一种基于大规模MIMO单站系统的指纹库更新方法

本发明涉及一种基于大规模mimo单站系统的指纹库更新方法，属于信号与信息处理技术领域。

背景技术：

由于安全性和商业性的要求，如何获取目标的准确位置信息这个问题引起了工业界和学术界的广泛关注，将其称之为基于位置的服务(location-basedservice，lbs)。较为成熟的lbs技术是以军事应用为目的而起源的全球定位系统(clobalpositioningsystem，gps)技术，但是gps受到环境噪声、多径干扰、非视距路径等影响，不仅定位精度低且gps消耗功率大。基于无线网络的传统定位方式通常假设无线信号沿着视距(line-of-sight，los)传播，然后通过接收信号能量(receivingsignalstrength，rss)，到达角度(angleofarrival，aoa)和到达时间(timeofarrival，toa)的测量值由多个基站(basestation，bs)进行协同定位。但随着城市的发展和5g时代的到来，人们日常所处的环境大多较为复杂，无线信号的传播路径是非视距(noneline-of-sight，nlos)的，导致定位性能大大降低，而且多个bs的协作将造成额外的负载和延时。

为了克服传统的无线定位技术面临的问题，指纹定位技术得到了广泛的研究，通常采用的指纹类型有两种，一种是将接收信号的强度rss作为指纹，另一种是将移动终端到bs之间的多径特征作为指纹，如aoa、信道冲激响应cir、信道状态信息csi和功率延迟分布pdp。目前基于终端的指纹定位方法主要集中在定位准确性的改进方面，然而在散射环境改变的情况下，定位精度会有所下降，对这一问题的研究还比较少见。

技术实现要素：

发明目的：为了克服现有指纹定位方法中存在的散射环境变化下定位精度下降的问题，本发明提供了一种基于大规模mimo单站系统的指纹库更新方法，结合基于概率的更新准则以及caoa聚类，从而实现更加高效稳定的指纹定位。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于大规模mimo单站系统的指纹库更新方法，包括以下步骤：

步骤1，基于大规模mimo单站系统构建adcpm指纹矩阵：第k个用户到基站bs之间的adcpm指纹矩阵其中，e表示期望，⊙表示哈达玛积，为第k个用户到bs之间的信道响应矩阵，zk^*表示角度时延信道响应矩阵，v∈nt×nt为dft相移ps-dft矩阵，u∈nl×ng为dft酉矩阵，。

dft相移ps-dft矩阵v满足：

dft酉矩阵u满足：

为v的第α行第β列元素，为u的第φ行第列元素，nt为bs的天线数，nl为ofdm的符号数，ng为循环前缀数。为第k个用户到bs的整体信道频率响应cfr矩阵，为第l个子载波上的cfr矩阵，l＝0,1,...,nl-1，np为总的路径数，αp,k为第k个用户在第p条路径上的复信道增益，θp,k为第k个用户在第p条路径上的到达角度aoa，为传播时延，τp,k为第p条路径的toa，ts为大规模mimo单站系统的最小采样间隔，表示实数空间，e(θp,k)表示阵列响应向量，j表示虚数单位。

步骤2，将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点，将每个参考点的adcpm指纹矩阵及其对应位置坐标存入数据库，得到指纹数据库f-db，即adcpm指纹库。

步骤3，采用三元表tt方法将第i个参考点的指纹矩阵fi压缩为并用ftt替代指纹数据库中的fi，其中，ftt表示压缩后的adcpm指纹库，i＝1,2,...,n，n为参考点个数，v1,...,vm为fi中的最大的m个元素，row1,...,rowm为v1,...,vm在fi中的行坐标，col1,...,colm为v1,...,vm在fi中的列坐标。

步骤4，设定基于概率的更新门限：定义无线环境变化前后对应的指纹距离d为式中，x和y分别代表无线环境变化前后的二维指纹矩阵，xij表示变化前的指纹，yij表示变化后的指纹，||·||2表示矩阵2-范数，δd1是为一个极小的正数。将指纹距离d通过函数转换为相应的概率值，具体的映射函数为p表示指纹相似概率，λ为一预先设置的参数，给定无线环境变化前后的参考点指纹，计算对应的指纹相似概率，之后通过更新门限决定该参考点指纹是否需进行更新。

步骤5，caoa聚类：adcpm指纹在角度域的caoa为考虑到角度扩散，实际范围为[αm-δα,δm+δα]，其中，δα表示最大的角度偏移值，，fm,j表示adcpm矩阵阵元，对于每个参考点，计算对应的caoa，并以此作为该参考点的簇中心。

