一种基于定位位置残差的NLOS基站识别与定位方法

摘要

一种基于定位位置残差的NLOS基站识别与定位方法，包括残差计算、门限计算、NLOS基站识别和定位过程。首先需要对基站进行分组，一组两个基站，组数为基站数目为N。而后利用不同定位方式来估计MS的位置，接着计算它们之间的差值，并以此为定位位置残差，以及算出门限。通过比较残差和门限的大小即可识别出NLOS基站与LOS基站，最后利用LOS基站的参数测量值对MS进行位置估计，估计算法采用双步最小二乘算法。本发明提供一种有效减少误差、提升定位精度的基于定位位置残差的NLOS基站识别与定位方法。

主权项

一种定位位置残差的NLOS基站识别与定位方法，其特征在于：所述方法包括以下步骤：1)由多个基站接收到MS发送的信号，假设已经估计得到信号中的到达时间TOA和到达角度AOA信息，并且将这些信息汇集到定位主基站中；2)将所有的基站进行分组，每组包含有2个基站，假设有N个基站，则分组数目为3)对于每个分组，首先利用不同定位方式求得MS的坐标值，然后计算这些估计值之间的残差，得到每一组的定位位置残差；4)比较残差值和门限之间的大小关系，如果小于门限，则为LOS基站，否则为NLOS基站；5)对所有的基站组作4)中的门限比较处理，综合所有组的判决结果，最后就能够找出所有的NLOS基站和LOS基站；6)提取上述LOS基站的TOA和AOA估计信息，根据定位几何关系，构建定位方程组；7)将定位方程组进行数学变换，将其转变成线性方程组；8)利用两步加权最小二乘算法对MS的坐标进行估计；所述步骤6)和7)中，根据测量距离和到达角的几何意义，构建线性定位方程组：Y＝AX   (10)其中R＝x²+y²且$A=\left[\begin{array}{c}{r}_1^2-x_1^2-y_1^2\\ .\\ .\\ .\\ r_N^2-x_N^2-y_N^2\\ y_1-{\mathrm{tan\theta }}_1{x}_1\\ .\\ .\\ .\\ y_N-{\mathrm{tan\theta }}_N{x}_N\end{array}\right],X=\left[\begin{array}{c}x\\ y\\ R\end{array}\right],Y=\left[\begin{array}{c}-2x_1,-2y_1,1\\ .\\ .\\ .\\ -2x_N,-2y_N,1\\ -{\mathrm{tan\theta }}_1,1,0\\ .\\ .\\ .\\ -{\mathrm{tan\theta }}_N,1,0\end{array}\right]$其中，MS的坐标为(x,y)，第i个BS的坐标为(x_i,y_i)，θ_i是第i个BS和MS之间的AOA估计，r_i是第i个BS和MS之间的TOA等效测距估计；所述步骤8)中，首先根据LS准则，得到：$\hat{X}={\left(A^{T}A\right)}^{-1}{A}^{T}Y---\left(11\right)$用r_i⁰表示r_i的真实直线距离，并定义误差向量：$\Psi \approx {[2r_1^0{e}_1,2r_2^0{e}_2,...,2r_N^0{e}_N,(x-x_1){\alpha }_1,(x-x_2){\alpha }_2,...,(x-x_N){\alpha }_N]}^T---\left(12\right)$其中e_i,α_j分别代表距离和角度的测量误差，若将(12)转变成矩阵相乘的形式，即得到：ψ＝2Bz   (13)其中diag{·}表示以大括号内元素为对角元素的对角矩阵，B的协方差矩阵如下：Ψ＝E[ψψ^T]＝4BQB   (14)式中分别表示距离和到达角的测量方差；所述步骤8)中，利用加权最小二乘算法求得X的解：${\hat{X}}_{WLS}={\left(A^T{\Psi }^{-1}A\right)}^{-1}{A}^T{\Psi }^{-1}Y---\left(15\right)$的协方差矩阵为：$\mathrm{cov}\left(\hat{X}\right)={\left(A^T{\Psi }^{-1}A\right)}^{-1}---\left(16\right)$由于向量中的三个元素实际上并不独立，因此需要进行第2次最小二乘估计，假设中三个元素的误差分别为s₁,s₂和s₃，那么$\hat{X}=\left[\begin{array}{c}{x}^0+s_1\\ y^0+s_2\\ R^0+s_3\end{array}\right]---\left(17\right)$其中x⁰,y⁰,R⁰代表的是相应真实值，定义另外一组误差向量为：ψ'＝b'‑A'X'   (18)其中$b^{\prime }=\left[\begin{array}{c}{(x^0+s_1)}^2\\ {(y^0+s_2)}^2\\ R^0+s_3\end{array}\right],A^{\prime }=\left[\begin{array}{cc}1& 0\\ 0& 1\\ 1& 1\end{array}\right],X^{\prime }=\left[\begin{array}{c}{x}^2\\ y^2\end{array}\right]$从上式推得：${\Psi }^{\prime }=\left[\begin{array}{c}2x^0{e}_1+e_1^2\\ 2y^0{e}_2+e_2^2\\ e_3\end{array}\right]\approx \left[\begin{array}{c}2x^0{s}_1\\ 2y^0{s}_2\\ s_3\end{array}\right]---\left(19\right)$那么向量ψ'的协方差矩阵就是：$\begin{array}{c}{\Psi }^{\prime }=E\left[{\psi }^{\prime }{\psi }^{\prime T}\right]=4B^{\prime }\mathrm{cov}\left(X\right)B^{\prime }\\ B^{\prime }=diag\{x^0,y^0,0.5\}\end{array}---\left(20\right)$所述步骤8)中，再次根据最小二乘算法，得到X'的解为：${\hat{X}}_{WLS}^{\prime }={\left(A^{\prime T}{\Psi }^{\prime -1}{A}^{\prime }\right)}^{-1}{A}^{\prime T}{\Psi }^{\prime -1}{b}^{\prime }---\left(21\right)$最后得到MS的位置为：$\begin{array}{ccc}\hat{X}=\sqrt{{{\hat{X}}_{WLS}}^{\prime }}& or& \hat{X}=-\sqrt{{{\hat{X}}_{WLS}}^{\prime }}\end{array}---\left(22\right)$并且选择(22)中最接近(15)结果的解作为最终的估计。