CN101277527B - 一种蜂窝网距离重构算法 - Google Patents

Abstract

本发明提出了一种蜂窝网距离重构算法，首先根据测量系统的噪声方差判别出距离测量数据受NLOS误差影响的大小，并给予距离测量数据不同的权值，然后利用得到的权值，通过加权正交多项式对真实距离值进行重构。本发明能够从基站与移动手机之间的距离测量序列中有效地判别出受信号非直达(NLOS)误差影响的测量值，并根据受误差影响的程度利用加权正交多项式拟合方法对测量值进行重构。本发明的算法对NLOS误差的统计模型依赖度较低，且距离估计的精度明显提高，还可以根据不同的误差状况，通过改变噪声方差的系数来适当调整距离测量值序列的权值因子，从而进一步提高NLOS环境中的距离估计精确度。

Description

一种蜂窝网距离重构算法

技术领域

本发明涉及一种蜂窝网距离测量误差判别及距离重构算法，应用于蜂窝网基站与移动手机用户之间的距离测量以及估计，特别适合于信号非直达(NLOS)误差间断出现的情况，能够进一步提高NLOS传播条件下的距离估计精度。

背景技术

蜂窝网无线定位方法，主要通过测量基站与待定位手机用户之间的信号到达时间(TOA)/到达时间差(TDOA)，并将信号到达时间/到达时间差测量值转换为距离测量值，然后利用基于网络的圆周或双曲线定位方法确定移动手机用户的位置。蜂窝网距离测量值的精度，主要受通信系统的噪声和信号非直达(NLOS)传播两方面的影响。其中，由信号NLOS传播引起的延时误差通常达到几百米到上千米，是影响距离测量值精度的主要因素。通信系统噪声引起的误差，通常可以看作是一个均值为零的加性高斯随机变量；而信号NLOS传播引起的延时误差，则没有非常明确的统计模型来描述。

国内外的研究中，NLOS传播误差对距离测量值的影响，主要有两种方法：一种方法是首先对含有NLOS误差的距离测量数据进行平滑，然后将平滑后的时间一距离曲线进行向下平移至距平滑曲线最低点，最后再根据测量系统的噪声方差值，将平滑曲线向上平移相等的数值得到距离重构值。在这类方法中，通常假设NLOS误差存在于距离测量的全过程，然而在实际测距过程中，由于手机用户的位置移动，NLOS误差是间断出现的。同时，由于没有对含有噪声的测量值进行预处理，平滑后得到的时间-距离曲线往往与真实值存在很大的偏差；另一种方法是首先假设原始测量距离中不存在NLOS误差，然后对原始测量数据进行分组并根据测量系统的噪声统计特性，找出位于真实距离曲线之下的测量数据点，最后根据这些得到的数据点对各个分组内的真实距离进行估计，并将此距离估计值做为此分组内的平均距离。在这类方法中，充分考虑到了NLOS误差是间断存在于距离测量的全过程，然而，由于距离重构时使用的数据有限，而且最后得到的是各分组的平均距离估计值，因此这种方法要求分组中包含的数据量尽可能少以保证基站与移动台之间的距离变化较小，同时由于距离估计中使用的数据点比较少，因此有可能存在重构距离可信度低的情况。

发明内容

针对现有蜂窝网距离测量中存在的问题，本发明提供一种能够在NLOS误差间断出现的测量环境中有效地减小NLOS误差的影响、提高距离估计精确度的蜂窝网距离重构算法。

本发明提出的蜂窝网距离重构算法，首先根据测量系统的噪声方差判别出距离测量数据受NLOS误差影响的大小，并给予距离测量数据不同的权值，然后利用得到的权值，通过加权正交多项式对真实距离值进行重构；具体包括以下步骤：

(1)首先根据测量系统的噪声方差判别距离测量数据中是否存在NLOS误差以及NLOS误差对测量距离的影响程度，具体方法是：

a将原始的时间-距离测量数据进行分组，分组中包含的测量数据数目不少于全部测量数据数目的1/4-1/5，以满足测量系统的噪声统计特性，各分组的数据数目相同，且相临分组之间后一个分组是前一个分组的各距离测量值序号顺序向后移一位得到的，即除前一分组的第一个和后一分组的最后一个距离测量值不同外，其他的距离测量值都是相同的；

