本发明属于室内定位技术领域，尤其涉及一种基于距离残差的nlos识别方法及在室内定位中的应用。
背景技术：
目前，最接近的现有技术：近年，定位信息在军事和民用领域得到了广泛的应用。在室外环境中，可以很容易的从全球卫星导航系统中得到准确的位置信息，例如：全球定位系统(gps)和北斗卫星导航系统(bds)。在室内环境中，由于信号的阻塞，不能通过其进行室内定位。
目前对于室内nlos误差的研究主要分为以下两种：1.不进行nlos识别直接进行nlos误差减缓；2.先识别nlos误差然后再对其抑制。
对于不需要nlos识别的误差抑制算法，有的算法是对距离矩阵中的所有距离均减去一个估计的误差值进行nlos减缓。但该种方法在nlos误差比例较小时定位效果较差。一种基于锚节点位置的mds算法减轻nlos误差。该算法通过反向估计锚节点的位置减少距离矩阵中的误差，对距离矩阵中的测量值均减少同一个误差值提高节点定位精度。一种利用基于tdoa的鲁棒位置估计算法。该算法提出联合估计源位置与参考路径中的nlos误差的方法，并通过调节平衡参数减少nlos误差。上述算法均不需要对nlos进行识别，当nlos噪声存在较多的情况下算法性能较好，但是当存在部分nlos噪声时，算法性能较差。而有些算法是通过对距离矩阵中的距离进行转化抑制nlos误差。一种基于模糊c均值(fcm)和分层投票的无线传感器网络量化定位方法。该方法使用fcm算法为rssi数据提供一个量化阈值设计器，用于将接收信号强度的量化数据转换为距离，在转换过程中，基于不同的阈值会将距离进行不同的转化，该方法对于nlos误差是鲁棒的。然后，在此基础上，提出了一种基于分层投票的移动节点定位方案。该算法在进行阈值设计过程中，对分簇数目的选择没有一个确定的标准，且最后基于分层投票的定位方案定位精度较差。
近年，许多nlos识别算法，关于室内定位的nlos研究已经成为一个热门研究问题。一些算法通过信号的特征参数进行nlos识别，一些算法通过距离残差进行nlos识别，还有一些算法通过贝叶斯检验进行nlos识别。一种基于模糊评价(fce)的nlos定位算法。该算法提供了信道识别信息，通过试验采集到的离线数据对信号传播信道进行分析，提取信道的特征如总能量、信噪比、上升时间、峰度、平均附加时延等进行模糊综合评价，判断该距离是否存在nlos误差。通过选择最优距离集合进行定位估计，并结合等式约束泰勒级数鲁棒最小二乘算法抑制剩余nlos误差。虽然该算法可以提高节点定位精度，但过于依赖离线数据。离线数据不能包含所有的室内环境，当室内环境发生改变时，该算法性能较差。一种基于先验统计信息的参数化检测方法，该方法需要有信号特征的先验统计信息，而这些信息往往存在一定的局限性，不适用于所有情况。同样需要知道信道状态信息(csi)，对nlos距离进行识别，当无法获得信道信息时，这对nlos识别带了很大的困难。利用距离残差识别nlos误差。该算法首先在los环境下进行，根据k-1时刻的位置由卡尔曼滤波(kf)估计k时刻位置，并设置一个阈值判断是否存在nlos误差。当k时刻估计位置与预测位置残差大于阈值时则认定该时刻处于nlos环境。则根据k时刻与k-1时刻的nlos识别可分为以下三种情况：1.k时刻处于los环境，则直接得到估计位置。2.距离值从los状态进入nlos状态，则利用k-1时刻los状态的kf预测值代替k时刻的测量值进行位置估计。3.两相邻时刻均为nlos状态，若两相邻时刻的nlos误差近似相等，则可以被抵消，然后利用偏差卡尔曼滤波(bkf)重建k时刻的los测距值，若不能被抵消则根据nlos误差补偿后的冗余值自动调整bkf增益。虽然该算法定位精度较高但当nlos误差持续时间较长时，该算法定位精度较差。一种基于贝叶斯序列检验的识别nlos的方法。该算法首先根据贝叶斯序列检验方法确定测量数据是否被nlos误差所影响。其次，在所识别的测量条件的基础上对测量数据进行平滑处理，利用改进的卡尔曼滤波对测量噪声协方差和预测协方差进行调整，减小了nlos效应。最后，根据节点间距离利用残差加权算法(rwgh)得到最终估计的目标位置。由于该算法在估计nlos误差时需要已知nlos误差的分布，且该算法仅考虑了单分布误差，未考虑多个nlos混合分布的情况，且nlos误差随机性较强，该算法不能适用于所有情况。
