不再适用，目前比较常用的模型是对数距离路径损耗模型等，它已在各种现实环境中得到验证，其通用模型为：

RS(d)＝RS(d₀)+10λlg(d/d₀)+θ_dB

在室内定位中，可以从移动节点的收发器中提取RSSI值，预测的RSSI值的观测模型采用对数距离路径损耗模型(即采用对数距离路径损耗模型组成RSSI 值的观测模型从而预测RSSI值)。为了增强定位系统对其他外部无线抗干扰能力，将获得的不同已知节点多次测量的信号强度的加权平均作为观测量。

Z(k)＝h(x(k))+v(k)

其中，v(k)为观测噪声，是第L 个已知节点的坐标向量，X_k是移动的未知节点第k时刻的坐标向量。

需要说明的是，传统的观测模型是建立假定噪声是呈高斯分布的，现在噪声发生了变化，是多峰重尾非高斯的噪声，需要重新构建；2、传统的观测模型是基于最小均方差的准则构建的；现在准则发生了变化，是采用最大互相关熵准则，准则发生了变化，原来建立的观测模型不相符，就需要重构观测模型。

最大相关熵无迹卡尔曼滤波MCUKF定位算法，具体过程如下：

(1)首先，根据UT变换获得一组采样点(称为Sigma点集)及其对应的权值：

(初始值)

(2)计算UT变换的这些采样点相应的权值，如下：

(3)然后根据系统方程形成2n+1个Sigma点集：

(4)系统状态量的一步预测及协方差矩阵为：

(5)然后根据上一步预测值，再次使用UT变换，产生新的Sigma点集。

(6)将预测的新Sigma点集代入观测方程，得到相应的观测Sigma点集

(7)由步骤(3)得到观测Sigma点集的观测预测值，通过加权求和得到系统预测的均值，如下所示：

将观测模型进行重构，得到如下的非线性模型：

其中，E[r(k)r^T(k)]＝R(k)

(9)对重构的观测模型两边左乘S^-1(k)，由于S^-1(k)＝S^T(K)，那么得到如下等式：

其中，e(k)＝S^T(k)φ(k)

那么，e(k)中第j行的元素e_j(k)为e_j(k)＝d_j(k)-m_j(x(k))。

(10)根据相关熵的性质，基于相关熵的代价函数为

当函数J(·)最大时可以得到状态的最优估计，那么x(k)的最优估计值为

那么，令

上式就可以得到：

由此可得：

那么，得到修改后的协方差为

其中：

Φ(k)＝diag(G_Υ(e₁(k),…,G_Υ(e_n+m(k))))

(11)在实际中真实的状态是未知的，设即则有：

修改后的观测协方差为：

则系统观测的协方差变为：

那么，互协方差矩阵为：

卡尔曼增益矩阵为

(12)最后，计算状态更新和协方差更新

实施例1

为了充分验证所提MCUKF方法的合理性，采用一种基于CC2530的Zigbee 室内定位系统进行实验，基于CC2530的Zigbee室内定位系统中有一个未知节点和四个AP点，四个AP点随机分布，并确定AP点的坐标。然后采用PC机在未知节点静止情况下采集信号强度数据，每次每个点采集3min，从中选择 50组数据，对未知节点接收的4个AP信号强度误差分布特性进行检验分析，经Kolmogorov-Smirnov检验结果分析，如果测试在15％显著水平上拒绝零假设，未知节点到4个AP的信号强度均为非正态分布。针对未知节点接收AP 的信号强度呈现的是非高斯分布状态，那么未知节点与已知AP的测距误差也均为非高斯噪声。因此，其信号强度分布符合几个高斯分布叠加，通过混合高斯模型拟合信号强度的分布，所提出的MCUKF定位算法按照此分布进行计算，如图2所示。

如图2所示，由于引入最大相关熵，MCUKF与其他定位算法对比可知， MCUKF对观测噪声分布特性要求降低，能够对观测数据更好的进行滤波处理，定位精度有了明显的改善，尤其是当其他算法定位误差较大时，采用MCUKF 定位算法精度提升更加明显，因此MCUKF定位算法相比较于其他算法鲁棒性更强，适应环境能力更强。

