CN102970257A - 用于提高定位精度的信道估计方法 - Google Patents

Abstract

本发明揭示了一种用于提高定位精度的信道估计方法。该方法包括利用TOA测量值及AGC(自动增益控制)值，结合先验统计信道模型信息计算每种信道状态的概率；可使用“软权重”和“硬权重”两种权重分配方案来利用信道状态估计信息，从而提高定位精度。本发明通过利用TOA和AGC测量值，可以有效区分LOS(视距传播)、NLOS-DP(非视距传播-直接路径可用)及NLOS-NDP(非视距传播-直接路径阻断)三种信号传播状态，相对于盲信道定位方法，可有效提高定位精度。

Description

用于提高定位精度的信道估计方法

【技术领域】

本发明涉及无线网络定位领域，特别涉及一种用于提高无线定位精度的信道状态估计方法。

【背景技术】

无线网络中的协同定位技术使得在公共场所对物体和人物的跟踪、商业和军事服务应用程序开发成为可能。典型例子包括仓库库存和设备的跟踪、医院的病人和医疗设备的跟踪，以及消防人员和战场部队的跟踪等。无线网络的定位技术大大降低了部署和维护成本。

使用UWB(超宽带)、CSS(线性序列扩频)等无线电技术的TOA(到达时间)的测距方法，可以提供较高的定位精度。对于一个典型的无线网络，定位性能高度依赖于传播信道的条件。对于在LOS(视距传播)信道状态下的测距，DP是最强路径，UWB、CSS等无线网络能够提供很高的测距精度。

不幸的是，在NLOS信道状态下的距离测量面临更加困难的挑战，因为DP能被检测到，但却被削弱或被完全阻断。在前者的情况下，测距性能稍微降低，因为DP不是最强路径。在后一种情况下，由于障碍物的过多阻挡，DP严重衰减并被严重阻塞，而测距精度明显降低。在此恶劣的条件下，使用最强路径或使用可识别的首至波进行距离估计则将得到一个正偏差。这种正偏差可以是非常大的，因此不利于整体的定位精度，特别是当定位算法不加区别地使用所有可用的测距测量值的时候更加严重。

【发明内容】

本发明的目的在于提供一种估计信道传播状态的方法，准确地估计与距离测量值相关的信道状态，并利用信道传播状态的估计结果，提高无线网络的定位精度。

为了达到本发明的目的，根据本发明的一个方面，本发明提供一种信道状态识别算法，该识别算法结合了TOA测量值和AGC值，并利用先验统计信道模型信息来计算每个信道状态的概率。可以将无线网络中的信道状态分为三类，如下：

1)LOS信道：发射节点和接收节点之间的DP通畅，因此在发射节点和接收节点之间，直接路径中包含了总的接收信号功率中的有效部分。

2)NLOS-DP信道：LOS是被阻碍的，但在发射节点和接收节点之间的DP信号是衰减的，并可被检测到。根据接收器的灵敏度，一些直接路径的信号可以被接收。

3)NLOS-NDP通道：LOS被阻碍的，在发射节点和接收节点之间的DP信号被完全阻断，因此在接收机处不能被检测到能量。

在此，这三个信道状态分别表示为C₀，C₁和C₂。在实际配置环境中，无线网络中链路往往混合所有三个信道状态。

i^th和j^th两个节点之间，我们给定一个基于TOA的距离估计值

和AGC测量值

我们计算给定信道的条件概率

首先我们规定它是可以利用贝叶斯公式计算的，

$p\left(C_i\right|\hat{d},{\hat{r}}_{\mathrm{agc}})=\frac{f\left({\hat{r}}_{\mathrm{agc}}\right|C_i,\hat{d})p\left(C_i\right|\hat{d})}{{\mathrm{\Σ}}_{k=0}^{2}f\left({\hat{r}}_{\mathrm{agc}}\right|C_k,\hat{d})p\left(C_k\right|\hat{d})},$

