文献标识码：A
文章编号： 0258-7998(2012)02-0105-04
无线定位技术自诞生以来，一直都是众多研究人员关注的热点。目前，该技术的研究已经取得了较多的研究成果，如基于TOA的被动定位或者是借助于类似GPS系统的主动定位技术都得到了很好的应用。由于多目标定位在精度和计算复杂度上存在着矛盾，在复杂的密集环境下，难以同时保证定位的有效性和实时性，故目前大部分的研究工作都集中在单目标的定位精度提高方面，限制了该技术进一步推广[1]。
本文主要致力于在CDMA环境下改善多目标定位技术及其精度问题。文中主要涉及两个方面：(1)在CDMA环境中，解决多目标联合检测问题；(2)多源数据的融合技术，主要考虑如何利用Marginalized粒子滤波(MPF)对多源数据进行有效的融合处理，建立合适的数据融合模型，在线性和非线性问题中找到平衡点，使之既能保证高定位精度，又能尽可能地减少计算量[2-3]。
1 基于CDMA的多目标检测技术
从理论上讲，多基站多目标的数据处理存在着很多问题，主要分为以下三个方面：
(1)如何在多目标环境中，使所有定位基站能辨识同一目标；
(2)多目标起始定位；
(3)多目标跟踪保持。
在3G通信系统中，利用一个基站，结合TOA和DOA信息，可以获得位置信息。而不同基站探测到的同一批目标的结果，在理论上应该是重合的，这时可将多目标环境中所有基站辨识同一批目标的问题，看作是单基站目标跟踪的特殊情况，即问题(1)是问题(2)、(3)的特殊情况。至于多目标问题，如果是在CDMA通信系统中，则可以利用码分多址特性来判断是否属于同一批目标。所以问题(2)才是关键，而解决了问题(2)，稍加改动就可用于问题(3)。由于绝大部分通信系统都采用异步CDMA，如WCDMA等，因此本文重点分析异步CDMA多目标检测的处理[4-5]。
对于混合线性/非线性系统而言，其状态空间模型如式(6)所示。在式(7)的模型当中，状态变量xk包含了线
性
态从系统模型中分离出来,并采用KF对之进行估计，并由此降低所需的粒子数目和粒子维数，减少了计算量。图5所示为不同滤波模式下的跟踪误差比较，图6表示的是3个目标运动位置的标准误差。从图中可以看出，标准差的平均值控制在80 m左右，在高噪声的情况下是可以接受的。
总体来说，把Marginalized粒子滤波应用在混合线性/非线性变量的机动目标模型当中，不仅使估计精度有所改善，而且大大减少了计算时间。在一些实时性要求较高的应用当中，它将能够满足实时滤波的要求。算法中对非线性变量估计采用的是一般的粒子滤波器。针对粒子滤波器的不足，还可以把算法中粒子滤波器估计的部分加入高斯或者正则化进行改进，以获得更高的估计精度和更优的滤波时间。同时，由于可以利用码分多址区别不同的用户，所以在终端辨识上不存在模糊问题，同时利用MPF对量测数据进行状态融合处理，在密集环境下，其定位精度在100 m以内，对多目标定位跟踪而言，这种结果是可以接受的。另外，论文中并没有考虑观测量误差的修正，相信进一步改善精度仍然是有可能的。
参考文献
[1] TSENG P H, Feng Kaiten. Hybird network/satellite-based location estimation and tracking systems for wireless networks[J]. Vehicular Technology, IEEE Transaction, 2009,9(58):5174-5189.
[2] 郭磊，唐斌.多站无源跟踪系统容错算法[J].电子科技大学学报，2008，37(5):681-684.
[3] 梁军,乔立岩,彭喜元. 基于SIR粒子滤波状态估计和残差平滑的故障检测算法[J].电子学报, 2007,35(B12):32-36.
[4] ANNALINGAM D, AL F H, STIPIDIS E. Successive blind Multi-target adaptive antenna array and interference cancellation for DS-CDMA[J]. Electronics Letters, 2009,42(20):1165-1166.
[5] LIU J S, CHEN R. Sequential monte carlo methods for dyamical systems[J].Journal of the American Statistical Association,1998,93(433):1032-1044.
[6] NORDLAND P J, GUSTAFSSON F. Marginalized particle filter for accurate and reliable terrain-aided navigation[J]. Aerospace and Electronic Systems,IEEE Transaction 2009,45(4):1385-1399.
[7] BA A, MECHBAL N, VERGE M. On-line drilling process monitoring by Marginalized Particle Filter[C].Aerospace conference,2009:1-6.
[8] HOLSOPPLE J, YANG S J. Designing a data fusion system using a top-down approach[C].Miltitary Communications Conference, 2009:1-7.
[9] Lu Ting, BUGALLO, MONICA F. Simplified marginalized particle filtering for tracking multimodal posteriors[C]. Statistical Signal Processing, IEEE/SP 14th Workshop on,2007:269-273.
[10] KIM S, HOLMSTROM L, MCNAMES J. Multiharmonic tracking using marginalized particle filters[C].30th Annual International IEEE EMBS Conference,2008:29-33.
[11] Li Cuiyun, Ji Hongbing. Marginalized particle filter based track-before-detect algorithm for small dim infrared target[C]. Artifical Intelligence and computational Intelligence, 2009:321-325.