CN102625444B - 一种终端定位方法和一种基站 - Google Patents

Abstract

本发明公开了终端定位方法和基站：A、建立历史数据库，其中保存有一个以上聚类点的位置坐标以及每个聚类点的AOA、TOA和SNR；B、针对每个待定位终端，分别获取其AOA、TOA和SNR，或AOA、TOA、SNR和AGPS位置坐标；如果获取到了AGPS位置坐标，则将获取到的AGPS位置坐标作为该待定位终端的初始位置估计，否则，根据获取到的AOA、TOA和SNR以及各聚类点的AOA、TOA和SNR，找到与该待定位终端最接近的聚类点，将找到的聚类点的位置坐标作为该待定位终端的初始位置估计；计算任意每两个待定位终端之间的近似距离；C、根据得到的近似距离和初始位置估计，采用和积算法，通过迭代计算得到每个待定位终端的最终位置估计。应用本发明所述方案，能够不受场景所限，较好的完成定位。

Description

一种终端定位方法和一种基站

技术领域

本发明涉及移动通信技术，特别涉及一种终端定位方法和一种基站。

背景技术

随着移动通信技术的发展，针对终端的定位业务越来越受到关注。目前常用的定位方法主要包括：基于信号到达角(AOA)的定位方法和辅助全球定位系统(AGPS)定位方法等。

其中，基于AOA的定位方法的具体实现包括：通过基站接收天线阵列检测出终端发射电波的AOA，并据此构成一条从基站到终端的径向连线，即方位线，利用多个基站检测出的AOA，可以得到多条方位线，这多条方位线的交点即为终端的位置。

AGPS定位方法的具体实现包括：终端利用网络提供的全球定位系统(GPS)辅助信息接收GPS原始信号，通过对原始信号进行解调获得GPS伪距信息，网络根据GPS伪距信息和其它定位设备的辅助信息得到终端的位置。

但是，上述两种方法在实际应用中均会存在一定的问题，如：对于第一种方法，由于基站需要具有接收天线阵列，精度受信道影响较大，因此在建筑物密集的区域或建筑物内，即遮蔽场景下将很难较好的完成定位；对于第二种方法，同样，在遮蔽场景下，GPS系统将不能起作用，因此也无法较好的完成定位。

发明内容

有鉴于此，本发明的主要目的在于提供一种终端定位方法，能够不受场景所限，较好的完成定位。

本发明的另一目的在于提供一种基站，能够不受场景所限，较好的完成定位。

为达到上述目的，本发明的技术方案是这样实现的：

一种终端定位方法，包括：

A、建立历史数据库，其中保存有一个以上聚类点的位置坐标以及每个聚类点的信号到达角AOA、到达时间TOA和信噪比SNR；

B、针对每个待定位终端，分别获取其AOA、TOA和SNR，或AOA、TOA、SNR和辅助全球定位系统AGPS位置坐标；

如果获取到了AGPS位置坐标，则将获取到的AGPS位置坐标作为该待定位终端的初始位置估计，否则，根据获取到的AOA、TOA和SNR以及各聚类点的AOA、TOA和SNR，找到与该待定位终端最接近的聚类点，将找到的聚类点的位置坐标作为该待定位终端的初始位置估计；

计算任意每两个待定位终端之间的近似距离；

C、根据得到的近似距离和初始位置估计，采用和积算法，通过迭代计算得到每个待定位终端的最终位置估计。

一种基站，包括：

建立模块，用于建立历史数据库，其中保存有一个以上聚类点的位置坐标以及每个聚类点的信号到达角AOA、到达时间TOA和信噪比SNR；

定位模块，用于针对每个待定位终端，分别获取其AOA、TOA和SNR，或AOA、TOA、SNR和辅助全球定位系统AGPS位置坐标，如果获取到了AGPS位置坐标，则将获取到的AGPS位置坐标作为该待定位终端的初始位置估计，否则，根据获取到的AOA、TOA和SNR以及各聚类点的AOA、TOA和SNR，找到与该待定位终端最接近的聚类点，将找到的聚类点的位置坐标作为该待定位终端的初始位置估计；计算任意每两个待定位终端之间的近似距离；根据得到的近似距离和初始位置估计，采用和积算法，通过迭代计算得到各待定位终端的最终位置估计。

可见，采用本发明的技术方案，通过多个待定位终端之间的协作来进行定位，不受场景所限，即无论何种场景下均能较好的完成定位，而且，可利用部分具有AGPS定位功能的待定位终端的AGPS定位结果来帮助其它待定位终端获得更好的定位结果。

附图说明

图1为本发明基站与待定位终端之间的信息交互过程示意图。

图2为本发明方法实施例的流程图。

图3为本发明方法实施例中针对蜂窝小区的划分方式示意图。

图4为本发明方法实施例中对初始位置估计进行修正的示意图。

图5为本发明方法实施例中当(x_u,y_u)的取值为(5，8)，σ²分别取值为2(左图)和10(右图)时的概率分布示意图。

图6为本发明方法实施例中的和积算法的实现流程示意图。

图7为本发明基站实施例的组成结构示意图。

具体实施方式

针对现有技术中存在的问题，本发明中提出一种改进后的终端定位方案，基站接收待定位终端上报的导频信号，或导频信号和AGPS测量数据；在实际应用中，可将待定位终端分为两类，即遮蔽终端和非遮蔽终端，遮蔽终端是指不具备AGPS定位功能或具有AGPS定位功能但处在遮蔽场景下无法进行AGPS定位的终端，而非遮蔽终端则是指具有AGPS定位功能且处在非遮蔽场景下能够进行AGPS定位的终端，遮蔽终端只上报导频信号，非遮蔽终端会同时上报导频信号和AGPS测量数据；基站根据接收到的导频信号得到各待定位终端的AOA、到达时间(TOA)和信噪比(SNR)，根据APGS测量数据得到待定位终端的AGPS位置坐标，并结合上述信息以及历史数据库得到各待定位终端的最终位置估计，即定位结果，返回给各待定位终端。基站如何得到AOA、TOA、SNR和AGPS位置坐标为现有技术。

