一种毫米波MIMO系统中用户终端直接定位方法

一种毫米波mimo系统中用户终端直接定位方法
技术领域
1.本发明涉及无线通讯技术领域，尤其涉及一种毫米波mimo系统中用户终端直接定位方法。


背景技术：

2.在第五代和第六代蜂窝通信网络中，毫米波mimo系统被认为是一项至关重要的技术。得益于毫米波mimo系统高频谱效率，蜂窝无线通信能够实现更大的系统容量与更高的通信可靠性。除此之外，由于毫米波阵列具有较高的角度分辨率，可以借助毫米波mimo系统实现亚米级定位，因此，物联网、自动驾驶、社交网络等应用能够高效开展。
3.毫米波mimo系统定位的基本特征是：利用基站接收到的用户信号，对其中时延、到达角、信号接收强度等位置相关信息进行提取，然后根据上述信息对用户终端位置进行精确的恢复。因此，开发出一种高效的毫米波mimo系统定位方法是十分必要的。
4.现阶段的多基站mimo定位算法一般分为两类，分别为两步定位方法和直接定位方法。在两步定位方法中，基站首先根据接收到的信号，对用户的信号时延、到达角、接收强度等信息进行估计，然后通过三边定位或三角定位技术确定用户位置。在直接定位方法中，基站根据接收信号直接恢复用户位置，不需要进行中间参数估计，能够实现多基站系统高精度定位。
5.但是在现有研究中，两种定位方法均具有明显的问题。对于两步定位方法而言，基站估计出的中间参数信息往往存在较大误差，这会导致后续用户终端位置估计产生误差放大效应。对于直接定位方法而言，尽管其定位精度能够远远优于两步定位方法，但是直接定位往往需要构造大规模高维度优化问题，求解该问题需要较高的计算资源与较长的计算时间，这一点在定位应用中是不能接受的。


技术实现要素：

6.技术问题：针对现有毫米波多mimo基站直接定位用户终端方法的高复杂度问题，本发明提出一种毫米波mimo系统中用户终端直接定位方法，本发明能够在任意阵列形态的多基站毫米波mimo系统中，实现用户高精度定位。同时，提出的算法极大降低了直接定位的复杂度和计算资源开销。
7.技术方案：为实现本发明的目的，本发明的一种毫米波mimo系统中用户终端直接定位方法具体包括如下步骤：
8.s1：建立二维空间坐标系，确定毫米波mimo基站的物理坐标，各基站将接收到的用户信号回传至数据中心进行联合处理；
9.s2：对定位区域进行网格离散化和角度离散化，根据用户位置与到达角间几何关系，列出直接定位的优化问题，优化目标为用户位置信息；
10.s3：采用交替方向乘子法admm对直接定位优化问题进行转化，导出该问题的迭代公式；
11.s4：利用深度展开网络学习admm迭代参数，计算迭代公式直至收敛，得到用户位置。
12.其中，
13.所述步骤s1具体如下：
14.s1.1：定义二维目标定位区域以区域中心为原点建立二维坐标系，设第m个毫米波mimo基站位置为待测用户位置为p＝[p
x
,py]；
[0015]
s1.2：定义用户终端发射的窄带信号为sd，各基站接收信号为
[0016][0017]
其中：ρ为传输信噪比，hm为用户与第m个基站之间的信道矢量，nm为接收噪声矢量；
[0018]
s1.3：根据毫米波信道稀疏特性，确定出信道矢量表达形式，具体为：
[0019][0020]
其中：pm为非直视路径数量，am(
·
)为阵列响应矢量，αm和θm(p)分别表示直视路径的增益与到达角，和分别表示非直视路径的增益和到达角；
[0021]
s1.4：用户终端位置与直视路径到达角之间空间几何关系可以表达为：
[0022][0023]
根据各基站与终端之间直视路径之间的几何关系，通过角度-位置信息映射，得到用户具体位置。
[0024]
所述步骤s2具体为：
[0025]
s2.1：将毫米波信道在波束域进行稀疏表示，根据这一特征，通过对定位区域进行网格离散和角度离散，稀疏表示用户与第m个基站之间的信道矢量；对于网格离散化，将目标区域均匀分隔为k个网格位置，即：
[0026][0027]
其中：表示第k个网格位置的坐标点，二维目标定位区域如步骤s1.1所示；进一步，对于第m个基站，定义lm个均匀离散角度即：
[0028][0029]
其中：lm＞＞pm,m＝1,2,...,m；
[0030]
s2.2：根据s2.1中给出的离散化信息，毫米波信道可以在波束域进行稀疏表示，这种情况下，接收信号进一步表示为：
[0031]
ym＝amxm+bmzm+nm,m＝1,2,...,m,
[0032]
其中，am＝[am(θm(φ1)),...,am(θm(φk))]，θm(φk)表示第k个网格位置与第m个基站之间的到达角，是一个稀疏向量，x
m,k
,k＝1,...,k表示第k个网格位置与第m个基站之间直视路径的有效增益，为一个稀疏向量，z
m,k
,k＝1,...,k表示第k个网格位置与第m个
基站之间非直视路径的有效增益；
[0033]
s2.3:定义矩阵x＝[x1,x2,...,xm]，由于向量xm中仅有一个非零元素且该元素位置与用户位置信息相关，因此x是一个行稀疏矩阵，基于上述性质，直接定位可以表示为最优化问题，具体为：
[0034]
min
[0035]
s.t.