实施例2

在实际复杂的室内环境中，定位精度经常会受到多峰重尾非高斯噪声的影响，这会导致传统的非线性滤波算法精度下降甚至发散，因此需要研究针对多峰重尾非高斯噪声的非线性鲁棒滤波方法，本发明提出的方法在传统非线性滤波UKF的基础上引入了最大相关熵，使得滤波具有对抗非高斯的鲁棒性。下面以具体的仿真实验进行验证，并比较分析选择合适的核宽度。在室内定位区域部署四个AP，其对应的坐标分别为A1(0,0)，A2(0,10)，A3(10,0)，A4(10,10)，设实验中未知节点的状态向量初始真实状态为由LS提供(位置单位m，速度单位m/s)初始的状态估计误差协方差矩阵被设置为P(0∣0)＝diag([1,0.5,1,0.5])，过程噪声为Q～N(0,0.1),观测的非高斯噪声由测试的信号强度进行综合分析，为为了找到最佳的核宽度，首先选取四种不同的核宽度进行实验，核宽度分别设置为Υ₁＝5，Υ₂＝10，Υ₃＝20，Υ₄＝50。实验结果如下图3、4所示。

如图3所示在四种核宽度的MCUKF算法动态定位对比，如图4所示是定位精度的对比图，从图3、4所示可知MCUKF选择核宽度Υ₃＝10时，室内定位精度最高，性能效果最好。

一个实施例中，提供的一种室内定位装置，该装置包括：基于设置于室内的多个无线接入点AP节点和一个未知移动目标节点构成的定位系统，其中，无线接入点AP节点的数量大于等于3；

状态方程建立模块，用于建立未知移动目标节点运动的状态方程。

观测模型建立模块，用于建立未知移动目标节点运动的观测模型。

观测Sigma点集确定模块，用于根据状态方程，通过无迹变换UT计算的一组Sigma点集及其对应的权值，获得系统状态量的一步预测值及协方差矩阵；并根据一步预测值，再次通过无迹变换UT计算新Sigma点集，将新Sigma点集代入观测模型，获得观测Sigma点集。

系统观测预测值确定模块，用于根据观测模型，计算观测Sigma点集的观测预测值，通过加权求和得到系统的观测预测值。

卡尔曼增益矩阵确定模块，用于根据相关熵的性质确定的基于最大相关熵的代价函数，融合系统的观测预测值，获得重构观测模型的观测协方差和观测互协方差矩阵；并根据观测协方差和观测互协方差矩阵，确定卡尔曼增益矩阵。

移动目标确定模块，用于根据卡尔曼增益矩阵，更新系统状态量和协方差矩阵；并根据更新的系统状态量和协方差矩阵，确定未知移动目标节点的位置坐标。

关于室内定位装置的具体限定可以参见上文中对于室内定位方法的限定，在此不再赘述。上述室内定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

一个实施例中，提供的一种计算机设备，包括：基于设置于室内的多个无线接入点AP节点和一个未知移动目标节点构成的定位系统，其中，无线接入点AP节点的数量大于等于3；

建立未知移动目标节点运动的状态方程。

建立未知移动目标节点运动的观测模型。

根据状态方程，通过无迹变换UT计算的一组Sigma点集及其对应的权值，获得系统状态量的一步预测值及协方差矩阵；并根据一步预测值，再次通过无迹变换UT计算新Sigma点集，将新Sigma点集代入观测模型，获得观测Sigma 点集。

根据观测模型，计算观测Sigma点集的观测预测值，通过加权求和得到系统的观测预测值。

根据基于最大相关熵的代价函数，融合系统的观测预测值，获得重构观测模型的观测协方差和观测互协方差矩阵；并根据观测协方差和观测互协方差矩阵，确定卡尔曼增益矩阵。

根据卡尔曼增益矩阵，更新系统状态量和协方差矩阵；并根据更新的系统状态量和协方差矩阵，确定未知移动目标节点的位置坐标。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory， SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM) 等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。还有，以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。