CN102291817B - 移动通信网络中的基于位置测量样本的群定位方法 - Google Patents

Abstract

一种移动通信网络中的基于位置测量样本的群定位方法，是待测移动终端先向基站发送导频信号，基站从接收信号中获得每个移动终端的信号到达时间TOA和信号接收功率W，并由这两个测量数据和该待测移动终端所在位置的平面坐标(x，y)组成测量数据向量(TOA，W，(x，y))；各基站根据其接收到的每个移动终端的测量数据向量结合空间位置码本和位置测量样本库的数据，分别计算出每个移动终端的定位位置后，再由每个基站将该定位位置信息分别发送给相应的移动终端。本发明优点是：结合小区内的历史测量数据和当前多个移动终端的测量参数，只需完成一次定位计算，就能满足多个用户的群定位需求，而且，定位精度高。且测量数据的获得非常容易、便利，可适用现行的各种移动通信系统。

Description

移动通信网络中的基于位置测量样本的群定位方法

技术领域

本发明涉及一种移动通信网络中的定位技术，确切地说，涉及一种移动通信网络中利用多个移动终端的位置测量样本进行精确群定位的方法，属于移动通信技术领域。

背景技术

随着移动通信的迅速发展，移动通信系统中开展的移动定位业务也越来越受到众多用户的关注和应用。现在，常用的移动定位方法有下述三种：

（1）基于时间测量，即到达时间TOA（Time Of Arrival）或到达时间差TDOA（Time Difference Of Arrival)的定位方法：通过检测无线电波从基站发射到移动终端接收的传播时间，计算出两者距离，再通过某种方法计算出移动终端的估计位置。其定位精度取决于通信系统的定时精度，且各个基站之间必须严格同步，以确保通信系统本身的定时误差不会对定位结果造成明显影响。例如，申请号为200780051228.1的中国专利申请就介绍一种在TOA或TDOA模式中采用被动定位目标的方法实施网格化（细分）定位区域所在的空间块的具体过程，再经过迭代分析，形成该网络的块集。每次迭代时，都要将相关的每个块细分成更小的相同子块，从而增大精确度来界定所属定位区域。

（2）基于信号到达角度AOA（Angle Of Arrival）的定位方法：先通过基站接收天线阵列检测出移动台发射电波的AOA，用于构成一条从基站到移动台的径向连线，即方位线；再利用多个基站提供的各个AOA测量数值，可以画出多条方位线，其交点就是移动台的估计位置。其优点是两个基站就能够实现定位；但是，基站要有接收天线阵列，其精度受到信道的影响较大，且在建筑物密集区域定位困难，在GSM网络中无法实现。

（3）AGPS定位方法：是一种综合移动通信网络的基站信息和GPS信息对移动台进行定位的技术。该方法是：移动台利用通信网络提供的GPS辅助信息接收GPS原始信号，再对GPS原始信号进行解调获得GPS伪距信息，移动通信网络根据伪距信息和其它定位设备的辅助信息完成对GPS信息的处理，进而估算该移动台的位置。为了满足该方法的定位要求，至少要接收4颗卫星的信号，但在市区的密集高楼之间、在建筑物内部、或者只能见到少于4颗卫星的任何地区，GPS系统通常不起作用，这样就无法实行精确定位。而且，该方法要求终端具有GPS接收模块，定位成本高。

上述三种传统定位方法都是针对一个特定的终端，其定位计算也只有一个终端参与。如何充分利用网络中的众多移动终端的测量数据，既能够提高定位精度，又可在通用移动通信网络下比较快捷、便利地实现多个移动终端的群定位；然而，国内外有关这方面的报道至今仍是空白。因此，这个课题也就成为业内科技人员关注的焦点。

发明内容

有鉴于此，本发明的目的是提供一种移动通信网络中的基于位置测量样本的群定位方法，本发明能够充分利用网络中众多终端的测量数据，提高定位精度，又能比较快捷、便利地同时解决移动通信网络下的多个移动终端的群定位。

为了达到上述发明目的，本发明提供了一种移动通信网络中的基于位置测量样本的群定位方法，是基于网络测量进行的定位方法；其特征在于：待测移动终端先向基站发送导频信号，基站从接收信号中获得每个移动终端的信号到达时间TOA（Time Of Arrival）、信号接收功率W，并由这两个测量数据和该待测移动终端所在位置的平面坐标(x,y)组成测量数据向量(TOA,W,(x,y))；各个基站根据其接收到的每个移动终端的测量数据向量结合空间位置码本和位置测量样本库的相关数据，分别计算出每个移动终端的定位位置后，再由每个基站将该定位位置信息分别发送给相应的移动终端；所述方法包括下列操作步骤：

（1）初始化设置空间位置码本和位置测量样本库：在搭建和维护小区时，先在小区内的设定地点实测下述三个数据：位于该位置的路测终端发送的信号到达基站时间TOA_l、基站接收该信号的功率W_l和该位置的平面坐标(x_l,y_l)，其中自然数下标l为路测位置序号，并把上述三个数据构成路测终端数据向量(TOA_l,W_l,(x_l,y_l))；基站利用聚类方法对这些路测终端数据向量进行聚类处理后，建立由聚类点数据向量组成的初始化空间位置码本；因位置测量样本库只存储时间上最近的包括路测终端和待测终端的有限个终端数据向量，而此时还没有待测终端数据向量，故选取若干个路测终端数据向量替代待测终端数据向量存储于位置测量样本库；

