问题描述
背景
我在3-dimensions和使用4节点中尝试解决(出了名的痛苦的)到达时间差(TDOA)多边问题已经有一段时间了。如果您不熟悉这个问题，它是在给定n节点的坐标、信号到达每个节点的时间以及信号v的速度的情况下，确定某个信号源(X,Y,Z)的坐标。
我的解决方案如下：
对于每个节点，我们编写(X-x_i)**2 + (Y-y_i)**2 + (Z-z_i)**2 = (v(t_i - T)**2
其中(x_i, y_i, z_i)是ith节点的坐标，T是发射时间。
4个未知数中的4个方程。四个节点显然不够。我们可以尝试直接解决这个系统，然而，考虑到问题的高度非线性性质(事实上，我已经尝试了许多直接技术)，这似乎几乎是不可能的。并且失败了)。相反，我们通过考虑所有i/j可能性，从等式j中减去i，将其简化为一个线性问题。我们得到(n(n-1))/2=6形式的方程：
2*(x_j - x_i)*X + 2*(y_j - y_i)*Y + 2*(z_j - z_i)*Z + 2 * v**2 * (t_i - t_j) = v**2 ( t_i**2 - t_j**2) + (x_j**2 + y_j**2 + z_j**2) - (x_i**2 + y_i**2 + z_i**2)
它们看起来像Xv_1 + Y_v2 + Z_v3 + T_v4 = b。现在我们尝试应用标准线性最小二乘法，其中解是A^T Ax = A^T b中的矩阵向量x。不幸的是，如果您尝试将其添加到任何标准的线性最小二乘算法中，它将无法正常工作。那么，我们现在该怎么办？
...
信号到达节点i的时间(当然)由
sqrt( (X-x_i)**2 + (Y-y_i)**2 + (Z-z_i)**2 ) / v
这个方程意味着到达时间T是0。如果我们有T = 0，我们就可以删除矩阵中T列，问题就大大简化了。事实上，NumPy'slinalg.lstsq()给出的结果非常准确。
...
所以，我所做的是标准化输入时间，方法是从每个方程式中减去最早的时间。然后，我所要做的就是确定我可以每次相加的dt，以使通过线性最小二乘找到的点的平方和误差的残差最小化。
我将某些dt的误差定义为将input times+dt提供给最小二乘算法预测的点的到达时间之间的平方差减去所有4节点的输入时间(归一化)。
for node, time in nodes, times:
error += ( (sqrt( (X-x_i)**2 + (Y-y_i)**2 + (Z-z_i)**2 ) / v) - time) ** 2
我的问题：
通过使用暴力，我能够令人满意地做到这一点。我从dt = 0开始，然后向上移动到某个最大迭代次数或，直到达到某个最小的RSS误差，也就是我添加到归一化时间以获得解的dt。得到的解决方案非常准确和精确，但速度很慢。
实际上，我希望能够在实时解决此问题，因此需要一个速度快得多的解决方案。我首先假设误差函数(即上述定义的dtvserror)将是高度非线性的--即刻，这对我来说是有意义的。
由于我没有实际的数学函数，我可以自动排除需要区分的方法(例如Newton-Raphson)。误差函数将始终为正，因此我可以排除bisection等。相反，我尝试一个简单的近似搜索。不幸的是，这一努力惨遭失败。然后，我尝试了禁忌搜索，然后是遗传算法，以及其他几种搜索算法。他们都惨败了。
所以，我决定做一些调查。事实证明，误差函数与DT的关系图看起来有点像平方根，只是根据信号源到节点的距离而向右移动：
其中dt位于水平轴，错误位于垂直轴
而且，事后看来，当然是这样！。我将误差函数定义为涉及平方根，因此，至少在我看来，这似乎是合理的。
要做什么？
所以，我现在的问题是，我如何确定误差函数的最小值对应的dt？
numpy.polyfit进行拟合，然后将结果提供给numpy.root。该根对应于dt。不幸的是，这也失败了。我尝试了各种degrees，也尝试了各种点，甚至达到了荒谬的数量，以至于我可能会使用暴力。
如何确定此误差函数的最小值对应的dt？
由于我们处理的是高速(无线电信号)，因此精确和准确很重要，因为dt中的微小变化可能会偏离结果点。
我相信我在这里所做的事情中隐藏着一些无限简单的方法，忽略其他一切，我如何找到dt？
我的要求：
- 速度至上
- 我只能访问将在其中运行此程序的环境中的纯
Python和NumPy
编辑：
以下是我的代码。诚然，有点凌乱。这里，我使用的是polyfit技术。它将为您模拟&Q；源，并比较结果：
from numpy import poly1d, linspace, set_printoptions, array, linalg, triu_indices, roots, polyfit
from dataclasses import dataclass
from random import randrange
import math
@dataclass
class Vertexer:
receivers: list
# Defaults
c = 299792
# Receivers:
# [x_1, y_1, z_1]
# [x_2, y_2, z_2]
# [x_3, y_3, z_3]
# Solved:
# [x, y, z]
def error(self, dt, times):
solved = self.linear([time + dt for time in times])
error = 0
for time, receiver in zip(times, self.receivers):
error += ((math.sqrt( (solved[0] - receiver[0])**2 +
