0 引　言

大型舰船电磁环境由设备辐射、海洋自然电磁干扰及外部电磁威胁等多元干扰源构成，呈现出复杂多变的特性。在舰船运营与任务执行中，人员安全管控、设备状态监测、物资轨迹追踪及故障快速诊断等场景对无线定位技术存在迫切需求。ZigBee技术凭借低功耗、低成本、自组网能力强及适配短距离通信的核心优势，与舰船无线传感网络的应用需求具有高度适配性^[1]。然而复杂电磁环境易引发ZigBee信号衰减、多径干扰、频谱冲突等问题，直接导致定位精度下降，成为制约技术落地的瓶颈。因此，开展面向复杂电磁环境的舰船ZigBee无线传感网络定位系统研究，既可为舰船场景提供稳定可靠的定位解决方案，具备重要工程应用价值，又能丰富特殊环境下无线定位技术的理论体系，具有显著学术研究意义。

无线传感网络定位技术已形成以TOA、TDOA、RSSI、AOA为核心的传统算法体系，学界围绕算法精度优化开展了大量改进研究，相关技术在多场景中得到初步应用。ZigBee技术凭借自身特性，在民用物联网、工业监测等领域的定位系统中已实现规模化应用，但在舰船等特殊环境下的适配性研究仍相对薄弱^[2]。目前，复杂电磁环境下的无线定位抗干扰研究主要围绕三方面展开，取得了一系列阶段性成果。现有舰船无线传感网络定位系统研究虽已起步，但在电磁环境适应性、复杂场景定位精度及长期运行稳定性等方面仍存在明显短板。综合来看，现有研究尚未充分解决舰船复杂电磁环境与ZigBee定位技术的适配性问题，亟需针对该特定场景开展抗干扰机制、定位算法优化及系统架构设计的专项研究，本文提出了一种面向复杂电磁环境的舰船Zigbee无线传感网络定位与数据采集系统的设计方案，系统具备良好的抗干扰性以及鲁棒性。

1 无线传感定位系统核心问题分析

舰船电磁环境对ZigBee定位的影响呈现多维度耦合特性。电磁干扰直接导致信号幅度衰减、相位偏移与频率失步，破坏定位参数测量基础，且多径效应使接收信号叠加直射波与反射波，引发TOA、RSSI等参数测量偏差，形成系统性定位误差。同时，ZigBee工作的2.4 GHz频段易与舰船其他设备产生频谱冲突，导致通信链路丢包率上升、稳定性下降；舰船密集金属结构与不规则设备布局则加剧信号遮挡与反射，进一步扭曲信号传播规律。

现有ZigBee定位系统在舰船场景中存在显著适配性短板。在定位精度方面，电磁干扰引发的参数测量误差降低了传统算法的定位准确性；在网络稳定性上，干扰导致链路频繁中断与重连，影响定位数据连续性；功耗与性能平衡矛盾突出，抗干扰优化带来的算法复杂度提升显著增加节点功耗，缩短续航周期；同时现有方案的节点部署与舰船紧凑空间、密集设备布局兼容性不足，易形成覆盖盲区或干扰叠加区。

定位系统核心需求可概括为高定位精度、强抗干扰能力、低功耗、高稳定性及舰船空间适配性五大维度。针对上述问题，本文构建“算法优化—网络优化—硬件适配”的系统性解决框架，通过电磁环境建模明确干扰规律，基于干扰特性优化抗干扰定位算法，结合舰船空间布局优化网络拓扑与节点部署，同步开展硬件抗干扰设计与功耗控制，实现各核心需求的协同满足。

2 系统设计 2.1 系统架构设计

本系统基于分层设计思想，构建“感知层-网络层-应用层”三级架构，如图1所示，各层功能模块化划分，通过协同工作实现复杂电磁环境下的高精度、高稳定定位，适配舰船场景的特殊需求。

1）感知层以ZigBee定位节点为核心，承担定位信号采集、数据初步处理与上传功能。节点部署于舰船舱室、甲板等目标区域，具备抗电磁干扰与低功耗特性，可实时采集自身位置相关的信号参数并传输至网络层。

2）网络层由ZigBee协调器与路由节点组成，协调器负责网络初始化、节点接入管理与数据汇总，路由节点通过动态路由算法优化数据传输路径，规避电磁干扰区域，保障通信链路稳定性；同时集成网关设备，实现ZigBee协议与舰船现有通信协议的转换，支撑跨系统数据交互。