目前应用在室内定位的方法有很多，包括wi-fi、蓝牙、超宽带(uwb)技术，红外技术、惯性传感器等。其中超宽带(uwb)技术以其低功耗，厘米级的测距精度等优点被认为是高精度室内定位最理想的技术之一。通常基于距离的定位算法可以得到较高的定位精度，而测距的精度直接影响算法最终的定位精度。常见的测距技术有到达时间(toa)、到达时间差(tdoa)、接收信号强度(rssi)、到达角度(aoa)四种。但由于室内环境复杂多变，当信号传输过程中遇到障碍物时，会导致信号传播速率降低或信号强度减弱，即存在非视距(nlos)环境时，测量距离会存在一个较大的正的噪声(nlos噪声)。该nlos噪声严重影响了节点的定位精度，因此如何解决室内定位的nlos误差是目前室内定位研究的热点问题之一。
综上所述，现有技术存在的问题是：现有的nlos识别算法对室内环境以及nlos误差的先验信息依赖性较大，若无法获得这些先验信息，将无法进行nlos识别。现有的室内定位算法中不需要进行nlos识别的算法在nlos比例较低时定位精度较差。
解决上述技术问题的难度：本发明不需要任何有关室内环境的先验信息，仅通过锚节点的位置与节点间的距离矩阵即可判断待测节点到锚节点间是否存在nlos误差，且识别成功率可达90％以上。本发明中的识别算法，成本代价低，不需要过多的传感器来测量其它数据，识别过程快，且可适用于各种室内环境。
解决上述技术问题的意义：目前现有的室内nlos识别方法大多是通过对测距信号的特征进行分析并对比，需要大量的有关室内环境的先验数据信息，但是在实际应用中我们很难得到不同室内环境的先验数据信息。本发明算法不需要任何有关室内环境的先验信息即可对是否存在nlos进行识别，通过找到不存在nlos的锚节点来对待测节点进行定位，进而提高节点定位精度。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种基于距离残差的nlos识别方法及在室内定位中的应用。
本发明是这样实现的，一种基于距离残差的nlos识别方法，所述基于距离残差的nlos识别方法根据距离测量矩阵的对称性，距离测量矩阵对称性是指通过锚节点计算出的待测节点的坐标与对应的真实距离重新计算出完全相同的锚节点坐标，添加两个辅助锚节点，辅助锚节点是已知自身位置，即各辅助锚节点与锚节点之间的距离不存在测量噪声和nlos噪声的节点；
进一步，所述基于距离残差的nlos识别方法在场地中均匀摆放3个锚节点与2个辅助锚节点，待测节点i随机摆放在场地内，将2个辅助锚节点与待测节点i的估计位置作为一个新的组合反向定位锚节点的位置；定位方法采用最小二乘定位算法；当反向定位锚节点位置时，定位误差均自于待测节点i到3个锚节点之间的误差；当待测节点i与锚节点间不存在nlos噪声时，其反向定位的锚节点误差较小，当待测节点i与锚节点间存在nlos噪声时，其反向定位的锚节点误差较大。
进一步，所述基于距离残差的nlos识别方法设置一个阈值δ判断该节点到各个锚节点间的距离测量是否存在nlos误差，待测节点与锚节点之间的视距关系由ai表示：
当锚节点估计误差大于阈值δ时，则待测节点到各个锚节点间存在nlos误差a＝1；当锚节点估计误差小于阈值δ时，则待测节点到各个锚节点间不存在nlos误差a＝0。
进一步，所述基于距离残差的nlos识别方法具体包括以下步骤：
步骤一，根据最小二乘算法给出待测节点的初步估计位置；
步骤二，将待测节点的估计位置与两个辅助锚节点作为新的锚节点组合反向定位锚节点的位置；
步骤三，计算锚节点的估计位置误差；