(solved[1] - receiver[1])**2 +
(solved[2] - receiver[2])**2 ) / c ) - time)**2
return error
def linear(self, times):
X = array(self.receivers)
t = array(times)
x, y, z = X.T
i, j = triu_indices(len(x), 1)
A = 2 * (X[i] - X[j])
b = self.c**2 * (t[j]**2 - t[i]**2) + (X[i]**2).sum(1) - (X[j]**2).sum(1)
solved, residuals, rank, s = linalg.lstsq(A, b, rcond=None)
return(solved)
def find(self, times):
# Normalize times
times = [time - min(times) for time in times]
# Fit the error function
y = []
x = []
dt = 1E-10
for i in range(50000):
x.append(self.error(dt * i, times))
y.append(dt * i)
p = polyfit(array(x), array(y), 2)
r = roots(p)
return(self.linear([time + r for time in times]))
# SIMPLE CODE FOR SIMULATING A SIGNAL
# Pick nodes to be at random locations
x_1 = randrange(10); y_1 = randrange(10); z_1 = randrange(10)
x_2 = randrange(10); y_2 = randrange(10); z_2 = randrange(10)
x_3 = randrange(10); y_3 = randrange(10); z_3 = randrange(10)
x_4 = randrange(10); y_4 = randrange(10); z_4 = randrange(10)
# Pick source to be at random location
x = randrange(1000); y = randrange(1000); z = randrange(1000)
# Set velocity
c = 299792 # km/ns
# Generate simulated source
t_1 = math.sqrt( (x - x_1)**2 + (y - y_1)**2 + (z - z_1)**2 ) / c
t_2 = math.sqrt( (x - x_2)**2 + (y - y_2)**2 + (z - z_2)**2 ) / c
t_3 = math.sqrt( (x - x_3)**2 + (y - y_3)**2 + (z - z_3)**2 ) / c
t_4 = math.sqrt( (x - x_4)**2 + (y - y_4)**2 + (z - z_4)**2 ) / c
print('Actual:', x, y, z)
myVertexer = Vertexer([[x_1, y_1, z_1],[x_2, y_2, z_2],[x_3, y_3, z_3],[x_4, y_4, z_4]])
solution = myVertexer.find([t_1, t_2, t_3, t_4])
print(solution)
推荐答案
似乎班克罗夫特方法适用于此问题？下面是一个纯NumPy实现。
# Implementation of the Bancroft method, following
# https://gssc.esa.int/navipedia/index.php/Bancroft_Method
M = np.diag([1, 1, 1, -1])
def lorentz_inner(v, w):
return np.sum(v * (w @ M), axis=-1)
B = np.array(
[
[x_1, y_1, z_1, c * t_1],
[x_2, y_2, z_2, c * t_2],
[x_3, y_3, z_3, c * t_3],
[x_4, y_4, z_4, c * t_4],
]
)
one = np.ones(4)
a = 0.5 * lorentz_inner(B, B)
B_inv_one = np.linalg.solve(B, one)
B_inv_a = np.linalg.solve(B, a)
for Lambda in np.roots(
[
lorentz_inner(B_inv_one, B_inv_one),
2 * (lorentz_inner(B_inv_one, B_inv_a) - 1),
lorentz_inner(B_inv_a, B_inv_a),
]
):
x, y, z, c_t = M @ np.linalg.solve(B, Lambda * one + a)
print("Candidate:", x, y, z, c_t / c)
这篇关于使用NumPy最小化此误差函数的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持编程学习网！