1.一种去蜂窝大规模mimo系统定位方法,其特征在于包括如下步骤:
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。
2.根据权利要求1所述的去蜂窝大规模mimo系统定位方法,其特征在于上述,具体过程如下:
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,
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,
其中d为天线间隔,λ为载波波长,
3.根据权利要求2所述的去蜂窝大规模mimo系统定位方法,其特征在于上述步骤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,
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,
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]。
4.根据权利要求3所述的去蜂窝大规模mimo系统定位方法,其特征在于上述步骤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
5.根据权利要求4所述的去蜂窝大规模mimo系统定位方法,其特征在于上述步骤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,
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。
6.根据权利要求5所述的去蜂窝大规模mimo系统定位方法,其特征在于上述步骤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
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
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
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。