一种警用无线局域网高精度的定位方法

1.本发明涉及一种警用无线局域网高精度的方法，属于无线网络安全技术领域。


背景技术：

2.当定位目标是无线局域网的节点时，传统卫星或蜂窝基站发射的无线信号在传播途中受到建筑物阻碍，导致定位精度大幅降低甚至无法定位，因此无线局域网场景成为卫星和蜂窝网络定位系统的“盲区”。为了解决无线局域网“最后一公里”定位问题，国内外学者研究了多种定位技术并取得了一定成果，譬如超声波定位、无线射频识别定位、蓝牙定位、zigbee定位、超宽带定位等。这些定位技术都能在各自适应的室内外场景和需求中得到应用，但是均需要预先部署定位网络和硬件设备，成本开销较大。相较于以上几种定位技术，基于无线局域网(wireless local area networks,wlan)的定位技术无需额外硬件设备即可实现低成本定位系统。
3.目前已有wlan定位方法一般采用接收信号功率强度，根据无线信号功率强度的路径损耗模型(或者根据线下建立的功率强度指纹库) 来实现目标节点定位。由于接收信号强度只是无线信道的粗粒度表示，相应的定位精确度普遍较低。而根据ieee 802.11协议标准，wifi 系统的无线信道响应可通过每个频域子载波上的信道状态信息 (channel state information，csi)以更细粒度的形式得到更全面的表征。因此，与传统基于信号强度的无线定位技术相比，基于信道状态信息的无线定位技术在不增加系统成本的情况下，理论上能获得更精准的定位结果。为了实现高精稳健定位，基于信道状态信息的无线定位方法需要解决无线电传播随机性和不稳定所带来的技术挑战。无线信号在传播过程中容易被地面、墙壁、人员等各种室内外物体反射、散射甚至遮挡，不仅造成强烈的多径传播效应，而且使待定位节点与锚节点之间的信号传播由视距变为非视距，使无线信道产生显著的阴影衰落。这些显著阴影衰落和多径效应会造成无线信道的随机变化，从而对基于信道状态信息的无线定位技术性能造成负面影响。因此研究基于信道状态信息的wlan节点定位方法，实现稳健、准确、快速的wlan定位具有重要的研究价值和意义。但是，在警用无线局域网中，无线电传播环境较为复杂，无线信号在传播过程中经常受到地面、墙壁、人员等障碍物的遮挡，不仅造成无线信道的阴影衰落，而且还引起信号的反射和散射，产生多径效应。


技术实现要素：

4.本发明目的在于针对上述现有技术的不足，提供了一种警用无线局域网高精度的方法，该方法首先研究基于信道状态信息的无线局域网定位误差理论下界，然后建立适应于视距传播和非视距传播场景的测距和测角模型，消除测距和测角误差，接着提出基于融合csi测量数据的定位，最后定位性能验证实验。
5.本发明解决其技术问题所采用的技术方案是：一种警用无线局域网高精度的方法，该方法包括如下步骤：
6.步骤1：推算复杂环境基于信道状态信息的wlan定位误差下界。
7.定位误差理论下界的推算对于定位方法研究具有非常重要的理论指导作用，因为定位误差理论下界直接决定了基于信道状态信息的 wlan定位方法理论上能获得的最佳定位精确度
8.步骤1-1：通过将直达路径和多径的相关参数建模为随机变量，建立视距多径场景下的无线信道模型；
9.步骤1-2：在评估视距场景下传统测距和测角模型偏差的基础上，建立视距多径场景下基于信道状态信息的距离和角度无偏估计理论模型；
10.步骤1-3根据无偏估计模型，求解视距场景下距离和角度的测量误差模型；
11.步骤1-4通过将多径参数建模为随机变量，建立非视距场景下的信道模型；
12.步骤1-5建立非视距场景下距离和角度无偏估计理论模型；
13.步骤1-6结合信道模型和无偏估计模型，求解非视距场景下测量误差模型；
14.步骤1-7推导复杂环境wlan定位误差的费舍尔信息矩阵，进而求解出基于信道状态信息的定位误差克拉美罗下界。