其中，

是在给定的TOA测量值下，某给定的信道状态的信号功率的分布函数，

是在给定的TOA测量值下，某给定的信道状态出现的概率，可以类似使用贝叶斯公式得到，

$p\left(C_i\right|\hat{d})=\frac{f\left(\hat{d}\right|C_i)p\left(C_i\right)}{{\mathrm{\Σ}}_{k=0}^{2}f\left(\hat{d}\right|C_k)p\left(C_k\right)},$

其中，

是信道状态C_i的TOA测量值的分布函数，p(C_i)是信道状态C_i的概率。

先验信息

可以通过信道测量值和路径损耗模型PL获得。该模型描述了距离与功率的关系，路径损耗模型PL通常由以下式子给出：

PL＝P₀+10αlog₁₀(d)+χ，

式中，P₀是路径损耗的基准距离，通常为1m，α是路径损耗指数，χ是服从对数正态分布的遮蔽衰退分量。对于NLOS信道，路径损耗通常适合以下给出的两式模型：

$\mathrm{PL}=\left\{\begin{array}{c}{P}_0+10{\mathrm{\α}}_1{\log }_{10}\left(d\right)+{\mathrm{\χ}}_1,d\≤d_{\mathrm{break}}\\ \mathrm{PL}\left(d_{\mathrm{break}}\right)+10{\mathrm{\α}}_2{\log }_{10}(d/d_{\mathrm{break}})+{\mathrm{\χ}}_2,d>d_{\mathrm{break}}\end{array}\right.,$

式中，α₁，χ₁，α₂和χ₂是路径损耗指数和遮蔽衰退分量分别在中断距离前后的值和他们由于掩蔽而在不同信道状态下的变化值，其中中断距离是环境所决定的参数，因为节点之间有障碍物，导致较高的距离-功率衰减。然而，因为网络节点之间的障碍，NLOS信道具有较高的距离-功率衰减。C₁和C₂之间的路径损耗的情况可以进一步区分，由于前者的DP虽然有衰减但总是可用的，而后者的DP的堵塞导致更高的距离-功率衰减。这意味着，对于一个给定的估计距离，我们是能够使用AGC和先验的路径损耗模型区分出信道状态的。

在对进行计算时，

概率分布函数将会通过

来赋权重，这是一个由

和p(C_k)组成的函数。而在NLOS信道状态下，因为DP随着距离的增加而变得越来越容易被阻塞，

是

的单调递减函数，

是

的单调递增函数，可以用下式代替计算：

$f\left(\hat{d}\right|C_0)=\left\{\begin{array}{c}\frac{1}{d_c},d\≤d_c\\ 0,d>d_c\end{array}\right.$

$f\left(\hat{d}\right|C_1)=\left\{\begin{array}{c}\frac{2(d_c-d)}{{d_c}^2},d\≤d_c\\ 0,d>d_c\end{array}\right.,$

$f\left(\hat{d}\right|C_2)=\left\{\begin{array}{c}\frac{2d}{{d_c}^2},d\≤d_c\\ 0,d>d_c\end{array}\right.$

这样就大大降低了算法的整体计算复杂性。

根据本发明的另一方面，是将该信道估计算法集成到无线网络的定位中，根本目的是提高定位算法精确度。

在无线网络中，测距信息是在移动节点和锚节点之间测量的，以便为整个网络的未知位置节点进行定位。我们将带有先验定位信息的一系列节点记为A，称为“锚节点”，将没有定位信息的节点记为T，称为“移动节点”。在定位过程中，根据所有或者部分的T与A之间的距离估计值来估计S中所有节点的位置。并且本文中定位性能可以通过节点位置的RMSE(均方根误差)来定量评价，公式如下：

$\mathrm{RMSE}\left(\mathrm{\θ}\right)=\sqrt{\underset{i\∈S}{\mathrm{\Σ}}{(x_i-{\hat{x}}_i)}^2+{(y_i-{\hat{y}}_i)}^2},$

