CN105554882A - 基于能量检测的60GHz非视距识别与无线指纹定位方法 - Google Patents
基于能量检测的60GHz非视距识别与无线指纹定位方法 Download PDFInfo
- Publication number
- CN105554882A CN105554882A CN201610069369.7A CN201610069369A CN105554882A CN 105554882 A CN105554882 A CN 105554882A CN 201610069369 A CN201610069369 A CN 201610069369A CN 105554882 A CN105554882 A CN 105554882A
- Authority
- CN
- China
- Prior art keywords
- nlos
- thresholding
- signal
- toa
- environment
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
基于能量检测的60GHz毫米波非视距识别与指纹定位方法,包括:1)求由信号的偏度,峭度与最大旋度组成的联合参数J与最优归一化门限;2)建立J与最优归一化门限之间的指纹数据库;3)利用指纹数据库,根据J估计最优化门限;4)利用最大旋度进行非视距识别;5)进行TOA估计,进而计算出距离;6)进行60GHz无线定位:根据非视距识别结果及TOA估计值,利用传统的定位算法,进行基于60GHz信号的无线定位。结果表明,1)NLOS识别成功率远高于同类型的非视距识别算法;2)无论是在视距环境还是非视距环境下,在很大的信噪比范围内,本方法提供了比其他的基于能量检测的方法更高的精度和更好的鲁棒性。
Description
技术领域
本发明属于无线定位技术领域,具体是一种基于能量检测的60GHz非视距识别与无线指纹定位方法。
背景技术
脉冲60GHz无线通信技术是一种不用载波,采用数百皮秒或更短时长的不连续脉冲进行通信的一种无线通信技术。60GHz无线通信技术与目前现有的通信系统相比具有频谱可复用性高,抗干扰能力强,可用频谱宽,允许发射功率大,系统容量大,时间分辨率和多径分辨率高等优点。近年来对60GHz技术广泛关注最主要的原因之一是因为巨大的免授权频带带宽。与同样使用免授权频带的超宽带技术相比,60GHz技术的频带连续,并且对功率限制更少。由于超宽带系统是共存系统,因此要受到严格的限制和不同的规定约束。60GHz巨大的带宽是即将分配的最大一块免授权频带。巨大的带宽意味着潜在的容量和灵活性,从而使得60GHz技术尤其适合于吉比特无线应用。60GHz频段附近的脉冲无线电通信技术由于具有更高的时间分辨率,因而在接收端,可更为有效地分离多径信号,从而具有更高的多径分辨率,可以实现厘米甚至毫米级高精度测距和定位。这在室内机器人精确导航定位和一些特殊生产行业(不需要人或不能有人参与其中)等需要厘米级别精确定位的领域具有重要的应用价值。
为了实现60GHz的无线定位,相关的硬件设备主要有移动待定终端、定位基站及定位服务器组成。
移动待定位终端是在定位区域内移动的,需要定位的终端,一般是功率低的发射装置。
定位基站是由分布在定位区域内的定位基站,可以接收待定位终端发送的60GHz信号,并进行偏度S、峭度K和最大旋度C等参数的计算,利用事先设计的指纹数据库,计算信号的传播时延,最后能够将计算值发送给定位服务器。一般由三个以上的定位基站。
定位服务器一般是一台计算机,可以接收来自于定位基站发送的传播时延,并对其进行数据处理、执行定位算法。