15.步骤2：视距传播与非视距传播的智能区分。
16.由于视距和非视距两种场景下的距离和角度测量模型具有较大差异，在消除测量误差之前需要准确区分这两种场景。整个区分过程分为两个阶段，即离线建立区分模型和在线实时区分。其中重点是离线建立区分模型。
17.步骤2-1：在视距与非视距场景分别采集csi数据、计算csi幅度和相位、对幅度和相位数据进行预处理。然后计算候选特征，考察的特征包括但不限于幅度和相位的均值、标准差、差异系数、偏度、峰度、莱斯k因子等。接着将这些候选特征组合构成多个候选特征簇。对于每个特征簇，将其与区分结果分别作为输入和输出用来训练区分模型。采用的区分模型可从支持向量机、贝叶斯、神经网络等分类算法中筛选和改进。
18.步骤2-1：以具有较强泛化能力的支持向量机分类为例，区分模型的输出可表示为
19.其中x是输入的csi特征簇，ω和b是通过训练获得的超平面参数，是特征映射函数，满足且k(xi,xj)是核函数。为获得最优区分效果，建立的优化问题表示为，其中xi是第i个样本的csi特征簇，yi是第i个样本的区分结果，εi是引入的松弛变量来支持分类中出现误差的情况，c是正则化项、用于控制区分误差和复杂度之间的平衡。通过求解上述优化问题，训练得到基于支持向量机的区分模型。
20.步骤2-3：根据不同csi特征簇和不同分类算法，训练多个区分模型。然后对这些区分模型进行测试、评估和对比分析，选出最佳特征簇和最优区分模型。
21.步骤3：基于信道状态信息测量定位数据融合的wlan定位。
22.复杂环境导致部分无线传输链路由视距变为非视距。传统定位方法一般首先剔除掉相对误差较大的非视距链路定位数据，然后只采用相对误差较小的视距链路数据进行定位。但非视距链路定位数据中仍然包含有价值的定位辅助信息，通过对非视距链路定位数据进行矫正，并将矫正后非视距定位数据与视距链路数据进行融合，能有效提高定位精确度。
23.步骤3-1：根据视距链路和非视距链路各自的距离和角度测量数据，通过测距测角
算法分别推算出视距链路定位结果和非视距链路定位结果；
24.步骤3-2：在视距链路锚节点数量较为充裕时，由于视距定位结果具有较高精确度，以多条视距链路的定位结果为基准，建立非视距定位自回归模型；
25.步骤3-3：在视距链路锚节点数量不足时，可采用已构建的非视距自回归模型，预测并修正非视距链路定位结果；
26.步骤3-4：将视距定位结果与修正后的非视距定位结果进行自适应加权融合，获得视距与非视距的初步融合定位结果；
27.步骤3-5：通过非线性滤波算法获得更精准的定位和跟踪结果，用非线性滤波算法包括但不限于扩展卡尔曼滤波和容积卡尔曼滤波等。
28.步骤4：基于指纹数据与测量模型相融合的wlan定位。
29.考虑到指纹定位的离线采集工作量较大，在指纹数量有限的情况下，通过融合指纹数据与测量定位数据，能有效提高定位精确度。
30.步骤4-1：采集csi，对csi幅度和相位数据进行预处理，包括离群值检测、滤波等。然后根据两类定位算法求出两种初步定位结果，即一方面通过csi指纹定位算法求出指纹定位结果，另一方面通过前述视距与非视距测量融合定位算法求出测量定位结果。
31.步骤4-2：采用智能融合算法将指纹定位结果和测量定位结果进行融合。重点研究贝叶斯融合算法和神经网络融合算法，因为贝叶斯数据融合法可充分利用数据参数先验信息，而神经网络算法具有较强的自学习和自适应能力以及非线性处理能力。以自适应贝叶斯数据融合法为例，在对指纹定位和测量定位数据进行选择之前，先对其可靠性进行估计，为此需定义各数据之间的置信距离：为此需定义各数据之间的置信距离：其中xi和xj分别是一次指纹定位数据和测量定位数据，pi(x|xi)和pj(x|xj)分别是指纹定位结果和测量定位结果的概率密度分布。进一步计算出置信距离矩阵。然后根据指纹定位和测量定位的稳定度，结合置信距离对定位数据可靠性进行评级，计算自适应关系矩阵。由关系矩阵推算最佳融合数和权重因子，并计算指纹定位和测量定位的融合结果。
