专利名称：无线远程通信网中的位置估计的制作方法
技术领域：
本发明涉及在无线远程通信环境中估计接收器位置的方法和设备，所述环境可以是一个或多个射频，微波或光学网络。所述一个或多个网络在多个信道同时通信。这种位置估计能够用来提供广泛的各种位置相关服务。
背景技术：
颁布给Mati Wax等的美国专利6,112,095公开了一种用于在蜂窝式网络中，诸如AMPS或CDMA，提供一组可能的发送器位置的方法。在Wax专利中公开的技术的一个问题是它需要在网络一侧附加硬件，例如测量相对于基站角度方向的天线阵列。换言之，为了确定移动台的位置，必须可以得到关于网络的基础结构的信息，且移动台必须发送某些信号，以用于其位置的估计。
发明内容
本发明的目的是要解决以上问题。换言之，根据本发明的机制能够估计无线远程通信网中的接收器的位置，即使事先不了解网络的基础结构(诸如基站的位置)也无妨。
这一目的是以一种方法和设备实现的，该方法和设备实现的特征如所附的独立权利要求中的公开。本发明的优选实施例在所附从属权利要求中公开。
本发明基于一种惊人的想法，该想法使得无需了解接收器的无线环境，即由接收器接收的网络的基础结构，而能够可信地估计接收器位置。例如，在上述Wax专利中公开的技术依赖于蜂窝式网络基站的配置，包括基站的位置。确实令人吃惊的是根据本发明的技术的可用性。令人吃惊的是，只要一个人带着有场强指示器的移动电话行走，事实就明显。在某些地方，20到30cm的移动就明显改变场强。显然，必然有大量的有几乎等同场强的位置。可以预料校准位置估计系统需要测量彼此非常靠近的位置的场强(或其它信号参数)，并需要巨大的数据库存储这些测量。大气条件、城市空间和网络配置在不断变化。首先可以看出，数据库会迅速劣化，除非不断进行更新。然而计算机模拟表明，基于在几个信道(频率)测量的技术是非常鲁棒性的。而且，校准数据可在各种条件下自动收集。
本发明的一个方面是一种用于估计无线远程通信环境中接收器位置的方法，该远程通信环境包括用于同时通信的多个信道，每一信道具有至少一个信号参数随位置与其它信道不同地变化。该方法能够通过以下步骤实现1)对于无线远程通信环境中多个校准点中的每一个，确定一组校准数据，每一组校准数据包括各校准点的位置，及在该校准点处的几个信道中的每个的至少一个的被测信号参数；2)基于各组校准数据，维护几个信道的信号参数对无线远程通信网络中接收器位置的一个统计模型；3)在接收器对几个信道的每一个测量至少一个信号参数；以及4)基于统计模型和在接收器处的几个信道的测量信号参数，估计接收器的位置。
本发明的另一方面是用于实施以上方法的设备。该设备可体现为一接收器，它包括用于确定被观测的信号参数组的装置，每一组包括至少一个在接收器位置处对几个信道中的每一个的观测信号参数。接收器本身可包括一个位置计算模块，用于基于所述组和一个统计模型确定逼近接收器位置的位置估计，所述统计模型是几个信道的信号参数对无线远程通信环境中接收器位置的统计模型。另外，接收器可向一外部位置计算模型传送这些参数组。
术语“接收器”是指其位置被估计的装置，当其位置被估计时，它不必进行发送。换言之，该装置只要形成其无线环境的观测即可。例如，GSM电话不必接收一个交通信道。但它在所有可用频率进行观测。该装置还可具有，并一般具有发送能力，但对于本发明所有实施例来说，这不是必要的，本发明可用来估计传呼机或广播接收器的位置。因为根据本发明，发送能力对于位置估计不是必须的，接收器可采用它不隶属的网络的信号参数。例如，隶属于一个GSM网的GSM电话可采用其它GSM网的信号强度值。
术语“环境”是指接收器能够接收(进行观测)至少一个网络，但它能接收一个以上的网络。例如，GSM电话可观测几个经营者的GSM网。更先进的接收器可观测许多类型的网络，诸如蜂窝网和广播网。
“无线”环境是指一个或多个网络可以是射频、微波或光学网。而且，由接收器接收的网络组必须同时在多个信道通信，并且这多个信道必须包括一个信道子组，使得该子组中每一信道有至少一个信号参数随位置与子组中其它信道不同地变化。这意味着，具有带几乎等同的对位置相关性的信号参数的几个信道，诸如来自公共发射天线的信道，通常不能对可靠的位置估计给出足够的信息。通常，需要来自至少三个发送台的信号。适用的网络的例子是蜂窝式网络(诸如GSM，GPRS，UMTS等)，广播网(模拟音频，DAB或DVB)，无线局域网(WLAN)或短程微波网，如兰牙。