目前最常用的定位技术大都是基于测距进行的,这是因为,非基于距离的定位技术一般定位精度较差,且需要大量的基站(位置已知的终端)的配合。最常用的定位方法可以分为基于接收信号到达时间估计的TOA(TimeofArrival)和TDOA(TimeDifferenceofArrival)、基于接收信号强度估计的RSS(ReceivedSignalStrength)和基于到达角度估计的AOA(AngleofArrival)。脉冲60GHz信号具有极高的带宽,持续时间达到数百皮秒或更短,因而具有很强的时间分辨能力。所以为了充分利用脉冲60GHz时间分辨能力强的这个特性,使用TOA、TDOA估计的定位技术是最适合脉冲60GHz的。在这两种方法中影响测量误差的主要因素是传输时延的测量和非视距(NLOS)环境的影响。
目前最常用的TOA\TDOA估计方法大体上可以分为相关接收(如匹配滤波检测)与非相关接收(如能量接收机)。基于匹配滤波的相关检测,被认为是目前已知的用于信号检测的最佳方式,但是,它需要关于发射信号特性的先验信息(例如,调制格式,脉冲波形,相位等)。然而在实践中,这样的信息往往是不可能总是被接收机准确预知的,这就导致基于匹配检测的相关接收机在许多情况下是不可行的。与相关接收不同,基于能量检测接收完全不需要信号的先验知识,并具有较低的计算和实施的复杂性,对接点的硬件要求低,适合应用在结构简单的节点中,基于能量接收机的诸多优点,能量检测器已被广泛应用为频谱感测的认知无线电,脉冲无线电超宽带系统,传感器网络和陆地集群无线电系统。能量接收机主要包括一个放大器、平方器、积分器、判决器。由于脉冲60GHz的频谱处在更高的频段(60GHz左右),所以对匹配滤波检测器在硬件实现上提出更高的要求,在实际应用中,比较难以实现。因此在本发明中,对信号的检测将会首选复杂度更低,对硬件实现要求更低的能量检测接收机。能量检测接收机(如图1所示)的TOA估计主要是将积分器的输出与合适的阈值进行比较,选择最先超过阈值得能量块的值对TOA进行估计。在NLOS识别方面,目前的NLOS识别算法多数是基于信道特性估计和利用相关接收的方式对信号进行处理。如上所述,在60GHz无线通信领域,相关接收机在硬件实现上存在诸多挑战,无法顺利实现,所以基于相关接收的NLOS识别算法在能量接收机上无法有效的运用,而目前基于能量接收的NLOS识别算法在准确识别NLOS方面无法得到有效的保证。
传统的TOA\TDOA定位算法的基本步骤如下(如图2所示):
(1)、对整个定位系统进行初始化:主要包括各个基站和定位服务器的软、硬件安装;
(2)、待定位终端发射60GHz脉冲序列;
(3)、定位基站接收信号并计算信号的传播时延;
(4)、定位基站将传播时延计算结果发送给定位服务器;
(5)、定位服务器接收各个基站的传播时延;
(6)、定位服务器计算各个基站的测距结果;
(7)、定位服务器应用TOA\TDOA基于距离的定位算法对待定位终端进行定位。
鉴于相关接收与非相关接收之间的巨大差别,特别是复杂度低,低采样速率能量接收机可以广泛应用于众多的环境中,所以在(3)中将会采用简单实用对硬件要求低的能量接收机来计算传播时延和NLOS识别,传播时延的估计结果和NLOS识别结果将会传输给定位服务器,在定位服务器端综合利用这两方面的信息来对待定位终端进行定位。在能量接收方面,目前常用的估计传播时延的方法可以分为两种。
最大能量法:选择最大的能量块所在的位置来估计TOA,通常是选择能量块的中央作为TOA的估计值。然而,最大能量块在的位置经常并非直达信号所在的位置,特别是在NLOS环境下。平均而言直达经所在的能量块经常在最大能量块之前。
门限法:即基于门限的TOA估计算法,接收信号的能量块与合适的门限进行比较,第一个超过该门限的能量块对应的时刻即为TOA估计值。然而,要直接确定一个门限值是比较困难的,所以经常采用的是归一化的门限。有了归一化的门限后,在接收端根据最大和最小能量块就可以根据公式α=αnorm(max(z[n])-min(z[n]))+min(z[n])计算出最终的门限值。所以,问题就变为如何根据信号的指纹特征来设定合适的归一化门限,在门限法中最简单的是固定归一化门限法,其中归一化门限是一个固定的值,然在在实际应用中,不同环境下归一化门限始终是变化的,所以无法满足大范围内的应用。其次便是基于峭度K的归一化门限法,尽管此算法复杂度降低,但是这些算法与本发明中提出的基于梯度,标准差和偏度的联合TOA指纹估计算法相比,无论在精度上还是在稳定性方面特别是多径、非视距环境下有很大的差距。并且在发明中我们所提出的基于能量检测的NLOS识别算法无论在精度上还是在稳定性上与其他基于能量检测的NLOS识别算法都得到改善。特别的,NLOS正确识别率在某些情况下达到基于信道特性估计算法的识别率。