图1为本发明基站与待定位终端之间的信息交互过程示意图。如图1所示，假设待定位终端1为非遮蔽终端，待定位终端2和待定位终端3均为遮蔽终端。

为使本发明的技术方案更加清楚、明白，以下参照附图并举实施例，对本发明所述方案作进一步地详细说明。

图2为本发明方法实施例的流程图。如图2所示，包括以下步骤：

步骤21：建立历史数据库，其中保存有一个以上聚类点的位置坐标以及每个聚类点的AOA、TOA和SNR。

本步骤中，基站根据获取到的大量样本数据，建立起一个历史数据库。

具体实现包括：

1)定义初始阶段的聚类点的位置坐标：

将基站对应的蜂窝小区平均划分为M个正三角形区域，M为大于1的正整数，并将各正三角形区域的中心作为聚类点，将各正三角形区域的中心的位置坐标作为各聚类点的位置坐标，记为

举例来说，可先将蜂窝小区平均划分为6个正三角形区域，之后，将每个正三角形区域进一步平均划分为4个正三角形区域，得到共24个正三角形区域；之后，将每个正三角形区域再进一步平均划分为4个正三角形区域，从而得到共96个正三角形区域。如图3所示，图3为本发明方法实施例中针对蜂窝小区(以Cell0为例)的划分方式示意图。

2)通过实地测量，得到蜂窝小区内一个以上样本终端的位置坐标，记为(x_i,y_i),i＝0,1,...,N-1，N的具体取值可根据实际需要而定。

3)根据各样本终端的位置坐标以及各聚类点的位置坐标，分别将各样本终端归属到与其距离最近的聚类点，将归属于同一聚类点的样本终端作为一个聚类群，得到M个聚类群，记为D_j,j＝0,1,...,M-1；并计算每个聚类群的质心，将计算出的质心作为各聚类点的新的位置坐标。

本步骤中，针对每个聚类群D_j，分别计算：

$s_j^{l+1}=\frac{1}{\mathrm{num}\left(D_j\right)}\underset{(x_i,y_i)\∈D_j}{\mathrm{\Σ}}{x}_i$ 和 $t_j^{l+1}=\frac{1}{\mathrm{num}\left(D_j\right)}\underset{(x_i,y_i)\∈D_j}{\mathrm{\Σ}}{y}_i;$

将作为其质心，l的初始取值为0，每循环一次，其取值加1；

其中，num(D_j)表示聚类群D_j中包含的样本终端数，x_i表示聚类群D_j中包含的任一样本终端i的位置坐标的横坐标，y_i表示样本终端i的位置坐标的纵坐标。

4)确定各聚类点的新的位置坐标是否符合要求，如果是，则用新的位置坐标更新之前的位置坐标，并确定各聚类点的AOA、TOA和SNR，之后执行步骤22，否则，用新的位置坐标更新之前的位置坐标，并重复执行步骤3)。

本步骤中，首先计算所有M个聚类点的新的位置坐标与之前的位置坐标的均方误差，即：

$E=\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({(s_j^{l+1}-s_j^l)}^2+{(t_j^{l+1}-t_j^l)}^2);$

其中，表示聚类点j的新的位置坐标的横坐标，表示聚类点j的新的位置坐标的纵坐标，表示聚类点j之前的位置坐标的横坐标，表示聚类点j之前的位置坐标的纵坐标。

之后，确定E是否小于预先设定的阈值，如果是，则认为各聚类点的新的位置坐标符合要求，聚类完成，否则，认为各聚类点的新的位置坐标不符合要求。

聚类完成后，根据信道传播模型以及各聚类点的位置坐标，可确定出各聚类点的AOA、TOA和SNR，并可将各聚类点的AOA、TOA、SNR以及位置坐标以(AOA_r,TOA_r,SNR_r,(s_r,t_r))的形式保存在历史数据库中，r表示任一聚类点。

其中， ${\mathrm{AOA}}_r=\arctan \frac{t_r}{s_r}\±\mathrm{\π},{\mathrm{TOA}}_r=\frac{\sqrt{{s_r}^2+{t_r}^2}}{c};$

s_r表示聚类点r的位置坐标的横坐标，t_r表示聚类点r的位置坐标的纵坐标，c表示光速，假设基站的位置为原点。

SNR_r可通过测量得到。

步骤22：针对每个待定位终端，分别获取其AOA、TOA和SNR，或AOA、TOA、SNR和AGPS位置坐标；如果获取到了AGPS位置坐标，则将获取到的AGPS位置坐标作为该待定位终端的初始位置估计，否则，根据获取到的AOA、TOA和SNR以及各聚类点的AOA、TOA和SNR，找到与该待定位终端最接近的聚类点，将找到的聚类点的位置坐标作为该待定位终端的初始位置估计。

基于之前的介绍可知，对于遮蔽终端，基站只能获取到AOA、TOA和SNR这三个参数，而对于非遮蔽终端，则能获取到AOA、TOA、SNR和AGPS位置坐标这四个参数，对于非遮蔽终端，可直接将其AGPS位置坐标作为其初始位置估计，而对于遮蔽终端，则需要根据其AOA、TOA和SNR以及各聚类点的AOA、TOA和SNR，找到与其最接近的聚类点，将找到的聚类点的位置坐标作为其初始位置估计。

