一种基于lmbp神经网络的泰勒定位算法
【专利摘要】本发明涉及一种基于LMBP神经网络的泰勒定位算法，所述LMBP神经网络模块对TDOA测量数据进行修正，减少TDOA测量值中的NLOS误差，泰勒定位算法接受经过LMBP神经网络修正过的测量数据作为初始输入数据，进行定位算法运算后得到系统定位结果，本发明算法效率高，准确度高，全面较好地决绝了对区域大小以及基站个数的完全依赖。本发明基站个数的增加并不敏感，因此对硬件的要求较为宽松。本发明增加了自我学习和提炼功能，可以有效的获得一套规律性的数据，减少无谓的计算量。
【专利说明】—种基于LMBP神经网络的泰勒定位算法
【技术领域】
[0001]本发明涉及一种智能定位算法，具体涉及一种基于LMBP神经网络的泰勒定位算法。
【背景技术】
[0002]对于目前物流行业、医院以及通信行业，精确的定位功能被越来越多的受到关注，当然，随之产生的定位技术也多种多样。但是绝大多数的定位算法都对物理硬件有着较高的要求，比如在较近的范围内才适用，又或者必须有若干个基站的基础上才可以进行精确的物理定位等。
[0003]常用的定位算法为泰勒序列展开定位算法，该算法在视距(LOS)环境下有着较好的定位精度，但是在非视距环境下，即NLOS环境下，泰勒序列展开定位算法的定位精度大大下降。Chan算法是一种基于TDOA技术、具有解析表达式解的定位算法，该算法的特点是计算量小，在噪声服从高斯分布的环境下，定位精度高。但在非视距(NLOS)环境下，Chan氏算法的定位精度也会有所下降。目前，在使用泰勒算法、Chan算法等进行定位的同时也会引入一些神经算法如:RBF神经网络。但是RBF神经网络容易造成“局部极小点”，这种情形是应该尽量避免发生的，并且该算法精度相对较低，且耗时长。缺乏自动学习的功能，增加了重复多次计算的负担，提取特征参数的方法复杂，参数较多，运算复杂且占用大量存储空间和时间，降低了识别效率。
【发明内容】
[0004]本发明克服了现有技术的不足，提出了一种基于LMBP神经网络的泰勒定位算法，使用人工智能中的LMBP神经网络。LMBP网络能学习和存储大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的收敛速度快、误差小而且避免了局部极小问题，所述算法利用LMBP神经网络较快的学习特性和逼近任意非线性映射的能力，对NLOS传播的误差进行修正，再利用Chan算法为泰勒序列展开定位算法提供精确的初始值的方式进行定位。进而综合提闻了定位的精确性和效率。
[0005]本发明的技术方案为:一种基于LMBP神经网络的泰勒定位算法，所述LMBP神经网络模块对TDOA测量数据进行修正，减少TDOA测量值中的NLOS误差，泰勒定位算法接受经过LMBP神经网络修正过的测量数据作为初始输入数据，进行定位算法运算后得到系统定位结果，具体算法步骤如下:
1)通过基站对确定移动台的位置，作为目标数据，之后根据TDOA测量误差模型产生相应的测量数据，将模拟的测量数据分为两部分，其中一半用于训练神经网络，另一半用于性能仿真；
2)建立和训练LMBP网络，以移动台的不含NLOS误差的TDOA为目标样本矢量对网络进行训练，具体LMBP人工神经网络算法基本流程就是:
初始步:给出BP网络初始权值W。，U0,误差阀值E。，其中uQ>0，E>0,并令k=0，第k次迭代:
1)输入样本xK，计算gK，若||gK ||〈 E,学习结束；否则计算H K,
2)分解HK + uK，若不正定，置uK = 4uK，并重复这一步直到HK+uK正定，
3)解方程(HK + Uk ) S= - g K ,得 Sk,
4)求E (H K + Sk )，qK (sK )，和 rK，
这里 qK(sK ) = E (ff K ) + g tks+(1/2) stH k s，
5)若rk<0.25，置uk + 1= 4uk ;若rk> 0.75，置uK +1=uk/2否则置uK + 1= uK，
6)若rK〈= 0，置换 W K + 1= W K ;否则置 W K + 1= W K + SK，
7)令K = K + 1，转 1)，