其中，(x_i，y_i)是节点i的真是坐标，

是估计坐标。

为了达到提高定位精度的目的，本发明提出了两种权重分配方法，利用信道估计算法的输出结果，为每条链路赋权重，它们分别是“软”权重和“硬”权重分配方法。下面给予说明：

(1)通过比较

在所有三个信道状态下的概率值，“硬”决策即选择

最大的那个信道状态，即

$C_k=\arg \underset{k}{\max }p\left(C_k\right|\hat{d},{\hat{r}}_{\mathrm{agc}}),$

然后根据被识别的信道状态C_k，将一个“硬”权重ω分配到每条链路中去；

(2)另一种方法，是一个“软”权重分配机制的使用，权重由下面公式计算得到：

$\mathrm{\ω}=\frac{{\mathrm{\Σ}}_{k=0}^2{G}_{k}p\left(C_k\right|\hat{d},{\hat{r}}_{\mathrm{agc}})}{{\mathrm{\Σ}}_{k=0}^{2}p\left(C_k\right|\hat{d},{\hat{r}}_{\mathrm{agc}})},$

其中，G_k是硬权重，是为信道状态LOS，NLOS-DP和NLOS-NDP所选的硬权重，并且满足G₀＞G₁＞G₂。

一旦每条链路的权重被决定下来，节点i，(i∈S)的位置

的最小二乘解可以由最小化代价函数得到，代价函数如下：

$E\left[\widehat{\mathrm{\θ}}\right]={[\hat{d}-F\left(\widehat{\mathrm{\θ}}\right)]}^{T}W[\hat{d}-F\left(\widehat{\mathrm{\θ}}\right)],$

其中是移动节点到锚节点的距离测量值向量，

是被估距离向量，由下式给出：

$F\left(\widehat{\mathrm{\θ}}\right)=\left[\begin{array}{c}\sqrt{{({\hat{x}}_i-x_1^A)}^2+{({\hat{y}}_i-y_1^A)}^2}\\ ...\\ \sqrt{{({\hat{x}}_i-x_m^A)}^2+{({\hat{y}}_i-y_m^A)}^2}\end{array}\right],$

其中，

是已知的第m个锚节点的坐标，(m∈A)，而W是一个对角矩阵，

对角线上的元素是从权重分配方法得到的“软”权重或者“硬”权重。

通过上述方法最终得到所有T中节点的位置被计算出来，通过RMSE进行评价，本发明方法比现有的盲信道定位算法的RMSE要低很多。

【附图说明】

结合参考附图及接下来的详细描述，本发明将更容易理解，图1为本发明中一种用于提高无线定位精度的信道状态估计方法在一个实施例中的方法流程图

【具体实施方式】

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例提供了一种信道状态识别算法，并提供了基于该识别算法的无线网络的定位方案。

实施例的网络环境包括一个单独的移动终端(MT)和四个基站(BS)。MT在一个15m×15m的区域中被随机放置和移动，四个BS被放置在该区域的四个角落上。对每条MT和BS之间的链路来说，信道状态可设置为以同样的概率随机产生的，即p(C₀)＝p(C₁)＝p(C₂)，AGC值和TOA值的先验信息则根据信道损耗模型PL获得。基于AGC和TOA测量值，信道状态则会根据信道状态识别算法来进行估计，即使用条件概率公式对每条链路进行判断：

$p\left(C_i\right|\hat{d},{\hat{r}}_{\mathrm{agc}})=\frac{f\left({\hat{r}}_{\mathrm{agc}}\right|C_i,\hat{d})p\left(C_i\right|\hat{d})}{{\mathrm{\Σ}}_{k=0}^{2}f\left({\hat{r}}_{\mathrm{agc}}\right|C_k,\hat{d})p\left(C_k\right|\hat{d})}$

然后，将“软”权重在定位节点上被使用，为每条链路赋予权重：

$\mathrm{\ω}=\frac{{\mathrm{\Σ}}_{k=0}^2{G}_{k}p\left(C_k\right|\hat{d},{\hat{r}}_{\mathrm{agc}})}{{\mathrm{\Σ}}_{k=0}^{2}p\left(C_k\right|\hat{d},{\hat{r}}_{\mathrm{agc}})},$