（2）估计待测终端位置：网络中有待测终端发起定位请求时，各基站根据接收到的待测终端信号计算该待测终端信号到达基站时间TOA_e和该信号的接收功率W_e，并将这两个测量数据与该待测终端的平面坐标(x_e,y_e)构成待测终端数据向量(TOA_e,W_e,(x_e,y_e))，其中自然数下标e为待测终端序号；因此时该待测终端平面坐标(x_e,y_e)未知，故初始化设置其平面坐标(x_e,y_e)为该小区中心位置；接着，以TOA_e和W_e两个测量数据为参数，在空间位置码本中搜寻与该待测终端数据向量最接近的聚类点数据向量，并将该聚类点数据向量中的平面坐标作为该待测终端的初始位置估计值

再根据待测终端数据向量中的TOA_e和W_e，采用最小二乘法计算得到各个待测终端的粗略坐标

进而得到各个待测终端之间的近似距离初始值；然后，假设待测终端的初始位置分布概率是以其初始位置估计值

为中心的二维高斯分布，结合各个待测终端之间的近似距离初始值，采用多次迭代的和积算法，计算待测终端的最终位置估计值

最后，基站将最终位置估计值发送给各个待测终端；

（3）实时更新空间位置码本和位置测量样本库：因位置测量样本库中的待测终端数据库和路测终端数据库的更新彼此独立，故要存储新的待测终端数据向量或路测终端数据向量时，都是分别取代各自数据库中时间最久的数据向量，完成数据更新；然后，采用更新后的位置测量样本库中的路测终端和待测终端数据向量，重新进行聚类，获得新的聚类点后，再将新的聚类点对应的数据向量存入空间位置码本，完成空间位置码本的更新。

本发明群定位方法的主要创新关键技术有下述四点：

一是本发明提出基于聚类的空间位置码本和位置测量样本库中的终端数据向量的初始化方法，再利用实时更新的位置测量样本库中的数据向量来更新空间位置码本，采用聚类的方法可有效地适应实际通信中的小区内，通信热点的不均匀分布的现状，也充分利用了小区中各个移动终端的测量信息。

二是不同于传统定位方法，本发明是一种基于和积算法的有效实现多个终端的群定位方法：本发明采用了网络中的多个移动终端的测量数据，通过相互迭代更新，充分利用网络中各个移动终端的测量信息，既能够一次定位计算就能够得到多个终端的定位估计位置，完成群定位；还明显提高了各个终端的定位精度。

三是本发明提出基于欧式距离的小区空间位置码本搜索方法，有效合并了空间位置码本中的信号达到时间TOA和接收信号功率W信息，减少计算工作量。

四是当网络中待测终端的数量稀少时，本发明提出一种采用位置测量样本库中的数据向量作为虚拟终端来协助定位，从而有效协助待测终端实现定位，并保证定位精度。

总之，本发明方法的优点是：结合小区内的历史测量数据和当前多个移动终端的测量参数，采用群定位的方式，完成一次定位计算，就能够满足众多个用户的定位需求，而且，定位精度较高。再者，所需要的测量数据的获得非常容易、便利，现行的各种移动通信系统（如GSM、CDMA、3G等）都可适用，所以具有很好的推广应用前景。

附图说明

图1是本发明方法中的基站与待测终端的交互示意图。

图2是本发明移动通信网络中的基于位置测量样本的群定位方法流程图。

图3是本发明方法中的初始化空间位置码本流程图。

图4是本发明方法中的和积算法估计待测终端位置流程图。

图5是本发明和积算法估计待测终端位置原理示意图。

图6是本发明方法中的多个虚拟终端参与迭代估计的原理示意图。

图7是本发明中的位置测量样本库更新示意图。

图8是本发明中的空间位置码本更新流程图。

图9是本发明实施例中的仿真小区划分示意图。

图10是本发明实施例中的两种定位均方根误差曲线示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明作进一步的详细描述。

本发明是一种基于网络侧的移动通信网络中的基于位置测量样本的群定位方法：先由待测移动终端向基站发送导频信号，基站从接收到的信号得出移动终端的测量信息（例如，GSM网络中可以获得信号达到时间TOA（Time OfArrival）和信号接收功率W），并由这两个测量数据和该待测移动终端所在位置的平面坐标(x,y)组成测量数据向量(TOA,W,(x,y))；各个基站根据其接收到的每个移动终端的测量数据向量结合空间位置码本和位置测量样本库的相关数据，分别计算出每个移动终端的定位位置后，再由每个基站将该定位位置信息分别发送给相应的移动终端。如图1所示，三个基站BS₁,BS₂,BS₃都能够得到三个待测移动终端UE₁,UE₂,UE₃的TOA和W测量值，基站根据些测量数据按照本发明群定位方法进行计算处理，得出各个终端的定位结果后，再由基站发送给终端。

