本发明属于电子、通信与自动控制技术领域，涉及到基于蜂窝网信号的用户定位，特别涉及到利用蜂窝网信号角度和强度融合的指纹信息来确定移动终端位置的方法。
背景技术：
目前室内定位技术主要分为三边定位和指纹定位方法。由于室内环境复杂多变，依赖视距环境的三边定位方法不能获得较高定位精度。因不受视距环境限制，指纹定位方法目前成为室内定位主要技术之一，其通过在线匹配定位点和指纹点的特征类似度而获得定位点坐标。目前大部分指纹定位方法是将室内wi-fi接入点发射信号的信号强度作为指纹，通过k最近邻算法(knn)或其扩展版本进行指纹匹配，获得与定位点指纹最相似的指纹点的位置坐标，进而获得定位点的坐标。然而，当前基于信号指纹的室内外定位方法主要是利用单一的接收信号强度作为指纹。由于信号测量的误差及测量终端的异构性，基于单一指纹的定位方法精度及可靠性都受限。为提高定位精度，可利用多信号指纹进行融合以实现定位。
技术实现要素：
针对现有技术存在的问题，本发明提供一种基于蜂窝网信号角度和强度融合的指纹定位方法，解决室内移动终端定位问题。本发明基于蜂窝网信号角度和强度融合的指纹定位方法，不需要额外的辅助设备。
为了达到上述目的，本发明的技术方案为：
基于蜂窝网信号角度和强度融合的指纹定位方法，其中，指纹信息是指蜂窝网的信号强度和到达角信息，本发明利用指纹定位确定移动终端位置。鉴于5g及更新一代的无线接入点大多采用智能多天线技术，蜂窝基站可精确测量来自终端的信号的仰角和方向角。将这些角度与信号强度测量作为指纹进行融合可提高基于蜂窝信号的定位精度。本发明提出了新的指纹融合方法，设计了以角度测量为参量的加权函数对信号指纹匹配进行约束以实现指纹点选择，而加权函数模型将根据信号统计特性动态调整以提高指纹匹配准确度。同时，设计了坐标受限的候选邻近点选择方法以利用加权k最近邻近点(wknn)算法进行定位。
本发明的有益效果为：本发明提出实现室内定位的多类别指纹融合算法，分别将方位角、俯仰角和信号强度作为指纹，并设计以角度为参量的动态加权函数模型对信号强度指纹进行约束，改善了单一指纹情况下定位精度不高的情况。此外，在使用wknn算法定位的过程中，设计坐标受限的筛选算法筛选异常指纹点提升了选择的k个近邻指纹点的准确度，进一步提高了定位精度。
具体实施方式
以下结合技术方案，进一步说明本发明的具体实施方式。
一种基于蜂窝网信号角度和强度融合的指纹定位方法，利用指纹法确定移动终端位置坐标，需要事先建立信号强度(rss，receivedsignalstrength)和信号到达角数据库，在定位过程中再进行指纹匹配。具体步骤如下：
1.建立基于多指纹的离线数据库
在离线阶段，首先将移动终端所在的定位区域划分为已知大小的正方形网格，其边长记为dg，将每个网格作为一个指纹点，用网格中心点的坐标作为该指纹点的坐标。假设该定位区域共有q个指纹点和n个基站，则离线阶段建立指纹数据库时，移动终端需测量q个指纹点的n个基站的rss、俯仰角和方位角。
离线阶段测得rss和角度后可以将这两种指纹信息合并为一维向量保存。本发明提出基于多指纹的数据库建立方法。移动终端在离线阶段首先获得在q个指纹点测量的n个基站的信号强度p、俯仰角α和方位角β，并以这些测量值分别构成维度为q×n的矩阵r、t1和t2，
然后将角度信息矩阵t1和t2合并为矩阵φ，
φ＝[t1,t2]t(3)
在线阶段，r和φ分别用于计算定位点和指纹点之间的角度欧氏距离和信号强度欧氏距离。
2.利用动态加权函数进行指纹匹配
在线阶段移动终端测量n个基站的信号强度、俯仰角和方位角信息，既而得到三个一维指纹向量(p1,…,pn)t、(α1,…,αn)t和(β1,…,βn)t，然后将俯仰角和方位角指纹合并，这样得到信号强度指纹向量γ和角度指纹向量θ，其中γ＝(p1,…,pn)t，θ＝(α1,…,αn,β1,…,βn)t。
终端将分别计算定位点与单个指纹点间的信号强度和角度的欧氏距离，标记为dr,i和
其中γj和θj分别表示在线测得的指纹向量γ和θ中的第j个元素。ri,j和φi,j表示离线数据库矩阵r和φ中第i行第j列个元素。将计算得到的信号强度和角度的多个欧氏距离保存为向量d1和d2，其中d1＝(dr,1,…,dr,q)、
当移动终端在在线阶段得到两个欧氏距离向量d1和d2后，可以把d2中的每一个元素作为某一函数f的自变量，将函数输出
为实现两种类别指纹相互约束辅助以提高终端定位精度，函数f首先要求为增函数。因为利用函数处理后得到的加权值
因此，函数f可以设计为：
3.筛选不符合坐标选择范围的异常点
在匹配过程完成并得出d后，可以直接通过wknn算法得到最终的定位结果。但当d1和d2中相同位置的数据均存在误差时，d中的数据也将出现较大误差，最终导致选择的k个指纹点偏离真值点较远。针对这种情况本发明设计了坐标受限的异常点筛选算法。
首先从d中由小到大选择k1个数据，这k1个数据所对应的指纹点构成集合s1，然后从s1中筛选出最终的k个指纹点(k1>k)。k1取值范围可在20至40之间，k1取太小会导致样本不足，而k1取太大会使得偏离真值点很远的指纹点进入选择范围而造成误差。筛选算法根据指纹点坐标值对指纹点进行筛选。坐标上下限的确定可分为两步：首先从d中选择k2个数据，k1>k2>k，并统计这些数据所对应的指纹点的坐标均值
需要说明的是，把k1个点中的异常点去除之后，可能会导致剩余指纹点个数小于k的情况出现。针对这种情况，首先统计k1个数据所对应的指纹点的横纵坐标的标准差sx和sy，然后分为两种情况处理。
1)当sx>2dg或sy>2dg时，说明k1中很多指纹点的坐标偏离坐标均值较大，此时指纹点超出筛选范围的概率很大，这时将rss和角度信息合并为一维向量作为指纹，即，
ai＝(p1,…pn,α1…αn,β1,…,βn)(9)
然后计算dm来代替d，
dm＝(dm,1,…,dm,q)(10)
其中dm,i是定位点与第i个指纹点之间指纹向量的欧氏距离，
x是在线测得的rss和角度信息合并后的指纹向量，其结构和公式(9)所示的ai相同，xj是向量x中的第j个元素。注意，将rss和角度信息合并为一维向量作为指纹时，相应的应将信号强度和角度数据库矩阵合并为数据库b，其中b＝[r,φ]t，bi,j是矩阵b中第i行第j列个元素。然后将dm中元素按升序排列后选择前k个元素所对应的指纹点作为最终选择的指纹点。
2)当sx<2dg且sy<2dg时，从k1个点中的去除异常点后，一般情况下剩余指纹点个数会大于k。这种情况下再利用本发明中提出的异常点筛选算法，得到最后的k个指纹点。
获得k个指纹点后，利用其所对应的矩阵d或dm中的元素值计算出每个指纹点所赋予的权值。
其中dj是d或dm第j个元素值.
最终计算终端位置(x,y)，