b在每一组内，将距离测量值按从小到大的顺序排列，距离测量值对应的时间值保持不变；

c按照从小到大的顺序，首先选取每一组内前两个距离测量值计算均值与均方差和

然后选取前三个距离测量值计算均值与均方差和

依此类推可得到和

d在每一组内，将得到的均方差序列与测量系统噪声方差σ_m进行比较，找出与σ_m最为接近的均方差值，相应地，标定参与计算此均方差值的距离测量值及对应时刻；

e计算每一距离测量值总的标定次数与包含此距离测量值的分组总数的比值，并根据此比值判定距离测量值是否存在NLOS误差及影响程度；

(2)将步骤(1)的e中得到的比值作为权值因子，并利用加权正交多项式对距离测量值进行重构，利用重构后的距离逼近真实的距离值，具体方法为：

a确定正交多项式的阶数，一般取为2-3阶；

b根据正交多项式的阶数、距离测量值以及相应的权值因子构造带权正交多项式；

c计算正交多项式的系数，并利用得到的系数和正交多项式，重新对测量距离进行重构。

本发明能有效地消除NLOS传播误差对于距离测量的影响，能够从基站与移动手机之间的距离测量序列中有效地判别出受信号非直达(NLOS)误差影响的测量值，并根据受误差影响的程度利用加权正交多项式拟合方法对测量值进行重构。与国内外同类研究相比，本发明的算法对NLOS误差的统计模型依赖度较低，且距离估计的精度明显提高。同时，本发明还可以通过进一步调整噪声方差的系数来改变参与距离重构的测量值序列，从而提高NLOS环境中的距离重构的可信度。本发明不仅计算量稳定，而且鲁棒性较好。

附图说明

图1是本发明中的距离测量误差判别的原理示意图。

图2是本发明中的距离重构的原理示意图。

图3是距离测量值中不存在NLOS误差时，利用本发明得到的误差判别结果图。

图4是距离测量值中间断存在NLOS误差时，利用本发明得到的误差判别结果图。

图5是所有距离测量值中均存在NLOS误差时，利用本发明得到的误差判别结果图。

图6是利用本发明在图3、图4和图5所示三种情况下相应的距离重构结果示意图。

具体实施方式

本发明提出的蜂窝网距离重构算法首先进行距离测量误差判别，然后对真实距离值进行重构。

如图1所示，距离测量误差判别的具体实施步骤如下：

1.首先将原始的时间-距离测量数据进行分组，分组中包含的测量数据数目不少于全部测量数据数目的1/4-1/5，以满足测量系统的噪声统计特性，各分组的数据数目相同，且相临分组之间后一个分组是前一个分组的各距离测量值序号顺序向后移一位得到的，即除前一分组的第一个和后一分组的最后一个距离测量值不同外，其他的距离测量值都是相同的；

2.在每一组内，将距离测量值按从小到大的顺序排列，距离测量值对应的时间则保持不变；

3.按照从小到大的顺序选取每一组内前两个距离测量值并计算均值与均方差

和然后选取前三个距离测量值计算均值与均方差

和

依此类推可得到

和

4.在每一组内，将得到的均方差序列与测量系统噪声方差σ_m进行比较，找出与σ_m最为接近的均方差值，相应地，标定参与计算此均方差值的距离测量值和对应时刻；

5.计算每一距离测量值总的标定次数与包含此距离测量值的分组总数的比值，并据此判定距离测量值是否存在NLOS误差及影响程度；

然后按图2所示进行距离重构，具体实施步骤如下：

1.确定正交多项式的阶数，一般取为2-3阶；

2.将上述距离测量误差判别步骤5中得到的比值作为各距离测量值的权值因子w(t)；

3.构造递推带权正交多项式：

$\left\{\begin{array}{c}{P}_0\left(t\right)=1\\ P_1\left(t\right)=(t-{\mathrm{\α}}_1)p_0\left(t\right)\\ ...\\ P_k\left(t\right)=(t-{\mathrm{\α}}_k)p_k\left(t\right)-{\mathrm{\β}}_k{P}_{k-1}\left(t\right)\end{array}\right.,k=\mathrm{0,1},...,M-1$

其中，

${\mathrm{\α}}_k=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)t{P}_k^2\left(t\right)}{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)P_k^2\left(t\right)};$ ${\mathrm{\β}}_k=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)P_k^2\left(t\right)}{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)P_{k-1}^2\left(t\right)};$

t＝0，1，…，N-1为测量时刻；N为总的测量时刻个数；M为正交多项式的阶数。

4.根据构造的正交多项式、距离测量值以及相应的权值因子计算正交多项式的系数a_k，具体公式如下：

$a_k=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)r\left(t\right)p_k\left(t\right)}{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)p_k^2\left(t\right)},k=\mathrm{0,1},...,M-1$

其中，M为多项式的阶数；N为距离测量值个数；r(t)为t时刻的距离测量值。

5.根据得到的递推正交多项式、正交多项式系数及阶数计算重构距离值，公式为：

$S\left(t\right)=\underset{k=0}{\overset{M-1}{\mathrm{\Σ}}}{a}_k{P}_k\left(t\right),k=\mathrm{0,1},...,M-1$

从图中可以看出，受NLOS误差影响较大，偏离真实距离值较大的点能够被成功判别并赋予权值0，这就保证了用于距离重构的点相对真实距离的偏差被控制在了合理的范围内，重构的距离值也比较接近于真实距离；

图3给出了距离测量值中不存在NLOS误差时，利用本发明得到的误差判别结果图。从图中可以看出，除第193和195两个偏离真实距离值较大的采样点外，其余距离测量值都被判别为不存在NLOS误差，并相应地赋予判别因子值1。

