CN103607772A - 一种基于lmbp神经网络的泰勒定位算法 - Google Patents
一种基于lmbp神经网络的泰勒定位算法 Download PDFInfo
- Publication number
- CN103607772A CN103607772A CN201310658425.7A CN201310658425A CN103607772A CN 103607772 A CN103607772 A CN 103607772A CN 201310658425 A CN201310658425 A CN 201310658425A CN 103607772 A CN103607772 A CN 103607772A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- lmbp
- tdoa
- taylor
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明涉及一种基于LMBP神经网络的泰勒定位算法,所述LMBP神经网络模块对TDOA测量数据进行修正,减少TDOA测量值中的NLOS误差,泰勒定位算法接受经过LMBP神经网络修正过的测量数据作为初始输入数据,进行定位算法运算后得到系统定位结果,本发明算法效率高,准确度高,全面较好地决绝了对区域大小以及基站个数的完全依赖。本发明基站个数的增加并不敏感,因此对硬件的要求较为宽松。本发明增加了自我学习和提炼功能,可以有效的获得一套规律性的数据,减少无谓的计算量。
Description
技术领域
本发明涉及一种智能定位算法,具体涉及一种基于LMBP神经网络的泰勒定位算法。
背景技术
对于目前物流行业、医院以及通信行业,精确的定位功能被越来越多的受到关注,当然,随之产生的定位技术也多种多样。但是绝大多数的定位算法都对物理硬件有着较高的要求,比如在较近的范围内才适用,又或者必须有若干个基站的基础上才可以进行精确的物理定位等。
常用的定位算法为泰勒序列展开定位算法,
该算法在视距(LOS)环境下有着较好的定位精度,但是在非视距环境下,即NLOS环境下,泰勒序列展开定位算法的定位精度大大下降。Chan算法是一种基于TDOA技术、具有解析表达式解的定位算法,该算法的特点是计算量小,在噪声服从高斯分布的环境下,定位精度高。但在非视距(NLOS)环境下,Chan氏算法的定位精度也会有所下降。目前,在使用泰勒算法、Chan算法等进行定位的同时也会引入一些神经算法如:RBF神经网络。但是RBF神经网络容易造成“局部极小点”,这种情形是应该尽量避免发生的,并且该算法精度相对较低,且耗时长。缺乏自动学习的功能,增加了重复多次计算的负担,提取特征参数的方法复杂,参数较多,运算复杂且占用大量存储空间和时间,降低了识别效率。
发明内容
本发明克服了现有技术的不足,提出了一种基于LMBP神经网络的泰勒定位算法,使用人工智能中的LMBP神经网络。LMBP网络能学习和存储大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的收敛速度快、误差小而且避免了局部极小问题,所述算法利用LMBP神经网络较快的学习特性和逼近任意非线性映射的能力,对NLOS传播的误差进行修正,再利用Chan算法为泰勒序列展开定位算法提供精确的初始值的方式进行定位。进而综合提高了定位的精确性和效率。
本发明的技术方案为:一种基于LMBP神经网络的泰勒定位算法,所述LMBP神经网络模块对TDOA测量数据进行修正,减少TDOA测量值中的NLOS误差,泰勒定位算法接受经过LMBP神经网络修正过的测量数据作为初始输入数据,进行定位算法运算后得到系统定位结果,具体算法步骤如下:
1)通过基站对确定移动台的位置,作为目标数据,之后根据TDOA 测量误差模型产生相应的测量数据,将模拟的测量数据分为两部分,其中一半用于训练神经网络,另一半用于性能仿真;
