CN101620270B - 基于聚类融合的无线定位方法 - Google Patents

Abstract

本发明属于无线通信技术和智能信息处理技术领域，具体涉及蜂窝移动通讯系统中移动台的无线定位技术；基于聚类融合的无线定位方法，用于获得优化的移动台定位结果，包括如下步骤：S1：由至少一个基站测量的移动台电波特征测量值，获得移动台的位置估计值；S2：对多组位置估计值通过粒子群聚类算法，获得聚类中心；S3：对同一移动台的多个聚类中心进行融合，决策输出优化的移动台定位结果；本发明可对多个移动台并行定位，不但提高了定位精度，而且大大提高了定位系统的效率。

Description

基于聚类融合的无线定位方法

技术领域

本发明属于无线通信技术和智能信息处理技术领域，具体涉及蜂窝移动通讯系统中移动台的无线定位技术。

背景技术

蜂窝移动通讯系统中，很多网络服务依赖于移动台的位置信息，所述移动台包括移动电话、个人数字助理、笔记本电脑等移动通讯设备。目前蜂窝移动通讯系统中移动台的无线定位技术，已成为研究热点，包括基本定位方法、技术和定位算法的研究，TDOA(电波到达时间差)、AOA(电波到达角)、TOA(电波到达时间)检测技术的研究，抗非视距传播、多径和多址干扰技术的研究，数据融合技术方面的研究，定位技术实施方法的研究，定位系统的性能评估等。如公开号CN1898975A的中国发明专利申请公开说明书，公开了一种到达时间差/全球定位系统混合无线定位系统，通过GPS数据和到达时间差确定移动站的位置。又如现有技术中，通常采用陈氏算法(以下简称Chan算法)和泰勒级数展开法(以下简称Taylor算法)对TDOA、AOA、TOA进行运算，获得移动台位置。但现有技术只能对一个移动台进行定位，并且单一定位方法精度不高，在不同信道环境下表现定位性能不同的缺陷。

发明内容

有鉴于此，为了解决上述问题，本发明提出了一种基于聚类融合的无线定位方法，能对多个移动台进行定位。

本发明的目的是这样实现的：基于聚类融合的无线定位方法，用于获得优化的移动台定位结果，包括如下步骤：

S1：由至少一个基站测量的移动台电波特征测量值，获得移动台的位置估计值；

S2：对多组位置估计值通过粒子群聚类算法，获得聚类中心；

S3：对同一移动台的多个聚类中心进行融合，决策输出优化的移动台定位结果。

进一步，所述步骤S1中，电波特征测量值为电波到达时间和电波到达时间差；

进一步，步骤S1中，采用Chan算法和Taylor算法对电波特征测量值进行位置估计，获得移动台的位置估计值；

进一步，所述步骤S2中，对移动台估计位置找到一个划分w＝{w₁，w₂…w_m}，使总的类内离散度和达到最小，其表达式为： $J=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\underset{X_i\∈w_j}{\mathrm{\Σ}}d(X_i,X^{w_j}),$ 其中：

为第j个聚类的中心，

为位置估计值到聚类中心的距离，聚类准则函数J为各类样品到对应聚类中心距离的总和；

进一步，所述步骤S2具体包括如下步骤：

S21：粒子群的初始化：设定聚类数目和粒子数目，将每个位置估计值随机指派为某一类，作为最初的聚类划分，并计算各类的聚类中心，将聚类中心作为粒子的位置编码，计算粒子的适应度，并将粒子的初始速度设置为0；反复进行，直到生成预设数目的粒子；