步骤四，判断锚节点估计位置误差是否大于设置的阈值。若误差大于阈值则判断该待测节点到锚节点间存在nlos误差，若误差小于阈值则判断该待测节点到锚节点间不存在nlos误差。
本发明的另一目的在于提供一种所述基于距离残差的nlos识别方法在室内定位中的应用，在室内定位中的应用包括以下步骤：
步骤一，对所有的节点进行nlos识别，将不存在nlos的节点划分为第一次定位的节点集合中，将存在nlos的节点划分为第二次定位的节点集合中；
步骤二，对第一次定位的节点用最小二乘定位算法进行位置估计；
步骤三，更新锚节点集合与辅助锚节点集合，将第一次定位得到的待测节点与辅助锚节点作为新的锚节点待选集合，并在锚节点中选择2个作为新的辅助锚节点；
步骤四，对第二次定位的节点分别从锚节点待选集合中选取3个不存在nlos噪声的锚节点作为新的定位锚节点，并用最小二乘法进行定位，得到所有待测节点位置。
综上所述，本发明的优点及积极效果为：随着人们对室内定位需求的日益强烈，室内高精度定位算法成为一个热门研究问题。然而室内的非视距(nlos)环境严重影响了节点的定位精度。本发明针对室内nlos误差对定位精度的影响，提出了一种基于距离残差的nlos识别算法，该算法通过引入2个辅助锚节点计算反向定位的锚节点误差识别nlos。并在多节点协同定位过程中，通过寻找不存在nlos的锚节点定位，从而提高节点定位精度。所提出的nlos识别算法不需要任何先验统计信息，仅仅根据距离矩阵及锚节点位置信息进行nlos识别。从仿真结果可以看出，该nlos识别算法识别成功率可达90％。当待测节点随机分布在网络中时，在nlos占比不超过25％的情况下，该算法定位精度不超过0.7m。
本发明通过引入辅助锚节点帮助待测节点识别其到锚节点之间是否存在nlos误差。并通过该算法在定位过程中为每一个待测节点寻找不存在nlos噪声的锚节点进行定位，提高定位精度。
本发明提出了一种nlos识别算法，该算法不需要任何先验信息即可判断待测节点到锚节点之间是否存在nlos误差。该算法识别成功率可达90％。本发明提出的nlos识别算法不仅适用于nlos的识别，该算法同样能够识别出由于其它原因造成的测量距离中存在较大误差的情况。本发明将所提出的nlos识别算法应用在室内定位过程中，在室内nlos比例不高的情况下有效提高了节点的定位精度，缓解nlos误差。
附图说明
图1是本发明实施例提供的基于距离残差的nlos识别方法的流程图。
图2是本发明实施例提供的不同噪声下所估计的锚节点误差与待测节点误差示意图。
图3是本发明实施例提供的los/nlos环境下反向定位锚节点误差示意图；
图中：(a)los环境下反向定位锚节点误差示意图；(b)nlos环境下反向定位锚节点误差示意图。
图4是本发明实施例提供的基于nlos识别算法的室内定位算法流程图。
图5是本发明实施例提供的仿真中锚节点与辅助锚节点的位置示意图。
图6是本发明实施例提供的nlos识别阈值设置示意图。
图7是本发明实施例提供的第一象限待测节点密集示意图；
图中：(a)不同算法定位结果示意图；(b)不同节点不同算法定位误差比较。
图8是本发明实施例提供的第二象限待测节点密集示意图；
图中：(a)不同算法定位结果示意图；(b)不同节点不同算法定位误差比较。
图9是本发明实施例提供的第三象限待测节点密集示意图；
图中：(a)不同算法定位结果示意图；(b)不同节点不同算法定位误差比较。
图10是本发明实施例提供的第四象限待测节点密集示意图；
图中：(a)不同算法定位结果示意图；(b)不同节点不同算法定位误差比较。
图11是本发明实施例提供的待测节点随机分布多种算法定位误差对比示意图。
图12是本发明实施例提供的不同nlos比例下各算法定位精度示意图。
图13是本发明实施例提供的不同nlos占比下定位时间对比示意图。
图14是本发明实施例提供的nlos识别算法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于距离残差的nlos识别方法及在室内定位中的应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于距离残差的nlos识别方法包括以下步骤：