“位置”可有一至三维。位置的一维表示在列车等中就足够了。位置的二维或三维表示更有用。然而，在二维表示中，假设接收器基本是在地表水平。实际上，在实际观测时只要在相同的高度测量校准数据(诸如地表，第13层楼等)，高度就无所谓。此外，校准数据可包括时间的表示。这是指无线环境(即其信号参数)随时间而变化。换言之，校准数据除了信号数据之外还包括一个到三个位置座标，以及可选地包括时间表示。
作为这里所使用的术语“‘校准数据”，包括校准测量(即被测量的信号值)及进行该测量的位置(并可选地有时间)。
术语“统计模型”是指，为了计算各接收器的位置，不需要各组校准数据。统计模型与校准数据组之间的差别可按以下例子表示。假设有数个{x，y}对，使得x与y之间有某种相依关系。在x位置y的值可以根据所有{x，y}对计算。给定x的值而预测y的值更快的方式是计算数学函数y＝f(x)。在这例子中，函数f是统计模型。换言之，就是给定x值在不参照{x，y}对的情形下计算y的值。与基于各组校准数据的位置估计相比，基于统计模型的位置估计较快速，并需要较少的存储空间。
统计模型可以有很多不同的实现方式，例如概率模型，神经网络，模糊逻辑系统，核估计子，支持向量机，决策树，回归树，卡尔曼滤波器及其它统计滤波法，子波，样条，归纳逻辑编程法，有限混合模型，隐藏的马尔科夫模型等等。作为本文所用，术语“统计模型”还指几种统计(子)模型的混合。
术语“信道”应当有广泛的解释，意思或多或少与频率或频带相同。接收器不必在信道上通信，只要接收器(或一附加的测量设备)能够测量该信道的至少一个信号参数即可。在TDMA系统中，每一频率具有几个时隙，每一时隙携带一个信道。就本发明而言，所有具有系统频率的时隙给出等同的信息，并它们中的任何一个都能作为一个“信道”。如果被测的信号参数是信号强度，则接收器甚至不需要解释信道的内容。
随位置而变化的信号参数的一个说明性而非排他性的列表包括信号强度，定时超前和错误率。该列表还可包括某些信道的可用性，但这可看作是特定情形，其中信号强度和/或错误率被量化为是/否问题。如果使用定向天线，也可使用无线电波束的方向。这样，测量信号参数不必对应于一定的信道，但它们可以是导出值。例如，被测的参数组可以是或包括向量V＝[V1，V2，V3，...]，其中V1，V2等为最佳、次佳等可用信道的索引。然而，为了清楚起见，将使用信号参数与一定信道相关的例子。
每一组校准数据包括各校准点的位置，及对该校准点处几个信道的每一个的至少一个被测信号参数。校准点是其位置和信号参数已知或被测量的点。校准测量一般通过固定和/或移动校准接收器确定。固定校准接收器可以附属于建筑物，交通信号，灯柱等等。移动校准接收器可由人或在车辆中转移。校准接收器如同实际接收器那样测量信号参数。被测信号参数可通过有线或无线传输(＝在线)，或通过移动可拆卸介质，诸如存储器磁盘，磁带或卡(＝离线)，被传送到统计模型。
位置估计可发生在接收器点或在网络点。如果在接收器点估计位置，接收器(或附加的计算机)必须可访问统计模型。以当前的技术，可实用的统计模型能够被压缩为膝上或掌上计算机可管理的大小。模型能够被更新，例如在计算机连接到因特网时。另外，模型可在可拆卸存储器上提供，诸如CD-ROM或DVD-ROM。未来，甚至移动电话将有足够的存储器用于保有统计模型。例如模型能够借助于数据调用通过快速连接被更新。如果接收器点存储统计模型的一个拷贝，则它无需传输能力，并且实际的接收器可以是广播接收器，传呼机，或膝上计算机专用的附加卡，外表类似于当前GSM用于膝上计算机的附加卡。
另外，接收器可以是收发器的一部分，例如移动电话或WLAN，或附加于便携式或手持计算机的兰牙接口。在这种情形下，收发器可把测量结果发送到网络，网络将该结果转发到位置服务器。根据收发器的类型，测量可在短消息中发送，例如通过数据调用，或WAP或WLAN连接。位置服务器能够通过一个类似连接向收发器发送其位置估计。
根据本发明的一个优选实施例，信号参数测量(校准测量和/或接收器当前观测)被量化为相对少量的级，诸如二到四级。换言之，增加了测量的间隔度。初看起来，这种间隔度的增加似乎损失了信息。例如，假设在某一位置的某一信道的信号强度按0到100标度为34单位(与实际的单位无关)。我们只存储测量在25到50之间这样的事实，即关于标度0到3的一个值1，而不是存储34个单位的结果。标度0到100的值34，似乎能够比标度0到3的值1似乎能更好地预测位置附近的信号强度。然而，在很多情形下，增加间隔度的结果是增加了位置的精度。一个原因在于在高分辨率的标度时，有很多值是相对少地出现的，而在低分辨率标度时，所有可能的值相对频繁地出现。