具体来说，针对每个遮蔽终端i，即每个不能获取到AGPS位置坐标的待定位终端i，分别计算其AOA_i、TOA_i和SNR_i与每个聚类点r的AOA_r、TOA_r和SNR_r之间的欧式距离ε，将计算结果最小的聚类点作为与待定位终端i最接近的聚类点。

在实际应用中，由于AOA、TOA和SNR三个参数的量纲不同，因此无法直接进行计算，需要进行一定的转换，统一转换为距离长度。具体来说，根据信号传播模型，可根据待定位终端i的SNR_i计算出的待定位终端i与基站之间的近似距离根据待定位终端i的TOA_i计算出的待定位终端i与基站之间的近似距离这样，待定位终端i的三个参数即可表示为而聚类点r的位置坐标是已知的，因此可直接计算出聚类点r与基站的距离d_r，即聚类点r的三个参数可表示为(AOA_r,d_r,d_r)；另外，对于AOA参数，可按照以下方式进行转化： $l_{\mathrm{AOA}}=|{\mathrm{AOA}}_i-\mathrm{AO}{A}_r|(((d_{{\mathrm{SNR}}_i}+d_{\mathrm{TO}{A}_i})/2+d_r)/2).$

之后，即可计算欧式距离ε： $\mathrm{\ϵ}=l_{\mathrm{AOA}}^2+{(d_{\mathrm{SN}{R}_i}-d_r)}^2+{(d_{{\mathrm{TOA}}_i}-d_r)}^2.$

为了使初始位置估计更为准确，之后，还可针对上述每个待定位终端i，分别计算x_ui＝x_r·cosα-y_r·sinα和y_ui＝x_r·sinα+y_r·cosα；其中，x_r表示与待定位终端i最接近的聚类点r的位置坐标的横坐标，y_r表示聚类点r的位置坐标的纵坐标，α＝AOA_i-AOA_r，即对原来的初始位置估计进行修正，将(x_ui，y_ui)作为待定位终端i的最终的初始位置估计。图4为本发明方法实施例中对初始位置估计进行修正的示意图。

步骤23：计算任意每两个待定位终端之间的近似距离。

本步骤中，针对任意每两个待定位终端，假设为待定位终端i和待定位终端j，i≠j,根据余弦定理分别计算其之间的近似距离d_ij：

$d_{\mathrm{ij}}=\sqrt{d_i^2+d_j^2-2d_i{d}_j\·\cos \mathrm{\β}};$

其中， $d_i=(d_{{\mathrm{SNR}}_i}+d_{{\mathrm{TOA}}_i})/2,d_j=(d_{{\mathrm{SNR}}_j}+d_{{\mathrm{TOA}}_j})/2,$ 表示根据待定位终端i的SNR_i计算出的待定位终端i与基站之间的近似距离，表示根据待定位终端i的TOA_i计算出的待定位终端i与基站之间的近似距离，表示根据待定位终端j的SNR_j计算出的待定位终端j与基站之间的近似距离，表示根据待定位终端j的TOA_j计算出的待定位终端j与基站之间的近似距离，β＝AOA_i-AOA_j。

步骤24：根据得到的近似距离和初始位置估计，采用和积算法，通过迭代计算得到每个待定位终端的最终位置估计。

本步骤的具体实现可包括：

1)利用能够获取到AGPS位置坐标的待定位终端组成一个集合S_AGPS，利用不能获取到AGPS位置坐标的待定位终端组成一个集合S_BS。

2)设定每个待定位终端i的最终位置估计的概率分布均服从以其初始位置估计为中心的二维高斯分布，并设置一参数l，初始值设为0。

上述概率分布可表示为： $P_i(x,y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \{-\frac{{(x-x_{\mathrm{ui}})}^2+{(y-y_{\mathrm{ui}})}^2}{2{\mathrm{\σ}}^2}\},$ $i\∈(S_{\mathrm{BS}}\∪S_{\mathrm{AGPS}}),$ x_ui表示待定位终端i的初始位置估计的横坐标，y_ui表示待定位终端i的初始位置估计的纵坐标。

对于非遮蔽终端，由于其初始位置估计比较准确，因此其概率分布中的σ²的取值相比于遮蔽终端中的σ²的取值要小得多，后续，可利用非遮蔽终端来帮助遮蔽终端获得更加准确的定位结果。

不同情况下的σ²的具体取值可根据实际需要而定。

图5为本发明方法实施例中当(x_u,y_u)的取值为(5，8)，σ²分别取值为2(左图)和10(右图)时的概率分布示意图。

3)初始化待定位终端i的概率分布： $b_i^{\left(0\right)}(x,y)=P_i(x,y),i\∈(S_{\mathrm{BS}}\∪S_{\mathrm{AGPS}}).$

4)令l＝l+1。

5)分别计算除待定位终端i以外的其它每个待定位终端j对待定位终端i的概率分布的更新 $u_{j->i}^{\left(l\right)}(x,y)=\underset{s,t}{\mathrm{\Σ}}p\left(d_{\mathrm{ij}}\right|(x,y),(s,t))b_j^{(l-1)}(s,t);i\∈S_{\mathrm{BS}},j\∈(S_{\mathrm{BS}}\∪S_{\mathrm{AGPS}}),j\≠i.$