这里，我们选择其中的参数为G₀＝10，G₁＝1，G₂＝0.1。那么节点i，(i∈S)的位置

的最小二乘解可以由最小化代价函数得到，代价函数如下：

$E\left[\widehat{\mathrm{\θ}}\right]={[\hat{d}-F\left(\widehat{\mathrm{\θ}}\right)]}^{T}W[\hat{d}-F\left(\widehat{\mathrm{\θ}}\right)]$

其中

是移动节点到锚节点的距离测量值向量，

是被估距离向量，

由下式给出：

$F\left(\widehat{\mathrm{\θ}}\right)=\left[\begin{array}{c}\sqrt{{({\hat{x}}_i-x_1^A)}^2+{({\hat{y}}_i-y_1^A)}^2}\\ ...\\ \sqrt{{({\hat{x}}_i-x_m^A)}^2+{({\hat{y}}_i-y_m^A)}^2}\end{array}\right],$

其中，

是已知的第m个锚节点的坐标，(m∈A)，而W是一个对角矩阵，

对角线上的元素是上面得到的“软”权重值。

通过上述方法最终得到所有S中节点的位置被计算出来。

上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于所述具体实施方式。

Claims (7)

1.一种用于提高定位精度的信道估计方法，其特征在于，所述方法包括：

对网络中的两个节点i^th和j^th，通过基于TOA测量的距离估计值

及AGC测量值

计算条件概率

以判断目前属于哪种信道传播状态；

获得信道状态估计后，使用“软权重”和“硬权重”两种权重分配方案分配链路的权重值，通过链路上的权重值，计算出节点i位置的最小二乘解，以获得较高精度的定位。

2.根据权利要求1所述的信道状态估计算法，对于条件概率的计算，其特征在于，所述的条件概率

是可以利用贝叶斯公式计算的，

$p\left(C_i\right|\hat{d},{\hat{r}}_{\mathrm{agc}})=\frac{f\left({\hat{r}}_{\mathrm{agc}}\right|C_i,\hat{d})p\left(C_i\right|\hat{d})}{{\mathrm{\Σ}}_{k=0}^{2}f\left({\hat{r}}_{\mathrm{agc}}\right|C_k,\hat{d})p\left(C_k\right|\hat{d})},$

其中，C_i表示某给定信道状态，C₀代表LOS信道状态，C₁代表NLOS-DP状态，C₂代表NLOS-NDP状态，

是在给定的TOA测量值下，某给定的信道状态的信号功率的分布函数，

是在给定的TOA测量值下，某给定的信道状态出现的概率，先验信息

可以通过信道测量值和路径损耗模型获得。

3.根据权利要求2所述的条件概率的计算方法方法，对所述的某给定信道状态的出现概率

的计算，其特征在于，所述方法中，可以类似使用贝叶斯公式得到，即

$p\left(C_i\right|\hat{d})=\frac{f\left(\hat{d}\right|C_i)p\left(C_i\right)}{{\mathrm{\Σ}}_{k=0}^{2}f\left(\hat{d}\right|C_k)p\left(C_k\right)},$

其中，是信道状态C_i的TOA测量值的分布函数，p(C_i)是信道状态C_i的概率；

4.根据权利要求2所述的条件概率的计算方法，对于路径损耗模型，其特征在于，该模型描述了距离与功率的关系，路径损耗模型PL通常由以下式子给出：

PL＝P₀+10αlog₁₀(d)+χ，

式中，P₀是路径损耗的基准距离，通常为1m，α是路径损耗指数，χ是服从对数正态分布的遮蔽衰退分量；

对于NLOS信道，路径损耗通常适合以下给出的两式模型：

$\mathrm{PL}=\left\{\begin{array}{c}{P}_0+10{\mathrm{\α}}_1{\log }_{10}\left(d\right)+{\mathrm{\χ}}_1,d\≤d_{\mathrm{break}}\\ \mathrm{PL}\left(d_{\mathrm{break}}\right)+10{\mathrm{\α}}_2{\log }_{10}(d/d_{\mathrm{break}})+{\mathrm{\χ}}_2,d>d_{\mathrm{break}}\end{array}\right.,$

