一种去蜂窝大规模MIMO系统定位方法

本发明涉及5g移动通信中定位方法的技术领域，尤其涉及联合信号到达角和接收信号强度指纹的去蜂窝大规模mimo系统定位方法。

背景技术：

在5g移动通信系统中，位置信息可以被用来提供更好的通信服务，因此，无线定位技术受到了越来越多的关注。传统的无线定位技术主要应用于以视距(line-of-sight,los)信道为主的信道环境中，直接利用测量得到的接收信号强度(receivedsignalstrength,rss)、到达角(angle-of-arrival,aoa)或到达时间(time-of-arrival,toa)定位用户。然而，在nlos信道环境中，上述传统定位方法的定位精度会有所下降。

为满足富散射环境下的无线网络高精度定位需求，指纹定位技术引起了业界广泛的关注。

指纹定位一般分成离线和在线两个阶段。在离线阶段，通过提取参考点处的信道特征作为指纹信息，构建指纹数据库；在在线阶段，通过对用户指纹信息的提取以及与指纹库中的指纹进行匹配，实现对用户的位置估计。可以看出，指纹定位技术的核心思想便是将定位问题转换成为模式识别问题。

去蜂窝大规模多输入多输出(multi-inputmulti-output,mimo)是下一代通信系统中的候选技术之一。由于其分布式的天线架构，相较于传统的大规模mimo系统，去蜂窝大规模mimo系统可以获得更高的分集增益和平均吞吐量，同时还可以消除小区边界影响，应用前景十分广泛。目前，基于位置信息的应用呈现爆炸式增长的态势，大规模mimo尤其是去蜂窝大规模mimo系统中的定位技术研究已成为十分重要的研究方向。

目前，也已有少量文献对大规模mimo系统中的指纹定位算法进行了研究。例如文献“v.savicande.larsson,“fingerprinting-basedpositioningindistributedmassivemimosystems,”in2015ieee82ndvehiculartechnologyconference(vtc2015-fall),2015,pp.1–5.”提出了一种基于rss的指纹定位方法，其基本思想是将定位问题建模成高斯过程回归问题。文献“k.prasad,e.hossain,andv.bhargava,“machinelearningmethodsforrss-baseduserpositioningindistributedmassivemimo,”ieeetrans.wirelesscommun.,vol.17,no.12,pp.8402–8417,dec.2018.”提出了基于传统高斯过程和数值近似高斯过程的监督机器学习方法，利用上行rss数据定位用户。然而现有针对去蜂窝大规模mimo系统的指纹定位研究中，仅利用单一的指纹信息如rss指纹或aoa指纹，将两种指纹融合考虑的研究还未见发表。本发明旨在同时考虑aoa指纹和rss指纹对去蜂窝大规模mimo系统中的用户进行定位，进一步提升定位精度。

技术实现要素：

本发明目的是提供一种联合信号到达角和接收信号强度指纹的去蜂窝大规模mimo系统定位方法，将信号到达角指纹和接收信号强度指纹有效地融合，进一步提升去蜂窝大规模mimo的定位性能。

本发明采用如下技术方案：

一种去蜂窝大规模mimo系统定位方法，包括如下步骤：

步骤1：离线阶段：提取参考点处的指纹信息；

步骤2：离线阶段：构建指纹数据库；

步骤3：定义指纹间的相似度准则；

步骤4：在线阶段：提取用户指纹信息；分别提取用户的信号到达角指纹θue与接收信号强度指纹pue；

步骤5：在线阶段：指纹匹配与位置估计。

优选的是，本发明假设去蜂窝大规模mimo定位网络包含n个随机分布的接入点ap，每个ap均配置具有m根天线的均匀线性阵列；定位目标区域被均匀地划分成k个网格点，所有ap通过上行信道估计获得每个参考点rp处的信道状态信息csi；考虑窄带多径信道模型，第n个ap与第k个rp之间的时域信道为：

其中l表示散射路径数，为l条散射路径的小尺度衰落系数，βnk表示大尺度衰落系数；βnk采用三段传播模型，表示为：

其中dnk为第n个ap与第k个rp之间的水平距离，m表示距离单位米，δnk表示阴影噪声；

此外，表示第l散射路径的阵列响应：

其中d为天线间隔，λ为载波波长，为第l条散射路径的信号到达角。

优选的是，本发明步骤1所述的提取参考点处的指纹信息，具体过程如下：

第n个ap处接收到的来自第k个rp的上行信号为：

其中ρ表示上行发送功率，为导频序列共轭转置，且满足υn表示加性高斯白噪声矩阵；

根据上行接收信号，利用最小均方误差等信道估计方法获得上行估计信道，上行估计信道近似为公式(1)中给出的时域信道hnk；利用傅里叶变换，将时域信道hnk变换到角度域：