本发明的一个优点在于不需要关于网络基础结构的预先的信息(虽然它可能是有用的)。这意味着，根据本发明的位置服务不依赖于网络经营者。即使本发明的位置服务由网络经营者维护，在没有关于它们的基础结构的预先信息时，经营者也能采用来自其它经营者网络的观测。本发明可用于种类广泛的网络技术，诸如蜂窝式网络，广播网或无线局域网。
以下将参照附图通过优选实施例更详细地说明本发明，其中图1是信号参数与接收器位置关系的各种曲线图；图2是表示本发明一般概念的一个框图；图3是表示用于确定校准测量的一个典型的校准接收器的框图；图4A和4B是表示其位置待估计的移动接收器的框图；以及图5示出了统计模型的结构。
发明的详细说明图1示出了信号参数与接收器位置关系的各种曲线图。水平轴表示接收器的(一维)位置。纵轴表示由接收器测量的信号参数V(诸如信号强度或出错率)。曲线图A和B描绘了两个信道的信号参数。在这一假设的例子中，有分别在位置X1到X10测量的十个点D1到D10。曲线图A和B都共享具有各自位置X1到X10及信号参数值V0的数据点D1到D10。图1给出实现本发明中困难的一点想法。不仅参数值V0对十个不同的位置是公共的(在这例子中)，而且10个位置也可通过两个曲线图A和B同等解释。著名的奈奎斯特准则(Nyquist criterion)说，如果信号在多于其最高频率成分两倍采样，则信号能够被完全重构。如果曲线图A和B表示，例如具有标称频率900MHz的GSM网络中的场强，则曲线图A和B的空间频率具有大约30cm的波长。于是，信号参数应当在小于15cm间隔的点处被采样，这明显是不行的。但是如果信号参数在多于波长一半间隔的点采样，则曲线图A和B不能被重构，这被这样的事实证明，即曲线图A和B点X6和X10之间没有任何相似性。
本发明实际可行的原因是来自以下事实，即随着信道数的增加，信道如上所述作为的位置数迅速降低，因而基于被测参数不能将任何两个点彼此区分变的不大可能。
图2是本发明一般概念的一个框图。在图2中，本发明是作为紧凑的位置估计模型LEM实现的，虽然更为分布式的实现也是可能的。本发明本质的特征是接收器无线环境的统计模型SM，考虑接收器点多个当前观测值，该模型能够预测接收器的位置。基于校准数据CD，以及可选地基于无线环境的预先信息Pl，统计模型SM是通过模型构成模块MCM建立和维护。可选的预先信息Pl可包括关于网络基础结构的信息，诸如基站的位置和无线电参数。收集校准测量的位置称为校准点。校准数据CD包括多个数据记录，其每一个包括所述校准点的位置X，以及在该校准点测量的信号参数组。可选地，在信号参数随时间变化的情形下，校准数据记录还可包括进行测量的时间。位置X可以任何绝对或相对座标系表示。在特定情形下，诸如列车、高速公路、隧道、水道等，单个的坐标即足够，但是通常要使用两个或三个座标。参考标号X表示位置的所有座标的集合。
应当注意，术语“训练数据”常用于这种统计模型的场合。在本发明的场合，偏好术语“校准”，因为“训练”可能会传达在初始训练之后模型已经就绪的思想，而“校准”则能更好地表达模型必须随条件的变化而不断更新的思想。
还有一个位置计算模型LCM，用于基于接收器当前观测值CO和统计模型SM产生位置估计LE。技术上，“测量”和“观测”可类似地进行，但为了避免混淆，术语“测量”一般用于校准测量，而在接收器当前位置获得的信号参数称为“观测”。接收器的最近的观测值组称为当前观测值。位置计算模型LCM或分开的估计解释模型EIM也可使用接收器的观测历史OH来解释位置估计。换言之，在能够通过两个或多个有大体同等概率的位置解释观测值组的情形下，观测历史OH能够用来解决不明确性。
图3是一个框图，表示用于确定图2中所示的校准数据CD中的校准测量的一个典型的校准接收器CR。图3示出了一个移动校准接收器，包括一个便携式计算机(或数据处理器)PC-C，一个移动台MS-C(诸如GSM，GPRS或UMTS移动电话)，以及一个位置接收器，例如GPS(全球定位系统)装置。后缀-C代表校准接收器，以区分图4中实际接收器R的对应部分。为了清楚起见，校准接收器的主要模块PC-C，MS-C，及LR被分开示出，虽然后面两个模块也可用作为可插入典型的膝上计算机插卡槽的PC卡。校准接收器CR观测蜂窝式无线网RN中可用的基站BS的无线电信号参数。无线网RN与移动台MS-C之间的接口称为无线接口RI。如果无线接口RI是双向的，则校准接收器CR可通过同一无线接口RI向位置估计模块LEM发送其观测值。另外，校准接收器的便携式计算机PC-C可在如可记录CD-ROM这样的可拆卸存储DM介质上存储观测值，然后这种盘被离线带到位置估计模块LEM。