步骤6，在聚类中心对应的子区域选取若干锚点，然后判断锚点指纹的相似概率，若满足更新条件，则进行指纹更新。

步骤7，使用加权knn匹配算法估计待测点的位置。

优选的：步骤2中指纹数据库其中，指纹数据库f-db表示adcpm指纹库，loci(xi,yi)为第i个参考点的位置坐标，fi为第i个参考点的adcpm指纹矩阵，i＝1,2,...,n，n为参考点个数。

优选的：所述步骤3中三元表tt方法：采集矩阵中最大的前m个元素存储到表中，三元表由3行m列组成，第一行存储前m个最大元素，第二行和第三行分别存储第一行元素在原矩阵中对应的行列值。

优选的：m的值由矩阵压缩比决定。

优选的：步骤7中使用加权knn匹配方法估计待测点的位置为：其中，为待测点的位置坐标，k为加权knn匹配算法筛选得到的与待测点指纹相似度最高的参考点指纹数，为筛选出的第k个参考点指纹的位置坐标，为对应的权值，dk为筛选出的第k个参考点的指纹矩阵与待测点的实时指纹矩阵之间的欧式距离，δd2为一极小正数。

本发明相比现有技术，具有以下有益效果：

本发明对于散射体变化的场景，caoa-pfuc算法能够在有效地判断实时指纹的变化情况，平衡算法消耗以及定位精度并达到较好的定位结果。

附图说明

图1是本发明流程图。

图2是信道强度在角度域上的分布图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于大规模mimo单站系统的指纹库更新方法，如图1所示，离线阶段需要先采集每个参考点的信号指纹，将其预处理以后存储到指纹数据库中，在线阶段对未知终端进行定位时，需要先采集待测终端的对应指纹，然后利用所提出的caoa-pfuc算法判断是否更新指纹库，最后使用wknn匹配算法进行位置估计，得到结果返回给有定位需求的终端。下面详细描述每一步的具体操作。

step1：首先本发明设计出后续指纹匹配所需的adcpm指纹矩阵，该指纹矩阵是基于单基站的大规模mimo-ofdm系统。单基站具体是指一个具有nt根天线的均匀线性阵列且基站和用户都处于同一水平面上，其能够通过上行信道估计获得终端到所述的基站的信道状态信息csi，由于在目标区域覆盖范围内存在很多散射体，使得无线信号沿着多径传播，因此csi包含着散射环境的多径信息。

具体adcpm计算步骤如下：

step11：利用公式(1)计算出用户k在第p条路径上的cir为：

其中，cir表示信道冲激响应，αp,k∈cn(0,θp,k)是第k个用户在第p条路径上的复信道增益，cn(0,θp,k)表示均值为0、实虚部统计独立且方差各为θp,k/2的复高斯分布，θp,k∈(0,π)为相应的aoa，aoa表示到达角，e(θp,k)为第p条路径上的阵列响应向量，dp,k为第p条路径上发射天线到第一根接收天线的物理距离，λc是载波波长，j表示虚数单位。假设散射体在目标区域中的分布是独立且随机的，则上述参数彼此独立。若以第一根天线的信号相位作为参考相位，则天线阵列的响应向量为：

其中，nt表示天线阵元数，t表示转置。

step12：得到cir后，cir包含天线域的多径特征，通过dft可以将其映射到对应的角度域，dft表示离散傅里叶变换。考虑到每条路径的toa互不相同，toa表示到达时间，第k个用户的cir可以表示为所有路径上的cir之和，即为：

其中，为每条路径的toa，v是光速，np表示的是总的路径数。δ(τ-τp,k)为冲激函数，表示采样，ap,k表示第k个用户在第p条路径上的复信道增益。

将大规模mimo单站系统最小的采样间隔设为ts并对阵列输出进行采样，则tc＝nlts为ofdm的符号间隔，nl表示ofdm的符号数。tg＝ngts为循环前缀的间隔，假设tg远远大于τp,k。每个子载波的带宽为δf＝1/ncts，第l个子载波的频率为fl＝lδf。通过ofdm调制，可以将多径传播造成的频率选择性衰落信道转换成频率平坦信道，并通过时域采样获得每条路径的toa。

step13：对于第l个子载波，通过对cir做傅里叶变换得到对应的信道频率响应cfr，即cfr等于具有不同时延的所有路径的时域cir之和：

其中，为传播时延，表示最接近x的整数。用户k到基站bs的整体cfr矩阵为所有子载波上的cfr组成，即cfr表示信道频率响应。

step14：得到cfr后，上述cfr矩阵描述了第k个用户到bs之间的信道在空间-频率域上的特征。对于大规模mimo-ofdm系统而言，bs在角度-时延域能获得更高的多径分辨率，因此将其转化为角度-时延域上的矩阵，进而提取响应的特征矩阵作为定位指纹。通过dft变换将矩阵从空间-频率域转换到角度-时延域，信道响应矩阵表示为其中v∈nt×nt为dft相移(ps-dft)矩阵，ps-dft表示相移离散傅里叶变换，u∈nl×ng为dft酉矩阵，分别满足如下表达式：