3）应用层为数据处理与人机接口平台，负责接收网络层传输的数据，并且通过抗干扰定位算法完成位置解算，同时结合舰船电子地图实现目标位置实时可视化，应用层还为使用者提供数据存储、历史轨迹查询、异常报警等功能，满足舰船运营管理需求。各层间通过标准化数据接口实现交互，数据传输采用加密与校验机制，确保复杂电磁环境下的数据完整性与安全性。

2.2 硬件与软件设计

硬件选型与设计严格遵循舰船环境适配性及抗干扰核心要求。定位节点硬件选用低功耗微处理器作为控制核心，同时搭配抗干扰能力强的ZigBee无线模块，辅以高精度信号采集模块保障定位参数测量精度，并选用小型化全向抗干扰天线，有效降低舰船金属结构对信号的遮挡与反射影响；协调器硬件通过配置多通信接口（UART、SPI）与大容量数据缓存，以保障多节点数据的并发接收与临时存储需求；网关硬件基于工业级嵌入式处理器搭建，支持ZigBee与TCP/IP、CAN等多种协议的双向转换，并具备远程数据传输与设备远程管理能力。此外，硬件设计中全面融入屏蔽防护、滤波降噪等抗干扰措施，从物理层面提升设备在复杂电磁环境中的运行可靠性，为上层抗干扰算法的部署提供了可靠的硬件支撑。

软件系统采用模块化架构设计，划分为四大核心功能模块且各模块协同支撑抗干扰定位需求。嵌入式软件部署于定位节点与协调器，不仅实现信号采集、网络接入、数据传输等底层基础功能，更针对性集成低功耗管理策略与抗干扰通信机制，为定位数据的稳定采集与传输奠定基础；网络管理软件聚焦ZigBee网络的动态运维，负责拓扑结构维护、路由路径动态调整及节点运行状态实时监控，可自动识别电磁干扰区域并触发信道切换，从网络层面规避干扰影响；数据处理软件作为系统核心运算模块，深度集成改进型抗干扰定位算法，针对复杂电磁环境下的参数测量误差，通过定位参数滤波、干扰补偿及高精度位置解算等流程输出可靠定位结果，同时具备数据异常检测与修复功能，进一步提升定位数据有效性；应用展示软件基于舰船电子地图开发，提供直观的可视化操作界面，支持目标位置实时显示、历史轨迹回溯查询及数据报表自动生成等功能，精准适配舰船指挥调度场景的实际使用需求。

3 抗干扰定位算法优化及仿真 3.1 算法设计

在基于Zigbee技术的舰船无线传感网络定位系统中，抗干扰定位算法是决定系统性能的关键因素之一。传统单一参数或简单参数叠加定位方法，抗干扰能力与定位精度受限难以适应强电磁干扰环境。本文算法核心创新在于构建多参数互补与干扰自适应补偿协同机理，通过融合RSSI、TOA、TDOA各自优势并动态修正干扰影响，精准适配舰船电磁环境，从机理上提升定位可靠性，该算法通过挖掘不同定位参数的互补特性来实现，其中RSSI对硬件要求低，TOA/TDOA算法的定位精度高，结合加权最小二乘融合策略与电磁干扰自适应补偿机制，实现复杂环境下定位性能的全面提升。以下对算法进行详细理论推导，再通过多维度指标验证其最优性。

1）融合多参数定位优化算法理论推导

算法以RSSI、TOA、TDOA三类核心参数为输入，分别建立抗干扰测量模型。

①RSSI测量模型优化

传统对数距离路径损耗模型未考虑舰船电磁干扰，本文引入干扰补偿项$ \Delta \gamma $，同时基于电磁环境建模得到干扰场强E与信号衰减的映射关系^[3]：

$ \Delta \gamma =k\cdot {E}^{\alpha }。$

(1)

式中：k为环境系数；α为衰减指数；α需要通过实测标定，修正后模型为：

$ RSSI={P}_{t}-10n\mathrm{\lg }(d/{d}_{0})-{L}_{p}-\Delta \gamma -\xi。$

(2)

式中：P_t为ZigBee节点发射功率；n为路径损耗指数；d为目标节点与锚节点的实际距离；d₀为参考距离；L_p为固定损耗，含天线增益、馈线损耗。

②TOA测量模型

对传统TOS测量模型进行优化，考虑到信号传播时延受电磁干扰影响会产生偏差，引入时延修正系数η，基于干扰强度动态调整，$ \eta =1+0.01E $，TOA距离估计模型为：