其中f表示傅里叶变换矩阵，[f]pq＝e^-j2πpqm为傅里叶变换矩阵中第(p,q)个元素，角度域信道响应矩阵可以表示为

为抑制小尺度衰落带来的信道波动，对角度域信道响应矩阵进一步处理，得到角度域信道功率矩阵：

其中e表示矩阵的哈达玛积，表示角度域信道功率矩阵中第(p,q)个元素；与所有rp相关的角度域信道功率矩阵表示为θ＝[θ1,θ2,l,θk]；

根据上行接收信号，在第n个ap处计算获得来自第k个rp信号的信号强度：

由于噪声的影响甚微，所述公式(8)进一步表示为：

因此，与第k个rp相关的接收信号强度rss向量为pk＝[p1k,p2k,l,pnk]^t，rss矩阵表示为p＝[p1,p2,l,pk]。

优选的是，本发明步骤2：离线阶段：构建指纹数据库，具体过程如下：

rp的指纹信息提取后，采用k均值聚类算法，对信号到达角指纹数据进行预处理，将其分成nk-m个不同的簇，第nk-m个簇中心的角度域信道功率矩阵为：

其中nnk-m表示第nk-m个簇中的所有rp组成的集合，θi,表示集合中与第i个rp相关的角度域信道功率矩阵，表示集合中rp的数目；分簇完成后，生成供在线阶段进行指纹匹配的指纹数据库。

优选的是，本发明步骤3：定义指纹间的相似度准则，具体过程如下：

结合信号到达角指纹数据，定义基于角度相似系数的相似度准则：

其中λn(θp,θq)表示对应于第n个ap的rpp和rpq间aoa指纹的角度相似系数，θp和θq分别表示与rpp和rpq相关的角度域信道功率矩阵，[θp]n和[θq]n分别表示矩阵θp和θq的第n列，则表示向量[θp]n的转置；

对于接收信号强度指纹,，用欧式距离来衡量指纹间的相似性；第p个和第q个rp间接收信号强度指纹的欧式距离为：

其中λn(θp,θq)表示对应于第n个ap的rpp和rpq间aoa指纹的角度相似系数，θp和θq分别表示与rpp和rpq相关的角度域信道功率矩阵，[θp]n和[θq]n分别表示矩阵θp和θq的第n列，则表示向量[θp]n的转置；

优选的是，本发明步骤5：在线阶段：指纹匹配与位置估计，具体过程如下：

步骤5.1：计算用户信号到达角指纹与nk-m个簇中心所对应的信号到达角指纹之间的相似系数其中nk-m∈{1,2,l,nk-m}；将计算结果由大到小排序，选出相似系数最大的个簇；

步骤5.2：计算用户信号到达角指纹与步骤5.1中所选出的簇中的每个rp所对应的信号到达角指纹之间的相似系数其中表示第个簇中rp的数目；将计算结果由大到小排序，选出相似系数最大的nmax个rp；

步骤5.3：计算用户接收信号强度指纹与步骤5.2中所选出的每个rp对应的接收信号强度指纹之间的欧氏距离；

步骤5.4：利用加权k近邻算法，估计用户的位置；

其中(xi,yi)表示第i个rp的坐标，μi为相对于第i个rp的权重系数，且该系数满足权重系数μi为：

其中θi和pi分别表示与rpi相关的角度域信道功率矩阵和rss向量。

本发明专利与现有无线定位方案相比具有如下优点：(1)在多径信道传输条件下，该技术方案依然能够提供较为精确的定位精度；(2)联合考虑信号到达角和接收信号强度指纹，有效的将二者融合起来，可以充分发挥二者的优点，进一步提升用户定位精度。

附图说明

图1是本发明的流程示意图；

图2是本发明的去蜂窝大规模mimo指纹定位方法系统模型示意图。

图3是本发明在不同ap天线数目和参考网格点间隔下定位误差的累计分布示意图。

图4是本发明所提供的联合aoa-rss指纹定位方法与仅考虑单一指纹定位方法的定位误差性能对比图。

具体实施方式

假设去蜂窝大规模mimo定位网络包含n个随机分布的接入点ap，每个ap均配置具有m根天线的均匀线性阵列；定位目标区域被均匀地划分成k个网格点，所有ap通过上行信道估计获得每个参考点rp处的信道状态信息csi；考虑窄带多径信道模型，第n个ap与第k个rp之间的时域信道为：