校准接收器CR的位置接收器LR可以完全是传统型的，例如商用的GPS(全球定位系统)接收器，只要它能够向所附的计算机或其它数据处理器输出被测座标即可。便携式计算机也可以是传统型的、适当被编程的计算机。只是可能要对移动台MD-C的硬件或固件(其ROM内容)进行修改。修改可能需要，这取决于该移动台要测量多少信号参数。例如，传统的GSP电话，除了监视其当前有效的蜂窝单元之外，还监视其邻近单元的某些参数，但邻近单元的测量不象有效单元那样广泛。只有当GSM电话正在进行有效呼叫时，它才与其有效单元一样广泛监视邻近的单元。为了本发明的目的，有利的是修改移动台单元的监视程序，使得它尽可能扩展地监视可用单元。
自然，校准监视器CR可以包括一个以上的移动台，用于监视不同类型的网络或不同的经营者的网络。为了监视广播网，校准接收器CR还应当包括一个扫描广播接收器(未分开示出)。另外，移动台MS可以是能够接收蜂窝式网和广播网的一种多模式装置。
如同图3所示的那样，校准接收器能够随车辆或人员携带。固定的校准接收器不需要GPS接收器，能够附着在建筑物、交通信号标志、灯柱等上。作为对使用分开的位置接收器的替代，可通过以下一种或多种技术确定校准接收器的位置在数字化地图上表示接收器的位置；输入街道(或其它)地址并借助于适当的数据库将其转换为位置；或使用其它已知的位置，如公共车站。
图4A是一个框图，表示其位置待估计的一个典型的移动接收器。接收器R的一个简单的实施例只包括一个适当的编程移动台MS。对于某些实施例，接收器R还可包括一便携式计算机(或数据处理器)PC。术语“接收器”意思是当其位置正被估计时正在接收的装置，虽然实际上许多实施例也具有发送能力。图4A所示实施例不包括统计模型SM。因而，接收器R必须通过它连接的基站BS把其当前的观测值组CO发送到位置估计模块LEM。位置估计模块LEM通过无线接口RI向接收器返回其位置估计LE。
图4B示出了另一实施例，其中接收器的附属计算机PC接收在可拆卸存储器DM(如CD-ROM)上的统计模型SM的拷贝，且该接收器能够确定其自身的位置而无需作任何发送。作为另一替代(未分开示出)，接收器的附属计算机PC可通过因特网(或任何其它数据连接)连接到位置估计模型而接收统计模型LEM。未来的宽带移动台能够通过无线接RI接收统计模型。也可使用混合技术，使得接收器通过有线连接或在可拆卸的存储器上接收初始统计模型，但后来对模型的更新通过无线接口发送。
注意在图3，4A和4B中，无线网RN是作为蜂窝式网络被示出的，而移动台MS类似于蜂窝式手机。但本发明不限于蜂窝式网络，并能够同等地适用于WLAN环境，这种情形下移动台由WLAN接口装置代替。统计建模现在将更详细地研究可能的统计模型。一般来说，在这种场合所使用的统计模型可包括几种单独的统计子模型，这种情形下，实际的估计是通过组合子模型的各结果获得的。
有许多可能的统计建模方法可以用于产生所需的统计子模型。以下我们将集中在概率方法上。概率模型意味着在估计移动终端的位置时，如果对位置X作为离散变量建模，则结果表示为在可能的位置上概率的分布，而如果对位置X作为连续变量建模，则结果表示为密度函数。下面，我们将集中在离散的情形。类似地，可对位置相关的测量值V以离散或连续观测变量建模。向量V的维数(能够获得的测量数)随操作的无线网的性质而变化并与其相关。
有许多概率模型类能够使用。在以下本发明的优选实施例中，主要集中在参数概率模型上。这种情形下，单个的模型能够表示为一个对(M，θ)，其中M表示模型结构，即确定需要哪些参数的模型定量性质，而θ表示参数的定量值。
在本文中，有两个用于构成参数概率模型(M，θ)的基本方法，即条件模型和联合模型。条件模型是直接给出形式为P(X|V，M，θ)概率分布的模型，其中V表示观测变量值(例如，由信号强度测量值构成的向量)，X表示观测V的位置。联合模型定义事件(X，V)上的概率分布P(X，V|M，θ)。
然而，使用概率论公理，我们个看到P(X|V，M，θ)＝P(X，V|M，θ)/P(V|M，θ)，其中P(V|M，θ)与位置X无关。这样，我们可以将分母P(V|M，θ)作为归一化常量。这意味着我们总能使用联合模型进行条件建模。下面，我们将集中在联合模型建模上，并把条件建模看作是特定的情形。
在位置估计中有许多使用参数模型的途径。我们首先假设，已经决定使用单个的模型结构M，并希望从校准数据CD确定这些参数，以至我们得到对于事件(X，V)的联合概率模型，如上所述，考虑观测值V，该模型还给出所需的位置X的条件分布。如同在Kontkanen et al.2000中所述，有几种用于产生联合分布的替代方法1.我们可以用P(X，V|M，θ(D))，其中θ(D)是参数的最大似然例示，即θ(D)＝arg max P(D|M，θ)。