3)用训练好的LMBP网络对模拟的TDOA测量数据进行修正，利用修正后的TDOA值采用泰勒算法进行位置估算，泰勒级数展开算法是一种需要移动台初始估计位置的递归算法，在每一次递归中通过求解TDOA测量误差的局部最小二乘的解来改进对移动台的估计位置。
[0006]在一般蜂窝网络信道环境中，泰勒级数展开法都能得到比较准确的计算结果，具有精度高，稳健性强等特点；但该算法需要一个与实际位置接近的初始估计位置，以保证算法收敛，对不收敛的情况不能事先判断。在实际应用中，泰勒级数展开法通常具有较好的定位性能，但该方法需要递归求解，在基站近似于直线排列等非标准基站布局下会出现较多的不收敛情况，算法计算量也较大。
[0007]由于泰勒级数展开法初始值的选取对定位结果影响很大。如果初始值选取不合适，可能导致算法的不收敛。因此，可以先通过某种算法，对测量数据进行初始定位，将定位的结果作为泰勒级数展开法的初始值，然后，再利用泰勒级数展开法进行定位运算。
[0008]本发明具有如下有益效果:
1)本发明算法效率高，准确度高，全面较好地决绝了对区域大小以及基站个数的完全依赖。
[0009]2)本发明对基站个数的增加并不敏感，因此对硬件的要求较为宽松。
[0010]3)本发明增加了自我学习和提炼功能，可以有效的获得一套规律性的数据，减少无谓的计算量。
【专利附图】
【附图说明】
[0011]图1为基站与移动台的位置分布图。
【具体实施方式】
[0012]参见图1所示，移动台(MS)位置:在仿真中假设移动台均匀分布在图1阴影部分所示的1/12小区内。选取其中100个位置进行仿真分析。除了分析小区半径对定位性能影响之外，在其他情况下，小区半径均取1 km。假设TDOA系统测量误差为独立同分布的均值为0，标准差为0.1us (约30 m)的高斯随机变量。MS与所有基站之间均为NL0S。
[0013]Taylor算法在LOS环境下具有很好的定位精度，对于NLOS环境中误差较大的TDOA测量值，该算法的性能将受到较大影响。利用LMBP网络对TDOA测量数据进行修正，从而减小TDOA测量值中的NLOS误差，然后利用Taylor算法进行定位将有效的提高系统的定位精度。
[0014]部分仿真数据采集:
【权利要求】
1.一种基于LMBP神经网络的泰勒定位算法，其特征是:所述LMBP神经网络模块对TDOA测量数据进行修正，减少TDOA测量值中的NLOS误差，泰勒定位算法接受经过LMBP神经网络修正过的测量数据作为初始输入数据，进行定位算法运算后得到系统定位结果，具体算法步骤如下: 1)通过基站对确定移动台的位置，作为目标数据，之后根据TDOA测量误差模型产生相应的测量数据，将模拟的测量数据分为两部分，其中一半用于训练神经网络，另一半用于性能仿真； 2)建立和训练LMBP网络，以移动台的不含NLOS误差的TDOA为目标样本矢量对网络进行训练，具体LMBP人工神经网络算法基本流程就是: 初始步:给出BP网络初始权值W。，U0,误差阀值E。，其中uQ>0，E>0,并令k=0， 第k次迭代: 1)输入样本xK，计算gK，若IlgK Il〈 E,学习结束；否则计算H K, 2)分解HK + uK，若不正定，置uK = 4uK，并重复这一步直到HK+uK正定， 3)解方程(HK + Uk ) S= - g K ,得 Sk, 4)求E (H K + Sk )，qK (sK )，和 rK，
这里 qK(sK ) = E (ff K ) + g tks+(1/2) stH k s， 5)若。<0.25，置％ + 1= 4uk ;若。> 0.75，置uK +否则置uK + 1= uK，`
6)若rK〈= 0，置换 W K + e W K ;否则置 W K + e W K + SK， 7)令K = K + 1，转 1)， 3)用训练好的LMBP网络对模拟的TDOA测量数据进行修正，利用修正后的TDOA值采用泰勒算法进行位置估算，泰勒级数展开算法是一种需要移动台初始估计位置的递归算法，在每一次递归中通过求解TDOA测量误差的局部最小二乘的解来改进对移动台的估计位置。
【文档编号】H04W64/00GK103607772SQ201310658425
【公开日】2014年2月26日 申请日期:2013年12月9日 优先权日:2013年12月9日
【发明者】许萌, 沙启鑫 申请人:青岛百灵信息科技有限公司