S22：由初始粒子群得到粒子个体最优位置和全局最优位置；

S23：更新所有粒子的速度和位置；

S24：对每个定位估计值，根据步骤S21中获得的粒子的聚类中心编码，按照最近邻法则，确定该估计值的聚类划分；

S25：对每个粒子，按照相应划分计算新的聚类中心，更新粒子的适应度；

S26：对每个粒子，比较它的适应度值和它经历过的最好的适应度值，如果更好，更新粒子个体最优位置；

S27：对粒子i，比较它的适应度值和群体所经历最好位置的适应度值，如果更好，更新全局最优位置；

S28：如果达到迭代条件，则结束算法，输出全局最优解，否则，转到步骤S23继续迭代；

进一步，步骤S3中，采用下式进行决策：

y＝ω_opt ^TX， ${\mathrm{\ω}}_{\mathrm{opt}}=\frac{{(\frac{1}{{\mathrm{\σ}}_1^2},...,\frac{1}{{\mathrm{\σ}}_N^2})}^T}{(\frac{1}{{\mathrm{\σ}}_1^2}+...+\frac{1}{{\mathrm{\σ}}_N^2})},$ ${\mathrm{\σ}}_y^2={(\frac{1}{{\mathrm{\σ}}_1^2}+...+\frac{1}{{\mathrm{\σ}}_N^2})}^{-1};$

式中，y为输出向量，ω_opt为最佳线性决策融合的加权系数向量，X是步骤S2获得的聚类中心组成的向量；σ_i(i＝1...N)为聚类中心方差。

本发明提出的基于聚类融合的无线定位方法，可充分利用了多种测量值，结合多种算法，并可对多个移动台并行定位，不但提高了定位精度，而且大大提高了定位系统的效率。简化了传统数据融合定位方法的多层模型，从而降低了定位算法的复杂性。

本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1示出了聚类融合的无线定位方法的算法模型示意图；

图2示出了粒子群聚类算法的流程示意图；

图3示出了TDOA测量值时，三个不同移动台Taylor算法估计位置聚类情况；

图4示出了TDOA测量值时，三个不同移动台Chan算法估计位置聚类情况；

图5示出了TOA测量值时，三个不同移动台Taylor算法估计位置聚类情况；

图6示出了TOA测量值时，三个不同移动台Chan算法估计位置聚类情况；

图7示出了移动台位置为(200，200)时的定位算法比较；

图8示出了移动台位置为(1500，1500)时的定位算法比较；

图9示出了移动台位置为(2800，2800)时的定位算法比较。

具体实施方式

以下将对本发明的优选实施例进行详细的描述。

本实施例基于聚类融合的无线定位方法的算法模型如图1所示。通过服务基站提供的多移动台多组的TOA和TDOA测量值，先将TOA测量值转化为TDOA值，采用Chan算法和Taylor算法分别对来自同一移动台的TDOA值和TDOA测量值进行位置估计；由于定位误差的影响，移动台的多组估计位置将会分布在真实位置的周围。因为每次位置估计的误差不同，估计位置离真实位置的远近也不同，从而多组估计位置呈现团状。为了得到更加精确的定位结果，充分利用每次估计值，采用了粒子群聚类算法对估计位置进行全局搜索，找出能代表每次估计值的最优位置，即聚类中心。将对同一移动台不同测量值采用不同算法得出的所有聚类中心进行数据融合，从而得出更加准确的位置。

参见图1，本实施例具体包括如下步骤：

S1：由至少一个基站测量的移动台电波特征测量值，获得移动台的位置估计值；现有技术中，通过对移动台电波特征测量值进行处理，获得移动台的位置估计有多种方法，本实施例采用Chan算法和Taylor算法分别对来自同一移动台的TOA测量值和TDOA测量值进行位置估计；

S2：对步骤S1所得的多组位置估计值通过粒子群聚类算法，获得聚类中心，由图1可以看出，本实施例中，对每个移动台可以得到四个聚类中心；以下分别具体介绍粒子群聚算法和本实施例中算法的具体步骤：

(1)粒子群聚类算法

设移动台位置估计值样品集为X＝{X₁，X₂，…X_n}，其中，X_i(i＝1，2…n)为移动台位置估计值坐标，是2维模式向量，聚类处理的目的就是对移动台估计位置找到一个划分w＝{w₁，w₂…w_m}，使总的类内离散度和达到最小，其表达式为：

$J=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\underset{X_i\∈w_j}{\mathrm{\Σ}}d(X_i,X^{w_j})---\left(1\right)$

其中，

为第j个聚类的中心，

为位置估计值(样品)到聚类中心的距离，聚类准则函数J为各类样品到对应聚类中心距离的总和。聚类的划分可由最近邻法则决定，即对样品X_i，若第j类聚类中心

满足：

$d(X_i,X^{w_j})=\underset{l=\mathrm{1,2}...m}{\min }d(X_i,X^{w_l})---\left(2\right)$

