《基于TDOA/FDOA的分布式传感器网络运动目标定位算法》

目标定位是广泛的传感和监视应用中遇到的一个基本信号处理问题。基于合适的相干信号模型的最大似然估计是开发高分辨率定位解决方案的一种流行方法。其中一种基于相干延迟和多普勒模型的方法是在[1]中提出的，它通过假设目标信号是一个具有已知统计量的随机过程，直接从信号测量中估计出目标的位置。当目标在移动时，可以利用到达时间差（TDOA）和到达频率差（FDOA）测量来确定目标位置和速度。然而，由于TDOA和FDOA都非线性地依赖于目标的位置和速度，从TDOA和FDOA测量中定位一个移动的目标是一个具有挑战性的问题。处理非线性的一种方法是在TDOA和FDOA与目标位置和速度关系中引入冗余参数。在[2]中提出了一个移动目标的位置和速度的代数解决方案，通过采用冗余参数来线性化非线性估计问题。然而，基于冗余参数的方法导致了相当大的偏差，这是由公式中的回归器和回归体之间的噪声相关性造成的。为了解决这个问题，[3]中提出了对[2]的扩展，即利用冗余参数和目标位置/速度之间的关系来完善解决方案。另一种方法是通过使用非线性优化方法直接解决非线性估计问题[4]，[5]。例如，[5]分两步解决了非线性定位问题。在每一步中，使用TDOA估计值（第一步）或TDOA和FDOA估计值（第二步）的非线性加权最小二乘法问题被制定和解决，然后进行偏差减少。

大多数基于TDOA/FDOA的方法需要TDOA和FDOA估计值的协方差矩阵来进行加权最小二乘法拟合。协方差矩阵在实践中往往是未知的，因为它取决于雷达到目标的距离和信号/噪声统计。在本文中，我们考虑使用无源雷达进行移动目标定位。我们首先考虑基于信号的直接方法，并推导出目标位置和速度的最大似然估计（MLE），假设目标波形是未知的，并被建模为一个确定性过程。最大似然估计通过在参数空间上的搜索程序获得目标位置和速度估计。虽然渐进式最优，但由于其复杂性，在一些有大量观测数据的情况下，MLE可能实际上是不可行的。为了解决这个问题，我们提出了一个基于TDOA/FDOA估计的计算上更有效的两步法。在第一步，我们通过使用二维（2-D）快速傅里叶变换（FFT）从信号测量中获得TDOA和FDOA估计。在第二步，我们使用迭代加权最小二乘法（IRLS）过程，从TDOA和FDOA估计值中找到目标的位置和速度，每次迭代都涉及参数的封闭式更新。人们看到IRLS通常在几次迭代后就会收敛。