最小二乘法和加权最小二乘法的非视距传播下的3个基站的二维坐标的TDOA定位性能对比，并给出matlab代码样例

最小二乘法和加权最小二乘法是两种常见的TDOA定位算法，它们都可以用于非视距传播下的三个基站的二维坐标的定位。下面我们来比较一下它们的性能。

首先是最小二乘法。最小二乘法是一种常见的优化方法，它的基本思想是通过最小化误差的平方和来求解问题。在TDOA定位中，我们可以将误差定义为所有基站到目标点的距离差与测量距离差之间的差的平方和。然后，我们可以通过求导并令导数等于0，来求解最小化误差的平方和的问题。具体的步骤可以参考以下的matlab代码：

function [x,y] = least_squares_tdoa(x0,y0,d1,d2,d3)
    % x0,y0代表初始猜测值，d1,d2,d3代表三个基站到目标点的距离
    % 这里假设三个基站的坐标已知
    x1 = 0; y1 = 0;
    x2 = 0; y2 = 3;
    x3 = 4; y3 = 0;
    % 定义误差函数
    f = @(x,y) ((x-x1)^2+(y-y1)^2-d1^2)^2+((x-x2)^2+(y-y2)^2-d2^2)^2+((x-x3)^2+(y-y3)^2-d3^2)^2;
    % 求解最小化误差的平方和的问题
    options = optimoptions('fminunc','Display','off');
    [x,y] = fminunc(f,[x0,y0],options);
end

接下来是加权最小二乘法。加权最小二乘法是在最小二乘法的基础上，为每个误差增加一个权重，以更好地反映误差的重要程度。在TDOA定位中，我们可以将权重设置为测量误差的倒数。具体的步骤可以参考以下的matlab代码：

function [x,y] = weighted_least_squares_tdoa(x0,y0,d1,d2,d3,s1,s2,s3)
    % x0,y0代表初始猜测值，d1,d2,d3代表三个基站到目标点的距离，s1,s2,s3代表三个测量误差
    % 这里假设三个基站的坐标已知
    x1 = 0; y1 = 0;
    x2 = 0; y2 = 3;
    x3 = 4; y3 = 0;
    % 定义误差函数和权重
    f = @(x,y) ((x-x1)^2+(y-y1)^2-d1^2)^2/s1+((x-x2)^2+(y-y2)^2-d2^2)^2/s2+((x-x3)^2+(y-y3)^2-d3^2)^2/s3;
    % 求解最小化误差的平方和的问题
    options = optimoptions('fminunc','Display','off');
    [x,y] = fminunc(f,[x0,y0],options);
end

在实际应用中，我们需要根据实际情况选择合适的算法和参数。