$ {d}_{{\mathrm{TOA}}}=c\cdot (\Delta t-\Delta {t}_{0})\cdot \eta。$

(3)

式中：c为电磁波传播速度；$\Delta $t为实测信号传播时延；$\Delta $t₀为固定时延，含硬件响应时间、同步时延，通过校准获得。

③TDOA测量模型

选取1个锚节点作为参考节点，其余锚节点与参考节点组成TDOA测量对，距离差模型为^[4]：

$ {{d}_{{\mathrm{TDOA}},i}=c\cdot [(\Delta {t}_{i}-\Delta {t}_{0})-(\Delta {t}_{ref}-\Delta {t}_{0})]\cdot \eta =c\cdot (\Delta {t}_{i}-\Delta {t}_{ref})\cdot \eta 。}$

(4)

式中：$ {d}_{{\mathrm{TDOA}},i} $为第i个锚节点与参考节点的距离差；$ \Delta {t}_{i} $为第i个锚节点的实测时延；$ \Delta {t}_{ref} $为参考锚节点的实测时延。

2）加权最小二乘融合定位

设目标节点坐标为$ (x,y,z) $，第i个锚节点坐标为$ ({x}_{i},{y}_{i},{z}_{i}) $，参考锚节点坐标为$ ({x}_{ref},{y}_{ref},{z}_{ref}) $，基于上述模型构建融合定位方程组。

①由RSSI模型^[5]：

$ \sqrt{{(x-{{x}_{i}})}^{2}+{(y-{{y}_{i}})}^{2}+{(z-{{z}_{i}})}^{2}}={d}_{{\mathrm{RSSI}},i} 。$

(5)

式中：$ {d}_{{\mathrm{RSSI}},i}={10}^{({{P}_{t}}-{\mathrm{RSS}}{{I}_{i}}-{{L}_{p}}-\Delta {{\gamma }_{i}})/10n}\cdot {d}_{0} $；$ {\mathrm{RSS}}{I}_{i} $为第i个锚节点的实测RSSI值。

②由TOA模型：

$ \sqrt{{(x-{{x}_{i}})}^{2}+{(y-{{y}_{i}})}^{2}+{(z-{{z}_{i}})}^{2}}={d}_{{\mathrm{TOA}},i}。$

(6)

③由TDOA模型：

$\begin{split}& \Big|\sqrt{{(x-{{x}_{i}})}^{2}+{(y-{{y}_{i}})}^{2}+{(z-{{z}_{i}})}^{2}}-\\ &\sqrt{{(x-{{x}_{ref}})}^{2}+{(y-{{y}_{ref}})}^{2}+{(z-{{z}_{ref}})}^{2}}\Big|={d}_{{\mathrm{TDOA}},i}。\end{split}$

(7)

为降低测量误差影响，采用加权最小二乘（WLS）进行融合求解。权重系数由各参数的测量方差决定，方差越小，权重越大。

同时构建优化目标函数：

$ {J(x,y,z)=\sum\limits_{i=1}^{m}\left[\begin{array}{l} {w}_{{\mathrm{RSSI}},i}\cdot ({{d}_{{\mathrm{RSSI}},i}}-{{\hat{d}}_{i}})^{2}+{w}_{{\mathrm{TOA}},i}\cdot ({{d}_{{\mathrm{TOA}},i}}\\ -{{\hat{d}}_{i}})^{2}+{w}_{{\mathrm{TDOA}},i}\cdot {\left({d}_{{\mathrm{TDOA}},i}-|{\hat{d}}_{i}-{\hat{d}}_{{\mathrm{ref}}}|\right)}^{2} \end{array}\right]。} $

(8)

式中：$ {\hat{d}}_{i} = \sqrt{{(x - {{x}_{i}})}^{2} + {(y - {{y}_{i}})}^{2} + {(z - {{z}_{i}})}^{2}} $m为锚节点总数（取8个）；为目标节点到第i个锚节点的估计距离；$ {\hat{d}}_{ref}=\sqrt{{(x-{{x}_{ref}})}^{2}+{(y-{{y}_{ref}})}^{2}+{(z-{{z}_{ref}})}^{2}} $为目标节点到参考锚节点的估计距离。

对$ J(x,y,z) $分别求x、y、z的偏导并令其等于0，得到线性方程组$ Ax=b $，通过矩阵求逆求解，最终得到目标节点坐标估计值$ (\hat{x},\hat{y},\hat{z}) $。