2)建立和训练LMBP 网络,以移动台的不含NLOS 误差的TDOA 为目标样本矢量对网络进行训练,具体LMBP人工神经网络算法基本流程就是:
初始步:给出BP 网络初始权值W0, u0, 误差阀值E0, 其中u0>0, E>0, 并令k= 0,
第k 次迭代:
1) 输入样本xK , 计算gK , 若‖gK‖< E, 学习结束; 否则计算H K,
2) 分解H K + uK , 若不正定, 置uK = 4uK , 并重复这一步直到HK+uK 正定,
3) 解方程(H K + uK ) s= - g K , 得sK,
4) 求E (H K + sK ) , qK (sK ) , 和rK ,
这里qK(sK ) = E (W K ) + g T Ks+(1/2)sTH K s,
5) 若rK < 0. 25, 置uK + 1= 4uK ; 若rK > 0. 75, 置uK + 1=uK/2; 否则置uK + 1= uK,
6) 若rK<= 0, 置换W K + 1= W K ; 否则置W K + 1= W K + SK,
7) 令K = K + 1, 转1),
3) 用训练好的LMBP网络对模拟的TDOA测量数据进行修正,利用修正后的TDOA值采用泰勒算法进行位置估算,泰勒级数展开算法是一种需要移动台初始估计位置的递归算法,在每一次递归中通过求解TDOA测量误差的局部最小二乘的解来改进对移动台的估计位置。
在一般蜂窝网络信道环境中,泰勒级数展开法都能得到比较准确的计算结果,具有精度高,稳健性强等特点;但该算法需要一个与实际位置接近的初始估计位置,以保证算法收敛,对不收敛的情况不能事先判断。在实际应用中,泰勒级数展开法通常具有较好的定位性能,但该方法需要递归求解,在基站近似于直线排列等非标准基站布局下会出现较多的不收敛情况,算法计算量也较大。
由于泰勒级数展开法初始值的选取对定位结果影响很大。如果初始值选取不合适,可能导致算法的不收敛。因此,可以先通过某种算法,对测量数据进行初始定位,将定位的结果作为泰勒级数展开法的初始值,然后,再利用泰勒级数展开法进行定位运算。
本发明具有如下有益效果:
1)本发明算法效率高,准确度高,全面较好地决绝了对区域大小以及基站个数的完全依赖。
2)本发明对基站个数的增加并不敏感,因此对硬件的要求较为宽松。
3)本发明增加了自我学习和提炼功能,可以有效的获得一套规律性的数据,减少无谓的计算量。
附图说明
图1为基站与移动台的位置分布图。
具体实施方式
参见图1所示,移动台(MS)位置:在仿真中假设移动台均匀分布在图1阴影部分所示的1/12小区内。选取其中100个位置进行仿真分析。除了分析小区半径对定位性能影响之外,在其他情况下,小区半径均取1 km。假设TDOA 系统测量误差为独立同分布的均值为0,标准差为0.1us(约30 m)的高斯随机变量。MS 与所有基站之间均为NLOS。
Taylor算法在LOS环境下具有很好的定位精度,对于NLOS环境中误差较大的TDOA测量值,该算法的性能将受到较大影响。利用LMBP网络对TDOA测量数据进行修正,从而减小TDOA测量值中的NLOS误差,然后利用Taylor算法进行定位将有效的提高系统的定位精度。
部分仿真数据采集:
表1 小区半径及MS位置部分相对数据
表1主要用于仿真结果对比及其分析。
仿真步骤如下:
(1)首先产生均匀分布的200个MS 位置,作为目标数据。然后根据TDOA 测量误差模型产生相应的模拟的测量数据。
(2)将模拟的测量数据分为两部分,其中一半用于训练神经网络,另一半用于性能仿真。
(3)建立和训练LMBP 网络。以移动台的不含NLOS 误差的TDOA 为目标样本矢量对网络进行训练。具体LMBP人工神经网络算法基本流程就是:
初始步:给出BP 网络初始权值W0, u0, 误差阀值E0, 其中u0>0, E>0, 并令k= 0.
第k 次迭代:
1) 输入样本xK , 计算gK , 若‖gK‖< E, 学习结束; 否则计算H K.
2) 分解H K + uK , 若不正定, 置uK = 4uK , 并重复这一步直到HK+uK正定.