32.有益效果：
33.1、本发明是对无线局域网定位理论与技术研究的进一步深化，很好地实现了高精度低成本警用无线局域网节点定位。
34.2、本发明在警用无线局域网定位，在充分保证安全的前提下，采用稳定可靠的无线网络，能提供方便快捷的查询、管理和调度功能，本发明定位由于具有较低的部署成本，在同等预算情况下可以部署到更多警用无线局域网中，有利于大规模部署和推广。
35.3、本发明通过充分利用无线局域网设备中易获取的普适定位信息，设计出能适应复杂工作环境的高精定位方法，从而以较低成本对移动警员和设备进行稳定、快速、准确的定位，为打造高效用警、反应灵敏的公共安全指挥体系发挥重要服务作用。
附图说明
36.图1为本发明的方法流程图。
37.图2为本发明的总体架构示意图。
具体实施方式
38.下面结合说明书附图和实施例对本发明创造作进一步详细描述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
39.如图1-2所示，本发明提供了一种警用无线局域网高精度的定位方法，该方法包括如下步骤：
40.步骤1：推算复杂环境基于信道状态信息的wlan定位误差下界。
41.定位误差理论下界的推算对于定位方法研究具有非常重要的理论指导作用，因为定位误差理论下界直接决定了基于信道状态信息的 wlan定位方法理论上能获得的最佳定位精确度
42.步骤1-1：通过将直达路径和多径的相关参数建模为随机变量，建立视距多径场景下的无线信道模型；
43.步骤1-2：在评估视距场景下传统测距和测角模型偏差的基础上，建立视距多径场景下基于信道状态信息的距离和角度无偏估计理论模型；
44.步骤1-3根据无偏估计模型，求解视距场景下距离和角度的测量误差模型；
45.步骤1-4通过将多径参数建模为随机变量，建立非视距场景下的信道模型；
46.步骤1-5建立非视距场景下距离和角度无偏估计理论模型；
47.步骤1-6结合信道模型和无偏估计模型，求解非视距场景下测量误差模型；
48.步骤1-7推导复杂环境wlan定位误差的费舍尔信息矩阵，进而求解出基于信道状态信息的定位误差克拉美罗下界。
49.步骤2：提出视距传播与非视距传播的智能区分。
50.由于视距和非视距两种场景下的距离和角度测量模型具有较大差异，在消除测量误差之前需要准确区分这两种场景。整个区分过程分为两个阶段，即离线建立区分模型和在线实时区分。其中重点是离线建立区分模型。
51.步骤2-1：在视距与非视距场景分别采集csi数据、计算csi幅度和相位、对幅度和相位数据进行预处理。然后计算候选特征，考察的特征包括但不限于幅度和相位的均值、标准差、差异系数、偏度、峰度、莱斯k因子等。接着将这些候选特征组合构成多个候选特征簇。对于每个特征簇，将其与区分结果分别作为输入和输出用来训练区分模型。采用的区分模型可从支持向量机、贝叶斯、神经网络等分类算法中筛选和改进。
52.步骤2-1：以具有较强泛化能力的支持向量机分类为例，区分模型的输出可表示为
53.其中x是输入的csi特征簇，ω和b是通过训练获得的超平面参数，是特征映射函数，满足且k(xi,xj)是核函数。为获得最优区分效果，建立的优化问题表示为，其中xi是第i个样本的csi特征簇，yi是第i个样本的区分结果，εi是引入的松弛变量来支持分类中出现误差的情况，c是正则化项、用于控制区分误差和复杂度之间的平衡。通过求解上述优化问题，训练得到基于支持向量机的区分模型。