2.我们可以用P(X，V|M，θ(D))，其中θ(D)是参数的贝叶斯最大后验例示，即θ(D)＝arg max P(θ|M，D)。
3.我们可以用P(X，V|M，θ(D))，其中θ(D)是后验分布P(θ|M，D)的平均值。
4.我们可对参数θ积分P(X，V|D，M)＝∫P(X，V|D，M，θ)P(θ|D，M)dθ。
5.我们可以用P(X，V|M，θ(D))，其中θ(D)是在Wallace和Dowe 1999中所述的最优化最小消息长度准则的参数例示。
在某些特定情况下，可供选择的3和4是等同的。
一般来说，可能希望使用几种模型结构M。以下，我们将假设已经固定总的模型族(组合)F，这是所考虑的所有可能模型结构的组合。例如，组合F可相应于所有可能的贝叶斯网络模型(参见[Cowell et al.1999]，[Pearl 1988])。这种情况下，我们通过对F中所有模型计算加权和而产生预测分布P(X|V，F)P(X|V，F)∝∑P(X，V|M)W(M)。可能的加权函数W包括1.模型结构M的后验，给定数据P(M|D)∝P(D|M)P(M)＝P(M)∫P(D|θ，M)P(θ|M)dθ2.如Rissanen 1999及其中的参考文献所讨论的，给定模型结构M，数据的随机复杂性，及随机复杂性准则的逼近。
3.如Wallace and Dowe 1999及其中的参考文献所讨论的，给定模型结构M，数据的最小消息长度，及MML准则的逼近。
也可以使用加权函数的条件(监管)版本，在这种情况下，加权是对于条件建模计算的，并取实际的数据只包括位置变量X的值，且测量数据V作为“背景数据”。这些可选的方式在Kontkanen 1999中论及。
如果F中的模型结构数太高，以至不能在可行的时间内计算出加权和，则通过在F中的搜索并删减F，限制模型族F，以便只包含那些对于某种成本函数最佳的模型结构。用于进行搜索的可能的成本函数包括以上列出的权重函数。在这一任务中可采用任何搜索算法。这类限制搜索的一个极端的情形是，在F中只选择一个单个的模型结构M。换言之，模型结构的和降低到单个项，该单个项对应于使用有最大权重的单个模型。
如果对观测V作为离散变量建模，离散变量的颗粒度可被看作是模型结构M的一部分。颗粒度可由用户固定(表示先验的信息)，或者作为模型结构M的一部分，这从校准数据可知。
可选的先验信息，诸如关于基站的位置和无线电参数，表示校准测量抽取以外的知识。在概率设定中，可以识别出以下用于对先验信息编码的方法1.通过选择概率模型的初始模型族F(确定所考虑的模型结构，并且对于每个模型结构，确定所使用的分布形式及所作的假设)。
2.如果观测变量V取为离散型，通过选择离散化的颗粒度。
3.如果位置变量X取为离散型，通过选择离散化的颗粒度。
4.通过对模型M的参数确定先验分布P(θ|M)。
5.通过对族F中的模型结构M确定先验分布P(M)。遗失的数据有几种可选的过程用于处理遗失数据1.把“遗失”作为所考虑变量的额外值。
2.忽略遗失项(只从现有的数据计算足够的统计数字)。
3.根据现有的数据和/或先验的信息估计遗失值。这些估计在有根据的推测遗失值中用于填充，或者它们能够作为局部观测值对待(根据，例如它们根据的概率，可同时局部更新几种可能值的足够统计数字)。
4.使用随机推测填充遗失值。位置解释和报告概率位置估计的结果能够以几种不同的方式报告。首先，我们能够以不同的方式把工作区划分为几个子区子区能够形成工作区的完全分割，或者它们只能覆盖整个工作区的一部分。后者情形的一个例字是只考虑在校准数据D中列出的位置(以所需的精确度)。现在能够以下面方式之一报告概率位置估计的结果。
1.给出区域上全概率分布，即，对每一区域X，给出对应的的概率P(X|V，F)。
2.相对于分布P(X|V，F)，给出最可能的子区域X。
3.相对于分布P(X|V，F)，给出最小化某种出错函数预期值的点估计。
上述方式3的一个例子是均方根误差，在这种情况下，点估计是子区域中心点的加权平均(假设子区域有相等的大小)，权重是分布P(X|V，F)。如果子区域X大小不相等，则能够例如通过乘法，相应于子区域的相关尺寸重新标度权重。
可通过先验信息PI(如果可用)和/或观测历史OH降低有关接收器位置的不确定性。假设最初选择以上方式1。换言之，向请求接收器位置的用户或应用报告全概率分布。这种概率分布可指示若干可能的位置数。考虑接收单元标识符等，先验信息PI(如果可用)可能指示只有一个位置是可能的。另外，观测历史OH可以用来排除某些位置。例如，虽然若干位置数能够解释接收器的当前位置，但考虑接收器的有限速度，只有位置的子组能够说明整个观测历史OH，。性能实例例1使用Naive Bayes模型的位置估计。