3) 解方程(H K + uK ) s= - g K , 得sK.
4) 求E (H K + sK ) , qK (sK ) , 和rK , 这里qK(sK ) = E (W K ) + g T Ks+(1/2)sTH K s.
5) 若rK < 0. 25, 置uK + 1= 4uK ; 若rK > 0. 75, 置uK + 1=uK/2; 否则置uK + 1= uK.
6) 若rK<= 0, 置换W K + 1= W K ; 否则置W K + 1= W K + SK.
7) 令K = K + 1, 转1).
(4)模拟的测量数据的仿真,先用训练好的LMBP网络对模拟的TDOA测量数据进行修正。利用修正后的TDOA值采用Taylor 算法进行位置估算。Taylor算法以MS的真实值作为初始值进行展开。计算定位的均方根误差RSME、定位精度<125 m的概率。
通过计算机仿真对基于LMBP神经网络的泰勒级数展开算法在不同信道环境下的性能进行了分析,并与Taylor算法、Chan算法在相同条件下的结果进行了分析比较。
仿真结果与分析:
(1) 区域半径大小对定位性能的影响
表2 小区半径及其误差分析数据
从表2可以看出,3种算法随着区域半径的增大,定位的均方根误差随之增大,定位误差在125m以内的概率则随之减小。其原因是由于NLOS引起的误差随着距离的增大而增大,正是由于区域半径的增大,MS与BS之间的距离会有所增大,所以导致了NLOS误差的增大,定位精度的下降。3种算法中Chan算法定位精度和可靠性最差,Taylor算法稍好,这是由于这三种算法仅仅考虑系统测量误差造成的影响,而NLOS的误差影响又大于系统测量误差的影响,这样导致这三种算法的定位精度下降。本文提出的算法的定位性能明显优于其他两种算法,这是因为本文算法利用神经网络对TDOA测量值进行了修正,在一定程度上消除了NLOS误差的影响,因而提高了定位精度。
(2) 基站个数对定位性能的影响
表3 基站个数及其误差分析数据
从表3来看,随着基站个数的增加,3种算法的定位性能均有一定的改善,这是由于基站个数的增加从而增加了更多的冗余信息,使得定位性能得到相应的提高。本文算法和Taylor算法随着基站个数的增加定位性能改善不大,说明这两种算法对基站个数不敏感。从定位效果上看,在各种基站数目情况下,本文算法的定位性能均明显优于Taylor算法、Chan算法。
综上所述,本发明中的算法对于区域半径和基站个数的依赖性都较小,而且同时具有自我学习功能,全面较好地解决了对区域大小以及基站个数的完全依赖。因此可以被广泛应用于医疗、通信以及物流等行业。
Claims (1)
1.一种基于LMBP神经网络的泰勒定位算法,其特征是:所述LMBP神经网络模块对TDOA测量数据进行修正,减少TDOA测量值中的NLOS误差,泰勒定位算法接受经过LMBP神经网络修正过的测量数据作为初始输入数据,进行定位算法运算后得到系统定位结果,具体算法步骤如下:
1)通过基站对确定移动台的位置,作为目标数据,之后根据TDOA 测量误差模型产生相应的测量数据,将模拟的测量数据分为两部分,其中一半用于训练神经网络,另一半用于性能仿真;
2)建立和训练LMBP 网络,以移动台的不含NLOS 误差的TDOA 为目标样本矢量对网络进行训练,具体LMBP人工神经网络算法基本流程就是:
初始步:给出BP 网络初始权值W0, u0, 误差阀值E0, 其中u0>0, E>0, 并令k= 0,
第k 次迭代:
1) 输入样本xK , 计算gK , 若‖gK‖< E, 学习结束; 否则计算H K,
2) 分解H K + uK , 若不正定, 置uK = 4uK , 并重复这一步直到HK+uK 正定,
3) 解方程(H K + uK ) s= - g K , 得sK,
4) 求E (H K + sK ) , qK (sK ) , 和rK ,
这里qK(sK ) = E (W K ) + g T Ks+(1/2)sTH K s,
5) 若rK < 0. 25, 置uK + 1= 4uK ; 若rK > 0. 75, 置uK + 1=uK/2; 否则置uK + 1= uK,
6) 若rK<= 0, 置换W K + 1= W K ; 否则置W K + 1= W K + SK,
7) 令K = K + 1, 转1),
3) 用训练好的LMBP网络对模拟的TDOA测量数据进行修正,利用修正后的TDOA值采用泰勒算法进行位置估算,泰勒级数展开算法是一种需要移动台初始估计位置的递归算法,在每一次递归中通过求解TDOA测量误差的局部最小二乘的解来改进对移动台的估计位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310658425.7A CN103607772A (zh) | 2013-12-09 | 2013-12-09 | 一种基于lmbp神经网络的泰勒定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310658425.7A CN103607772A (zh) | 2013-12-09 | 2013-12-09 | 一种基于lmbp神经网络的泰勒定位算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103607772A true CN103607772A (zh) | 2014-02-26 |