则样品X_i属于类j。

在粒子群聚类算法中，每个粒子由三部分组成：粒子位置、速度和适应度值。每个粒子的位置由m个聚类中心组成，m为已知的聚类数目。粒子结构为：

Particle(i)＝{location[]，velocity[]，fitness}            (3)

粒子的位置编码结构为：

$\mathrm{Particle}\left(i\right).\mathrm{location}\left[\right]=\left[X^{w_1},X^{w_2},...,X^{w_m}\right]---\left(4\right)$

其中，

为第j类移动台位置估计的聚类中心，是一个2维矢量，粒子的速度编码结构为：

Particle(i).velocity[]＝[V₁，V₂，…，V_m]       (5)

V_j表示第j个聚类中心的速度值，可知V_j也是个2维矢量。粒子适应度值为一个实数，其计算方法为：

1)按照式(2)确定该粒子的聚类划分。

2)根据聚类划分重新计算聚类中心，按照式(1)计算总的类内离散度J。

3)粒子的适应度可表示为：

Particle(i).fitness＝^k/_J              (6)

其中，J是总的类内离散度和，k为常数。粒子所代表的聚类划分的总的类间离散度越小，粒子的适应度越大。

此外，位置估计值中的粒子在进化过程中还记忆一个个体最优解P_id，表示该粒子经历的最优位置和适应度值。整个定位粒子群还存在一个全局最优解P_gd，表示粒子群经历的最优位置和适应度。其结构分别如下：

P_id(i)＝{location[]，fitness}                (7)

P_gd＝{location[]，fitness}                   (8)

定位位置估计值的粒子速度和位置更新公式为：

Particle(i).velocity[]′＝wParticle(i).velocity[]

+η₁rand()(P_id(i).location[]-Particle(i).location[])   (9)

+η₂rand()(P_gd.location[]-Particle(i).location[])

Particle(i).location[]′＝Particle(i).location[]+Particle(i).velocity[]′       (10)

其中，Particle(i).velocity[]′位置估计值粒子更新速度，w为惯性权重，η₁，η₂为加速常数，rand()为0～1之间的随机数。

(2)参见图2，步骤S2具体包括如下步骤：

S21：粒子群的初始化：设定聚类数目和粒子数目，将每个位置估计值随机指派为某一类，作为最初的聚类划分，并计算各类的聚类中心，作为粒子i的位置编码Particle(i).location[]，计算粒子的适应度Particle(i).fitness，并将粒子的初始速度设置为0；反复进行，直到生成预设数目的粒子；

S22：由初始粒子群得到粒子个体最优位置P_id(i)(i＝1，2，…，m)，和全局最优位置P_gd；

S23：根据式(9)和(10)更新所有粒子的速度和位置，η₁和η₂取值均为2，w计算公式为： $w=w_{\max }-\mathrm{iter}\×\frac{w_{\max }-w_{\min }}{\mathrm{iter}\max },$ 其中，iter为当前迭代次数，iter max为最大迭代次数，w_max＝1，w_min＝0；

S24：对每个位置估计值，根据步骤S21中获得的粒子的聚类中心编码，按照最近邻法则，确定该位置估计值的聚类划分；

S25：对每个粒子，按照相应划分计算新的聚类中心，更新粒子的适应度；

S26：对粒子i，比较它的适应度值和它经历过的最好的适应度值，如果更好，更新粒子个体最优位置P_id(i)；

S27：对粒子i，比较它的适应度值和群体所经历最好位置的适应度值，如果更好，更新全局最优位置P_gd；

S28：如果达到迭代条件(得到足够好的位置或最大迭代次数)，则结束算法，输出全局最优解，否则，转到步骤S23继续迭代；

S3：对同一移动台的多个聚类中心进行融合，决策输出优化的移动台定位结果。

数据融合的任务是将经过聚类融合得到的同一移动台的聚类中心合并，决策得到一个最合适的位置估计。一般来说，抉择标准应遵循聚类中心的方差越小，估计结果的可靠性也就越大。按照最佳线性数据融合，决策输出表示成各个位置估计的线性组合，其决策方差不大于任何单个聚类中心的方差。设ω_opt为最佳线性决策融合的加权系数向量，X是各个位置估计器的输出组成的向量，则决策输出为：

y＝ω_opt ^TX， ${\mathrm{\ω}}_{\mathrm{opt}}=\frac{{(\frac{1}{{\mathrm{\σ}}_1^2},...,\frac{1}{{\mathrm{\σ}}_N^2})}^T}{(\frac{1}{{\mathrm{\σ}}_1^2}+...+\frac{1}{{\mathrm{\σ}}_N^2})},$ ${\mathrm{\σ}}_y^2={(\frac{1}{{\mathrm{\σ}}_1^2}+...+\frac{1}{{\mathrm{\σ}}_N^2})}^{-1}---\left(11\right)$