[0036]
其中，和分别表示x与zm的估计量，wm表示权重系数，通常通过求解上述优化问题，用户的位置估计可以表示为其中对应于矩阵的非零行。
[0037]
所述步骤s3具体为：
[0038]
s3.1：直接定位优化问题的增广拉格朗日函数形式可以表达为：
[0039][0040]
其中，a＝blkdiag(a1,a2,...,am)，b＝blkdiag(b1,b2,...,bm)，表示拉格朗日乘子，ρ定义为一个正惩罚参数；
[0041]
s3.2：对于s3.1中直接定位优化问题的增广拉格朗日函数，采用交替方向乘子法对待估参数进行迭代求解，具体为：
[0042][0043][0044][0045]
对上述三式进行迭代更新直至收敛，得到对于估计值
[0046]
s3.3：对于s3.2中的更新方程进行进一步转化，得到如下最小化问题：
[0047][0048]
经过转换，上式进一步转换为如下最优化问题：
[0049][0050]
其中，λ1＝τ1/ρ，注意到上式优化为压缩感知中多观测向量问
题，其闭式解表示为：
[0051][0052]
其中，c(i)＝[[c(i)]
1:k
,[c(i)]
k+1:2k
,...,[c(i)]
(m-1)k+1:mk
]；
[0053]
s3.4：对于s3.2中的更新方程进行进一步转化，得到如下最小化问题：
[0054][0055]
其中，τ2定义为正惩罚参数；经过整理，上式优化问题进一步表达为：
[0056][0057]
其中，λ2＝τ2/ρ，注意到上式优化为压缩感知中单观测向量问题，其闭式解可以表示为：
[0058][0059]
其中，
[0060]
所述步骤s4具体为：
[0061]
s4.1：建立深度展开网络，对步骤s3.2中迭代更新需要待定的惩罚参数ρ，τ1，τ2进行学习；在深度展开网络的第i层，待训练参数为ρ(i)，
[0062]
s4.2：采用无监督学习方式对深度展开网络进行训练，在此条件下损失函数定义为：
[0063][0064]
其中，接收信号y为训练数据集；
[0065]
s4.3：采用随机梯度和最小批mini-batch训练方法对上述深度展开网络进行学习，为了避免梯度消失问题，采用增量训练进行学习；具体的，所有的参数从第一层到最后一层进行序贯学习；即当前i层网络训练完毕后，将学习得到的参数作为初始值，对新的i+1层网络进行重新学习；最后将基站实际接收信号作为已训练后的深度展开网络的输入，输出用户的位置信息。
[0066]
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
[0067]
本发明的快速直接定位方法采用交替方向乘子法和深度展开网络和进行毫米波mimo系统多基站用户定位，首先将定位区域进行网格离散和角度离散化，将毫米波信道进行波束域稀疏表示。然后根据用户位置与到达角间几何关系，给出直接定位优化问题。采用交替乘子法和深度展开网络对直接优化问题求解，最终得到用户位置信息。
[0068]
本发明能够在任意阵列形态的多基站毫米波mimo系统中，实现用户高精度定位。同时，提出的算法极大降低了直接定位的复杂度和计算资源开销。
附图说明
[0069]
图1是本发明实施例中毫米波mimo系统定位的应用环境图；
[0070]
图2是本发明的总流程图；
[0071]
图3是本发明的毫米波mimo系统快速直接定位方法的流程图；
[0072]
图4是本发明的交替乘子法的流程图；
[0073]
图5是本发明的深度展开网络结构示意图；
[0074]
图6是本发明的直接定位方法与现有基站定位方法的亚米级定位性能对比图；
[0075]
图7是本发明的直接定位方法与其他直接定位算法的收敛性能对比图。
具体实施方式
[0076]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。其中，所描述的实施例是本发明一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。