s101：根据最小二乘算法给出待测节点的初步估计位置。
s102：将待测节点的估计位置与两个辅助锚节点作为新的锚节点组合反向定位锚节点的位置。
s103：计算锚节点的估计位置误差。
s104：判断锚节点估计位置误差是否大于设置的阈值。若误差大于阈值则判断该待测节点到锚节点间存在nlos误差，若误差小于阈值则判断该待测节点到锚节点间不存在nlos误差。
下面结合具体实施例对本发明的技术方案作进一步的描述。
1、基于锚节点的最小二乘定位算法
1.1问题描述
本发明假设待定位的网络由已知位置的m个锚节点与不知道自身位置的n个待测节点组成，待测节点随机分布在m×m的室内环境中。其中锚节点的位置坐标为ci＝(xi,yi),i＝1,...,m，待测节点的位置坐标为ui＝(xi,yi),i＝1,...,n，本发明考虑二维场景下的室内定位问题。
考虑到节点间的测量噪声与nlos误差，节点i与节点j之间的距离估计可以被建模为：
其中，dij为节点i与节点j之间的真实距离；
则待测节点的定位误差由均方根误差(rmse)表示：
1.2基于锚节点的最小二乘定位
最小二乘定位算法通过最小化误差的平方和，使得求得的数据与实际数据之间的误差平方和最小。假设本发明已知待测节点i,i＝1,...,n到锚节点j,j＝1,...,m之间的测量距离为
根据最小二乘原理可以得到待测节点i的位置估计
其中：
本发明将通过最小二乘法计算待测节点i的位置估计
其中，c为锚节点坐标矩阵，d为测量距离矩阵。
因此，在二维场景中，本发明只需要知道待测节点到至少3个锚节点的距离即可对其进行定位。但由于室内环境复杂多变，当存在nlos误差时，用该方法对节点的定位精度影响较大。
2、基于距离残差的nlos识别算法及其应用
本发明通过引入辅助锚节点识别待测节点到锚节点间是否存在nlos误差，并介绍了该nlos识别算法在室内定位中的应用。距离测量矩阵对称性的概念。该对称性是指可以通过从锚节点计算出的待测节点的坐标与对应的真实距离重新计算出完全相同的锚节点坐标。但当距离中存在测量噪声或者nlos噪声时，这种对称性是不存在的。在基于最小二乘法的定位中，本发明至少已知3个锚节点的坐标(二维场景)以及这3个锚节点到待测节点的距离可以对该待测节点定位，反之本发明至少需要已知3个待测节点的估计位置才可以对锚节点进行反向定位。如图2所示，随着测量距离中误差的增加，待测节点的定位误差也随之增加，反向定位的锚节点位置误差也随之增加。
由于随着测量噪声的增加，待测节点定位误差与反向定位锚节点误差都随之增加，故本发明可以考虑通过反向定位锚节点的误差进行nlos识别。
2.1nlos识别算法
本发明引入辅助锚节点帮助待测节点i判断该节点到锚节点之间是否存在nlos噪声。辅助锚节点是已知自身位置，即各辅助锚节点与锚节点之间的距离不存在测量噪声和nlos噪声的节点。其主要作用为辅助待测节点i判断该节点到锚节点间是否存在nlos噪声。一般在二维场景中仅需要设置2个辅助锚节点fi＝(xi,yi),i＝1,2。
在二维场景的室内定位中，本发明在场地中均匀摆放3个锚节点与2个辅助锚节点，待测节点i随机摆放在场地内。本发明将2个辅助锚节点与待测节点i的估计位置作为一个新的组合反向定位锚节点的位置。定位方法采用最小二乘定位算法。由于各锚节点与辅助锚节点之间不存在测距误差，故当反向定位锚节点位置时，定位误差均自于待测节点i到3个锚节点之间的误差。如图3所示，当待测节点i与锚节点间不存在nlos噪声时，其反向定位的锚节点误差较小，当待测节点i与锚节点间存在nlos噪声时，其反向定位的锚节点误差较大。图3所示的试验环境与结果如表1所示。
表1反向定位锚节点误差试验环境与结果
本发明通过设置一个阈值δ判断该节点到各个锚节点间的距离测量是否存在nlos误差。设待测节点与锚节点之间的视距关系由ai表示：
