多基地定位加权最小二乘算法解析：从模型到工程实现

简介：面向水声工程与声纳信号处理研究者的MATLAB源码资源，聚焦多基地声纳系统在多接收站条件下的目标定位问题。多基地声纳通过多处布站获取多路独立回波，能有效抑制海洋环境噪声与多路径效应，弥补单站视角局限；代码重点利用TOL信息（传输线矩阵方法）刻画声波在复杂水声结构中的传播规律，并结合WLS加权最小二乘法对不同信噪比、不同距离的观测值赋予合理权重，从而提升定位精度与稳健性。压缩包为rar格式，仅含1个.m源码文件，大小仅1KB，代码结构清晰，便于快速阅读、复现和二次开发。目前已有179人学习浏览，适合声纳系统设计、水声信号处理课程设计或算法对比验证时参考，尤其适用于需要快速验证WLS定位模型的科研与教学场景。

1. 多基地定位与 djd_tol1.zip：拿到这个包时你到底拿到了什么

第一次看到djd_tol1.zip_多基地_wls_这个命名时，大多数人会先愣一下：djd 是什么？tol1 是版本号吗？wls 又是什么？按做多基地定位的从业者习惯来拆，djd 是“多基地”的拼音首字母，tol1 指的是基于到达时刻（Time of Locating）的第一版解算包，wls 是 Weighted Least Squares，加权最小二乘。也就是说，这个 zip 包的核心指向很明确：一套多基地雷达或多站无源定位场景下的加权最小二乘定位方案。

这类包在工程里出现的频率比想象中高：要布多站时差定位系统，先拿一套离线数据或仿真脚本验证算法，再决定要不要往实装走。多基地定位本身是个投入不小的方向——站址、时统、接收链路、标定每一项都在烧预算，而 WLS 是其中最不值得省的一环：它直接决定目标位置解算的精度和稳定性。适合读这篇文章的人也很清楚：做雷达、声呐、UWB 室内定位，或者任何需要“多个站点观测同一目标”场景的算法工程师和系统工程师。

2. 先讲透 WLS 为什么是多基地定位的标配：观测方程、权值与矩阵解算

2.1 多基地 TDOA 观测模型：一次定位解算到底在解什么

多基地定位里最常见的一种观测量是到达时间差。设目标位置为x = [x, y, z]，第i个站点位置为s_i，目标到第i站的距离为：

d_i = ||x - s_i||

实际系统测量的是目标信号到达各站的时间差。把时间差乘以光速（或声速，看场景），得到距离差：

r_i1 = d_i - d_1 = c * (t_i - t_1)

这里s_1是参考站，r_i1是第i站相对参考站的距离差。每个距离差对应一个双曲面，多个双曲面的交点就是目标位置。模型上这是干净的几何问题，工程上麻烦在于：r_i1带噪声，而且站点布局不好时，交点会漂移得离谱。

WLS 要处理的正是这种情况。它不追求让每一个方程严格成立，而是让“观测值和模型预测值的加权残差平方和”最小。和多基地定位里常用的 Chan 算法相比，WLS 不需要假设噪声是同一方差，能给可靠性高的站更大的话语权，这在站点接收信噪比差异明显的场景里很关键。

2.2 把非线性观测方程整理成矩阵形式：省掉迭代搜索的关键一步

d_i - d_1 = r_i1是非线性的，直接求解要迭代搜索。经典做法是构造一个线性化形式。两边平方并利用d_i^2 = ||x - s_i||^2，可以得到：

||x - s_i||^2 - ||x - s_1||^2 = r_i1^2 + 2 * r_i1 * d_1

展开后整理成关于[x, y, z, d_1]的线性方程：

2 * (s_i - s_1)^T * x + 2 * r_i1 * d_1 = ||s_i||^2 - ||s_1||^2 - r_i1^2

注意这里多了一个未知量d_1，也就是目标到参考站的距离。它和x耦合在同一个方程组里。如果直接把d_1当独立未知量解，就得到一个四维最小二乘问题；如果先解出x再用x回代求d_1，就变成了两步法。这两种思路对应两种工程实现，后面会展开。

这个整理过程是多基地 WLS 实现里最值得亲手推一遍的部分。一开始我没推，直接调用现成公式，结果站点坐标系一换（从经纬度转到本地东北天坐标），符号全乱，解出来的位置偏了几十公里。后来老老实实把每个符号对到自己的坐标定义上才正常。

