1.一种基于UWB移动节点的移动目标定位算法，其特征在于，包括以下步骤：(1)建立UWB定位模型，在三维空间中，布置至少3个基站节点，在待测移动目标上设置标签节点；

(2)利用UWB定位模型对基站节点和标签节点间的距离进行测距，并经过预处理消除时钟偏移和时钟漂移带来的误差，得到消除误差后的距离测试值，并得到移动目标的粗略位置坐标；

(3)将步骤(2)每次测距采集到CIR信号的接收信号强度指示RSSI、第一路径功率强度FPPL、上升时间RT特征采用测距误差缓解模糊推理定位算法得到NLOS测距误差估计；

(4)将步骤(2)消除误差后的距离测试值与步骤(3)模糊得到的NLOS测距误差估计相减，得到模糊后的距离数据；

(5)将模糊后距离数据作为观测值代入自适应抗NLOS卡尔曼算法，得到最终距离估计数据；

(6)将最终距离估计数据代入鲁棒性更强LS定位算法，完成标签节点的位置估计。

2.根据权利要求1所述的一种基于UWB移动节点的移动目标定位算法，其特征在于：步骤(2)的具体步骤为：

设任一基站节点为节点A，待测移动目标为节点B，测试过程中，节点A向节点B发送测距信号，并记录下发送信号时间Ta1,节点B在接收到测距信号时记录下信号到达时间Tb1,并在间隔Treply1后向节点A发送确认UWB信号，在发送时记录下发送时刻Tb2,节点A收到节点B发送信号后，进行类似节点B操作，记录下接收时间Ta2,延迟Treply2的时间再次向节点B发送信号，并记录发送时间Ta3，节点B再次在接收到信号后,记录下信号到达时间Tb3；节点A与节点B经过三次通信后，得出节点A与节点B真实传输信号的时间Ttof的值：其中，Tround1＝Ta2‑Ta1，Tround2＝Tb3‑Tb2，Treply1＝Tb2‑Tb1，Treply2＝Ta3‑Ta2；

根据每个基站节点与标签节点之间距离计算公式di＝cti，其中c为信号传输的速率即光速，消除误差后的距离测试值为：di＝cTtof     (2)根据消除误差后的距离测试值，基于测距原理建立坐标方程，采用最小二乘法，计算UWB移动目标的坐标，获取移动目标的粗略位置坐标。

3.根据权利要求1所述的一种基于UWB移动节点的移动目标定位算法，其特征在于：步骤(3)所述测距误差缓解模糊推理定位算法所用的模糊集和模糊规则的建立过程为：

3.1非视距实验场景下，将基站节点放在固定位置，标签节点位置从相距0.5m处开始，然后将障碍物相距基站10cm的位置开始，采集500次实验数据为一组，每测一组就将障碍物到基站距离增加20cm，一直测到障碍物无法在标签和基站之间为止，当所有障碍物测完后，增加标签与基站距离，重复之前操作，一直测到3米为止；试验过程中采集UWB的CIR信号特征RSSI、FPPL、RT以及计算NLOS测距误差；

3.2视距实验场景下，即无障碍物情况，将基站放在固定位置，标签位置从相距0.5m处开始，每间隔0.5m作为一个测试点，一直测到3米为止；试验过程中采集UWB的CIR信号特征RSSI、FPPL、RT以及计算NLOS测距误差；

3.3对步骤3.1和3.2采集到的实验数据进行分析，将输入信号特征RSSI分成5个模糊集合，用非常大、大、中、小和非常小来划分集合，将输入信号特征FPPL分为6个模糊集合，用非常大、大、中、小、非常小以及非常非常小来划分，对于输入信号特征RT是与NLOS测距误差影响成正相关的，分为非常非常小、非常小、小、中、大5个模糊集合，同时对于输出NLOS误差分为非常小、小、中、大、非常大5个模糊集合；结合实验数据得到模糊规则；

将每一次测距采集到的CIR信号特征RSSI、FPPL、RT与所述模糊规则进行对应，得到对应的NLOS测距误差的等级及NLOS测距误差估计。

4.根据权利要求1所述的一种基于UWB移动节点的移动目标定位算法，其特征在于：步骤(5)所述的自适应抗NLOS卡尔曼算法为，采用卡尔曼滤波算法对模糊后的距离数据进行滤波，利用3倍新息的方差与新息比较来判断是否有NLOS存在，如果存在则通过对新息进行固定比例缩放来减小NLOS测距误差，具体步骤为：假设在短的时间内，标签节点与基站节点之间距离是均匀变化的，标签节点运动状态T

