基于TD-SCDMA系统的井下人员精确定位方法

摘要

本发明公开了一种基于TD-SCDMA系统的井下人员精确定位方法，获取信号到达基站的时间TOA和到达角度AOA；利用改进的kalman滤波算法TOA值去噪处理；由去噪处理后的TOA值求得信号到达时间差TDOA值；用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值；利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值；该井下人员精确定位方法利用TD-SCDMA系统的优势和数据融合的优越性，采用TDOA/AOA混合数据融合定位算法，定位精度高，解决了煤矿井下人员定位困难的问题。

主权项

基于TD‑SCDMA系统的井下人员精确定位方法，其特征在于，该井下人员精确定位方法包括以下步骤：步骤一，获取信号到达基站的时间TOA和到达角度AOA；步骤二，利用改进的kalman滤波算法对获取的TOA值进行去噪处理；步骤三，由去噪处理后获得的TOA值求得信号到达时间差TDOA值；步骤四，用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计；步骤五，利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值；步骤六，利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值；在步骤一中，由于TD‑SCDMA采用智能天线技术，可通过MUSIC算法获得的获得比较精确的AOA值，TOA值可通过基站直接获得；在步骤二中，对TOA值的滤波过程以及kalman滤波算法的改进如下：若r_m(t_i)表示在t_i时刻从移动台MS到基站BS_m的距离测量值，则r_m(t_i)等于真实距离d_m(t_i)、系统测量误差n_m(t_i)和NLOS误差NLOS(t_i)之和，即：r_m(t_i)＝d_m(t_i)+n_m(t_i)+NLOS(t_i)          (1) 其中n_m(t_i)为服从均值为零的高斯噪声，NLOS(t_i)一般认为是符合基于均方根时延扩展τ_rms的服从指数、均匀或Delta分布的正随机变量；卡尔曼滤波器通过状态转移方程和系统测量方程把某一时刻的状态值与当前以及以前时刻的测量值联系起来，从而得到当前时刻的最优值，假设每隔周期T获取一次TOA数据，则Kalman滤波的状态方程为：X(k+1)＝φX(k)+GW(k)            (2) 式(2)中其中r(k)为k时刻的TOA值，r′(k)为r(k)的导数，因为只考虑移动台静止的情况，所以r′(k)＝0，φ为状态转移矩阵，W(k)为状态噪声，服从零均值、协方差矩阵为Q的高斯白噪声；观测方程为：Z(k)＝HX(k)+V(k)        (3) 式(3)中，H是测量矩阵，取H＝[1 0]；测量噪声V(k)主要包括标准测量误差nm(t_i)和NLOS误差NLOS(t_i)，测量噪声V(k)的协方差矩阵为R；卡尔曼滤波递推运算过程如下：状态预测：预测误差协方差：P(k/k‑1)＝φP(k‑1/k‑1)φ^T+GQ(k‑1)G^T       (5) 计算Kalman滤波增益：K(k)＝P(k/k‑1)H^T[HP(k/k‑1)H^T+R(k)]^‑1       (6) 计算最优滤波值：计算滤波误差协方差：P(k/k)＝P(k/k‑1)[1‑K(k)H]        (8) 返回(4)式，开始下一次滤波；Kalman滤波需要给定初始条件，由于NLOS产生一个正值误差，所以这里取前五次获得的信号到达时间的平均值对应的TOA值为初始值；如果测量噪声V(k)受到NLOS的影响，则滤波估计值也会收到影响而高于正常值，由于卡尔曼滤波器具有记忆性，这种影响会一直持续下去，为减小NLOS误差对TOA估计值的影响，在迭代过程中，首先设定一个门限值，然后将最优滤波值与该门限值进行比较，如果大于门限值，则舍去该值，用上一时刻的状态估计值来代替该时刻的状态估计值；反之，则保留该值，重复迭代，可有效地克服NLOS影响；在步骤三中，由去噪处理后获得的TOA值求得信号到达时间差TDOA值时，由于TD‑SCDMA系统具有精确的时钟同步，可直接利用kalman滤波处理后的TOA值相减得到TDOA值；在步骤四中，用TDOA/AOA混合Chan算法和TDOA/AOA混合Taylor算法进行移动台的位置估计时，利用TD‑SCDMA的智能天线技术获得较精确的AOA值，结合TDOA值，建立相应的方程组，再利用Chan算法和Taylor算法分别进行求解，得到移动台的位置估计值；在步骤五中，利用残差加权法对位置估计值进行第一次数据融合，求出新的位置估计值时，利用残差公式求得Chan算法和Taylor算法的残差加权系数分别为：和其中为定位估计值，为参与定位的第i个基站BS的坐标，ri为MS到第i个BS的测量距离，N为参与定位的BS数，经过加权后的位置估计值为：则经过残差加权后的定位结果为：在步骤六中，利用贝叶斯推论对位置估计值进行第二次数据融合，求得最终的位置估计值时，根据贝叶斯推论计算出方差为σ的向量X的加叔向量为通过计算求得第一次数据融合后的定位估计值和Taylor算法定位估计值的均值和方差，分别设为Xr、Xt和则经过贝叶斯数据融合的最终位置估计值的均值和方差分别为X_out和σ_out，则：。