Family
ID=50125961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310658425.7A Pending CN103607772A (zh) | 2013-12-09 | 2013-12-09 | 一种基于lmbp神经网络的泰勒定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103607772A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103925925A (zh) * | 2014-03-14 | 2014-07-16 | 四川九洲空管科技有限责任公司 | 一种用于多点定位系统的实时高精度位置解算方法 |
CN103987063A (zh) * | 2014-04-28 | 2014-08-13 | 北京邮电大学 | 一种基于多点监测的消除nlos误差定位方法 |
CN104793179A (zh) * | 2014-12-09 | 2015-07-22 | 上海浩屹无线技术有限公司 | 一种基于完好性检测的tdoa无源定位方法 |
CN108872932A (zh) * | 2018-05-03 | 2018-11-23 | 中国人民解放军战略支援部队信息工程大学 | 基于神经网络的超视距目标直接定位结果纠偏方法 |
CN111970641A (zh) * | 2020-07-28 | 2020-11-20 | 国网上海市电力公司 | 一种基于tdoa的定位追踪方法 |
CN112748397A (zh) * | 2020-12-22 | 2021-05-04 | 重庆邮电大学 | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 |
CN112949466A (zh) * | 2021-02-26 | 2021-06-11 | 重庆若上科技有限公司 | 视频ai烟尘污染源识别与定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020052208A1 (en) * | 2000-09-23 | 2002-05-02 | Koninklijke Philips Electronics N.V. | Mobile radio terminal and related method and system |
CN102026370A (zh) * | 2010-12-21 | 2011-04-20 | 西安电子科技大学 | 基于监测节点呈圆周分布的tdoa定位方法 |
CN102883430A (zh) * | 2012-09-12 | 2013-01-16 | 南京邮电大学 | 一种基于测距的无线传感网络节点定位方法 |
-
2013
- 2013-12-09 CN CN201310658425.7A patent/CN103607772A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020052208A1 (en) * | 2000-09-23 | 2002-05-02 | Koninklijke Philips Electronics N.V. | Mobile radio terminal and related method and system |
CN102026370A (zh) * | 2010-12-21 | 2011-04-20 | 西安电子科技大学 | 基于监测节点呈圆周分布的tdoa定位方法 |
CN102883430A (zh) * | 2012-09-12 | 2013-01-16 | 南京邮电大学 | 一种基于测距的无线传感网络节点定位方法 |
Non-Patent Citations (3)
Title |
---|
史步海等: "LMBP神经网络改进算法的研究", 《控制工程》 * |
张妮等: "LMBP神经网络改进算法的研究", 《计算机与应用化学》 * |
张宝军等: "基于RBF神经网络的泰勒级数展开定位算法", 《计算机工程与应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103925925A (zh) * | 2014-03-14 | 2014-07-16 | 四川九洲空管科技有限责任公司 | 一种用于多点定位系统的实时高精度位置解算方法 |
CN103925925B (zh) * | 2014-03-14 | 2017-06-30 | 四川九洲空管科技有限责任公司 | 一种用于多点定位系统的实时高精度位置解算方法 |
CN103987063A (zh) * | 2014-04-28 | 2014-08-13 | 北京邮电大学 | 一种基于多点监测的消除nlos误差定位方法 |
CN103987063B (zh) * | 2014-04-28 | 2018-12-11 | 北京邮电大学 | 一种基于多点监测的消除nlos误差定位方法 |