2.3 加权矩阵的物理含义：权值不是调参玩具

WLS 和普通最小二乘的唯一区别在权值矩阵W。最小二乘的解是：

x_est = (A^T * W * A)^(-1) * A^T * W * b

当W = I时退化为普通 LS。问题是：什么情况该给某些观测更大的权？

W的物理来源是测量噪声的协方差矩阵。理想情况下取W = Sigma^(-1)，其中Sigma是距离差测量噪声的协方差矩阵。如果第i站的信噪比低，它的距离差噪声方差大，对应W对角元就小，它在解算里的发言权就被压缩。这在多基地雷达里很直观：远端站的信号弱，时延估计误差大，你不可能让它的观测量和近端强信号站平等参与定位。

但这里有个典型的坑：Sigma是距离差噪声的协方差，不是各站噪声的协方差。因为r_i1 = d_i - d_1，参考站的测量误差会进入所有距离差里，造成站间相关性，Sigma的非对角元不是零。很多实现图省事，直接取对角阵，结果参考站选得不好时精度损失明显。后面第 5 章会详细说这个坑。

3. 从 djd_tol1.zip 到仿真数据：把多基地 WLS 定位跑通的最小流程

3.1 解压和检查：Linux 下处理 zip 包的三条命令

拿到包先在 Linux 环境里看货，不要直接双击解压到 Windows 再拖到服务器，编码和文件权限容易出问题。我一般用三条命令完成初步检查。

unzip -l djd_tol1.zip # 列出压缩包内容，不实际解压 unzip -t djd_tol1.zip # 测试压缩包完整性 unzip djd_tol1.zip -d djd_tol1 # 解压到指定目录

第一条unzip -l用来确认包内结构，看数据文件、配置文件、脚本分别放在哪；第二条unzip -t会检查每个文件的 CRC 校验，如果包在传输过程中损坏，这一步能提前暴露，避免解压到一半报invalid zip archive: could not find eocd这类错误；第三条解压时指定-d参数，把内容释放到独立目录，方便后面清理。

解压完成后我习惯顺手看一眼目录体积和最大的几个文件，判断数据是文本格式还是二进制格式。多基地定位包的常见组织是数据目录、配置目录、算法脚本目录三块，但这不代表所有包都长这样，拿到手先看实际情况再动手。

3.2 生成仿真场景：布站、目标轨迹与 TDOA 观测数据

在把真实数据喂给算法之前，先要有一套能控制真值的仿真数据。没有真值，你无法判断 WLS 解出来的位置到底准不准。

import numpy as np # 布站：4 个接收站，坐标为 [x, y, z]，单位米 stations = np.array([ [0.0, 0.0, 0.0], # 参考站 s1 [5000.0, 0.0, 0.0], # s2 [0.0, 5000.0, 0.0], # s3 [2000.0, 3000.0, 1000.0] # s4 带高程，打破共面 ]) # 目标的真实位置 target_true = np.array([1200.0, 800.0, 300.0]) def dist_to_site(target, stations): """目标到各站的距离向量""" return np.linalg.norm(stations - target, axis=1) # 真实距离差：以第 0 站为参考 d = dist_to_site(target_true, stations) r_true = d[1:] - d[0] # 加噪声：标准差 5 米，模拟时延估计误差 noise_std = 5.0 r_meas = r_true + np.random.normal(0, noise_std, size=r_true.shape) print("真实距离差:", r_true) print("测量距离差:", r_meas)

这段代码的作用是：先确定 4 个站点坐标和目标的真实位置，算出理论距离差，再加高斯噪声模拟真实系统的时延测量误差。站点坐标单位统一用米，这是最容易出错的地方，如果混进公里或者经纬度，后面 WLS 矩阵会直接病态。

布站时我给第 4 站加了一个 1000 米的高程，这是故意的。4 个站在同一水平面时，z 方向没有几何约束，目标高度解算会退化。带高程的站能把三维几何撑起来，这是多基地布站里花钱都未必能改回来的指标，仿真阶段就得体现。

3.3 最小可运行的 WLS 解算：协方差矩阵与迭代加权

有了仿真观测数据，下一步写解算核心。下面是按两步法实现的迭代加权最小二乘。

def wls_tdoa(stations, r_meas, max_iter=5): """ 多基地 TDOA 加权最小二乘解算 stations: (N, 3) 站点坐标，第 0 行是参考站 r_meas: (N-1,) 距离差测量值 r_i1 = d_i - d_1 返回: 目标坐标估计 """ N = stations.shape[0] ref = stations[0] others = stations[1:] # (N-1, 3) # 构造线性方程组 A * y = b，其中 y = [x, y, z, d1] A_list = [] b_list = [] for i in range(N - 1): s_i = others[i] r_i1 = r_meas[i] row = np.zeros(4) row[0:3] = 2.0 * (s_i - ref) row[3] = 2.0 * r_i1 A_list.append(row) b_list.append( np.dot(s_i, s_i) - np.dot(ref, ref) - r_i1 ** 2 ) A = np.array(A_list) b = np.array(b_list) # 迭代加权：权值依赖 d1 的估计，d1 未知所以先给单位权 y = None for _ in range(max_iter): if y is None: W = np.eye(N - 1) # 第一次迭代用单位权 else: d1_est = y[3] sigma2 = noise_std ** 2 * (1.0 + d1_est / d[0]) # 示例：参考站噪声传播 W = np.diag(1.0 / sigma2) # 加权最小二乘闭环解 ATA = A.T @ W @ A y = np.linalg.solve(ATA, A.T @ W @ b) return y[0:3]