图1中的UE₄,UE₅是本发明方法中涉及到的虚拟终端。因在某些特定场景中，小区网络中的待测终端可能只有一个或数量极少，导致本发明方法无法有效进行时，可以从位置测量样本库的待测终端数据库和/或路测终端数据库中选取若干个存储的数据向量作为网络中的虚拟终端数据向量，辅助待测终端进行定位。虚拟终端参与本发明定位估计计算时，其初始位置估计

就是存储的数据向量中的平面坐标，自然数下标v为虚拟终端序号。计算任意一个虚拟终端与其他待测终端和/或虚拟终端之间的距离时，先采用该虚拟终端数据向量中TOA_v和W_v通过最小二乘法得到该虚拟终端的粗略坐标后，再直接计算就能得到。后面会在步骤2中具体说明之。

参见图2，介绍本发明方法的三个具体操作步骤：

步骤1，初始化设置空间位置码本和位置测量样本库：在搭建和维护小区时，工程技术人员先在小区内的设定地点实测下述三个数据：位于该位置的路测终端发送的信号到达基站时间TOA_l、基站接收该信号的功率W_l和该位置的平面坐标(x_l,y_l)，其中自然数下标l为路测位置序号，并把上述三个数据构成路测终端数据向量(TOA_l,W_l,(x_l,y_l))；基站利用聚类方法对这些路测终端数据向量进行聚类处理后，建立由聚类点数据向量组成的初始化空间位置码本。因位置测量样本库只存储时间上最近的包括路测终端和待测终端的有限个终端数据向量，而在初始化时还没有待测终端数据向量，故选取若干个路测终端数据向量替代待测终端数据向量存储于位置测量样本库。

图2中的终端数据向量是本发明方法的基本处理单元，每个终端数据向量中的数据有三个：(TOA,W,(x,y))，其中，(x,y)为该终端位置的平面坐标，TOA和W分别是该终端发送到各基站的信号到达时间和基站接收该信号的功率。若有n个基站参与测量，则数据向量中对应有n组TOA和W的测量参数值。

参见图3，介绍该步骤1中的基站利用聚类方法对路测终端数据向量进行聚类，建立初始化的由聚类点数据向量组成的空间位置码本的下列操作内容：

（11）根据小区的地理环境，在小区内设置若干个平面坐标为

的聚类点，式中，自然数下标c为聚类点的序号，其最大值M_c为聚类点总数；上标t为聚类迭代次数，初始值为0；

（12）分别对每个路测终端数据向量寻找与其平面坐标位置最近的聚类点，并将其归属于该聚类点；再将归属于同一聚类点的路测终端数据向量形成一个聚类群，使得每个聚类点都与一个聚类群相对应；

（13）分别计算每个聚类群平面坐标的均值，作为本次聚类迭代后的聚类点

（14）按照下式计算和判断本次聚类迭代后的聚类点平面坐标与其迭代前的聚类点平面坐标的均方误差值E是否小于设定阈值：

若是，则聚类完成，并定义该聚类点平面坐标为

否则，返回执行步骤（12）；

（15）根据信道传播模型和该聚类点的平面坐标(x_c,y_c)，计算该聚类点的信号到达时间

和接收信号功率W_c=W_Tx-L_c，并以该聚类点数据向量(TOA_c,W_c,(x_c,y_c))的形式存储于空间位置码本；式中，(x_n,y_n)为序号为n的基站平面坐标，V为光速，W_Tx为终端信号发送功率、且为固定值，L_c为该聚类点与基站间的传播路径损耗，该传播路径损耗数值是根据实际应用的传播模型，利用基站与该聚类点之间的距离计算得到的。

对于位置测量样本库，其功能是存储时间上最近的有限个终端数据向量，包括路测终端和待测终端的数据向量。其存储空间分为两部分：路测终端数据库和待测终端数据库，分别对应存储路测终端数据向量和待测终端数据向量。由于初始化时还没有待测终端数据向量，则待测终端数据库为空，而路测终端数据库则可选取若干个路测终端数据向量存于其中。

步骤2，估计待测终端位置：当网络中有待测终端发起定位请求时，各基站根据接收到的待测终端信号计算该待测终端信号到达基站时间TOA_e和该信号的接收功率W_e，并将这两个测量数据与该待测终端的平面坐标(x_e,y_e)构成待测终端数据向量(TOA_e,W_e,(x_e,y_e))，其中自然数下标e为待测终端序号；因此时该待测终端平面坐标(x_e,y_e)未知，故初始化设置其平面坐标(x_e,y_e)为该小区中心位置；接着，以TOA_e和W_e两个测量数据为参数，在空间位置码本中搜寻与该待测终端数据向量最接近的聚类点数据向量，并将该聚类点数据向量中的平面坐标作为该待测终端的初始位置估计值

再根据待测终端数据向量中的TOA_e和W_e，采用最小二乘法计算得到各个待测终端的粗略坐标进而得到各个待测终端之间的近似距离初始值；然后，假设待测终端的初始位置分布概率是以其初始位置估计值