当锚节点估计误差大于阈值δ时，则待测节点到各个锚节点间存在nlos误差a＝1；当锚节点估计误差小于阈值δ时，则待测节点到各个锚节点间不存在nlos误差a＝0。
则该nlos识别算法详细过程如下所示：
故本发明可以通过以上算法得到每一个待测节点到锚节点之间是否存在nlos噪声。由于定位所使用的距离矩阵是不变的，故3个锚节点的三角关系与反向定位得到的3个锚节点的三角关系相同，即每一个锚节点的误差相同。因此本发明无法判断该待测节点与哪一个锚节点间存在nlos噪声。
2.2nlos识别算法在室内定位过程中的应用
结合上述nlos识别算法，本发明将其应用在室内多节点协同定位中。通过nlos识别算法为每一个待测节点寻找不存在nlos误差的锚节点对其定位，进而提高节点定位精度。该方法主要分为以下4步：
步骤一，对所有的节点进行nlos识别，将不存在nlos的节点划分为第一次定位的节点集合中，将存在nlos的节点划分为第二次定位的节点集合中；
步骤二，对第一次定位的节点用最小二乘定位算法进行位置估计；
步骤三，更新锚节点集合与辅助锚节点集合。将第一次定位得到的待测节点与辅助锚节点作为新的锚节点待选集合，并在锚节点中选择2个作为新的辅助锚节点；
步骤四，对第二次定位的节点分别从锚节点待选集合中选取3个不存在nlos噪声的锚节点作为新的定位锚节点，并用最小二乘法进行定位，得到所有待测节点位置。
对于不同的锚节点分布方式，该算法的性能也不同。因此，本发明在选择锚节点的过程中优先选择锚节点组合条件数小的锚节点组合进行nlos识别，直到选出不存在nlos误差的锚节点组合进行定位。该nlos识别算法在室内定位中的应用的详细流程如图4所示。
下面结合仿真试验对本发明的技术效果作详细的描述。
本发明主要介绍了第四节中所提出的算法的仿真结果。本发明仿真试验均在10m×10m的室内场景中进行，仿真过程中锚节点均匀分布在场地周围。仿真中涉及到的nlos比例是指存在nlos噪声的距离数量占总距离数量的百分比。本发明所设置的仿真均在10m×10m的环境下进行，当仿真设置的锚节点数量与辅助锚节点数量为最小时，即3个锚节点与2个辅助锚节点，其摆放位置如图5所示。
1、nlos识别
1.1nlos识别阈值设置
本发明通过设置一组试验确定nlos识别的阈值δ。该试验在10m×10m的室内环境中进行，锚节点3个与辅助锚节点2个如图5所示摆放在场地中，1个待测节点随机分布在场地中。测量噪声服从[-0.1,0.1]上的均匀分布，nlos噪声系数取β＝0.15。在los环境与nlos环境中分别进行1000次独立重复试验，分别计算不同阈值下的los识别成功率与nlos识别成功率，结果如图6所示：
由于当los识别成功率较高，nlos识别成功率较低时，会存在一些存在nlos的节点被识别为los的情况，而当nlos识别成功率较高，los识别成功率较低时，会存在一些不存在nlos的节点被识别为nlos的情况，这两种情况均会对二次定位误差造成影响。因此，本发明取两者交点处的阈值，即los与nlos识别成功率均较高时的阈值为最终确定的阈值。此时，所确定的阈值δ＝0.26，而此时los/nlos识别成功率为90.50％。当节点间测量噪声改变时，本发明可以根据节点间测量噪声的变化调整nlos识别阈值，提高nlos识别成功率。
1.2nlos识别成功率
本试验将单个待测节点随机分布在10m×10m的室内环境中，进行10000次独立重复试验，通过添加不同的nlos噪声，计算在不同nlos噪声下的nlos识别成功率，nlos识别阈值δ＝0.26，测量噪声服从[-0.1,0.1]上的均匀分布，得到结果如表2所示：
表2不同nlos噪声下nlos识别成功率
表2中nlos个数h表示，在3个锚节点中随机选取h个锚节点均存在对应的nlos噪声，nlos噪声由1m依次增加。从表2中的结果可以看出本发明当nlos噪声增加时，nlos识别成功率也会增加，且大部分nlos识别成功率大于90％。