其中， $p\left(d_{\mathrm{ij}}\right|(x,y),(s,t))=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \{-\frac{{(d_{\mathrm{ij}}-\sqrt{{(x-s)}^2+{(y-t)}^2})}^2}{2{\mathrm{\σ}}^2}\},$ 表示当待定位终端j的位置坐标为(s，t)时，待定位终端i的位置坐标为(x，y)的概率；d_ij表示待定位终端i与待定位终端j之间的近似距离；(s,t)表示待定位终端j任意可能的位置坐标(可能位于蜂窝小区内的任一位置)。

6)更新待定位终端i的概率分布：

$\begin{array}{c}{b}_i^{\left(l\right)}(x,y)=P_i(x,y)\·\underset{j\≠i}{\mathrm{\Π}}{u}_{j->i}^{\left(l\right)}(x,y),i\∈S_{\mathrm{BS}}\\ b_i^{\left(l\right)}(x,y)=b_i^{(l-1)}(x,y),i\∈S_{\mathrm{AGPS}}\end{array}.$

7)确定l的取值是否等于预先设定的阈值(具体取值可根据实际需要而定)，如果是，则执行步骤8)，否则，令l＝l+1，并重复执行步骤5)。

8)令 $P_i^{\′}(x,y)=b_i^{\left(l\right)}(x,y),i\∈(S_{\mathrm{BS}}\∪S_{\mathrm{AGPS}});$

计算 ${\hat{x}}_i=\underset{x,y}{\mathrm{\Σ}}x\·P_i^{\′}(x,y),{\hat{y}}_i=\underset{(x,y)}{\mathrm{\Σ}}y\·P_i^{\′}(x,y),i\∈S_{\mathrm{BS}},$ 将作为待定位终端i的最终位置估计；(x,y)表示待定位终端i任意可能的位置坐标。

令将作为待定位终端i的最终位置估计，也就是说，对于非遮蔽终端，可直接将其初始位置估计作为最终位置估计。

图6为本发明方法实施例中的和积算法的实现流程示意图。如图6所示，P_i表示初始的概率分布，其中，P₀表示非遮蔽终端UE₀的初始的概率分布，P₁,P₂,P₃表示遮蔽终端UE₁,UE₂,UE₃的初始的概率分布，表示第l次迭代后UE_i的概率分布，第l次迭代时UE_i的概率分布传递给UE_j的概率分布的信息，即UE_i现有概率分布根据与UE_j的近似距离d_ij，对UE_j的概率分布的更新；每次迭代时，各个遮蔽终端都会收到这样的更新，结合自己的概率分布，得到新的更加准确的概率分布，例如对于UE₁的概率分布第一次迭代时，会接收到其它UE的传递给它的更新这样UE₁第一次迭代的结果不仅包括了自己的信息，也包括了其它UE传递给它的信息，从而可以获得更加准确的结果，然后再进行第二次迭代，由于其它UE的概率分布经过迭代也更加准确了，传递给UE1的更新也更加准确，因此UE₁第二次迭代的结果相比第一次将更加准确；而对于非遮蔽终端，由于其初始位置估计已经比较准确，因此其概率分布无需更新，只对遮蔽终端的概率分布提供更新，例如UE₀的概率分布它只对其它UE提供更新，不接受其它UE的更新；如此迭代若干次后，各个遮蔽终端即可充分利用其它UE的信息，获得更加准确的定位结果，从而达到协作定位的目的。

经过图2所示处理得到各待定位终端的最终位置估计后，后续，还可将各待定位终端作为新的样本终端，结合新的样本终端以及原有样本终端对历史数据库进行更新，具体更新方式请参照前述说明，不再赘述。

基于上述介绍，图7为本发明基站实施例的组成结构示意图。如图7所示，包括：

建立模块71，用于建立历史数据库，其中保存有一个以上聚类点的位置坐标以及每个聚类点的AOA、TOA和SNR；

定位模块72，用于针对每个待定位终端，分别获取其AOA、TOA和SNR，或AOA、TOA、SNR和AGPS位置坐标，如果获取到了AGPS位置坐标，则将获取到的AGPS位置坐标作为该待定位终端的初始位置估计，否则，根据获取到的AOA、TOA和SNR以及各聚类点的AOA、TOA和SNR，找到与该待定位终端最接近的聚类点，将找到的聚类点的位置坐标作为该待定位终端的初始位置估计；计算任意每两个待定位终端之间的近似距离；根据得到的近似距离和初始位置估计，采用和积算法，通过迭代计算得到各待定位终端的最终位置估计。

其中，建立模块71中可包括：

第一处理单元711，用于将蜂窝小区平均划分为M个正三角形区域，M为大于1的正整数，将各正三角形区域的中心作为聚类点，将各正三角形区域的中心的位置坐标作为各聚类点的位置坐标；并通过实地测量，得到一个以上样本终端的位置坐标；

第二处理单元712，用于根据各样本终端的位置坐标以及各聚类点的位置坐标，将各样本终端分别归属到与其距离最近的聚类点，将归属于同一聚类点的样本终端作为一个聚类群，计算每个聚类群的质心，将计算出的质心作为各聚类点的新的位置坐标；确定各聚类点的新的位置坐标是否符合要求，如果是，则用新的位置坐标更新之前的位置坐标，并确定各聚类点的AOA、TOA和SNR，否则，用新的位置坐标更新之前的位置坐标，并重复执行自身功能。

第二处理单元712中可进一步包括(为简化附图，未图示)：

第一处理子单元，用于根据各样本终端的位置坐标以及各聚类点的位置坐标，将各样本终端分别归属到与其距离最近的聚类点，将归属于同一聚类点的样本终端作为一个聚类群；针对每个聚类群D_j，分别计算和将作为其质心，num(D_j)表示聚类群D_j中包含的样本终端数，x_i表示聚类群D_j中包含的任一样本终端i的位置坐标的横坐标，y_i表示样本终端i的位置坐标的纵坐标；将计算出的质心作为各聚类点的新的位置坐标；