为中心的二维高斯分布，结合各个待测终端之间的近似距离初始值，采用多次迭代的和积算法，计算待测终端的最终位置估计值

最后，基站将最终位置估计值发送给各个待测终端。

该步骤2包括下列操作内容：

（21）估计待测终端的初始位置：先以每个待测终端的TOA_e和W_e值为参数，在空间位置码本中搜寻与该待测终端数据向量最接近的聚类点数据向量，并将该聚类点数据向量中的平面坐标作为待测终端的初始位置估计值

对于辅助定位的虚拟终端，则以其数据向量中的平面位置坐标作为初始位置估计值其中，下标e和v分别为待测终端序号和虚拟终端序号。

该步骤（21）的具体操作内容如下所述：

（211）对小区内的每个待测终端，以其数据向量(TOA_e,W_e,(x_e,y_e))中的TOA_e和W_e为参数，以等效欧式距离为衡量基准，在空间位置码本中搜寻与其最接近的聚类点数据向量(TOA_c,W_c,(x_c,y_c))；因TOA与W两者量纲不同而无法直接计算，故先统一量纲：将TOA和W都转换为长度单位，根据信号传播模型，分别由W_e和TOA_e计算得到待测终端与基站的估算距离

和

同样地，也在空间位置码本中计算得到聚类点与基站的估算距离

和

（212）根据等效欧式距离计算公式：

在空间位置码本中寻找与待测终端数据向量的等效欧式距离最小的数据向量；式中，α为加权系数，用于均衡因实际测量中的TOA和W的测量准确性不同造成的误差，通常W测量值误差更大，α的数值取决于实际情况；

（213）遍历空间位置码本，选取其中等效欧式距离ε_e,c最小的聚类点数据向量中的位置坐标(x_c,y_c)作为待测终端的初始位置估计值

对于辅助定位的虚拟终端的初始位置估计值则为其数据向量中的平面位置坐标。

（22）计算任意两个终端间的近似距离初始值：根据各个待测终端数据向量和虚拟终端数据向量中的信号到达时间TOA和信号接收功率W，采用最小二乘法得到各个待测终端和虚拟终端的粗略坐标，进而计算得到包括待测终端和虚拟终端的全部终端中任意两个终端之间的近似距离初始值。

该步骤（22）的具体操作内容如下所述：

（221）对包括待测终端和虚拟终端的全部终端中的每个终端，分别根据其数据向量中序号为n的某个基站对应的TOA和W，列出其距离计算公式：

式中，(x_n,y_n)为该基站平面坐标，自然数下标n为基站序号；α为加权系数，

分别是由基站n所对应的TOA和W计算的该终端与基站n的距离；

（222）针对不同序号的基站，分别设置至少3个上述距离计算公式，并作为联立方程，用最小二乘法计算包括待测终端和虚拟终端的每个终端的粗略坐标

（223）根据每个终端的粗略坐标，直接计算包括待测终端和虚拟终端的全部终端中任意两个终端之间的近似距离初始值

式中，自然数下标i和j分别为包括待测终端和虚拟终端的所有终端中的两个不同终端的序号，自然数上标k为后续步骤中的迭代计算次数，初始值k=0，表示未迭代。

（23）采用和积算法计算待测终端的最终位置估计值：假设每个待测终端和虚拟终端的位置分布都是以步骤（21）得到初始位置估计值为中心的二维高斯分布，再结合步骤（22）得到的包括待测终端和虚拟终端的全部终端中任意两个终端之间的近似距离初始值，然后采用和积算法迭代多次后，获得各个待测终端的最终位置估计值；并由基站将最终位置估计值发送给各个待测终端。

该步骤（23）的具体操作内容如下所述（参见图4的流程和图5的原理图）：

（231）因每个待测终端和虚拟终端的初始位置分布概率P_i(x,y)都是以步骤（21）得到的初始位置估计值为中心的二维高斯分布，其方差取决于实际测量误差；故初始化设置包括待测终端和虚拟终端的每个终端UE_i的位置分布概率

式中，自然数下标i为终端序号，待测终端序号范围为[1,M]，虚拟终端序号范围为[M+1,N]，即i最大值是N；

（232）对于每个终端UE_i和另一个终端UE_j，执行下述迭代操作：

以第k-1次迭代后的另一个终端UE_j位置分布概率

为基准，根据第k-1次迭代后的这两个终端UE_i与UE_j之间的近似距离

计算另一个终端UE_j位于坐标(x_j,y_j)时，终端UE_i的位置分布概率该两个终端UE_i与UE_j之间的近似距离

服从高斯分布，近似距离

的均值为UE_i与UE_j的坐标(x_i,y_i)与(x_j,y_j)之间的距离，其方差取决于TOA和W的实际测量误差；

根据另一个终端UE_j坐标(x_j,y_j)位于小区中的不同位置，分别计算该终端UE_i的不同位置分布概率，再把终端UE_i的上述所有位置分布概率数值进行累加之和，作为第k次迭代时，另一个终端UE_j对终端UE_i的位置分布概率的修正值 $u_{j->i}^k(x_i,y_i);$