2、nlos识别算法在室内定位中的应用
将在不同的网络节点分布状态下检测所提出的nlos识别算法在室内定位中的应用。首先，本发明将10m×10m的室内环境平均分为4个象限，针对不同象限待测节点分布密集程度不同，分析定位结果。第二，本发明考虑当节点随机分布在10m×10m的室内环境时，本发明算法与其它算法的定位结果对比。第三，本发明考虑当节点随机分布时，室内nlos误差比例的增加对算法的影响。第四，本发明考虑当锚节点数量增加时对定位精度的影响。最后本发明给出该算法定位时间与其它算法定位时间的对比。
2.1对不同象限数据点密集程度不同的定位结果对比
本次仿真对比当不同象限待测节点密集程度不同时，nlos识别算法在室内定位中的应用。仿真设置待测节点分布密集的象限分布10个待测节点，待测节点分布稀疏的象限分布3个待测节点，本发明将室内区域以1m为一个单位分成100个格点，待测节点只能分布在格点上。本发明针对每一个象限待测节点分布密集而其它象限待测节点分布稀疏的情况进行4次试验。仿真设置nlos占比为20％，测量噪声服从[-0.1,0.1]上的均匀分布，nlos噪声系数β＝0.15。则对比本发明算法、ls算法和mds算法定位结果如图7-图10所示：
则可以得到各算法在不同待测节点分布密集程度下的rmse如表3所示：
表3不同算法在不同密集程度下的rmse(m)
通过仿真结果可以看出，本发明提出的算法在针对不同区域待测节点分布密集程度不同的网络中定位效果均优于mds算法和ls算法。从定位结果可以看出本发明，当第三象限节点分布密集时，会出现较多被误判为存在nlos的节点。该现象的主要原因在于该区域内的节点与仿真所设置的辅助锚节点近乎在同一条直线上，在通过辅助锚节点判断是否存在nlos的过程中会存在一定误差，但本发明可以通过二次定位时改变辅助锚节点的位置重新找到新的不存在nlos的锚节点对其定位。
2.2待测节点随机分布定位结果对比
本发明考虑待测节点随机分布时不同算法的定位结果对比。假设20个待测节点随机分布在室内环境中，仿真设置nlos占比为20％，测量噪声服从[-0.1,0.1]上的均匀分布，nlos噪声系数β＝0.15。当待测节点随机分布在网络中时，本发明考虑对比多种算法的定位结果，将本发明提出的算法与nlos-mds算法，ts-ls算法以及ls算法和mds算法作对比，由于ts-ls算法需要已知nlos信息，故仿真时假设已知距离的nlos信息，即nlos识别成功率为100％，得到不同算法的单个节点定位误差如图11所示。
表4待测节点随机分布定位结果
从定位结果中可以看出本发明在多种算法对比情况下本发明提出的算法能表现出较好的定位精度，减小室内nlos对定位误差的影响。
2.3不同nlos比例对定位精度的影响
本发明考虑当nlos比例增加时对各定位算法定位精度的影响。仿真环境设置在一般网络中，20个待测节点随机分布在10m×10m的室内环境中，测量噪声服从[-0.1,0.1]上的均匀分布，nlos噪声系数β＝0.15。本发明取不同nlos占比情况下，统计100次定位过程中五种算法的平均rmse，得到结果如图12所示：
表5不同nlos比例下各算法定位精度表
从以上结果中可以看出本发明随着nlos比例的增加，本发明算法比其他四种算法定位精度高，可以有效提高节点定位精度，在nlos比例为25％时，本发明算法定位精度在0.7m以下。
2.4不同算法定位时间分析
本发明对不同定位算法在不同nlos占比的情况下的定位时间进行仿真分析。仿真环境在一般网络中，20个待测节点随机分布在10m×10m的室内环境中，测量噪声服从[-0.1,0.1]上的均匀分布，nlos噪声系数β＝0.15。本发明在不同nlos占比下，统计100次定位过程中五种算法的平均计算时间，得到结果如图13所示，从图13中结果可以看出本发明算法在不同nlos占比下平均定位时间不超过0.03s，统计该算法平均定位时间为0.0170s.故该算法可在保证计算时间的基础上提高定位精度。