所考虑的子区域X是收集校准数据的位置。位置的半径假设为一米，虽然可使用任何单位。观测变量V可取为离散m值。m的值可以是常数(例如3)，或可以使用上述加权函数之一将其优化。区间之间的边界点可这样被确定，使得在每一区间内训练样本数相同(等频率离散化)，或也能使区间由等宽度构成(等宽离散化)。这些区间还能够使用群组算法，诸如K-均值算法来确定。
使用一种模型结构M给定位置变量V值，假设观测变量V1，...，Vn是独立的。假设数据独立并等同地分布(＝“i.i.d.”)，并遵循利用Geigerand Heckerman，1998中所述的假设的多项式分布。先验信息不存在。使用对于模型参数的非信息一致性先验分布。另一种方式在Kontkanen et al，2000中论及。通过对参数的积分计算分布P(X，V|D，M)。有了以上的假设，就能够如Kontkanen et al，2000所述那样进行。
在这一实验中，通过把八个(其它数目同样可能)最后的信号测量作为单个测量向量V，考虑观测历史OH，以便假设这八个单个测量值彼此独立。结果作为子区域中心点的加权平均所计算的点给出，其中对于区域X的权重是P(X|V，D，M)。
这一方法通过采用Sonera GSM网络的信号强度在赫尔辛基市区实验性地实施并进行了测试。工作区大约400×500米大小，并在工作区外多个街道中大约50个均匀分布的点收集校准数据。两个测量位置之间的平均距离大约50米。使用在工作区内300个随机配置的位置中的位置估计器测试该系统。这一测试中的平均位置误差为42米。例2使用直方图模型的混合的位置估计。
取位置变量X包括细颗粒离散标度上的两个座标(也可以是一个或三个座标)。例如标度的分辨率是一米。观测变量V1，...，Vn取为离散值，其最大分辨率由测量装置确定，例如1dBm。以V表示V1，...，Vn的组合。遗失值由小于任何可能的观测值的一个值代替。考虑了几种模型。每一模型Mkl与参数k，l和θkl相关，其语义在下面说明。
图5示出了模型Mkl的结构。变量Xk的值通过离散化为k个值从变量X的值中获得。给定Xk的值变量V1(1)，...，Vn(1)的条件分布通过模型参数θkl描述。每一Vi在由变量Vi(1)值定义的区间内均匀分布，其中i属于集合{1，...，n}。通过使用k个仓即k个可能值对变量X按等宽离散化(也可用其它离散方法)进行离散化，从细颗粒位置变量X推导出低分辨率位置变量Xk。只要在细粒度离散化的两个边界点之间出现低分辨率离散化的一个边界点，则根据重叠区间的相对尺寸对聚组(mass)(即子区间内的观测数)进行划分。例如，设细粒度离散化在范围
内有5个仓(4个边界点)。设低分辨率离散化有2个仓，因而在值5有一个边界点。如果在范围[4，6]内，即细粒度离散化的三个仓内有n个观测值，则两个低分辨率仓得到n/2观测值，因为边界点5把范围[4，6]分离为相等大小的两部分。类似地，使用l个可能值把每个观测变量Vi离散化，这样获得低分辨率变量Vi(l)。
模型Mkl描述了条件概率函数P(V(1)|Xk，Mkl，θkl)，其中θkl表示模型Mkl的模型参数。给定位置变量Xk的值，低分辨率观测变量V1(1)，...，Vn(1)取为独立变量。对属于集合{1，...，n}的每一个i，分布P(V(1)|Xk，Mkl，θkl)取为i.i.d，并以[Geiger and Heckerman，1998]中的假设遵循多项式-Dirichlet分布。先验信息不存在。使用在模型Mkl上的一致先验分布。对于模型参数，使用如[Heckerman，1995]中的非信息等价采样大小(ESS)先验分布。对于ESS参数，使用二阶先验，例如在集合{1，10}上的一致分布。对属于集合{1，...，n}的每一个i，通过对模型参数积分计算分布P(Vi(1)|Xk，Mkl)。有了以上假设，这能够按[Kontkanen et al，2000]中所述进行。
分布P(Vi|Vi(1))取为在由Vi(1)的值定义的区间上一致以及由参数l定义的Vi的离散化。例如，设Vi的范围是[1，10]，设l的值为5，并设Vi(1)的值为2。假设使用等宽离散化，Vi的值被离散化为五个区间[1，2]，[2，4]，[4，6]，[6，8]，及[8，10]。现在给定Vi(1)的值为2，分布P(Vi|Vi(1))在区间[2，4]上是一致的。给定变量值V1(1)，...，Vn(1)，变量V1，...，Vn取为彼此独立。