[0077]
实施例1
[0078]
本技术提供的快速定位方法，可以应用于如图1所示的应用环境中。其中，用户终端与基站进行通信。例如，基站接收预设位置处终端发送的目标信号，得到真实接收信号。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，基站可以用独立的基站或者是多个基站组成的基站集群来实现。
[0079]
参考图2为本技术实施例提供的毫米波mimo系统直接定位的总流程图，包括：
[0080]
搭载有信源的终端发送定位参考信号，即接收信号，而基站中的阵列天线接收信号，随后基站将接收信号回传至数据中心进行联合处理。在数据中心侧，将各基站接收信号不经过中间处理，输入已训练的深度展开网络中。经过数据迭代计算，深度展开网络直接输出用户位置信息。
[0081]
参考图3，本实施例提供了一种毫米波mimo系统中用户终端快速直接定位方法，具体包括如下步骤：
[0082]
步骤s1：如图3所示，建立二维空间坐标系，确定毫米波mimo基站的物理坐标，各基站将接收到的用户信号回传至数据中心进行联合处理，具体如下：
[0083]
步骤s1.1：定义二维目标定位区域以区域中心为原点建立二维坐标系，设第m个毫米波mimo基站位置为待测用户位置为p＝[p
x
,py]。
[0084]
步骤s1.2：定义用户发射的窄带信号为sd，各基站接收信号为
[0085][0086]
其中：ρ为传输信噪比，hm为用户终端与第m个基站之间的信道矢量，nm为接收噪声矢量。各基站将接收信号ym回传至数据中心进行联合处理。
[0087]
步骤s1.3：根据毫米波信道稀疏特性，确定出信道矢量表达形式，具体为：
[0088][0089]
其中：pm为非直视路径数量，am(θ)为阵列响应矢量，αm和θm(p)分别表示直视路径的增益与到达角，和分别表示非直视路径的增益和到达角；
[0090]
步骤s1.4：如图1所示，用户终端位置与直视路径到达角之间空间几何关系可以表达为：
[0091][0092]
根据各基站与终端之间直视路径之间的几何关系，可以通过角度-位置信息映射，得到用户具体位置。
[0093]
步骤s2：特别的，毫米波信道具有波束域稀疏性的特征。对定位区域进行网格离散化和角度离散化，通过离散化信息将毫米波信道进行稀疏表示。根据用户位置与到达角间几何关系，列出直接定位的优化问题，优化目标为用户位置信息，具体如下：
[0094]
步骤s2.1：由于用户终端位置与到达角是相互关联的，可以通过对定位区域进行网格离散和角度离散对毫米波信道hm进行稀疏表示。这种情况下，可以将目标区域均匀分隔为k个网格位置，即：
[0095][0096]
其中：表示第k个网格位置的坐标点，。进一步，对于第m个基站，定义lm个均匀离散角度，即：
[0097][0098]
其中：lm＞＞pm,m＝1,2,...,m。
[0099]
步骤s2.2：根据s2.1中给出的离散化信息，接收信号可以表示为：
[0100]
ym＝amxm+bmzm+nm,m＝1,2,...,m,
[0101]
其中，am＝[am(θm(φ1)),...,am(θm(φk))]，θm(φk)表示第k个网格位置与第m个基站之间的到达角，xm＝[x
m,1
,x
m,2
,...,x
m,k
]
t
是一个稀疏向量，x
m,l
表示第k个网格位置与第m个基站之间直视路径的有效增益，为一个稀疏向量，z
m,l
表示第k个网格位置与第m个基站之间非直视路径的有效增益。
[0102]
步骤s2.3:定义矩阵x＝[x1,x2,...,xm]，由于向量xm中仅有一个非零元素且该元素位置与用户位置信息相关，因此x是一个行稀疏矩阵。基于上述性质，直接定位可以表示为最优化问题，具体为：
[0103]
min
[0104]
s.t.
