NLOS环境下基于散射体信息的单站定位方法与流程
本发明涉及无线定位技术领域，具体涉及一种nlos(non-line-of-sight，非视距)环境下基于散射体信息的单站定位方法。
背景技术：
近年来通信技术发展迅速，基于蜂窝网络的移动端定位技术成为了目前研究和应用的热点。手机作为目前日常生活中的通信工具，被广泛应用于其中。基站定位技术不仅应用于消费者自身的定位，而且用于公共紧急救助电话服务、位置敏感性的记费服务操作、智能运输系统、蜂窝系统设计和管理等方面，具有非常广阔的应用前景。
在蜂窝环境中，往往存在大量障碍物，信号在遇到障碍物时会产生折射和散射，我们称之为非视距nlos传输。在实际的无线定位中，nlos传输将普遍存在，导致toa(到达时间)、aoa(到达角)等参数测量值会产生很大偏差，这会极大恶化传统定位算法的性能。为了提高nlos环境中的定位精度，目前已经有很多相关算法的研究，如：残差加权法，约束最优化法，传播模型法和基于散射体信息法等。目前研究较多的算法是散射体信息的定位算法：一种是基于散射模型的算法，通过对测量参数进行重构来完成定位的方法；一种是基于散射体几何位置关系的算法，需要先获取散射体的相关几何位置信息，可同时定位出散射体和目标的位置。
目前研究的算法中存在的主要问题是：参数重构类算法都是根据散射模型的各种信息来对测量值进行重构，对模型参数的准确性有很强的的依赖性，而散射体位置信息的算法，多基站对时间和数据同步要求严格，同时单基站定位时需要至少存在一条los路径。
技术实现要素：
为解决上述技术问题，本发明提供一种nlos环境下基于散射体信息的单站定位方法。本发明充分利用单站定位设备量小、成本低、无需数据和时间同步等优势，能实现无los信号存在、散射体位置未知时的单基站定位，利用nlos路径作为定位路径，能解决传统的蜂窝网对基站数量的依赖问题及nlos影响较大的问题，能同时估计出移动台和散射体的位置坐标，具有较高的定位精度。
本发明所述的nlos环境下基于散射体信息的单站定位方法，包括以下步骤：
步骤一、在nlos(non-line-of-sight，非视距)环境下，假设基站(bs)位置坐标为(xb,yb)且位于坐标原点(0,0)，移动台(ms)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：
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：
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：
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：
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。
进一步，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：
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。
进一步，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：
ming(x,rk)＝h(x)+rkb(x)；
其中，
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。
本发明具有以下优点：利用单基站实现los(line-of-sight，视距)路径不存在的移动台定位，无需系统同步和大量的数据交换，且成本低；利用散射模型的几何位置关系定位，不需要获取散射体位置坐标，不用先估计移动台和散射体的位置距离信息；利用智能优化算法或最小二乘法求解优化问题，算法简单，可同时估计出移动台和散射体的位置；采用三种常见散射模型，利用模式识别算法进行模型匹配，符合蜂窝环境多样性的要求，具有较高的定位精确。
附图说明
图1和图2为本发明的流程图；
图3为本发明蜂窝网散射模型图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
如图1和图2所示，本发明提出的一种nlos环境下基于散射体信息的单站定位方法，包括以下步骤：
●仿真模型构建
步骤一、在nlos环境下，假设基站(basestation，bs)位置坐标为(xb,yb)且位于坐标原点(0,0)，移动台(mobilestation，ms)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(参见图3中(a))，散射体均匀分布在以ms为圆心的圆环上，圆环半径为rr。
步骤三、构建散射盘模型(参见图3中(b))，散射体均匀分布在以ms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(参见图3中(c))，高斯概率密度分布有效区域为以rg为半径的圆及其内部，高斯分布函数为：
以bs与ms的连线为x轴构建一个xsoys的直角坐标系，式中(xs,ys)是在xsys直角坐标系中散射体的位置坐标，
●参数分析
步骤五、计算从所述步骤二到步骤四的仿真模型中的多径参数aoa、toa，其中：aoa指反射径与以基站为原点坐标的x轴方向的夹角，toa指ms发出的信号经散射体反射后到达bs的传输时间。具体包括以下步骤：
5a、根据模型中ms、bs和各散射体的位置坐标，aoa、toa以及ms、bs和散射体之间的几何位置关系有：
其中，第i个散射体位置坐标为(xi,yi)，基站位置坐标为(xb,yb)，移动台位置坐标为(xm,ym)，光速为c，仿真反射路径数为q。
5b、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ms发出的信号经散射体反射后到达bs的传输时间toaτr：
θr＝[θr1,θr2,...,θrq],τr＝[τr1,τr2,...,τrq]。
5c、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ms发出的信号经散射体反射后到达bs的传输时间toaτd：
θd＝[θd1,θd2,...,θdq],τd＝[τd1,τd2,...,τdq]。
5d、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ms发出的信号经散射体反射后到达bs的传输时间toaτg：
θg＝[θg1,θg1,...,θgq],τg＝[τg1,τg2,...,τgq]。
步骤六、基于所述步骤五(5b)中得到的多径参数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：
步骤八、基于所述步骤五(5c)中得到的多径参数aoaθd和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：
步骤十、基于所述步骤五(5d)中得到的多径参数aoaθg和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：
●模型判别
步骤十二、利用精度较高的软件无线电平台采集多径信号，采用超分辨的虚拟天线技术实现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：
θm＝[θm1,θm1,...,θmn],τm＝[τm1,τm2,...,τmn]；
本发明直接应用aoa、toa，不对aoa、toa的估计算法进行描述。
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：
步骤十五、利用地球移动距离(earthmover'sdistance,emd)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。
●位置解算
步骤十七、构建散射体到bs的距离li和ms位置坐标(xm,ym)的非线性定位方程。具体包括以下步骤：
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，第i个散射体位置坐标为(xi,yi)，基站位置坐标为(xb,yb)，移动台位置坐标为(xm,ym)，光速为c，反射路径数为n；
17b、根据散射体模型几何关系可得散射体坐标：
其中，li为第i个散射体到bs的直线距离，θi为第i条传输路径的aoa(即第i条反射径与以基站为原点坐标的x轴方向的夹角)。
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：
其中，(xi,yi)为第i个散射体位置坐标，(xb,yb)为基站位置坐标，c为光速，c＝3×108m/s，θi为第i条传输路径的aoa，τi为第i条传输路径的toa；
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。
步骤十八、根据定位方程，求解(xm,ym)和li。具体步骤为：
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：
ming(x,rk)＝h(x)+rkb(x)；
其中，
18c、利用智能优化算法或非线性最小二乘法求解18b中的无约束优化问题，得到(xm,ym)和li。
步骤十九、基于所述步骤十八中得到的li，利用步骤十七(17b)的公式，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。
- 还没有人留言评论。精彩留言会获得点赞！