基于神经网络的双基站精确定位方法

摘要

本发明属于无线定位领域，涉及一种基于神经网络的双基站精确定位方法。本方法是：首先由基站测得的定位数据估计出移动终端周围的散射体信息，然后利用神经网络消除散射体误差信息的模糊性，最后用抑制了非视距误差的散射体定位信息作为虚拟基站来实现精确定位。本发明提供的基于神经网络的双基站精确定位方法能有效抑制非视距传播误差，而且具有性能稳定、成本低及定位精度高的优点。

主权项

1、一种基于神经网络的双基站精确定位方法，用于从双基站接收到的无线电波信号中定位出移动终端的精确位置，其特征在于利用了神经网络的良好学习特性消除了由电波非视距传播造成的模糊性，对基站测得的电波到达角与电波到达时间进行修正来抑制非视距传播误差和测量误差，实现蜂窝通信网络中移动终端的精确定位；其具体操作步骤如下：(1)在非视距传播环境下，移动终端发射电波的传播由多个散射体反射后产生多径，这些多径信号便会从不同的方向以不同的时间到达基站；利用典型的蜂窝网络进行布局，设置参与定位的基站个数为2个，其中有一个主基站；由双基站测得经由多个散射体反射的移动终端的电波到达角AOA，主基站还测得移动终端的电波到达时间TOA；(2)散射体分布在以移动终端MS点为圆心，半径为r的圆盘上，设坐标为：移动终端MS(x，y)，基站BS_j(x_j，y_j)，散射体S_i(sx_i，sy_i)；BS_l为服务基站，即主基站，MS的电波经以角度β到达散射体S_i反射后再到达基站BS_j，β在[-π，π]上服从均匀分布，且MS与BS_j之间的距离大于反射圆半径r，则可知经散射体后到达基站的最大非视距传播角扩展为：$\alpha =\arcsin \left(\frac{r}{\sqrt{(x-x_i)+(y-y_i)}}\right);$(3)每个基站测得的多径数目为M2路，测得的由散射体反射过来的电波到达角AOA为θ_ji(j＝1，2，i＝1，2，...，M2)，即第j个基站中测得的第i个散射体的电波到达角AOA值分别为θ_ji。主基站测得MS的电波经第i个散射体的电波到达时间TOA转化为距离值为l_li；(4)各测量值包含了非视距传播误差和测量误差，由以上TOA距离值和传播环境建立多径散射的TOA误差分布模型，模型数学公式为：l_ji＝l_ji⁰+l_NLOSji+l_nji＝l_ji′+l_nji，其中：l_ji⁰为移动终端到基站的距离真值，l_nji为其测量误差，服从均值为0，标准差为σ_ln的高斯分布，l_NLOS ji为非视距传播引起的距离误差，l_ji′为电波传播距离；而且：θ_ji＝θ_ji⁰+θ_nji+θ_NLOS ji，其中：θ_ji⁰为AOA的真值，θ_nji为测量误差，θ_NLOS ji为各散射体多径的非视距传播引起的附加角扩展；(5)对于散射体S_i由双基站BS₁，BS₂测得的电波到达角AOA，可得：$\tan {\theta }_{\mathrm{ji}}=\frac{{\mathrm{sx}}_i-x_j}{{\mathrm{sy}}_i-y_i},$如是联立多个方程即可得到在圆盘模型上的三个散射体坐标为S_i(sx_i，sy_i)；于是由以上数据经过就得到了初步估计出的各散射体的位置，从而求得散射体Si与基站BSj的直线距离为：${l\prime }_{\mathrm{ji}}=\sqrt{{({\mathrm{sx}}_i-x_j)}^2+{({\mathrm{sy}}_i-y_j)}^2};$(6)再利用主基站测得的电波到达时间TOA值减去散射体到达基站的直线距离，就是移动台到散射体的测量距离了：L_i＝l_li-l_li′，然后将散射体作为虚拟基站，并把L_i作为移动台到散射体的电波到达时间TOA值进行定位估计；(7)由于非视距环境下各种误差的存在，诸如非视距传播误差，测量误差，如此测量值中常包含很较大的误差，采用有效的神经网络来处理这些误差以得到更好的定位性能；该神经网络是一种前向神经网络，是具有单隐层的三层前馈网络；(8)用有效数量的训练样本集对该神经网络进行训练，得到期望的诊断网络；(9)用得到的神经网络来处理θ_ji和步骤(6)中的L_i信息；设神经网络输入层和输出层均为9个神经元，将[L_i，θ_ji]经过神经网络的修正后，其输出层即为修正后的电波到达角AOA和电波到达时间TOA测量值为：Y＝[L_i′，θ_ji′]。然后将θ_ji′带入步骤(5)中处理就可以得到修正后的散射体坐标S_i′(sx_i′，sy_i′)；(10)以圆盘上三个不共线的散射体为基点，具体应用加权质心算法进行如下的定位计算：得到有各散射体对MS的影响因子为：${\gamma }_1=\frac{1}{L_2\prime +L_3\prime },$${\gamma }_2=\frac{1}{L_1\prime +L_3\prime },$${\gamma }_3=\frac{1}{L_1\prime +L_2\prime };$那么MS位置即可精确的估计出来，其定位坐标如下：$\left[\begin{array}{c}\hat{x}\\ \hat{y}\end{array}\right]=\frac{1}{{\gamma }_1+{\gamma }_2+{\gamma }_3}\left[\begin{array}{ccc}{\mathrm{sx}}_1\prime & {\mathrm{sx}}_2\prime & {\mathrm{sx}}_3\prime \\ {\mathrm{sy}}_1\prime & {\mathrm{sy}}_2\prime & {\mathrm{sy}}_3\prime \end{array}\right]{\left[\begin{array}{ccc}{\gamma }_1& {\gamma }_2& {\gamma }_3\end{array}\right]}^T,$式中L₁′，L₂′，L₃′为由神经网络修正后得到的抑制了误差的三个散射体到MS的距离；最终得到结果即得到了移动终端的精确位置，便实现了高精度的无线定位。