CN104793179A (zh) * | 2014-12-09 | 2015-07-22 | 上海浩屹无线技术有限公司 | 一种基于完好性检测的tdoa无源定位方法 |
CN108872932A (zh) * | 2018-05-03 | 2018-11-23 | 中国人民解放军战略支援部队信息工程大学 | 基于神经网络的超视距目标直接定位结果纠偏方法 |
CN111970641A (zh) * | 2020-07-28 | 2020-11-20 | 国网上海市电力公司 | 一种基于tdoa的定位追踪方法 |
CN112748397A (zh) * | 2020-12-22 | 2021-05-04 | 重庆邮电大学 | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 |
CN112748397B (zh) * | 2020-12-22 | 2023-09-19 | 重庆邮电大学 | 非视距条件下基于自适应bp神经网络的uwb定位方法 |
CN112949466A (zh) * | 2021-02-26 | 2021-06-11 | 重庆若上科技有限公司 | 视频ai烟尘污染源识别与定位方法 |
CN112949466B (zh) * | 2021-02-26 | 2022-11-22 | 重庆若上科技有限公司 | 视频ai烟尘污染源识别与定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103607772A (zh) | 一种基于lmbp神经网络的泰勒定位算法 | |
Wylie et al. | The non-line of sight problem in mobile location estimation | |
CN110375753A (zh) | 地图匹配方法、装置、服务器及存储介质 | |
Yan et al. | An improved NLOS identification and mitigation approach for target tracking in wireless sensor networks | |
CN106767851B (zh) | 将定位系统采集到的轨迹点匹配到地图的方法及其装置 | |
EP3936885A2 (en) | Radar calibration method, apparatus, storage medium, and program product | |
CN104703143A (zh) | 一种基于wifi信号强度的室内定位方法 | |
CN104900059A (zh) | 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法 | |
CN106323272B (zh) | 一种获取航迹起始轨迹的方法及电子设备 | |
CN105022792A (zh) | 基于数据挖掘的被动雷达信号分选关联权重计算方法 | |
CN103558602A (zh) | 一种用于多基地声纳配置方式的模拟退火定位方法 | |
CN105989410A (zh) | 一种重叠核脉冲分解方法 | |
CN105046046A (zh) | 一种集合卡尔曼滤波局地化方法 | |
CN103699650A (zh) | 消息传播预测方法及装置 | |
CN103106332B (zh) | 一种测量不确定度的分析方法 | |
KR101258832B1 (ko) | 액세스 포인트를 이용한 위치 측정 방법 및 그 장치 | |
KR20160024034A (ko) | 이동 노드의 위치 추정 방법 및 그 장치 | |
CN101557233A (zh) | 一种容误码的卷积码编码参数盲识别方法 | |
CN105467383B (zh) | 一种tof技术中基于波形匹配的测距方法 | |
US20230012531A1 (en) | Deep learning-based vehicle trajectory prediction device and method therefor | |
EP4266004A1 (en) | User trajectory positioning method, electronic device and computer storage medium | |
CN113835061B (zh) | 一种信号载波频率先验误差存在下单平台多普勒两阶段闭式定位方法 | |
Gustafsson | On marginal particle filters with linear complexity | |
Miao et al. | Dynamic base stations selection method for passive location based on GDOP | |
Spirin et al. | Non-conventional algorithm of radio transmission sources position location |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140226 |