为x(k)＝[d(k) v(k)] ，其中：d(k)表示k时刻标签节点到基站的距离，为除去噪声后的估T

计值；v(k)表示k时刻标签节点的速度；w(k‑1)＝[wd(k‑1) wv(k‑1)]表示标签在运动过程中必然受到过程噪声干扰，其中：wd(k‑1)表示k‑1时刻距离过程噪声，wv(k‑1)表k‑1时刻示速度过程噪声，于是可以得到系统状态方程：其中：T代表采样时间；将式(3)化为矩阵的形式，如公式(4)所示：上式进一步简化可得矩阵形式状态方程模型，即式(5)，其中Fk是状态转移矩阵，wk‑1是k‑1时刻过程噪声，服从均值为0，方差矩阵为Qk‑1的高斯分布；

xk＝Fkxk‑1+wk‑1           (5)在基于滤波卡尔曼滤波系统中，设观测量为模糊后的测距距离值，z(k)表示第k时刻模糊后距离数据，r(k)表示测距误差，于是观测方程可以写成：将(6)式写成矩阵形式为：

zk＝Hkxk+vk                (7)其中，Hk为观测矩阵，vk表示k时刻观测噪声，服从均值为0，方差矩阵为Rk的高斯分布；

式(5)和式(7)组成用于对测距数据滤波的卡尔曼滤波系统模型；假设k‑1时刻卡尔曼滤波估计状态为 以及k时刻模糊后距离数据为zk，则卡尔曼滤波计算k时刻估计状态的步骤为：

5.1一步状态预测

根据k‑1时刻KF估计状态 预测k时刻状态，即根据k‑1时刻观测值zk‑1对真实状态xk线性最小方差估计，即：

其中， 表示k‑1时刻最小均方估计；由于公式(5)可知，wk‑1只对xk的值影响，因此E{wk‑1/zk‑1}的值为0于是可以得到一步预测状态公式(9)为：

5.2误差协方差矩阵预测

定义：

其中， 表示一步预测估计代替真实状态xk引起误差， 表示将一步预测估计值代入观测方程得到预测观测值； 表示预测观测值与真实观测值之间的误差，也称为新息Δk；设第k时刻新息Δk和其方差矩阵Dk为：根据3倍方差理论并结合式(12)和式(13)可以得到一个测量值是否受到NLOS的判断公式：

其中， 表示Dk矩阵对角线上第i个元素， 表达Δk的第i个元素，当式(14)不满足时候，对其新息修正，如公式(15)所示：其中，a表示新息修正系数，a根据新息与新息方差之间差变化来自动调节其取值，自动调节α的方法如下：

其中，b为修正系数α的最大缩小比例，取值范围在0到1之间；

由公式(10)和(11)可知，新息中包含部分真实状态的信息，于是对 进行适当加权获得 信息，于是修正后状态估计为：其中，Kk为卡尔曼增益矩阵；假设修正后估计 与真实状态xk之间估计误差为：于是估计误差的协方差矩阵定义为：一步预测误差的协方差矩阵定义为：并且已知 其中Rk表示观测噪声方差，估计误差与观测噪声互不相关，即代入式(20)可得：

T T

Pk＝(I‑KkHk)Pk|k‑1(I‑KkHk) +KkRkK          (21)要写出递推公式，还要分析从Pk‑1到Pk|k‑1的递推公式；将公式(5)和公式(9)代入一步预测状态估计误差公式可得：

由于k‑1时刻估计误差与当前k时刻过程噪声之间也互不相关，即: 代入式(20)可得一步预测误差的协方差矩阵：在得到一步预测误差协方差的递推公式后，需要进一步讨论增益矩阵Kk值的选择，以使得估计误差协方差Pk最小；

5.3增益矩阵Kk

为了使得估计误差协方差Pk最小，通常矩阵的迹最小，即：将式(23)代入上式，根据矩阵迹的求导公式，同时考虑到Pk|k‑1、Rk为对称矩阵，计算可得：

令公式(25)等于零，即可求得卡尔曼滤波增益矩阵为：进一步将式(26)代入公式(23)，可将估计误差协方差矩阵简化为：Pk＝(I‑KkHk)Pk|k‑1           (27)

5.4更新过程，根据式(14)更新状态估计

5.5更新过程，根据式(24)更新估计误差的协方差矩阵Pk；

5.6置k＝k+1，循环进行步骤5.1到步骤5.5，进行下一次滤波计算，得到最终状态估计T

通过标签节点的运动状态方程x(k)＝[d(k)v(k)]得到最终距离估计数据。

5.根据权利要求1所述的一种基于UWB移动节点的移动目标定位算法，其特征在于：步骤(6)所述的将最终估计距离数据代入鲁棒性更强LS定位算法，具体过程为：将得到三个基站距离数据d1、d2、d3代入到TOA定位方程中，即：在公式(28)中，从第二个方程到最后一个方程依次减去第一方程，得：为了方便求解，可将其转换成线性方程组矩阵形式为：AX＝b            (30)其中，

对公式(30)用最小二乘原理可得到标签的位置估计：T ‑1 T

X＝(ΑA) Ab       (31)。