图4给出了所有距离测量值中均存在NLOS误差时，利用本发明得到的误差判别结果图。从图中可以看出，利用本发明的方法，可以有效地判别出受NLOS误差影响的测量距离，并相应地赋予判别权值-1；同时，还可以有效地判别出接近真实距离的测量距离，并相应地赋予判别因子值1。

图5给出了距离测量值中间断存在NLOS误差时，利用本发明得到的误差判别结果图。从图中可以看出，利用本发明的方法，可以有效地判别出[40，80]和[120，160]区间存在NLOS误差，且能判别出[40，80]和[120，160]区间接近真实距离的测量距离，并相应地赋予判别因子值1。

从图3、图4和图5中可以看出，在LOS、NLOS以及NLOS间断存在的三种传播环境中，利用本发明的方法，均能够有效地判别出各测量距离值中误差类型以及误差影响程序。

图6给出了利用本发明在图3、4和5所示三种情况下相应的距离重构结果示意图。从图中可以看出，当NLOS误差间断影响测量距离值时，利用本发明中的方法重构后的距离，可以较好地逼近真实的距离值。

本发明的算法，克服了对原始测量数据不加预处理直接进行数据拟合的缺点，也避免了数据量过少的问题。计算机仿真结果表明，本发明的距离重构算法，在NLOS误差间断出现的测量环境中，可以有效地减小NLOS误差的影响，同时重构后的时间-距离曲线具有较高的精确度。

Claims (3)

1.一种蜂窝网距离重构算法，其特征是包括以下步骤：

(1)首先根据测量系统的噪声方差判别距离测量数据中是否存在NLOS误差以及NLOS误差对测量距离的影响程度，具体方法是：

a将原始的时间-距离测量数据进行分组，分组中包含的测量数据数目不少于全部测量数据数目的1/4-1/5，以满足测量系统的噪声统计特性，各分组的数据数目相同，且相临分组之间后一个分组是前一个分组的各距离测量值序号顺序向后移一位得到的，即除前一分组的第一个和后一分组的最后一个距离测量值不同外，其他的距离测量值都是相同的；

b在每一组内，将距离测量值按从小到大的顺序排列，距离测量值对应的时间值保持不变；

c按照从小到大的顺序，首先选取每一组内前两个距离测量值计算均值与均方差

和

，然后选取前三个距离测量值计算均值与均方差

和

，依此类推可得到

；

d在每一组内，将得到的均方差序列与测量系统噪声方差σ_m进行比较，找出与σ_m最为接近的均方差值，相应地，标定参与计算此均方差值的距离测量值及对应时刻；

e计算每一距离测量值总的标定次数与包含此距离测量值的分组总数的比值，并根据此比值判定距离测量值是否存在NLOS误差及影响程度；

(2)将步骤(1)的e中得到的比值作为权值因子，并利用递推带权正交多项式对距离测量值进行重构，利用重构后的距离逼近真实的距离值，具体方法为：

a确定递推带权正交多项式的阶数；

b根据递推带权正交多项式的阶数、距离测量值以及相应的权值因子构造递推带权正交多项式；

c计算递推带权正交多项式的系数，并利用得到的系数和递推带权正交多项式，重新对测量距离进行重构；

具体实施步骤如下：

1.确定递推带权正交多项式的阶数，取为2-3阶；

2.将步骤(1)的中得到的比值作为各距离测量值的权值因子w(t)；

3.构造递推带权正交多项式：

$\left\{\begin{array}{c}{P}_0\left(t\right)=1\\ P_1\left(t\right)=(t-{\mathrm{\α}}_1)p_0\left(t\right)\\ ...\\ P_k\left(t\right)=(t-{\mathrm{\α}}_k)p_k\left(t\right)-{\mathrm{\β}}_k{P}_{k-1}\left(t\right)\end{array}\right.,k=\mathrm{0,1},...,M-1$

其中，

${\mathrm{\α}}_k=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)t{P}_k^2\left(t\right)}{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)P_k^2\left(t\right)};$ ${\mathrm{\β}}_k=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)P_k^2\left(t\right)}{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)P_{k-1}^2\left(t\right)}$

t＝0，1，…，N-1为测量时刻；N为总的测量时刻个数；M为递推带权正交多项式的阶数；

4.根据构造的递推带权正交多项式、距离测量值以及相应的权值因子计算递推带权正交多项式的系数a_k，具体公式如下：

$a_k=\frac{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)r\left(t\right)p_k\left(t\right)}{\underset{t=0}{\overset{N-1}{\mathrm{\Σ}}}w\left(t\right)P_k^2\left(t\right)},k=\mathrm{0,1},...,M-1$

其中，M为递推带权正交多项式的阶数；N为距离测量值个数；r(t)为t时刻的距离测量值；

5.根据得到的递推带权正交多项式、递推带权正交多项式系数及阶数计算重构距离值，公式为：

$S\left(t\right)=\underset{k=0}{\overset{M-1}{\mathrm{\Σ}}}{a}_k{P}_k\left(t\right),k=\mathrm{0,1},...,M-1.$

Images