v矩阵和u矩阵分别将hk映射角度域和时延域上，因此[zk]i,j表示角度-时延域矩阵上第i个aoa和第j个toa上的信道复增益值。

第k个用户到基站bs之间的adcpm指纹矩阵为

step2：将得到的adcpm指纹矩阵通过三元表稀疏存储，具体三元表存储方式如下：

step21：首先将上述得到的adcpm矩阵初步存储于指纹数据库。离线阶段的关键任务是建立指纹数据库，为在线阶段的指纹匹配做好准备。为此需要在待定位的目标区域选取若干参考点，并提取每个参考点的指纹矩阵。

具体步骤如下：首先确定划分间隔s(单位m)，以间隔s将待定位的目标区域划分为均匀的网格，其中待定位的目标区域内的网格顶点作为参考点。这里越小的间隔s，就会产生更多的参考点。

计算出第i个参考点到bs的adcpm指纹矩阵fi(i＝1,2,...,n)。将每个参考点的指纹矩阵及其位置坐标存储到数据库中，得到最终的指纹数据库f-db：

其中，loci(xi,yi)为第i个参考点的位置坐标，n为参考点个数。

step22：将上述指纹矩阵通过三元表稀疏存储。由于指纹矩阵具有稀疏性，可在指纹存储到数据库之前采用矩阵压缩算法。采用三元表(threetuple，tt)算法进行指纹预处理。为了有效地对指纹矩阵进行压缩，在创建三元表过程中，对adcpm矩阵进行排序，采集矩阵中最大的前m个元素存储到表中。三元表由3行m列组成，第一行存储前m个最大元素，第二行和第三行分别存储第一行元素在原矩阵中对应的行列值，其中m的值由矩阵压缩比决定。压缩后的指纹用三元表表示为如下形式：

其中，v1,...,vm为fi中的最大的m个元素，row1,...,rowm为v1,...,vm在fi中的行坐标，col1,...,colm为v1,...,vm在fi中的列坐标。

step23：在构建指纹库时，用ftt代替原矩阵与位置坐标及其他信息一起存储到数据库中。若要将三元表恢复成矩阵形式，只要根据第二行和第三行的坐标将元素值填入指纹矩阵对应的位置，其他位置使用补零法进行快速填充即可。

step3：设定基于概率的更新门限，具体实施步骤如下：

step31：定义无线环境变化前后对应的指纹距离d，指纹距离如下表示：

式中x和y分别代表无线环境变化前后的二维指纹矩阵，xij表示变化前的指纹，yij表示变化后的指纹，||·||2表示矩阵2-范数，δd1是为了防止分母为0的一个很小的正数，一般δd1取1e-5。

step32：将指纹距离d通过函数转换为相应的概率值，具体的映射函数为

step33：给定无线环境变化前后的参考点指纹，计算对应的指纹相似概率，以便后续通过阈值决定该参考点指纹是否需进行更新。

step4：caoa聚类：从用户终端到bs的每条路径的散射环境主要是由用户终端附近的散射体决定的，而信号经过无线信道传播后的大部分能量仅分布在少数多径分量上，如图2所示。adcpm指纹在角度域的caoa为：

考虑到角度扩散，实际范围为[αm-δα,αm+δα]，其中，fm,j表示adcpm矩阵阵元，δα表示最大的角度偏移值，对于每个参考点，计算对应的caoa，caoa表示中心到达角，并以此作为该参考点的簇中心。

step5：在聚类中心对应的子区域选取若干锚点，然后判断锚点指纹的相似概率，若满足更新条件，则进行指纹更新。

step6：：将上述细分类的指纹矩阵通过加权knn方法进行在线阶段指纹定位。加权knn算法考虑了待测终端与参考点之间的距离，与待测点指纹相似度越高的点，理论上物理距离应该越近，对位置估计结果的贡献越大，应该赋予更高的权值，对应公式为：其中其中，dk为筛选出的第k个参考点的adcpm指纹矩阵与待测点的实时adcpm指纹矩阵之间的欧式距离。δd2是一个很小的正数，为了防止分母为0，δd2一般取1e-5。wk是每个位置的加权系数。

本发明相比于传统的指纹定位方法，能够在散射环境变化的情况下有效提高定位精度。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。