（233）每个终端UE_i都将其初始位置坐标P_i(x_i,y_i)与所有其他终端对其位置分布概率的修正值

进行累乘之积，作为其第k次迭代后的位置分布概率

同时，终端UE_i也将所有其他终端对其的位置分布概率的修正值

进行累乘之积，作为第k次迭代后，终端UE_i的辅助位置分布概率 $f_i^k(x_i,y_i);$

（234）先计算每个终端UE_i的平面坐标在辅助位置分布概率下的期望值，即其多个平面坐标的均值，得到第k次迭代后，该终端UE_i的位置坐标

进而直接计算得到第k次迭代后，各个终端间的近似距离

同时判断迭代次数k是否达到设定次数，若是，则执行后续步骤（235）；否则，返回执行步骤（232）；

（235）每个待测终端UE_i的最终位置分布概率

计算该待测终端位置坐标在最终位置分布概率

下的期望值，即其多个平面坐标的均值，就是该待测终端的最终位置估计值

（236）基站将每个待测终端UE_i的最终位置估计值发送给各个待测终端。

图5中，P_i为任意一个终端UE_i初始位置分布概率，为第k次迭代计算后的UE_i位置分布概率，

为第k次迭代时，终端UE_i在现有位置分布概率

下，根据基站计算得到的第k-1次迭代后与另一个终端UE_j的近似距离

对另一个终端UE_j的位置分布概率的修正值。每次迭代时，对于任意一个终端UE_i，计算其他终端对其位置分布概率的修正值，再与终端UE_i的初始位置分布概率P_i累乘，得到该次迭代后终端UE_i的位置分布概率。如此迭代若干次后，即可充分利用所有参与计算的终端测量信息，获得待测终端UE_i较准确的最终位置估计值，从而达到群定位的目的。

前面的描述利用了位置测量样本库中的一些虚拟终端，每个虚拟终端都参与了所有的迭代计算。为了充分利用位置测量样本库存储的数据信息，对上述处理流程可以做下述改进：令每次迭代计算都由不同的虚拟终端参与（如图6所示），例如，假设位置测量样本库中存储有100个数据向量，每次迭代时，从中选取10个作为虚拟终端参与迭代计算；下次迭代则选取另外10个，这样只需迭代计算10次，就可利用到位置测量样本库中所有的100个数据向量，在不提高计算复杂度的情况下，最大限度地利用了已有的数据信息。

步骤3，实时更新空间位置码本和位置测量样本库：因位置测量样本库中的待测终端数据库和路测终端数据库的更新是彼此独立的，故要存储新的待测终端数据向量或路测终端数据向量时，都是分别取代各自数据库中时间最久的数据向量，完成数据更新；然后，采用更新后的位置测量样本库中的路测终端和待测终端数据向量，重新进行聚类，获得新的聚类点后，再将新的聚类点对应的数据向量存入空间位置码本，完成空间位置码本的更新。

该步骤3包括下列具体操作内容：

（31）网络中产生新的待测终端数据向量或路测终端数据向量，就开始更新位置测量样本库：若位置测量样本库中待测终端数据库的存储空间未满，就将该新的待测终端数据向量直接存储进去；否则，就将新的待测终端数据向量替代待测终端数据库中存储时间最久的数据向量；路测终端数据向量的更新方法与待测终端数据向量相同，这样使得位置测量样本库中始终存储有时间最近的有限个待测终端和路测终端数据向量（参见图7所示）；

从图7中可看到：待测终端数据库的更新周期T_e与路测终端数据库的更新周期T_l是不同的，且取决于具体实际情况。通常情况下，由于待测终端的测量更加频繁，其更新周期较短；对于路测终端数据库，往往是由于小区内地理环境的变化（如新建房屋等），需要再次进行实际路测才对其更新，故更新周期较长。

（32）完成位置测量样本库的更新后，就根据更新后的位置测量样本库中的路测终端和待测终端数据向量，通过聚类方法，完成空间位置码本的更新。该步骤（32）包括下列具体操作内容（参见图8所示）：

（321）将更新前的空间位置码本中的数据向量作为聚类点初始值；

（322）对位置测量样本库中的每个路测终端和待测终端的数据向量，分别计算与其等效欧式距离最小的聚类点，并将其归属于该聚类点；使得归属于同一聚类点的待测终端和路测终端的数据向量形成一个聚类群，即每个聚类点都与一个聚类群相对应；计算等效欧式距离时的各个数据量纲要统一；

（323）计算每个聚类群中的待测终端和路测终端的数据向量的各项测量数据的均值，得到本次聚类迭代后的聚类点；

（324）计算和判断本次聚类迭代后的聚类点与其聚类迭代前的聚类点的均方误差是否小于设定阈值，若是，则将该聚类点数据向量存入空间位置码本，完成空间位置码本的更新；否则，返回执行步骤（322）。

本发明已进行多次实施例仿真实验和模拟，本发明方法仿真的网络小区布局如图9中的蜂窝小区cell0所示，该小区半径为1km，中心设置1个基站，坐标为（0,0），小区分为96个小正三角形，每个小正三角形中心设置为聚类点，这样，共有96个聚类点。仿真实施例中的TOA和接收信号功率W的测量值分别以cell0，cell5和cell6的基站为基准进行模拟测试而得到的。

在小区cell0内随机选取30个点，其平面坐标服从方差为5000的二维高斯分布，其中15个点的二维高斯分布中心为（50,100），其余15个点的二维高斯分布中心为（-50,80）。再从30个点中随机选取20个为待测终端，另外10个作为虚拟终端。

