1.一种NLOS环境下基于散射体信息的单站定位方法，其特征在于，包括以下步骤：步骤一、在NLOS环境下，假设基站位置坐标为(xB,yB)且位于坐标原点(0,0)，移动台的位置坐标为(xm,ym)，基站、散射体和目标在同一水平面；

步骤二、构建散射环模型，散射体均匀分布在以移动台为圆心的圆环上，圆环半径为Rr；

步骤三、构建散射盘模型，散射体均匀分布在以移动台为圆心的圆盘内，圆盘半径为Rd；

步骤四、构建收敛高斯散射模型，高斯概率密度分布有效区域为以移动台为圆心、Rg为半径的圆内；

步骤五、计算所述步骤二的散射环模型中，反射径与以基站为原点坐标的X轴方向的夹角AOAθR，和移动台发出的信号经散射体反射后到达基站的传输时间TOAτR；

计算所述步骤三的散射盘模型中，反射径与以基站为原点坐标的X轴方向的夹角AOAθD和移动台发出的信号经散射体反射后到达基站的传输时间TOAτD；

计算所述步骤四的收敛高斯散射模型中，反射径与以基站为原点坐标的X轴方向的夹角AOAθG和移动台发出的信号经散射体反射后到达基站的传输时间TOAτG；

步骤六、基于所述步骤五中得到的AOAθR和TOAτR，计算得到散射环模型下的AOAθR的概率密度函数p(θR)和TOAτR的概率密度函数p(τR)；

步骤七、基于所述步骤六中的概率密度函数p(θR)、p(τR)，令其中： 表示散射环模型中第q个AOAθRq和其对应的概率密度表示第q个TOAτRq和其对应的概率密度 将 和 作为参考模板A；

步骤八、基于所述步骤五中得到的AOAθD、TOAτD，计算得到散射盘模型下的AOAθD的概率密度函数p(θD)和TOAτD的概率密度函数p(τD)；

步骤九、基于所述步骤八中的概率密度函数p(θD)、p(τD)，令其中： 表示散射盘模型中第q个AOAθDq和其对应的概率密度表示第q个TOAτDq和其对应的概率密度 将 和 作为参考模板B；

步骤十、基于所述步骤五中得到的AOAθG、TOAτG，计算得到高斯散射模型下的参数AOAθG的概率密度函数p(θG)和TOAτG的概率密度函数p(τG)；

步骤十一、基于所述步骤十中的概率密度函数p(θG)、p(τG)，令其中： 表示高斯散射模型中第q个AOAθGq和其对应的概率密度表示第q个TOAτGq和其对应的概率密度 将 和 作为参考模板C；

步骤十二、利用软件无线电平台采集多径信号，采用虚拟天线技术实现AOA估计和TOA估计，得到估计AOAθM和估计TOAτM；假设采集到n个多径信号；

步骤十三、计算所述步骤十二中的估计参数AOAθM的概率密度函数p(θM)和TOAτM的概率密度函数p(τM)；

步骤十四、基于所述步骤十三中的概率密度函数p(θM)、p(τM)，令其中： 表示实测模型中第n个AOAθMn和其对应的概率密度表示第n个TOAτMn和其对应的概率密度 将 和 作为测试模板T；

步骤十五、利用地球移动距离算法将测试模板T与参考模板A、B、C分别进行匹配；

步骤十六、分析测试模板T与参考模板A、B、C的匹配度，即测试模板与参考模板的相似性距离，距离越小相似性越高，以此判别出实际环境散射体模型；

步骤十七、构建散射体到基站的距离Li和移动台位置坐标(xm,ym)的非线性定位方程；

步骤十八、基于所述步骤十七的非线性定位方程，利用智能优化算法或非线性最小二乘算法求解(xm,ym)和Li；

步骤十九、基于所述步骤十八中得到的Li，计算得到散射体位置坐标(xi,yi)；

步骤二十、基于步骤十八中得到的MS位置坐标(xm,ym)和步骤十九中得到的散射体位置坐标(xi,yi)，获取散射体位置信息和实现目标定位。

2.根据权利要求1所述的NLOS环境下基于散射体信息的单站定位方法，其特征在于：所述步骤十七中，构建关于散射体到基站的距离Li和移动台位置坐标(xm,ym)的非线性定位方程；其包括以下步骤：

17a、假设有n条传播路径，构建关于(xm,ym)和(xi,yi)的关系式：其中，(xi,yi)为第i个散射体的位置坐标，(xB,yB)为基站的位置坐标，(xm,ym)为移动台的位置坐标，c为光速，τi为第i条传输路径的TOA，n为反射路径数；

17b、根据散射体模型的几何关系可得散射体坐标：其中，Li为第i个散射体到基站的直线距离，θi为第i条传输路径的AOA；

17c、基于所述步骤17a和步骤17b，构建关于(xm,ym)和Li的非线性定位方程：

17d、将所述步骤17c中的非线性定位方程转换为正定或超定方程。

3.根据权利要求1或2所述的NLOS环境下基于散射体信息的单站定位方法，其特征在于：所述步骤十八中，求解非线性定位方程得到(xm,ym)和Li，包括以下步骤：

18a、将方程转换为非线性约束最小二乘优化问题：式中x＝(xm,ym,Li)，fi(x)为第i条传播路径的定位方程对应的函数，gi(x)为第i条路径对应的约束函数；

18b、利用内点罚函数法处理约束函数，将约束优化问题转换为无约束优化问题：min G(x,rk)＝h(x)+rkB(x)；

其中， {rk}是严格单调减且趋于零的罚因子数

列；

18c、利用智能优化算法或非线性最小二乘法求解所述步骤18b中的无约束优化问题，得到(xm,ym)和Li。