[0105]
其中，和分别表示x与zm的估计量，wm表示权重系数，通常通过求解上述优化问题，用户的位置估计可以表示为其中对应于矩阵的非零行。
[0106]
步骤s3：参考图4，采用交替方向乘子法(admm)对步骤s2.3中的直接定位优化问题进行转化，导出该问题的迭代求解公式，具体如下：
[0107]
步骤s3.1：直接定位优化问题的增广拉格朗日函数形式可以表达为：
[0108][0109]
其中，a＝blkdiag(a1,a2,
…
,am)，b＝blkdiag(b1,b2,
…
,bm)，表示拉格朗日乘子，ρ定义为一个正惩罚参数。
[0110]
步骤s3.2：对于s3.1中直接定位优化问题的增广拉格朗日函数，采用交替方向乘子法对待估参数进行迭代求解，具体为：
[0111][0112][0113][0114]
对上述三式进行迭代更新直至收敛，可以得到对于估计值
[0115]
步骤s3.3：对于s3.2中的更新方程进行进一步转化，可以得到如下最小化问题：
[0116][0117]
经过一系列数学转换，上式可以进一步转换为如下最优化问题：
[0118][0119]
其中，λ1＝τ1/ρ，注意到上式优化为压缩感知中多观测向量问题，其闭式解可以表示为：
[0120][0121]
其中，c(i)＝[[c(i)]
1:k
,[c(i)]
k+1:2k
,
…
,[c(i)]
(m-1)k+1:mk
]。
[0122]
步骤s3.4：对于s3.2中的更新方程进行进一步转化，可以得到如下最小化问题：
[0123][0124]
其中，τ2定义为正惩罚参数。经过一系列数学整理，上式优化问题可以进一步表达为：
[0125][0126]
其中，λ2＝τ2/ρ，注意到上式优化为压缩感知中单观测向量问题，其闭式解可以表示为：
[0127][0128]
其中，
[0129]
步骤s4：利用深度展开网络学习admm迭代参数，计算迭代公式直至收敛，最终得到用户位置，具体如下：
[0130]
步骤s4.1：建立深度展开网络，对步骤s3.2中迭代更新需要待定的惩罚参数ρ，τ1，τ2进行学习。在深度展开网络的第i层，设置待训练参数为ρ(i)，
[0131]
步骤s4.2：采用无监督学习方式对深度展开网络进行训练，在此条件下损失函数定义为：
[0132][0133]
其中，接收信号y为训练数据集。
[0134]
步骤s4.3：采用随机梯度和最小批(mini-batch)训练方法对上述深度展开网络进行学习，深度展开网络结构如图5所示。为了避免梯度消失问题，采用增量训练进行学习。具体的，所有的参数从第一层到最后一层进行序贯学习。即当前i层网络训练完毕后，将学习得到的参数作为初始值，对新的i+1曾网络进行重新学习。
[0135]
在本实施例中，深度展开网络的每一层进行700次训练，训练器选择常用的adam优
化器。其中，在前5层网络训练时，adam优化器的学习速率设置为0.05，对于5层后网络训练时，adam优化器学习速率设置为0.01。
[0136]
在对深度展开网络进行测试时，交叉验证集包含200次接收信号数据采样。当交叉验证损失函数不再下降时，深度展开网络完成训练，保留训练后参数。
[0137]
最后，将基站实际接收信号作为已训练后的深度展开网络的输入，经过深度展开网络数据迭代计算，最终直接输出用户的位置信息。
[0138]
参考图6，图6为本实施例的快速直接定位方法与现有定位方法的亚米级定位精度概率对比图。在仿真参数设置中，基站数量m＝4，分别位于坐标点[-50m,-50m],[-50m,50m],[50m,50m],[50m,-50m]，每个基站均采用均匀圆形阵列，天线数量为nm＝50,m＝1,2,3,4，载波频率为30ghz毫米波段。信道生成模型采用3gpp标准定义的urban marco场景。定位区域离散点数量为k＝900，lm＝100,m＝1,2,3,4。其中随机生成用户分布在目标定位区域从中可以发现：
[0139]
相比于其他基站定位算法，本实施例的快速直接定位算法能够实现更高概率的亚米定位精度。
[0140]
参考图7，其中仿真参数的设置与图6中的仿真参数的设置相同。从中可以发现：
[0141]
相比于纯交替乘子直接定位算法，本实施例的快速直接定位算法能够更快收敛，实现高效定位。
[0142]
参考表1，其中仿真参数的设置与图6、7中的仿真参数的设置相同。从事可以发现：
[0143]
相比于其他直接定位方法，本实施例的快速直接定位算法的运行时间大幅度降低，能够在基站定位系统中实现实时快速定位。
[0144]
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构和方法并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均属于本发明的保护范围。
[0145]
表1是本发明的直接定位方法与其他直接定位算法的运行时间对比数据；
[0146][0147]
表1