代码逻辑分三段：第一段遍历每个测站，把非线性距离差方程线性化成A * y = b的形式；第二段处理权值，第一次迭代用单位权得到粗解，之后用粗解的d1估计噪声方差来更新权值；第三段用np.linalg.solve解加权法方程，注意这里没有用inv(ATA)而是直接solve，数值上更稳。

max_iter=5足够，因为两次迭代之间目标位置变化会迅速收敛。如果设置到 50 次，性能没有提升不说，还可能因为d1估计抖动引入额外误差。

跑通这段代码后，你会得到一组和真实坐标接近的输出。误差通常在小几十米量级，取决于噪声标准差。如果误差到了公里级，先检查单位，再看站点布局，不要怀疑算法。

4. 参数怎么设：站址几何、参考站选择与权值矩阵的工程调参

4.1 站址几何决定精度天花板：GDOP 不高，再好的 WLS 也白搭

WLS 只能保证在给定观测条件下，残差最小的解。如果站址几何本身差，无论怎么调权值都救不回来。衡量这个天花板的是 GDOP（几何精度因子），它把站点布局折算成定位误差放大倍数。

经验法则是：目标最好落在站点围成的凸包内部；站间基线要和目标距离量级匹配；各站相对目标的张角不能太小。一个极端的反例是三站几乎排成一条直线时，垂直基线方向上的误差凭空放大十几倍，这是几何决定的，不是算法的问题。实际布站时有约束，做不到最优几何，但至少要避免共线、共面和基线过短这三种结构。

调参时我习惯先做一次 GDOP 扫描：把目标位置固定，依次移除每个站，看定位误差方差怎么变。如果移除某一站后误差几乎不变，说明这站贡献的几何信息冗余；如果误差暴涨，说明它正好补上了某个方向的几何缺口，不能为了节省资源把它撤了。

4.2 权值矩阵的三个必调参数：参考站、噪声方差、迭代圈数

第一个参数是参考站编号。参考站出现在所有距离差里，它的测量误差是全局性的。选了信噪比最差的站做参考，哪怕其他站数据很干净，所有观测量都被污染。我一般会跑两遍解算，第一遍用单站参考解粗位置，再用粗位置信息辅助选一个离目标更近、信噪比更高的站做重解参考。

第二个参数是噪声方差的初始化。W矩阵不能凭空拍脑袋给数字。如果有标定数据，用标定残差的标准差平方做初始方差；没有标定数据，就用距离差序列的样本方差代替。注意噪声方差要和站点位置同一量纲体系，站址用米，噪声方差就用平方米，不要混进角度或时间单位。

第三个参数是迭代圈数。max_iter不是越大越好。在噪声较大的场景，第二次迭代后位置估计的改进就微乎其微了，再多迭代反而是把噪声拟合得更深。推荐值是 3 到 6 之间，超了就是过拟合闭环的典型表现。

4.3 一组可抄的基线参数配置

下面的参数表来自仿真场景的经验取值，可以当作起步配置，再根据实际系统调整。

这套配置跑通后，再去动单变量做敏感性分析，你会很直观地看到哪个参数对最终定位精度的边际影响最大。在我的经验里，站点高度差往往是最容易被忽略的那个，很多工程为了架设方便把站全放一个平面上，结果二维定位没问题，三维定位总有一轴飘。

5. 多基地 WLS 定位的五条实战排错记录

5.1 解算结果发散或出现 NaN

现象：迭代几次后坐标变成[nan, nan, nan]，或者某一轴数值呈指数级增长。

原因：距离差观测混入了野值（多径反射导致时延估计跳了一个脉冲周期），野值让b向量剧烈偏离真实值，进而导致A^T * W * b数值异常。另一个常见原因是站点坐标出现重复，两个站完全重合时A矩阵秩亏，法方程不可解。

