一种基于LTE和Wi‑Fi异构网络下的混合定位算法的制作方法

本发明属于无线电定位技术领域，具体涉及一种基于lte和wi-fi异构网络下混合定位算法。

背景技术：

随着全球移动通信技术的迅猛发展，人们基于位置服务(locationbasedservices，lbs)的需求日益增强，研究无线定位技术具有很强的实际意义。长期演进lte(longtermevolution)作为在新一代移动通信系统承载数据业务的核心网络，研究lte终端定位算法具有重要的现实意义。

全球定位系统(globalpositionsystem,gps)定位受限于阻碍物的密集程度，在室内或建筑物密集区域会使其降低定位精确度，增大耗电量。wi-fi(wirelessfidelity)定位主要用于室内定位，但在室外wi-fi信号较弱或者无wi-fi信号场景无法实现定位服务。

传统无线定位算法主要有基于到达时间(timeofarrival,toa)、基于到达角度(angleofarrival,aoa)、基于到达时间差(timedifferenceofarrival,tdoa)三种定位算法以及toa/aoa、tdoa/aoa等混合定位算法。传统定位算法往往需要3个或3个以上工作基站，在非视距(nonelineofsight,nlos)环境下容易产生较大定位精度误差。

技术实现要素：

本发明的所要解决的技术问题在于针对背景技术存在的问题，提出基于一种lte和wi-fi异构网络下混合定位算法，该算法可以很好地实现nlos环境下更高精度的定位。

为解决上述问题，本发明提出的技术方案是一种基于lte和wi-fi异构网络下的混合定位算法，包含以下步骤：

步骤1：获取移动台所处小区的cellid和附近的无线接入点(accesspoint,ap)的信号强度指示(receivedsignalstrengthindex,rssi)，得到移动台所处的位置范围，从网络侧获取测量值；

步骤2：基于单基站多信号混合定位算法几何模型，得到粒子搜索的最小区域：

步骤3：根据单基站多信号混合定位算法几何模型，构建目标函数：

步骤4：利用基于适应度动态调节惯性权重的改进pso算法求解目标函数，粒子在小区范围内随机均匀生成m个粒子在n维空间搜索；第k个粒子的位置向量xk＝[xk1，xk2，…，xkn]^t，k＝1，2，…，m，速度向量vk＝[vk1，vk2，…，vkn]^t，k＝1，2，…，m；

根据粒子适应度的不同将群体分为三个子群，对各自群体采用不同的惯性权重，不断迭代，其三个粒子群的惯性权重表示为：

其中，k＝1，2，…m，ωmax、ωmin分别表示惯性权重的上限和下限，δω＝ωmax-ωmin惯性权重的极差，粒子群的平均适应度的值为fk对应第k个粒子的当前目标函数值，fm当前最优粒子的适应度，分别表示大于、小于的粒子群适应度的平均值；

步骤5：通过基于适应度动态调节惯性权重的改进pso算法求解目标函数，当满足下式时输出x：

‖x^t+1-x^t‖<δ

其中，x＝(xms，yms)为移动台估计位置坐标。

进一步，上述的无线接入点的位置和信号强度可以改变。

同样，上述的小区半径也可以改变。

上述的惯性权重的因子的选取范围也可以改变。

作为优选，上述惯性权重取值范围为0.35到0.85。

上述的粒子群个数m的选取范围可以改变。

本发明采用上述技术方案，具有以下技术效果：

1，本发明基于单基站多信号模型的基础上进行改进，利用移动台接收的无线信号信息，缩小了粒子群的搜索范围，从而加快粒子群收敛速度。

2，本发明基于适应度动态调节惯性权重的粒子群算法，根据每个粒子的适应度值调节其惯性权重，动态调整每个粒子的活性，提高全局搜索能力和收敛能力，从而提高了定位精度，降低定位误差，在复杂室外环境下性能较为优秀。

附图说明

图1是信号经历单次反射时移动台与散射体的位置关系示意图。

图2是自适应度动态调节ω的改进pso算法流程图示意图。

图3是本发明的算法流程图示意图。

图4是ros模型下不同半经的定位误差示意图。

图5是ros模型下的不同迭代次数的定位误差示意图。

具体实施方式

现结合附图对本发明做进一步的详细说明。

本发明公开了一种基于lte和wi-fi异构网络下混合定位算法，建立适合nlos环境下的单基站多信号定位几何模型，在定位阶段提出基于适应度动态调节惯性权重的改进pso算法，动态调整每个粒子的活性，提高pso算法在全局搜索能力和收敛能力，保证得到移动台位置的准确性。

主要的方法流程如下：

步骤1：获取移动台所处小区的cellid和附近的无线接入点(accesspoint,ap)的信号强度指示(receivedsignalstrengthindex,rssi)，得到移动台所处位置范围，从网络侧获取测量值。