第二处理子单元，用于计算 表示任一聚类点j的新的位置坐标的横坐标，表示聚类点j的新的位置坐标的纵坐标，表示聚类点j之前的位置坐标的横坐标，表示聚类点j之前的位置坐标的纵坐标；确定E是否小于预先设定的阈值，如果是，则用新的位置坐标更新之前的位置坐标，并确定各聚类点的AOA、TOA和SNR，否则，用新的位置坐标更新之前的位置坐标，并通知第一处理子单元重复执行自身功能。

定位模块72中包括：

第三处理单元721，用于针对每个待定位终端，分别获取其AOA、TOA和SNR，或AOA、TOA、SNR和AGPS位置坐标，如果获取到了AGPS位置坐标，则将获取到的AGPS位置坐标作为该待定位终端的初始位置估计，否则，针对每个不能获取到AGPS位置坐标的待定位终端，分别计算其AOA、TOA和SNR与各聚类点的AOA、TOA和SNR之间的欧式距离，将计算结果最小的聚类点作为与该待定位终端最接近的聚类点，将最接近的聚类点的位置坐标作为该待定位终端的初始位置估计；并计算任意每两个待定位终端之间的近似距离 $d_{\mathrm{ij}}=\sqrt{d_i^2+d_j^2-2d_i{d}_j\·\cos \mathrm{\β}};$

其中， $d_i=(d_{{\mathrm{SNR}}_i}+d_{{\mathrm{TOA}}_i})/2,d_j=(d_{{\mathrm{SNR}}_j}+d_{{\mathrm{TOA}}_j})/2,$ 表示根据待定位终端i的SNR_i计算出的待定位终端i与基站之间的近似距离，表示根据待定位终端i的TOA_i计算出的待定位终端i与基站之间的近似距离，表示根据待定位终端j的SNR_j计算出的待定位终端j与基站之间的近似距离，表示根据待定位终端j的TOA_j计算出的待定位终端j与基站之间的近似距离，β＝AOA_i-AOA_j；

第四处理单元722，用于根据得到的近似距离和初始位置估计，采用和积算法，通过迭代计算得到每个待定位终端的最终位置估计。

第四处理单元722中可进一步包括(为简化附图，未图示)：

第三处理子单元，用于利用能够获取到AGPS位置坐标的待定位终端组成一个集合S_AGPS，利用不能获取到AGPS位置坐标的待定位终端组成一个集合S_BS；并设定每个待定位终端i的最终位置估计的概率分布均服从以其初始位置估计为中心的二维高斯分布： $P_i(x,y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \{-\frac{{(x-x_{\mathrm{ui}})}^2+{(y-y_{\mathrm{ui}})}^2}{2{\mathrm{\σ}}^2}\},i\∈(S_{\mathrm{BS}}\∪S_{\mathrm{AGPS}}),$ x_ui表示待定位终端i的初始位置估计的横坐标，y_ui表示待定位终端i的初始位置估计的纵坐标；设置一参数l，初始值设为0；

第四处理子单元，用于进行以下处理：

初始化待定位终端i的概率分布： $b_i^{\left(0\right)}(x,y)=P_i(x,y),i\∈(S_{\mathrm{BS}}\∪S_{\mathrm{AGPS}});$

令l＝l+1；

分别计算除待定位终端i以外的其它每个待定位终端j对待定位终端i的概率分布的更新 $u_{j->i}^{\left(l\right)}(x,y)=\underset{s,t}{\mathrm{\Σ}}p\left(d_{\mathrm{ij}}\right|(x,y),(s,t))b_j^{(l-1)}(s,t);i\∈S_{\mathrm{BS}},j\∈(S_{\mathrm{BS}}\∪S_{\mathrm{AGPS}}),j\≠i;$ $p\left(d_{\mathrm{ij}}\right|(x,y),(s,t))=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \{-\frac{{(d_{\mathrm{ij}}-\sqrt{{(x-s)}^2+{(y-t)}^2})}^2}{2{\mathrm{\σ}}^2}\},$ 表示当待定位终端j的位置坐标为(s，t)时，待定位终端i的位置坐标为(x，y)的概率，d_ij表示待定位终端i与待定位终端j之间的近似距离；

更新待定位终端i的概率分布： $\begin{array}{c}{b}_i^{\left(l\right)}(x,y)=P_i(x,y)\·\underset{j\≠i}{\mathrm{\Π}}{u}_{j->i}^{\left(l\right)}(x,y),i\∈S_{\mathrm{BS}}\\ b_i^{\left(l\right)}(x,y)=b_i^{(l-1)}(x,y),i\∈S_{\mathrm{AGPS}}\end{array};$

确定l的取值是否等于预先设定的阈值，如果是，则令 $P_i^{\′}(x,y)=b_i^{\left(l\right)}(x,y),$ $i\∈(S_{\mathrm{BS}}\∪S_{\mathrm{AGPS}}),$ 并计算 ${\hat{x}}_i=\underset{x,y}{\mathrm{\Σ}}x\·P_i^{\′}(x,y),{\hat{y}}_i=\underset{(x,y)}{\mathrm{\Σ}}y\·P_i^{\′}(x,y),i\∈S_{\mathrm{BS}},$ 将作为待定位终端i的最终位置估计，令将作为待定位终端i的最终位置估计；否则，令l＝l+1，并重复执行上述计算更新、更新和确定过程。

上述第二处理单元712可进一步用于，当确定定位模块72得到各待定位终端的最终位置估计后，将各待定位终端作为新的样本终端，结合新的样本终端以及原有样本终端对历史数据库进行更新。