54.步骤2-3：根据不同csi特征簇和不同分类算法，训练多个区分模型。然后对这些区分模型进行测试、评估和对比分析，选出最佳特征簇和最优区分模型。
55.步骤3：基于信道状态信息测量定位数据融合的wlan定位。
56.复杂环境导致部分无线传输链路由视距变为非视距。传统定位方法一般首先剔除掉相对误差较大的非视距链路定位数据，然后只采用相对误差较小的视距链路数据进行定位。但非视距链路定位数据中仍然包含有价值的定位辅助信息，通过对非视距链路定位数据进行矫正，并将矫正后非视距定位数据与视距链路数据进行融合，能有效提高定位精确度。
57.步骤3-1：根据视距链路和非视距链路各自的距离和角度测量数据，通过测距测角算法分别推算出视距链路定位结果和非视距链路定位结果；
58.步骤3-2：在视距链路锚节点数量较为充裕时，由于视距定位结果具有较高精确度，以多条视距链路的定位结果为基准，建立非视距定位自回归模型；
59.步骤3-3：在视距链路锚节点数量不足时，可采用已构建的非视距自回归模型，预测并修正非视距链路定位结果；
60.步骤3-4：将视距定位结果与修正后的非视距定位结果进行自适应加权融合，获得视距与非视距的初步融合定位结果；
61.步骤3-5：通过非线性滤波算法获得更精准的定位和跟踪结果，用非线性滤波算法包括但不限于扩展卡尔曼滤波和容积卡尔曼滤波等。
62.步骤4：基于指纹数据与测量模型相融合的wlan定位。
63.考虑到指纹定位的离线采集工作量较大，在指纹数量有限的情况下，通过融合指纹数据与测量定位数据，能有效提高定位精确度。
64.步骤4-1：采集csi，对csi幅度和相位数据进行预处理，包括离群值检测、滤波等。然后根据两类定位算法求出两种初步定位结果，即一方面通过csi指纹定位算法求出指纹定位结果，另一方面通过前述视距与非视距测量融合定位算法求出测量定位结果。
65.步骤4-2：采用智能融合算法将指纹定位结果和测量定位结果进行融合。重点研究贝叶斯融合算法和神经网络融合算法，因为贝叶斯数据融合法可充分利用数据参数先验信息，而神经网络算法具有较强的自学习和自适应能力以及非线性处理能力。以自适应贝叶斯数据融合法为例，在对指纹定位和测量定位数据进行选择之前，先对其可靠性进行估计，为此需定义各数据之间的置信距离：为此需定义各数据之间的置信距离：其中xi和xj分别是一次指纹定位数据和测量定位数据，pi(x|xi)和pj(x|xj)分别是指纹定位结果和测量定位结果的概率密度分布。进一步计算出置信距离矩阵。然后根据指纹定位和测量定位的稳定度，结合置信距离对定位数据可靠性进行评级，计算自适应关系矩阵。由关系矩阵推算最佳融合数和权重因子，并计算指纹定位和测量定位的融合结果。
66.步骤5：建立基于无线信道状态信息的wlan定位性能验证实验系统。
67.为了对基于信道状态信息的wlan定位方法进行更全面的性能验证，通过如下步骤开展研究：
68.步骤5-1：分析影响定位性能的软硬件配置参数，设计参数可调的软硬件方案，实现基于信道状态信息的警用wlan定位实验验证系统；
69.步骤5-2：预先理论估算前述各个子系统性能以及整体系统性能，主要考察区分准确率、测量准确度、子系统定位误差、子系统算法复杂度、子系统稳定度、整体定位误差、整
体算法复杂度、整体稳定度等性能指标；
70.步骤5-3：基于前述已实现的警用wlan定位验证系统平台，通过多次交叉验证实验测出前述各个子系统和整体系统在主要性能指标上的实际效果；
71.步骤5-4：通过对实验结果和理论预估值进行比较分析，全方位评估研究定位方法的性能表现。
72.对于本领域技术人员而言，本发明装置不限于上述所述的示范性实施例，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及构思加以替换或改变，都应涵盖在本发明技术的保护范围内。