为了模拟实际网络中的路测终端数据向量，在该小区cell0中随机分布798个路测采样点，这些路测采样点都服从方差为5000的二维高斯分布，分布中心分别为（50,100）、（-50,80）、（-40,-90）和（45,-105）。

在实际的移动通信网络中，由于传播环境中的多径和阴影衰落等影响，基站对移动终端的测量数据TOA和W都会存在一定的误差，从而导致计算得出终端与基站的距离与角度也都存在误差： $\begin{array}{c}\mathrm{TOA}=\frac{d}{V}+n_{\mathrm{TOA}}\\ W=W_{\mathrm{Tx}}-C-\mathrm{lgd}+n_W\end{array};$ 式中，V为光速3×10⁸m，d为终端与基站之间的距离真值，TOA为信号到达时间测量值，n_TOA为测量误差，W为接收信号功率测量值，W_Tx为发送信号功率，C为天线高度等参数，在特定场景中为固定值，n_W为多径和阴影衰落等因素造成的测量误差。

为模拟这些误差，仿真中的TOA和W的测量误差n_TOA和n_W分别服从

的高斯分布。下面介绍实施例的仿真测试结果：

仿真一：(σ_TOA,σ_W)取值为(2.67ns,3.163dB)时，仿真100次的待测终端均方根误差曲线如图10所示，为了对定位结果进行比较，在相同仿真条件下，还采用传统的TOA定位方法（最小二乘法）进行仿真测试。

从图10中可见，本发明定位方法与传统的TOA定位方法相比较：定位精度明显提高，迭代计算5次后，待测终端定位结果的均方根误差约为102m，而同样条件下TOA定位方法的均方根误差约128m。另外，迭代3次左右，本发明定位方法的误差曲线就趋于平缓。

由上述仿真结果可以看到，本发明移动通信网络中的基于位置测试样本的群定位技术是可行的，通过利用空间位置码本和位置测量样本库，结合当前的多个终端测量数据，可充分利用基站对终端的测量信息，获得较好的定位性能。而且本发明方法所用到的数据仅为TOA和接收信号功率两个测量数据，很容易获取，在GSM等现行使用的移动通信网络中都可适用。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (9)

1.一种移动通信网络中的基于位置测量样本的群定位方法，是基于网络测量进行的定位方法；其特征在于：待测移动终端先向基站发送导频信号，基站从接收信号中获得每个移动终端的信号到达时间TOA、信号接收功率W，并由这两个测量数据和该待测移动终端所在位置的平面坐标(x,y)组成测量数据向量(TOA,W,(x,y))；各个基站根据其接收到的每个移动终端的测量数据向量结合空间位置码本和位置测量样本库的相关数据，分别计算出每个移动终端的定位位置后，再由每个基站将该定位位置信息分别发送给相应的移动终端；所述方法包括下列操作步骤： 

（1）初始化设置空间位置码本和位置测量样本库：在搭建和维护小区时，先在小区内的设定地点实测下述三个数据：位于该位置的路测终端发送的信号到达基站时间TOA_l、基站接收该信号的功率W_l和该位置的平面坐标(x_l,y_l)，其中自然数下标l为路测位置序号，并把上述三个数据构成路测终端数据向量(TOA_l,W_l,(x_l,y_l))；基站利用聚类方法对这些路测终端数据向量进行聚类处理后，建立由聚类点数据向量组成的初始化空间位置码本；因位置测量样本库只存储时间上最近的包括路测终端和待测终端的有限个终端数据向量，而此时还没有待测终端数据向量，故选取若干个路测终端数据向量替代待测终端数据向量存储于位置测量样本库； 

（2）估计待测终端位置：网络中有待测终端发起定位请求时，各基站根据接收到的待测终端信号计算该待测终端信号到达基站时间TOA_e和该信号的接收功率W_e，并将这两个测量数据与该待测终端的平面坐标(x_e,y_e)构成待测终端数据向量(TOA_e,W_e,(x_e,y_e))，其中自然数下标e为待测终端序号；因此时该待测终端平面坐标(x_e,y_e)未知，故初始化设置其平面坐标(x_e,y_e)为该小区中心位置；接着，以TOA_e和W_e两个测量数据为参数，在空间位置码本中搜寻与该待测终端数据向量最接近的聚类点数据向量，并将该聚类点数据向量中的平面坐标作为该待测 终端的初始位置估计值

再根据待测终端数据向量中的TOA_e和W_e，采用最小二乘法计算得到各个待测终端的粗略坐标进而得到各个待测终端之间的近似距离初始值；然后，假设待测终端的初始位置分布概率是以其初始位置估计值

为中心的二维高斯分布，结合各个待测终端之间的近似距离初始值，采用多次迭代的和积算法，计算待测终端的最终位置估计值

最后，基站将最终位置估计值发送给各个待测终端； 

（3）实时更新空间位置码本和位置测量样本库：因位置测量样本库中的待测终端数据库和路测终端数据库的更新彼此独立，故要存储新的待测终端数据向量或路测终端数据向量时，都是分别取代各自数据库中时间最久的数据向量，完成数据更新；然后，采用更新后的位置测量样本库中的路测终端和待测终端数据向量，重新进行聚类，获得新的聚类点后，再将新的聚类点对应的数据向量存入空间位置码本，完成空间位置码本的更新。 