图7所示基站实施例的具体工作流程请参照图2所示方法实施例中的相应说明，此处不再赘述。

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 (13)

1.一种终端定位方法，其特征在于，包括：

A、建立历史数据库，其中保存有一个以上聚类点的位置坐标以及每个聚类点的信号到达角AOA、到达时间TOA和信噪比SNR；

B、针对每个待定位终端，分别获取其AOA、TOA和SNR，或AOA、TOA、SNR和辅助全球定位系统AGPS位置坐标；

如果获取到了AGPS位置坐标，则将获取到的AGPS位置坐标作为该待定位终端的初始位置估计，否则，根据获取到的AOA、TOA和SNR以及各聚类点的AOA、TOA和SNR，找到与该待定位终端最接近的聚类点，将找到的聚类点的位置坐标作为该待定位终端的初始位置估计；

计算任意每两个待定位终端之间的近似距离；

C、根据得到的近似距离和初始位置估计，采用和积算法，通过迭代计算得到每个待定位终端的最终位置估计；

其中，所述步骤C包括：

C1、利用能够获取到AGPS位置坐标的待定位终端组成一个集合S_AGPS，利用不能获取到AGPS位置坐标的待定位终端组成一个集合S_BS；

C2、设定每个待定位终端i的最终位置估计的概率分布均服从以其初始位置估计为中心的二维高斯分布：

$P_i(x,y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \{-\frac{{(x-x_{\mathrm{ui}})}^2+{(y-y_{\mathrm{ui}})}^2}{2{\mathrm{\σ}}^2}\},$ i∈(S_BS∪S_AGPS)；其中，x_ui表示待定位终端i的初始位置估计的横坐标，y_ui表示待定位终端i的初始位置估计的纵坐标；

设置一参数l，初始值设为0；

C3、初始化待定位终端i的概率分布：i∈(S_BS∪S_AGPS)；

C4、令l＝l+1；

C5、分别计算除待定位终端i以外的其它每个待定位终端j对待定位终端i的概率分布的更新i∈S_BS,j∈(S_BS∪S_AGPS),j≠i；

其中， $p\left(d_{\mathrm{ij}}\right|(x,y),(s,t))=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \{-\frac{{(d_{\mathrm{ij}}-\sqrt{{(x-s)}^2+{(y-t)}^2})}^2}{2{\mathrm{\σ}}^2}\},$ 表示当待定位终端j的位置坐标为(s，t)时，待定位终端i的位置坐标为(x，y)的概率，d_ij表示待定位终端i与待定位终端j之间的近似距离；

C6、更新待定位终端i的概率分布：

$b_i^{\left(l\right)}(x,y)=P_i(x,y)\·\underset{j\≠i}{\mathrm{\Π}}{u}_{j->i}^{\left(l\right)}(x,y),$ i∈S_BS；

$b_i^{\left(l\right)}=(x,y)=b_i^{(l-1)}(x,y),$ i∈S_AGPS；

C7、确定l的取值是否等于预先设定的阈值，如果是，则执行步骤C8，否则，令l＝l+1，并重复执行步骤C5；

C8、令 $P_i^{\′}(x,y)=b_i^{\left(l\right)}(x,y),$ i∈(S_BS∪S_AGPS)；

计算 ${\hat{x}}_i=\underset{(x,y)}{\mathrm{\Σ}}x\·P_i^{\′}(x,y),{\hat{y}}_i=\underset{(x,y)}{\mathrm{\Σ}}y\·P_i^{\′}(x,y),$ i∈S_BS，将作为待定位终端i的最终位置估计；令i∈S_AGPS，将作为待定位终端i的最终位置估计。

2.根据权利要求1所述的方法，其特征在于，所述步骤A包括：

A1、将蜂窝小区平均划分为M个正三角形区域，M为大于1的正整数，将各正三角形区域的中心作为聚类点，将各正三角形区域的中心的位置坐标作为各聚类点的位置坐标；

A2、通过实地测量，得到蜂窝小区内一个以上样本终端的位置坐标；

A3、根据各样本终端的位置坐标以及各聚类点的位置坐标，将各样本终端分别归属到与其距离最近的聚类点，将归属于同一聚类点的样本终端作为一个聚类群，计算每个聚类群的质心，将计算出的质心作为各聚类点的新的位置坐标；

A4、确定各聚类点的新的位置坐标是否符合要求，如果是，则用新的位置坐标更新之前的位置坐标，并确定各聚类点的AOA、TOA和SNR，之后执行步骤B，否则，用新的位置坐标更新之前的位置坐标，并重复执行步骤A3。

3.根据权利要求2所述的方法，其特征在于，所述计算每个聚类群的质心包括：

针对每个聚类群D_j，分别计算 $s_j^{l+1}=\frac{1}{\mathrm{num}\left(D_j\right)}\underset{(x_i,y_i)\∈D_j}{\mathrm{\Σ}}{x}_i$ 和 $t_j^{l+1}=\frac{1}{\mathrm{num}\left(D_j\right)}\underset{(x_i,y_i)\∈D_j}{\mathrm{\Σ}}{y}_i,$ 将作为其质心；

其中，num(D_j)表示聚类群D_j中包含的样本终端数，x_i表示聚类群D_j中包含的任一样本终端i的位置坐标的横坐标，y_i表示样本终端i的位置坐标的纵坐标。

4.根据权利要求2所述的方法，其特征在于，所述确定各聚类点的新的位置坐标是否符合要求包括：

计算 $E=\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}({(s_j^{l+1}-s_j^l)}^2+{(t_j^{l+1}-t_j^l)}^2);$