组合两个分布P(V|Xk，Mkl)与P(V|V(1))，获得条件分布P(V|Xk，Mkl)。作为对模型Mkl上的加权平均计算分布P(V|X，D)，其中k和l在集合{1，...，20}上变化(其它的选择同等可能)。模型通过边际似然P(V(D)|Xk(D)，Mkl)被加权，其中校准数据(有n个观测值)组成向量V(D)＝(V1(1)，...，Vn(1))及Xk(D)＝(Xk1(D)，....Xkn(D))。
使用这些假设，可在两部分有效计算边际似然第一，可按[Heckerman，1995]和[Geiger and Heckerman，1998]中所述，计算项与形式P(V(l)|Xk，Mkl)的乘积，第二，带有形式P(V|V(l))的项有相同的值，这是与l相关的常数，因为分布P(V|V(l))是一致的。结果作为位置变量X上的后验概率分布P(X|V，D)＝P(V|X，D)P(X|D)/P(V|D)给出。分布P(X|D)取为一致。项P(V|D)是其值被忽略的规一化因子。因而，结果的分布P(X|V，D)是规一化的，于是其和最大为一。
通过使用WLAN PC卡测量WLAN信号强度的膝上计算机，上述方法在赫尔辛基的地址为Teollisuuskatu 23的建筑物的二层上实验性地实现了并进行了测试。工作区为大约20×45米(900平方米)大小。校准数据在12个任意地点收集，其中数据向量总数为204。使用位置估计器在工作区内25个任意选择的位置中测试该系统。在每一位置，位置估计被重复五次。当以上系统被用来确定有95％概率聚组的位置区域时，正确的地点在这一区域为77％的时间。95％概率聚组区平均大小为大约151平方米，即大约总面积17％。
参考文献Cowell，R.，Dawid P.A.，Lauritzen S.，Spiegelhalter DProbabilisticNetworks and Expert Systems，Springer，New York，1999.
Geiger，D.and Heckerman，DParameter Priors for Directed AsyclicGraphical Models and Characterization of Several ProbabilityDistributions，Technical Report MSR-TR-98-67，Microsoft Research，December 1998.
Heckerman D.，A tutorial on Learning with Bayesian Networks，Technical Report MSR-TR-95-06，Microsoft Research，December 1995.
Kontkanen，P.，Myllymaki，P.，Silander，T.，Tirri，H.，and Grunwald，POn Predictive Distributions and Bayesian Networks，Statistics andComputing 10(2000)，P.39-54.
Kontkanen，P.，Myllymaki，P.，Silander，T.，Tirri，HOn SupervisedSelection of Bayesian Networks，Proceedings of the 15thInternationalConference on Uncertainty in Artificial Intelligence(UA|’99)，Laskey，K.and Prade，H.，1999，Morgan Kauffmann，P.334-342.
Pearl，JProbabilistic Reasoning in Intelligent SystemsNetworks ofPlausible Inference，Morgan Kauffmann，Pbulishers，San Mateo，CA，1998.
Rissanen，JHypothesis Selection and Yesting by the MDL Principle，Computer Journal 42(1999)4，P.260-269.
Wallace，C.S.and Dowe，D.L.Minimum Message Length andKolmogorov Complexity，Computer Journal 42(1999)4，P.270-283.