解决：先对距离差做野值过滤，方式是用中值滤波器或设定一个最大距离差阈值；再检查站点坐标是否有重复或近似重复。做完这两步再跑解算，90% 的发散问题都消失。

5.2 参考站噪声太大，WLS 结果比普通 LS 还差

现象：换用 WLS 后误差非但没减小，反而比不加权时更大。

原因：权值矩阵接近真实协方差矩阵的逆时结果最优。如果参考站本身信噪比差，所有距离差共享它的噪声，这时把其他站的权加得再大也没用，因为污染已经进入全部观测量。

解决：我一般是把参考站换成信噪比最高的站，重新生成距离差序列，再解一次。如果工程上参考站不可更换（比如它承担了时统分发功能），那就退而求其次，把权值矩阵的非对角相关性项显式建模，参考站噪声大的影响会被部分抵消。

5.3 z 轴方向精度极差，水平方向正常

现象：三维解算结果中 x、y 都在几十米误差内，z 却偏了数百米。

原因：所有站点基本在一个水平面上，z 方向没有几何约束。多基地时差定位本质是解双曲面交点，双曲面在站平面附近的切线几乎是垂直的，所以高程方向灵敏度天然低。

解决：尽量在布站阶段引入高度差。如果站点已经固定，只能在算法端加先验约束，比如把目标高度限制在合理区间内，再走带约束的 WLS。这个方法能压住 z 轴飘移，但代价是如果目标真实高度超出先验范围，解算会跟着先验跑偏。

5.4 仿真精度很高，实装精度暴跌

现象：仿真里误差 5 米以内，换成真实系统后误差到了百米量级。

原因：这是量纲混用和站址标定误差在作祟。仿真中站点坐标是自己写的，不存在误差；实装系统中站址 GPS 测量误差、天线相位中心偏差、时延标定误差会全部进入观测量。如果仿真代码里用了米，实装数据里站点坐标是经纬度转过来的，一旦转错，误差直接放大到不可用。

解决：实装前先做端到端标定：在已知位置放一个信号源，反算每个站的时延零点和天线相位中心偏移。标定残差最小的那组参数，才是仿真里对应的噪声标准差真实值。

5.5 解算收敛到镜像位置

现象：定位结果在某个轴对称位置出现一个稳定的错误解，而且多次实验都收敛到同一个错误点。

原因：TDOA 双曲面的交点天然存在对称性。在真实的实装场景里，目标辐射信号的方向性会打破这种对称性，但纯时差定位模型里没有携带方向信息，加上站点布局对称的话，镜像点就是一个被数学允许的解。

解决：如果系统里还有到达角或者多普勒频率信息，把这种额外观测量拼进 WLS 方程里，方程数多于未知量时，镜像点会被残差惩罚掉。没有额外观测量的话，只能靠布站打破几何对称性来解决。我遇到过一次，站点布局是两个长方形对角对称，目标正好落在对称轴上，镜像解和真实解残差几乎一样，换布站才算干净。

6. 再往前走一步：用克拉美罗界校准你的 WLS 结果

定位精度是不是已经到顶了？别靠感觉判断，用克拉美罗界算一下理论下限。CRB 给出的是无偏估计器能到达的方差下界，如果你的 WLS 结果离 CRB 还很远，说明算法或参数还有优化空间；如果已经贴着 CRB，那再去调权值意义不大了，要提升就得换观测量或改布站。

计算 CRB 的关键是 Fisher 信息矩阵。以 WLS 的目标函数为基础，Fisher 矩阵的第(m,n)项为：

J[m,n] = (d r / d x[m])^T * Sigma^(-1) * (d r / d x[n])

其中r是距离差向量，Sigma是距离差噪声协方差。CRB 是J^(-1)的对角元，对应各轴的方差下界。用上一章的仿真数据和 WLS 结果做一次蒙特卡洛对比：跑 200 次独立噪声实验，统计 WLS 误差的均方根值，和sqrt(trace(J^(-1)))对比。

如果 RMSE 大于 CRB 两倍以上，先去查站址几何是否有退化的方向，再去查权值矩阵是否偏离真实协方差。反之，如果基本贴合，说明这套实现已经把信息吃透了。多基地定位工程里最怕的不是算法不好，而是不知道算法已经做到上限，还在盲目堆迭代次数和滤波，最后把系统复杂度抬上去了，精度毫无变化。

做完 CRB 校准后还有个习惯，我会把 WLS 粗解和 CRB 下限一起写进测试脚本里的断言：粗解误差超过 CRB 五倍时直接报错提示，防止后续有人改代码时不小心弄坏解算链路。这套基准测试后来救了我好几次，改了权值初始化方式后误差从 4 倍 CRB 涨到 6 倍，立刻被拦下来回滚了。

希望帮到你。

本文还有配套的精品资源，点击获取