本发明提出了一种nlos识别算法，该算法不需要任何对nlos噪声的先验信息，通过节点间距离矩阵的对称性，引入2个辅助锚节点反向定位锚节点位置，根据反向定位锚节点的误差判断待测节点与锚节点间是否存在nlos。并基于该nlos识别算法给出了该算法在室内定位中的应用。从仿真结果可以看出，该nlos识别算法识别成功率可达到90％，且将该nlos识别算法应用到室内定位中能有效提高室内定位精度。在室内nlos比例不超过25％的情况下，定位精度不超过0.7m。并且当nlos比例增加时，算法定位时间稳定，稳定在0.0170s左右，故该算法可以在保证计算时间的基础上减轻nlos误差对定位精度的影响。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
1.一种基于距离残差的nlos识别方法，其特征在于，所述基于距离残差的nlos识别方法根据距离测量矩阵的对称性，距离测量矩阵对称性是指通过锚节点计算出的待测节点的坐标与对应的真实距离重新计算出完全相同的锚节点坐标，添加两个辅助锚节点，辅助锚节点是已知自身位置，即各辅助锚节点与锚节点之间的距离不存在测量噪声和nlos噪声的节点；
首先根据最小二乘定位算法由三个锚节点估计出待测节点的估计位置，然后将待测节点的估计位置与两个辅助锚节点作为新的锚节点组合来估计原锚节点的位置，当待测节点到锚节点间不存在nlos误差时，锚节点的估计误差会非常小，最后根据锚节点的估计位置误差来判断该待测节点到锚节点间是否存在nlos误差。
2.如权利要求1所述的基于距离残差的nlos识别方法，其特征在于，所述基于距离残差的nlos识别方法在场地中均匀摆放3个锚节点与2个辅助锚节点，待测节点i随机摆放在场地内，将2个辅助锚节点与待测节点i的估计位置作为一个新的组合反向定位锚节点的位置；定位方法采用最小二乘定位算法；当反向定位锚节点位置时，定位误差均自于待测节点i到3个锚节点之间的误差；当待测节点i与锚节点间不存在nlos噪声时，其反向定位的锚节点误差较小，当待测节点i与锚节点间存在nlos噪声时，其反向定位的锚节点误差较大。
3.如权利要求1所述的基于距离残差的nlos识别方法，其特征在于，所述基于距离残差的nlos识别方法设置一个阈值δ判断该节点到各个锚节点间的距离测量是否存在nlos误差，待测节点与锚节点之间的视距关系由ai表示：
当锚节点估计误差大于阈值δ时，则待测节点到各个锚节点间存在nlos误差a＝1；当锚节点估计误差小于阈值δ时，则待测节点到各个锚节点间不存在nlos误差a＝0。
4.如权利要求1所述的基于距离残差的nlos识别方法，其特征在于，所述基于距离残差的nlos识别方法具体包括以下步骤：
步骤一，根据最小二乘算法给出待测节点的初步估计位置；
步骤二，将待测节点的估计位置与两个辅助锚节点作为新的锚节点组合反向定位锚节点的位置；
步骤三，计算锚节点的估计位置误差；
步骤四，判断锚节点估计位置误差是否大于设置的阈值。若误差大于阈值则判断该待测节点到锚节点间存在nlos误差，若误差小于阈值则判断该待测节点到锚节点间不存在nlos误差。
5.一种如权利要求1～4任意一项所述基于距离残差的nlos识别方法在室内定位中的应用，其特征在于，在室内定位中的应用包括以下步骤：
步骤一，对所有的节点进行nlos识别，将不存在nlos的节点划分为第一次定位的节点集合中，将存在nlos的节点划分为第二次定位的节点集合中；
步骤二，对第一次定位的节点用最小二乘定位算法进行位置估计；
步骤三，更新锚节点集合与辅助锚节点集合，将第一次定位得到的待测节点与辅助锚节点作为新的锚节点待选集合，并在锚节点中选择2个作为新的辅助锚节点；
步骤四，对第二次定位的节点分别从锚节点待选集合中选取3个不存在nlos噪声的锚节点作为新的定位锚节点，并用最小二乘法进行定位，得到所有待测节点位置。
技术总结