所有文献作为参考被结合在此。
权利要求
1.一种用于估计无线远程通信环境(RN)中接收器(R，R’)位置(X)的方法，所述远程通信环境包括多个用于同时通信的信道，每一信道具有至少一个信号参数(V)随位置(X)与其它信道不同地变化；其特征在于该方法包括以下步骤对于无线远程通信环境中多个校准点的每一个，确定一组校准数据(CD)，每组校准数据包括各校准点的位置(X)，及用于该校准点处的几个信道每一个的至少一个被测信号参数(V)；基于各组校准数据(CD)，维护无线远程通信环境(RN)中几个信道的信号参数(V)对接收器位置的一个统计模型(SM)；确定一组观测的信号参数(CO)，对于接收器(R，R’)的位置(X)处的几个信道的每一个，这组参数包括至少一个观测信号参数(V)；以及基于统计模型(SM)和观测的信号参数(CO)组，确定逼近接收器(R，R’)的位置(X)的位置估计(LE)。
2.根据权利要求1的方法，其特征在于所述接收器(R)向一外部的位置估计模块(LEM)发送所述组观测信号参数(CO)，该模块向接收器发送位置估计(LE)。
3.根据权利要求1的方法，其特征在于所述接收器(R)存储统计模型(SM)的拷贝，并基于统计模型(SM)的拷贝确定位置估计(LE)。
4.根据前述任何一个权利要求的方法，其特征在于，还基于关于无线环境(RN)基础结构的先验信息(PI)，维护统计模型(SM)。
5.根据权利要求1到4任何一个的方法，其特征在于，统计模型(SM)是或者包括一概率模型，最好是贝叶斯模型。
6.根据权利要求5的方法，其特征在于，统计模型(SM)是或者包括一贝叶斯网络模型。
7.根据前述权利要求之一的方法，其特征在于，给定位置(X)，统计模型(SM)中的信号参数(V)彼此独立。
8.根据前述权利要求之一的方法，其特征在于，基于观测信号参数的历史(OH)降低关于接收器位置的不确定性。
9.根据前述权利要求之一的方法，其特征在于，通过离散变量对至少某些信号参数(V)建模，所述离散变量的值对应于可能的信号参数值范围上的区间或区间的联合。
10.根据前述权利要求之一的方法，其特征在于，对作为离散变量的位置(X)建模。
11.一种位置估计设备(LEM)，用于估计无线远程通信环境(RN)中接收器(R，R’)的位置(X)，该远程通信环境包括多个用于同时通信的信道，每一信道具有至少一个信号参数(V)随位置(X)与其它信道不同地变化；其特征在于模型构成模块(MCM)用于-对于无线远程通信环境中多个校准点的每一个，接收一组校准数据(CD)，每一组校准数据包括各校准点的位置(X)，及对于该校准点处的几个信道中每一个的至少一个被测信号参数(V)；以及-基于各组校准数据(CD)，维护无线远程通信环境(RN)中几个信道的信号参数(V)对接收器位置的一统计模型(SM)；以及位置计算模块(LCM)用于-接收一组观测的信号参数(CO)，对于接收器(R，R’)的位置(X)处的几个信道的每一个，这组参数包括至少一个观测信号参数(V)；以及-基于统计模型(SM)和观测的信号参数(CO)组，确定逼近接收器(R，R’)的位置(X)的位置估计(LE)。
12.一种接收器(R，R’)，包括用于确定被观测的信号参数(CO)组的装置，对于接收器(R)位置(X)处的几个信道中的每一个，每一组包括至少一个被观测的信号参数(V)，其特征在于，用于向位置计算模块(LCM)传送该组观测信号参数(CO)的装置，该位置计算模块基于所述组和几个信道的信号参数(V)与无线远程通信环境(RN)中接收器位置关系的统计模型(SM)，用于确定逼近接收器(R)位置(X)的位置估计(LE)。
13.根据权利要求12的接收器(R’)，其特征在于包括位置计算模块(LCM)。
14.根据权利要求12的接收器(R)，其特征在于，用于传送观测信号参数组的装置包括用于向一外部位置计算模块(LCM)传送该参数组的装置(Rl)。
15.根据权利要求12到14中任何一个的接收器，其特征在于，至少某些观测的信号参数组(CO)与接收器不附属的网络相关。
全文摘要
一种用于估计具有几个信道的无线通信环境(RN)中接收器位置(X)的方法。每一信道具有随位置(X)与其它信道不同而变化的至少一个信号参数(V)。对每一校准点确定一组校准数据(CD)，每一组对几个信道的每一个包括位置(X)和至少一个被测的信号参数(V)。校准数据(CD)作为信号参数(V)与接收器位置关系的的统计模型(SM)的基础。确定一组观测信号参数(CO)，这组参数对于接收器位置(X)处几个信道的每一个包括至少一个信号参数(V)。基于统计模型(SM)和该组观测信号参数(CO)确定逼近接收器(R)位置(X)的位置估计(LE)。
文档编号H04B17/00GK1483297SQ01821487
公开日2004年3月17日 申请日期2001年12月27日 优先权日2000年12月29日
发明者P·米吕迈基, H·蒂里, P·孔塔卡宁, J·拉赫蒂宁, T·西兰德, T·罗斯, A·图奥米宁, K·瓦尔托宁, H·韦特蒂格, P 米吕迈基, 嫉, 心, 旅啄, 氐俑, 盏倌 申请人:埃卡豪股份有限公司