2.根据权利要求1所述的方法，其特征在于：所述步骤（1）中，基站利用聚类方法对路测终端数据向量进行聚类处理，建立初始化的由聚类点数据向量组成的空间位置码本的操作包括下列内容： 

（11）根据小区的地理环境，在小区内设置若干个平面坐标为

的聚类点，式中，自然数下标c为聚类点的序号，其最大值M_c为聚类点总数；上标t为聚类迭代次数，初始值为0； 

（12）分别对每个路测终端数据向量寻找与其平面坐标位置最近的聚类点，并将其归属于该聚类点；再将归属于同一聚类点的路测终端数据向量形成一个聚类群，使得每个聚类点都与一个聚类群相对应； 

（13）分别计算每个聚类群平面坐标的均值，作为本次聚类迭代后的聚类点

（14）按照下式计算和判断本次聚类迭代后的聚类点平面坐标与其迭代前的聚类点平面坐标的均方误差值E是否小于设定阈值： 若是，则聚类完成，并定义该聚类点平面坐标为

否则，返回执行步骤（12）； 

（15）根据信道传播模型和该聚类点的平面坐标(x_c,y_c)，计算该聚类点的信号到达时间

和接收信号功率W_c=W_Tx-L_c，并以该聚类点数据向量(TOA_c,W_c,(x_c,y_c))的形式存储于空间位置码本；式中，(x_n,y_n)为序号为n的基站平面坐标，V为光速，W_Tx为终端信号发送功率、且为固定值，L_c为该聚类点与基站间的传播路径损耗，该传播路径损耗数值是根据实际应用的传播模型，利用基站与该聚类点之间的距离计算得到的。 

3.根据权利要求1所述的方法，其特征在于：所述步骤（2）中，当小区中只有一个或数量很少的待测终端，因待测终端数量太少导致无法有效执行该定位方法时，就从位置测量样本库的待测终端数据库和/或路测终端数据库分别选取若干个存储的数据向量作为网络中的虚拟终端，参与和辅助待测终端进行位置定位；这些虚拟终端的初始位置估计值

是存储的数据向量中的平面坐标，其中自然数下标v为虚拟终端序号；计算虚拟终端之间或其与待测终端的近似距离初始值是先利用该存储的数据向量中的TOA和W数值，通过最小二乘法计算每个虚拟终端的粗略坐标

后，再直接计算两者之间的距离。 

4.根据权利要求3所述的方法，其特征在于：所述步骤（2）包括下列操作内容： 

（21）估计待测终端的初始位置：先以每个待测终端的TOA_e和W_e值为参数，在空间位置码本中搜寻与该待测终端数据向量最接近的聚类点数据向量，并将该聚类点数据向量中的平面坐标作为待测终端的初始位置估计值

对于参与和辅助待测终端进行位置定位的虚拟终端，则以其数据向量中的平面位置坐标作为初始位置估计值

其中，下标e和v分别为待测终端序号和虚拟终端序号； 

（22）计算任意两个终端间的近似距离初始值：根据各个待测终端数据向量和虚拟终端数据向量中的信号到达时间TOA和信号接收功率W，采用最小二乘法得到各个待测终端和虚拟终端的粗略坐标，进而计算得到包括待测终端和虚拟终端的全部终端中任意两个终端之间的近似距离初始值； 

（23）采用和积算法计算待测终端的最终位置估计值：假设每个待测终端和虚拟终端的位置分布都是以步骤（21）得到初始位置估计值为中心的二维高斯分布，再结合步骤（22）得到的包括待测终端和虚拟终端的全部终端中任意两个终端之间的近似距离初始值，然后采用和积算法迭代多次后，获得各个待测终端的最终位置估计值；并由基站将最终位置估计值发送给各个待测终端。 

5.根据权利要求4所述的方法，其特征在于：所述步骤（21）包括下列具体操作内容： 

（211）对小区内的每个待测终端，以其数据向量(TOA_e,W_e,(x_e,y_e))中的TOA_e和W_e为参数，以等效欧式距离为衡量基准，在空间位置码本中搜寻与其最接近的聚类点数据向量(TOA_c,W_c,(x_c,y_c))；因TOA与W两者量纲不同而无法直接计算，故先统一量纲：将TOA和W都转换为长度单位，根据信号传播模型，分别由W_e和TOA_e计算得到待测终端与基站的估算距离和

；同样地，也在空间位置码本中计算得到聚类点与基站的估算距离

和

（212）根据等效欧式距离计算公式：

在空间位置码本中寻找与待测终端数据向量的等效欧式距离最小的数据向量；式中，α为加权系数，用于均衡因实际测量中的TOA和W的测量准确性不同造成的误差，α的数值取决于实际情况； 