步骤2：基于单基站多信号混合定位算法几何模型，得到粒子搜索的最小区域：

步骤3：根据单基站多信号混合定位算法几何模型，构建目标函数：

步骤4：利用基于适应度动态调节惯性权重的改进pso算法求解目标函数。粒子在小区范围内随机均匀生成m个粒子在n维空间搜索；第k个粒子的位置向量xk＝[xk1，xk2，…，xkn]^t，k＝1，2，…，m，速度向量vk＝vk1，vk2，…，vkn]^t，k＝1，2，…，m；

根据粒子适应度的不同将群体分为三个子群，对各自群体采用不同的惯性权重，不断迭代。其三个粒子群的惯性权重表示为：

其中，k＝1，2，…m，ωmax、ωmin分别表示惯性权重的上限和下限，δω＝ωmax-ωmin惯性权重的极差，粒子群的平均适应度的值为fk对应第k个粒子的当前目标函数值，fm当前最优粒子的适应度，分别表示大于、小于的粒子群适应度的平均值。

步骤5：通过基于适应度动态调节惯性权重的改进pso算法求解目标函数。当满足下式时输出x。

‖x^t+1-x^t‖<δ

其中，x＝(xms，yms)为移动台估计位置坐标。

作为本发明的单基站多信号混合定位算法进一步优化方案：所述的ap的位置和ap的信号强度可以改变。

作为本发明的单基站多信号混合定位算法进一步优化方案：所述的小区半径可以改变。

作为本发明的基于适应度动态调节的改进pso算法进一步优化方案：所述的惯性权重因子选取的范围可以改变。

作为本发明的基于适应度动态调节的改进pso算法进一步优化方案：所述的粒子群个数m选取可以改变。

如图1所示，信号经历单次反射时，移动台与散射体的位置关系为：移动台(mobilestation,ms)到达基站(basestation,bs)的信号经历了单次反射时，ms与散射体(scattering,s)的位置关系。在城市、郊区等环境，传输损耗模型通常采用如下模型：

pr(d)＝k-10εlog(d)(dbm)(1)

其中，d代表ap和ms之间的距离，ε代表自由空间的损耗系数。其中参数d就是rap,ms。k是如下常数：

距离d0是以km为单位，频率ω是以mhz为单位。

图中α、β分别表示aoa、aod的值，dbs,s表示基站到散射体的距离。故散射体和移动台的坐标可以表示为:

其中，lj表示无线信号的传播距离。由式(3)和式(4)可得散射体到基站的距离为：

其中，dms，s表示移动台到散射体的距离，即：

将式(6)和式(7)带入式(8)可得：

其中：

r1,j＝ljcosαj+xbs,j-xms(10)

r2,j＝ljsinαj+ybs,j-yms(11)

而信号传播距离(lj)等于信号从移动台到散射体的距离(dms,s)与散射体到基站的距离(dbs,s)之和，即：

由于测量误差的存在，式(12)往往并不成立。记每条路径中因测量造成的误差为：

移动台的位置可以通过最小化如下目标函数得到：

其中，x＝(xms,yms)为移动台估计位置坐标。本文定位算法实现时要求最少有3条信号路径(经仿真验证，3条信号路径足以保证定位精度)，同时根据基站的toa测量值和wi-fi信号强度测量值可确定移动台的位置范围如下：

对照附图2是本文建立的自适应度调节策略，充分发挥自适应操作的效能，不仅用到了群体早熟收敛信息，还根据个体适应值的不同将群体分为3个子群体，对各自群体采用不同的自适用操作，并根据粒子的平均适应度评价粒子的优劣。首先，计算粒子群适应度(f)的均值依据将粒子群分为3组，各组粒子群依据各组的适应度均值动态调整ω。图中，k＝1,2,…m，ωmax、ωmin分别表示惯性权重的上限和下限，δω＝ωmax-ωmin惯性权重的极差，粒子群的平均适应度的值为fk对应第k个粒子的当前目标函数值，fm当前最优粒子的适应度，分别表示适应度值大于、小于的粒子群体的适应度平均值。

根据附图3是算法流程图。

根据附图4的结果可见，传统pso算法和5基站tdoa/aoa的taylor级数算法定位精度比较接近，而lapso和文献[19]的pso比传统pso算法定位精度有一定改善。本文改进的pso算法定位精度提高幅度较为显著。

根据附图5的结果可见，ms初始位置不变，本文基于自适应动态调节惯性权重的改进pso算法和文献[19]中的pso算法相比较传统的pso和lapso算法，迭代次数没有增加，定位精度却在提高。

综上所述，本发明基于lte和wi-fi异构网络环境下单基站多信号混合定位算法不仅解决了传统定位算法精确度对基站个数的依赖，还解决了wi-fi定位算法的定位精度低、定位范围有限等问题。在复杂室外环境下，本发明基于适应度动态调节惯性权重的改进pso算法以微小的计算成本换来了迭代次数下降和精确度的提高。