式中，α₁，χ₁，α₂和χ₂是路径损耗指数和遮蔽衰退分量分别在中断距离前后的值和他们由于掩蔽而在不同信道状态下的变化值，其中中断距离是环境所决定的参数，因为节点之间有障碍物，导致较高的距离-功率衰减；进一步，对于NLOS-DP状态的信道，由于DP虽然有衰减但总是可用的；而NLOS-DP状态的信道，由于DP的阻塞导致非常高的距离-功率衰减；对于LOS信道，网络节点之间没有障碍物来降低距离-功率衰减；正是利用这三种不同信道状态的以上的不同之处，可以通过我们的方法进行区分。

5.根据权利要求2所述的对条件概率的计算方法，对于

的计算，其特征在于，所述方法中概率分布函数将会通过来赋权重，这是一个由

和p(C_k)组成的函数。在NLOS信道状态下，因为DP随着距离的增加而变得越来越容易被阻塞，

是

的单调递减函数，

是

的单调递增函数，可以用下式代替计算：

$f\left(\hat{d}\right|C_0)=\left\{\begin{array}{c}\frac{1}{d_c},d\≤d_c\\ 0,d>d_c\end{array}\right.$

$f\left(\hat{d}\right|C_1)=\left\{\begin{array}{c}\frac{2(d_c-d)}{{d_c}^2},d\≤d_c\\ 0,d>d_c\end{array}\right.,$

$f\left(\hat{d}\right|C_2)=\left\{\begin{array}{c}\frac{2d}{{d_c}^2},d\≤d_c\\ 0,d>d_c\end{array}\right.$

这样大大降低了之前的计算复杂度。

6.根据权利要求1所述的权重分配方法，其特征在于，所述方法为了降低NLOS引起的测距误差，提高定位精度，所述方法中包含的“硬”权重和“软”权重分配方法如下：

通过比较

在所有三个信道状态下的概率值，“硬”决策即选择

最大的那个信道状态，即

$C_k=\arg \underset{k}{\max }p\left(C_k\right|\hat{d},{\hat{r}}_{\mathrm{agc}}),$

然后根据被识别的信道状态C_k，一个“硬”权重ω被分配到每条链路中去；另一种方法，是一个“软”权重分配机制的使用，权重由下面公式计算得到：

$\mathrm{\ω}=\frac{{\mathrm{\Σ}}_{k=0}^2{G}_{k}p\left(C_k\right|\hat{d},{\hat{r}}_{\mathrm{agc}})}{{\mathrm{\Σ}}_{k=0}^{2}p\left(C_k\right|\hat{d},{\hat{r}}_{\mathrm{agc}})},$

其中，G_k是为信道状态LOS，NLOS-DP和NLOS-NDP所选的硬权重，并且满足G₀＞G₁＞G₂。

7.根据权利要求1所述的对节点位置的求解，其特征在于，一旦每条链路的权重被决定下来，节点i，(i∈S)的位置

的最小二乘解可以由最小化代价函数得到，代价函数如下：

$E\left[\widehat{\mathrm{\θ}}\right]={[\hat{d}-F\left(\widehat{\mathrm{\θ}}\right)]}^{T}W[\hat{d}-F\left(\widehat{\mathrm{\θ}}\right)],$

其中

是移动节点到锚节点的距离测量值向量，

是被估距离向量，

由下式给出：

$F\left(\widehat{\mathrm{\θ}}\right)=\left[\begin{array}{c}\sqrt{{({\hat{x}}_i-x_1^A)}^2+{({\hat{y}}_i-y_1^A)}^2}\\ ...\\ \sqrt{{({\hat{x}}_i-x_m^A)}^2+{({\hat{y}}_i-y_m^A)}^2}\end{array}\right],$

其中，

是已知的第m个锚节点的坐标，(m∈A)，而W是一个对角矩阵，

对角线上的元素是从权重分配方法得到的“软”权重或者“硬”权重。

Images