基于PSO_BP神经网络的三维定位方法与流程

技术特征：

1.一种基于PSO_BP神经网络的终端三维定位方法，其特征在于：本发明专利可用于从多基站收到的移动终端无线电信号定位出基站精确的位置；这种方法的重要环节在于利用BP神经网络的良好拟合能力消除由于非视距影响造成的终端定位误差，以及利用PSO算法全局寻优能力克服BP神经网络的局部寻优缺陷，并且在BP神经网络输入部分使用距离、估计位置、三维方向角作为特征值，提高了网络学习训练对终端点定位效果。，实现了室内多基站情况下的移动终端定位，具体包括：

S1.通过无线电信号传播计算基站到终端的距离过程中，存在非视距的影响，这种影响会使多基站定位终端误差时带来偏差；一个区域内会存在多个基站，从终端所处的位置(mx_i,my_i,mz_i)的由近及远选取前四个基站，四基站坐标按顺序分别命名为(bx₁,by₁,bz₁)，(bx₂,by₂,bz₂),(bx₃,by₃,bz₃),(bx₄,by₄,bz₄)，当四个基站不在同一个平面内，终端到基站之间利用TDOA技术实测的距离分别为r_1i,r_2i,r_3i,r_4i，有r_1i≤r_2i≤r_3i≤r_4i。本发明讨论四个不在平面内的基站的情形，当前四基站点处在一个平面内就连续选取前5个基站，以此类推；

S2.由四个基站到移动终端的实测距离计算终端含非视距误差的位置，由于存在测量误差，四个球可能不交与一个点，为减小误差的影响，采用最小二乘法估算，则三维坐标的最小二乘估计位置为

S3.利用AOA方法，计算由基站坐标(bx_j,by_j,bz_j)到由该基站参与估计的三维终端位置所确定的三维方向角则PSO_BP 神经网络的输入特征值向量为M，由于本发明研究的是以基于4个不共面的基站为特例，故n＝4；多于4个基站的情况可按照此一般形式表示，其中

S4.位置误差与方位角误差产生都由2个部分组成，其中终端的估计位置坐标与无误差位置坐标(x_i,y_i,z_i)之间的误差是非视距传播误差和测量误差则有

从基站位置坐标(bx_j,by_j,bz_j)到终端估计位置的三维方向角也包含由于非视距因素影响的误差与测量误差有其中是无误差的三维方向角；

S5.构建BP神经网络，BP神经网络由输入层、隐含层和输出层组成；输入特征值向量为M，输入特征向量为3n+4维，本发明中n＝4，输出层为3维，输出层是所求的精确终端位置坐标，隐层为多层，隐层结构的由神经网络学习曲线的误差分析确定；

S6.PSO_BP神经网络算法的过程是据S5构建BP神经网络，采用PSO算法在给定特征值的定义域内搜索误差函数全局最小值解，当PSO算法收敛到一个小区域并终止迭代后，采用梯度下降的方式局部以较小步长二次寻求最小值解；

S7.利用采集的部分处理后的样本数据进行PSO_BP神经网络的误差分析，通过神经网络的误差分析确定一个较好的网络结构；

S8.利用全部处理后转化为特征值的数据样本，训练PSO_BP神经网络确定网络的权值阈值参数，从而该网络学习特定具体环境中由非视距因素和测量误差导致的误差信息，最后实现从特征向量M到样本中精确位置(x_i,y_i,z_i)的一个函数映射关系，消除了误差，获得较精确位置。

2.根据权利要求1所述的一种基于PSO_BP神经网络的终端三维定位方法，其特征在于：权利要求1步骤S1中在有多个基站同时定位的情况下，自适应选取最近的四个基站对终端进行定位，并对四个基站到终端的位置据TDOA技术所实测的距离进行从小到大的排序；因为距离越近，受非视距影响产生误差越小，从而用作位置的估计误差也越小。

3.根据权利要求1所述的一种基于PSO_BP神经网络的终端三维定位方法，其特征在于：权利要求1步骤S3中，利用步骤S2中估算的三维终端位置坐标计算出三维方向角利用最小二乘法估算的位置坐标、三维方向角和基站到终端间的距离数据构成神经网络的输入特征向量M，该特征向量组合较完备，能对位置进行精确预测，因此能较全面反映非视距影响后终端位置的信息。

4.根据权利要求1所述的一种基于PSO_BP神经网络的终端三维定位方法，其特征在于：权利要求1步骤S5中，利用PSO算法对S4中构建的BP神经网络进行误差函数的寻优；BP神经网络在反向传播的学习过程中使用梯度下降法对误差函数进行局部寻优，很大程度上依赖于初始可行解的选择，而PSO算法能够在特征值的定义域内全局寻优。

5.根据权利要求1所述的一种基于PSO_BP神经网络的终端三维定位方法，其特征在于：权利要求1步骤S6中PSO_BP算法的具体过程为：

S6-1.使用PSO算法对S5中的BP神经网络的误差函数全局寻优，PSO算法具有良好的全局寻优的性能；

S6-2.梯度下降算法具有良好的局部寻优性能；PSO算法以较大的粒子飞行步长在全局范围内迭代，当迭代达到终止条件时，再进一步的用较小的学习因子的梯度下降算法局部寻优，到达使得误差函数最小的精确值，从而获得更好的权值和阈值网络参数。

6.根据权利要求1所述的一种基于PSO_BP神经网络的终端三维定位方法，其特征在于：权利要求1步骤S7中，神经网络的隐层结构与场景有关，场景越复杂，则网络结构应越复杂；通过神经网络的学习曲线中的方差与偏差曲线可以看出网络是否欠拟合或者过拟合；对于不同的情况采取不同的措施调整策略。这些措施中包括：(1)特征量的维数；(2)特征值的数据量；(3)惩罚项大小；(4)网络层数或神经元数目的增减。