（213）遍历空间位置码本，选取其中等效欧式距离ε_e,c最小的聚类点数据向量中的位置坐标(x_c,y_c)作为待测终端的初始位置估计值

其中辅助定位的虚拟终端的初始位置估计值

为其数据向量中的平面位置坐标。 

6.根据权利要求4所述的方法，其特征在于：所述步骤（22）包括下列具 体操作内容： 

（221）对包括待测终端和虚拟终端的全部终端中的每个终端，分别根据其数据向量中序号为n的某个基站对应的TOA和W，列出其距离计算公式： 

式中，(x_n,y_n)为该基站平面坐标，自然数下标n为基站序号；α为加权系数，

分别是由基站n所对应的TOA和W计算的该终端与基站n的距离； 

（222）针对不同序号的基站，分别设置至少3个上述距离计算公式，并作为联立方程，用最小二乘法计算包括待测终端和虚拟终端的每个终端的粗略坐标

（223）根据每个终端的粗略坐标，直接计算包括待测终端和虚拟终端的全部终端中任意两个终端之间的近似距离初始值

式中，自然数下标i和j分别为包括待测终端和虚拟终端的所有终端中的两个不同终端的序号，自然数上标k为后续步骤中的迭代计算次数，初始值k=0，表示未迭代。 

7.根据权利要求4或6所述的方法，其特征在于：所述步骤（23）包括下列具体操作内容： 

（231）因每个待测终端和虚拟终端的初始位置分布概率P_i(x,y)都是以步骤（21）得到的初始位置估计值为中心的二维高斯分布，其方差取决于实际测量误差；故初始化设置包括待测终端和虚拟终端的每个终端UE_i的位置分布概率 

式中，自然数下标i为终端序号，待测终端序号范围为[1,M]，虚拟终端序号范围为[M+1,N]，即i最大值是N； 

（232）对于每个终端UE_i和另一个终端UE_j，执行下述迭代操作： 

以第k-1次迭代后的另一个终端UE_j位置分布概率

为基准，根据第k-1次迭代后的这两个终端UE_i与UE_j之间的近似距离

计算另一个终端UE_j位于坐标(x_j,y_j)时，终端UE_i的位置分布概率

该两个终端UE_i与 UE_j之间的近似距离

服从高斯分布，近似距离

的均值为UE_i与UE_j的坐标(x_i,y_i)与(x_j,y_j)之间的距离，其方差取决于TOA和W的实际测量误差； 

根据另一个终端UE_j坐标(x_j,y_j)位于小区中的不同位置，分别计算该终端UE_i的不同位置分布概率，再把终端UE_i的上述所有位置分布概率数值进行累加之和，作为第k次迭代时，另一个终端UE_j对终端UE_i的位置分布概率的修正值 

（233）每个终端UE_i都将其初始位置坐标P_i(x_i,y_i)与所有其他终端对其位置分布概率的修正值

进行累乘之积，作为其第k次迭代后的位置分布概率

同时，终端UE_i也将所有其他终端对其的位置分布概率的修正值 

进行累乘之积，作为第k次迭代后，终端UE_i的辅助位置分布概率 

（234）先计算每个终端UE_i的平面坐标在辅助位置分布概率下的期望值，即其多个平面坐标的均值，得到第k次迭代后，该终端UE_i的位置坐标

进而直接计算得到第k次迭代后，各个终端间的近似距离

同时判断迭代次数k是否达到设定次数，若是，则执行后续步骤（235）；否则，返回执行步骤（232）； 

（235）每个待测终端UE_i的最终位置分布概率

计算该待测终端位置坐标在最终位置分布概率下的期望值，即其多个平面坐标的均值，就是该待测终端的最终位置估计值

（236）基站将每个待测终端UE_i的最终位置估计值发送给各个待测终端。 

8.根据权利要求4所述的方法，其特征在于：所述步骤（3）包括下列具体操作内容： 

（31）网络中产生新的待测终端数据向量或路测终端数据向量，就开始更新位置测量样本库：若位置测量样本库中待测终端数据库的存储空间未满，就将该新的待测终端数据向量直接存储进去；否则，就将新的待测终端数据向量替代待测终端数据库中存储时间最久的数据向量；路测终端数据向量的更新方法 与待测终端数据向量相同，这样使得位置测量样本库中始终存储有时间最近的有限个待测终端和路测终端数据向量； 

（32）完成位置测量样本库的更新后，就根据更新后的位置测量样本库中的路测终端和待测终端数据向量，通过聚类方法，完成空间位置码本的更新。 

9.根据权利要求8所述的方法，其特征在于：所述步骤（32）包括下列具体操作内容： 

（321）将更新前的空间位置码本中的数据向量作为聚类点初始值； 

（322）对位置测量样本库中的每个路测终端和待测终端的数据向量，分别计算与其等效欧式距离最小的聚类点，并将其归属于该聚类点；使得归属于同一聚类点的待测终端和路测终端的数据向量形成一个聚类群，即每个聚类点都与一个聚类群相对应；计算等效欧式距离时的各个数据量纲要统一； 

（323）计算每个聚类群中的待测终端和路测终端的数据向量的各项测量数据的均值，得到本次聚类迭代后的聚类点； 

（324）计算和判断本次聚类迭代后的聚类点与其聚类迭代前的聚类点的均方误差是否小于设定阈值，若是，则将该聚类点数据向量存入空间位置码本，完成空间位置码本的更新；否则，返回执行步骤（322）。 

Images