3.2 定位性能指标确定

为验证本文提出的多参数融合定位优化算法的最优性，规定以下指标来进行定位算法的性能验证，分别是平均定位误差、最大定位误差、鲁棒性系数以及定位稳定性^[6]。

1）平均定位误差：

$ \overline{e}=\frac{1}{N}\sum\limits_{k=1}^{N}\sqrt{{({{\hat{x}}_{k}}-{{x}_{k}})}^{2}+{({{\hat{y}}_{k}}-{{y}_{k}})}^{2}+{({{\hat{z}}_{k}}-{{z}_{k}})}^{2}} 。$

(9)

式中：N=100。

2）最大定位误差：

$ {{e}_{\max}={\max }_{1\leqslant k\leqslant N}\sqrt{{({{\hat{x}}_{k}}-{{x}_{k}})}^{2}+{({{\hat{y}}_{k}}-{{y}_{k}})}^{2}+{({{\hat{z}}_{k}}-{{z}_{k}})}^{2}}。}$

(10)

3）鲁棒性系数：抗干扰能力量化指标，$ R= {{\overline{e}}_{0}}/{{\overline{e}}_{E}}\times 100{{\text{%}}} $，$ {\overline{e}}_{0} $为无干扰时平均误差，$ {\overline{e}}_{E} $为有干扰时平均误差，数值越大鲁棒性越强。

4）定位稳定性：定位误差的变异系数，$ CV={{\sigma }_{e}}/{\overline{e}}\times 100{{\text{%}}} $，$ {\sigma }_{e} $为定位误差标准差，数值越小稳定性越强。

3.3 仿真验证

为了验证本文提出算法的基本性能，仿真场景还原舰船典型舱室环境（12 m×10 m×3 m），锚节点8个（均匀部署于舱室四角及中部），目标节点按预设轨迹移动，速度0.5 m/s。干扰源参数参考舰船实际电磁环境设定：干扰频率覆盖ZigBee工作的2.4 GHz ISM频段，同时包含舰船常用1.8 GHz短波通信干扰与400 MHz超短波导航干扰；调制方式采用幅移键控（ASK）与频移键控（FSK）混合调制；弱干扰幅值为−85～−70 dBm，强干扰幅值为−60～−45 dBm。基于上述设置，分弱、强两级干扰强度，每级干扰下重复测量100次。

1）定位精度与鲁棒性对比

对传统RSSI算法、改进RSSI算法、BP神经网络优化算法以及本文多参数融合算法在不同干扰强度下进行比较，这些指标包括平均定位误差、最大定位误差以及鲁棒性系数，得到的结果如表1和图2所示。其中BP神经网络算法的具体结构为：输入层3个节点、隐藏层12个节点、输出层2个节点，激活函数采用Sigmoid，训练算法为梯度下降法。在不同干扰场景下，本文多参数融合算法的平均定位误差与最大定位误差均显著低于其他三类算法，且鲁棒性系数始终保持最高（88.5%～95.8%）。强干扰下，本文算法平均误差仅0.27 m，较传统RSSI算法降低85.4%，较改进RSSI算法降低69.3%，较BP神经网络算法降低27.0%，证明其在复杂电磁环境下的定位精度与抗干扰能力最优。

2）定位稳定性对比

进一步对以上集中不同算法的定位稳定性进行对比，结果如表2所示。可以发现：定位稳定性随干扰强度增加而下降，但本文多参数融合算法的变异系数始终最小，较其他算法低2.9%～38.9%。这是因为多参数融合策略降低了单一参数测量误差的影响，且加权最小二乘优化进一步抑制了干扰的随机性，使定位结果更稳定。

4 结　语

面向舰船复杂电磁环境下的ZigBee无线传感网络定位需求，开展抗干扰定位系统研究对提升舰船设备监控、人员管理等场景的智能化水平具有重要工程与学术价值。该研究成果可广泛应用于舰船设备状态监测、人员定位管控、物资轨迹追踪等场景，为舰船智能化运维提供技术支撑。具体结论如下：

1）本文提出的融合RSSI+TOA+TDOA的多参数定位优化算法，在复杂电磁环境下实现了平均定位误差低至0.27 m、鲁棒性系数达88.5%的最优性能，显著优于传统及改进定位算法。

2）本文所设计的“感知-网络-应用”3层架构系统，通过硬件抗干扰设计与软件模块化开发，在定位精度、抗干扰能力与工程适配性间实现了协同优化，具备实际工程部署潜力。