其中l表示散射路径数，为l条散射路径的小尺度衰落系数，βnk表示大尺度衰落系数；βnk采用三段传播模型，表示为：

其中dnk为第n个ap与第k个rp之间的水平距离，m表示距离单位米，δnk表示阴影噪声；

此外，表示第l散射路径的阵列响应：

其中d为天线间隔，λ为载波波长，为第l条散射路径的信号到达角。

如图1所示，本发明的一种去蜂窝大规模mimo系统定位方法，具体包括如下步骤：

步骤1：离线阶段：提取参考点处的指纹信息；具体过程如下：

第n个ap处接收到的来自第k个rp的上行信号为：

其中ρ表示上行发送功率，为导频序列共轭转置，且满足υn表示加性高斯白噪声矩阵；

根据上行接收信号，利用最小均方误差等信道估计方法获得上行估计信道，上行估计信道近似为公式(1)中给出的时域信道hnk；利用傅里叶变换，将时域信道hnk变换到角度域：

其中f表示傅里叶变换矩阵，[f]pq＝e^-j2πpq/m为傅里叶变换矩阵中第(p,q)个元素，角度域信道响应矩阵可以表示为

为抑制小尺度衰落带来的信道波动，对角度域信道响应矩阵进一步处理，得到角度域信道功率矩阵：

其中e表示矩阵的哈达玛积，表示角度域信道功率矩阵中第(p,q)个元素；与所有rp相关的角度域信道功率矩阵表示为θ＝[θ1,θ2,l,θk]；

根据上行接收信号，在第n个ap处计算获得来自第k个rp信号的信号强度：

由于噪声的影响甚微，所述公式(8)进一步表示为：

因此，与第k个rp相关的接收信号强度rss向量为pk＝[p1k,p2k,l,pnk]^t，rss矩阵表示为p＝[p1,p2,l,pk]。

步骤2：离线阶段：构建指纹数据库，具体过程如下：

rp的指纹信息提取后，采用k均值聚类算法，对信号到达角指纹数据进行预处理，将其分成nk-m个不同的簇，第nk-m个簇中心的角度域信道功率矩阵为：

其中表示第nk-m个簇中的所有rp组成的集合，θi,表示集合中与第i个rp相关的角度域信道功率矩阵，表示集合中rp的数目；分簇完成后，生成供在线阶段进行指纹匹配的指纹数据库。

步骤3：定义指纹间的相似度准则，具体过程如下：

结合信号到达角指纹数据，定义基于角度相似系数的相似度准则：

其中λn(θp,θq)表示对应于第n个ap的rpp和rpq间aoa指纹的角度相似系数，θp和θq分别表示与rpp和rpq相关的角度域信道功率矩阵，[θp]n和[θq]n分别表示矩阵θp和θq的第n列，则表示向量[θp]n的转置；

对于接收信号强度指纹,，用欧式距离来衡量指纹间的相似性；第p个和第q个rp间接收信号强度指纹的欧式距离为：

其中pp和pq分别表示与rpp和rpq相关的rss向量，pnp和pnq则分别表示rss向量pp和pq的第n个元素。

步骤4：在线阶段：提取用户指纹信息；分别提取用户的信号到达角指纹θue与接收信号强度指纹pue。

步骤5：在线阶段：指纹匹配与位置估计，具体过程如下：

步骤5.1：计算用户信号到达角指纹与nk-m个簇中心所对应的信号到达角指纹之间的相似系数其中nk-m∈{1,2,l,nk-m}；将计算结果由大到小排序，选出相似系数最大的个簇；

步骤5.2：计算用户信号到达角指纹与步骤5.1中所选出的簇中的每个rp所对应的信号到达角指纹之间的相似系数其中表示第个簇中rp的数目；将计算结果由大到小排序，选出相似系数最大的nmax个rp；

步骤5.3：计算用户接收信号强度指纹与步骤5.2中所选出的每个rp对应的接收信号强度指纹之间的欧氏距离；

步骤5.4：利用加权k近邻算法，估计用户的位置；

其中(xi,yi)表示第i个rp的坐标，μi为相对于第i个rp的权重系数，且该系数满足权重系数μi为：

其中θi和pi分别表示与rpi相关的角度域信道功率矩阵和rss向量。

如图2所示，考虑面积为100×100m²的去蜂窝大规模mimo系统。待定位用户数目为20，ap数目n＝8，散射路径数l＝10，单边角度扩展为6°，上行发送功率为100mw，信道实现数为150，ap和用户位置随机实现数为100，分簇数目nk-m＝15，所选簇数目所选参考点数目nmax＝4。

采用本技术方案进行用户定位的性能仿真如图3、图4所示。图3揭示了在本技术方案下，不同ap天线数目以及网格点间隔对定位性能的影响规律。图4将本技术方案与主流的仅考虑单一指纹的定位方案进行对比，验证了所提技术方案的最优性能。在多径信道传输条件下，本发明依然能够提供较为精确的定位精度；本发明联合考虑信号到达角和接收信号强度指纹，有效的将二者融合起来，可以充分发挥二者的优点，进一步提升用户定位精度。