基于稀疏贝叶斯学习与离网模型的多辐射源自定位方法研究

本文提出了一种基于稀疏贝叶斯学习（SBL）和离网模型的自定位方法，解决了复杂环境中全球导航卫星系统（GNSS）信号受阻时的定位难题。通过稀疏信号表示（SSR）技术和一阶泰勒展开离网修正，显著提升了有限数据下的定位精度，其性能接近克拉美罗界（CRB），为无人机（UAV）等应用提供了高鲁棒性解决方案。

　　

亮点

1. 针对自定位问题构建了基于稀疏信号表示（SSR）的模型，并引入稀疏贝叶斯学习（SBL）技术，仿真验证其在有限采样数据下的优异性能。

2. 采用离网模型解决网格失配问题，通过一阶泰勒展开逼近真实位置与最近网格点的偏差。

3. 推导了自定位问题的克拉美罗界（CRB）作为理论基准，实验表明算法性能接近CRB下限。

数值仿真

通过蒙特卡洛实验评估性能，均方根误差（RMSE）和成功率（SR）作为核心指标。当定位误差阈值ε设为0.5米时，算法在低信噪比（SNR=-5dB）下仍保持85%以上的成功率，显著优于传统网格法。

结论

本研究将SBL框架拓展至自定位领域，结合离网修正技术，在卫星拒止环境中实现了亚米级定位精度。所提方法为资源受限场景（如隧道救援、山区无人机作业）提供了轻量化解决方案。

作者贡献声明

高远：概念设计、方法论构建及论文撰写；柴恒：数据可视化和实验验证；张笑非：基金支持与学术监督；李嘉琪：结果验证与论文修订。