其中，表示任一聚类点j的新的位置坐标的横坐标，表示聚类点j的新的位置坐标的纵坐标，表示聚类点j之前的位置坐标的横坐标，表示聚类点j之前的位置坐标的纵坐标；

确定E是否小于预先设定的阈值，如果是，则确定各聚类点的新的位置坐标符合要求。

5.根据权利要求1所述的方法，其特征在于，所述找到与该待定位终端最接近的聚类点包括：

针对每个不能获取到AGPS位置坐标的待定位终端，分别计算其AOA、TOA和SNR与各聚类点的AOA、TOA和SNR之间的欧式距离，将计算结果最小的聚类点作为与该待定位终端最接近的聚类点。

6.根据权利要求5所述的方法，其特征在于，所述计算欧式距离包括：

针对每个不能获取到AGPS位置坐标的待定位终端i，分别计算： $\mathrm{\ϵ}=l_{\mathrm{AOA}}^2+{(d_{{\mathrm{SNR}}_i}-d_r)}^2+{(d_{{\mathrm{TOA}}_i}-d_r)}^2;$

其中，ε表示欧式距离，表示根据待定位终端i的SNR_i计算出的待定位终端i与基站之间的近似距离，表示根据待定位终端i的TOA_i计算出的待定位终端i与基站之间的近似距离，d_r表示任一聚类点r与基站的距离； $l_{\mathrm{AOA}}=|{\mathrm{AOA}}_i-{\mathrm{AOA}}_r|(((d_{{\mathrm{SNR}}_i}+d_{{\mathrm{TOA}}_i})/2+d_r)/2),$ AOA_i表示待定位终端i的AOA_i，AOA_r表示聚类点r的AOA_r。

7.根据权利要求1所述的方法，其特征在于，所述将找到的聚类点的位置坐标作为该待定位终端的初始位置估计之后，进一步包括：

针对每个不能获取到AGPS位置坐标的待定位终端i，分别计算x_ui＝x_r·cosα-y_r·sinα和y_ui＝x_r·sinα+y_r·cosα；

其中，x_r表示与待定位终端i最接近的聚类点r的位置坐标的横坐标，y_r表示聚类点r的位置坐标的纵坐标，α＝AOA_i-AOA_r，AOA_i表示待定位终端i的AOA_i，AOA_r表示聚类点r的AOA_r；

将(x_ui，y_ui)作为待定位终端i的初始位置估计。

8.根据权利要求1所述的方法，其特征在于，所述计算任意每两个待定位终端之间的近似距离包括：

针对任意每两个待定位终端i和待定位终端j，i≠j,分别计算： $d_{\mathrm{ij}}=\sqrt{d_i^2+d_j^2-2d_i{d}_j\·\cos \mathrm{\β}};$

其中，d_ij表示待定位终端i和待定位终端j之间的近似距离， $d_i=(d_{{\mathrm{SNR}}_i}+d_{{\mathrm{TOA}}_i})/2,d_j=(d_{{\mathrm{SNR}}_j}+d_{{\mathrm{TOA}}_j})/2,$ 表示根据待定位终端i的SNR_i计算出的待定位终端i与基站之间的近似距离，表示根据待定位终端i的TOA_i计算出的待定位终端i与基站之间的近似距离，表示根据待定位终端j的SNR_j计算出的待定位终端j与基站之间的近似距离，表示根据待定位终端j的TOA_j计算出的待定位终端j与基站之间的近似距离，β＝AOA_i-AOA_j，AOA_i表示待定位终端i的AOA_i，AOA_j表示待定位终端j的AOA_j。

9.根据权利要求2、3或4所述的方法，其特征在于，所述步骤C之后，进一步包括：将各待定位终端作为新的样本终端，结合新的样本终端以及原有样本终端对历史数据库进行更新。

10.一种基站，其特征在于，包括：

建立模块，用于建立历史数据库，其中保存有一个以上聚类点的位置坐标以及每个聚类点的信号到达角AOA、到达时间TOA和信噪比SNR；

定位模块，用于针对每个待定位终端，分别获取其AOA、TOA和SNR，或AOA、TOA、SNR和辅助全球定位系统AGPS位置坐标，如果获取到了AGPS位置坐标，则将获取到的AGPS位置坐标作为该待定位终端的初始位置估计，否则，根据获取到的AOA、TOA和SNR以及各聚类点的AOA、TOA和SNR，找到与该待定位终端最接近的聚类点，将找到的聚类点的位置坐标作为该待定位终端的初始位置估计；计算任意每两个待定位终端之间的近似距离；根据得到的近似距离和初始位置估计，采用和积算法，通过迭代计算得到各待定位终端的最终位置估计；

其中，所述定位模块包括：

第三处理单元，用于针对每个待定位终端，分别获取其AOA、TOA和SNR，或AOA、TOA、SNR和AGPS位置坐标，如果获取到了AGPS位置坐标，则将获取到的AGPS位置坐标作为该待定位终端的初始位置估计，否则，针对每个不能获取到AGPS位置坐标的待定位终端，分别计算其AOA、TOA和SNR与各聚类点的AOA、TOA和SNR之间的欧式距离，将计算结果最小的聚类点作为与该待定位终端最接近的聚类点，将最接近的聚类点的位置坐标作为该待定位终端的初始位置估计；并计算任意每两个待定位终端之间的近似距离 $d_{\mathrm{ij}}=\sqrt{d_i^2+d_j^2-2d_i{d}_j\·\cos \mathrm{\β}};$