式中，y为输出向量，ω_opt为最佳线性决策融合的加权系数向量，X是步骤S2获得的聚类中心组成的向量；σ_i(i＝1...N)为聚类中心方差。

图3～图9给出了本算法的仿真结果，可以看出本发明基于聚类融合的无线定位方法具有良好的定位性能。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.基于聚类融合的无线定位方法，用于获得优化的移动台定位结果，其特征在于，包括如下步骤：

S1：由至少一个基站测量的移动台电波特征测量值，获得移动台的位置估计值；

S2：对多组位置估计值通过粒子群聚类算法，获得聚类中心；

S3：对同一移动台的多个聚类中心进行融合，按照最佳线性决策输出优化的移动台定位结果。

2.如权利要求1所述的基于聚类融合的无线定位方法，其特征在于：所述步骤S1中，电波特征测量值为电波到达时间和电波到达时间差。

3.如权利要求2所述的基于聚类融合的无线定位方法，其特征在于：步骤S1中，采用Chan算法和Taylor算法对电波特征测量值进行位置估计，获得移动台的位置估计值。

4.如权利要求1至3中任一项所述的基于聚类融合的无线定位方法，其特征在于：所述步骤S2中，对移动台估计位置找到一个划分w＝{w₁，w₂，…，w_m}，使总的类内离散度和达到最小，总的类内离散度和表达式为：其中：

为第j个聚类的中心，

为位置估计值到聚类中心的距离，聚类准则函数J为各类样品到对应聚类中心距离的总和，X_i表示移动台位置估计值坐标。

5.如权利要求4所述的基于聚类融合的无线定位方法，其特征在于：所述步骤S2具体包括如下步骤：

S21：粒子群的初始化：设定聚类数目和粒子数目，将每个位置估计值随机指派为某一类，作为最初的聚类划分，并计算各类的聚类中心，将聚类中心作为粒子的位置编码，计算粒子的适应度，并将粒子的初始速度设置为0；反复进行，直到生成预设数目的粒子；

S22：由初始粒子群得到粒子个体最优位置和全局最优位置；

S23：更新所有粒子的速度和位置；

S24：对每个定位估计值，根据步骤S21中获得的粒子的聚类中心编码，按照最近邻法则，确定该估计值的聚类划分；

S25：对每个粒子，按照相应划分计算新的聚类中心，更新粒子的适应度；

S26：对每个粒子，比较它的适应度值和它经历过的最好的适应度值，如果更好，更新粒子个体最优位置；

S27：对粒子i，比较它的适应度值和群体所经历最好位置的适应度值，如果更好，更新全局最优位置；

S28：如果达到迭代条件，则结束算法，输出全局最优解，否则，转到步骤S23继续迭代。

6.如权利要求4所述的基于聚类融合的无线定位方法，其特征在于：步骤S3中，采用下式进行决策：

y＝ω_opt ^TX， ${\mathrm{\ω}}_{\mathrm{opt}}=\frac{{(\frac{1}{{\mathrm{\σ}}_1^2},...,\frac{1}{{\mathrm{\σ}}_N^2})}^T}{(\frac{1}{{\mathrm{\σ}}_1^2}+...+\frac{1}{{\mathrm{\σ}}_N^2})},$ ${\mathrm{\σ}}_y^2={(\frac{1}{{\mathrm{\σ}}_1^2}+...+\frac{1}{{\mathrm{\σ}}_N^2})}^{-1};$

式中，y为输出向量，ω_opt为最佳线性决策融合的加权系数向量，X是步骤S2获得的聚类中心组成的向量；σ_i(i＝1，...，N)为聚类中心方差。

Images