其中， $d_i=(d_{{\mathrm{SNR}}_i}+d_{{\mathrm{TOA}}_i})/2,d_j=(d_{{\mathrm{SNR}}_j}+d_{{\mathrm{TOA}}_j})/2,$ 表示根据待定位终端i的SNR_i计算出的待定位终端i与基站之间的近似距离，表示根据待定位终端i的TOA_i计算出的待定位终端i与基站之间的近似距离，表示根据待定位终端j的SNR_j计算出的待定位终端j与基站之间的近似距离，表示根据待定位终端j的TOA_j计算出的待定位终端j与基站之间的近似距离，β＝AOA_i-AOA_j，AOA_i表示待定位终端i的AOA_i，AOA_j表示待定位终端j的AOA_j；

第四处理单元，用于根据得到的近似距离和初始位置估计，采用和积算法，通过迭代计算得到每个待定位终端的最终位置估计；

所述第四处理单元包括：

第三处理子单元，用于利用能够获取到AGPS位置坐标的待定位终端组成一个集合S_AGPS，利用不能获取到AGPS位置坐标的待定位终端组成一个集合S_BS；并设定每个待定位终端i的最终位置估计的概率分布均服从以其初始位置估计为中心的二维高斯分布： $P_i(x,y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \{-\frac{{(x-x_{\mathrm{ui}})}^2+{(y-y_{\mathrm{ui}})}^2}{2{\mathrm{\σ}}^2}\},$ i∈(S_BS∪S_AGPS)，x_ui表示待定位终端i的初始位置估计的横坐标，y_ui表示待定位终端i的初始位置估计的纵坐标；设置一参数l，初始值设为0；

第四处理子单元，用于进行以下处理：

初始化待定位终端i的概率分布：i∈(S_BS∪S_AGPS)；

令l＝l+1；

分别计算除待定位终端i以外的其它每个待定位终端j对待定位终端i的概率分布的更新i∈S_BS,j∈(S_BS∪S_AGPS),j≠i； $p\left(d_{\mathrm{ij}}\right|(x,y),(s,t))=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp \{-\frac{{(d_{\mathrm{ij}}-\sqrt{{(x-s)}^2+{(y-t)}^2})}^2}{2{\mathrm{\σ}}^2}\},$ 表示当待定位终端j的位置坐标为(s，t)时，待定位终端i的位置坐标为(x，y)的概率，d_ij表示待定位终端i与待定位终端j之间的近似距离；

更新待定位终端i的概率分布： $\begin{array}{cc}{b}_i^{\left(l\right)}(x,y)=P_i(x,y)\·\underset{j\≠i}{\mathrm{\Π}}{u}_{j->i}^{\left(l\right)}(x,y),& i\∈S_{\mathrm{BS}}\\ b_i^{\left(l\right)}(x,y)=b_i^{(l-1)}(x,y),& i\∈S_{\mathrm{AGPS}}\end{array};$

确定l的取值是否等于预先设定的阈值，如果是，则令i∈(S_BS∪S_AGPS)，并计算 ${\hat{x}}_i=\underset{(x,y)}{\mathrm{\Σ}}x\·P_i^{\′}(x,y),{\hat{y}}_i=\underset{(x,y)}{\mathrm{\Σ}}y\·P_i^{\′}(x,y),$ i∈S_BS，将作为待定位终端i的最终位置估计，令i∈S_AGPS，将作为待定位终端i的最终位置估计；否则，令l＝l+1，并重复执行上述计算更新、更新和确定过程。

11.根据权利要求10所述的基站，其特征在于，所述建立模块包括：

第一处理单元，用于将蜂窝小区平均划分为M个正三角形区域，M为大于1的正整数，将各正三角形区域的中心作为聚类点，将各正三角形区域的中心的位置坐标作为各聚类点的位置坐标；并通过实地测量，得到蜂窝小区内一个以上样本终端的位置坐标；

第二处理单元，用于根据各样本终端的位置坐标以及各聚类点的位置坐标，将各样本终端分别归属到与其距离最近的聚类点，将归属于同一聚类点的样本终端作为一个聚类群，计算每个聚类群的质心，将计算出的质心作为各聚类点的新的位置坐标；确定各聚类点的新的位置坐标是否符合要求，如果是，则用新的位置坐标更新之前的位置坐标，并确定各聚类点的AOA、TOA和SNR，否则，用新的位置坐标更新之前的位置坐标，并重复执行自身功能。

12.根据权利要求11所述的基站，其特征在于，所述第二处理单元包括：

第一处理子单元，用于根据各样本终端的位置坐标以及各聚类点的位置坐标，将各样本终端分别归属到与其距离最近的聚类点，将归属于同一聚类点的样本终端作为一个聚类群；针对每个聚类群D_j，分别计算和将作为其质心，num(D_j)表示聚类群D_j中包含的样本终端数，x_i表示聚类群D_j中包含的任一样本终端i的位置坐标的横坐标，y_i表示样本终端i的位置坐标的纵坐标；将计算出的质心作为各聚类点的新的位置坐标；

第二处理子单元，用于计算 表示任一聚类点j的新的位置坐标的横坐标，表示聚类点j的新的位置坐标的纵坐标，表示聚类点j之前的位置坐标的横坐标，表示聚类点j之前的位置坐标的纵坐标；确定E是否小于预先设定的阈值，如果是，则用新的位置坐标更新之前的位置坐标，并确定各聚类点的AOA、TOA和SNR，否则，用新的位置坐标更新之前的位置坐标，并通知所述第一处理子单元重复执行自身功能。

13.根据权利要求11或12所述的基站，其特征在于，所述第二处理单元进一步用于，当确定所述定位模块得到各待定位终端的最终位置估计后，将各待定位终端作为新的样本终端，结合新的样本终端以及原有样本终端对历史数据库进行更新。