发明内容
针对现有的技术缺陷,本发明提出了基于能量检测的60GHz非视距识别与无线指纹定位方法,以克服现有技术的不足。
基于能量检测的60GHz非视距识别与无线指纹定位方法,包括以下步骤:
(1)、建立定位系统,所涉及的定位系统包括多个能够接收待定位终端发出的信号的多个定位基站,以及接收定位基站发出的定位信息的定位服务器,并对整个定位系统进行初始化:包括设定各个定位基站的采样频率与积分周期T;
(2)、待定位终端发射60GHz脉冲序列信号;
(3)、定位基站接收上述信号并计算信号的传播时延与NLOS识别;
(4)、定位基站将传播时延计算结果与NLOS识别结果发送给定位服务器;
(5)、定位服务器接收各个基站的传播时延与NLOS识别结果;
(6)、定位服务器计算各个基站的测距结果;
(7)、定位服务器应用TOA\TDOA基于距离的定位算法对待定位终端进行定位;
其特征在于所述的步骤(3)是定位基站接收上述信号,对该信号进行积分运算得到积分能量块,进而得到联合参数值,再根据联合参数值计算最优门限值,选取最先超过此门限值的能量块的中心所对应的时刻为信号的传播时延;包括如下A-C三个步骤:
A.定位基站对步骤(2)的信号进行积分运算得到积分能量块,计算该能量块的偏度S、峭度K和最大旋度C,并对上述各个变量进行归一化,由归一化之后的各个变量进而得到联合参数J,求得建立联合参数平均值J2P、TOA估计误差、最优归一化门限X三个参数的指纹数据库;
B.对指纹数据库进行曲线拟合,建立对应于最小TOA估计误差的联合参数与归一化门限的对应关系F;
C.根据步骤A得到的平均联合参数J2P与最大旋度C,利用C与事先设定的NLOS门限值进行比对,来判断信号来自于LOS环境还是NLOS环境,将识别结果进行保存,利用对应关系F,计算得到最优归一化门限X,根据此门限得到传播时延(即TOA估计值);
具体来说,步骤A细化为如下的计算步骤:
1)、首先设定参数值,在4-32dB范围内选择一个信噪比SNR,然后在所选择的一个SNR下确定不同的信道环境和多个不同积分周期,所述的不同信道环境是视距和非视距两种不同环境,所述的多个不同积分周期是在0.1ns—4ns范围内选择两个或以上值作为积分周期,所选择的不同积分周期的数量记为P,P是大于等于2的自然数;则在同一个SNR可得到2P个不同的环境和积分周期组合;
2)、根据积分运算得到的能量块,分别计算2P个不同的环境和积分周期组合的能量块的偏度S、峭度K和最大旋度C;计算偏度S与峭度K的比值,记作KS=K/S;
根据KS与C两个量得到一个新的联合参数J=N*norm(KS)-M*norm(C),其中norm表示对参数的归一化处理,N、M为正实数、且N大于等于6M,得到2P个联合参数J,取平均值记为平均联合参数J2P;
3)然后在同一个SNR下计算不同的信道环境和多个不同积分周期下的最优归一化门限:
首先计算TOA估计误差和最佳归一化门限:
以(0:0.1:1)或更小的间隔作为归一化门限,分别计算积分能量块在每一个门限下的1000次TOA误差,并取平均值作为TOA估计误差,从而得到与归一化门限数量相对应的多个TOA估计误差,选取最小的TOA误差所对应的归一化门限作为最佳归一化门限;
则在不同信道环境(视距与非视距)、不同积分周期下可以得到2P个最佳归一化门限,将2P个最佳归一化门限的平均值作为最优化门限X;
4)返回步骤1)选择下一个信噪比,并重新计算对应于该信噪比下的平均联合参数J2P、TOA估计误差及最优化门限X,直至历遍4-32dB范围内的所有信噪比;
5)将步骤4)得到的29组平均联合参数J2P、TOA估计误差及最优化门限X的值,作为由三个参数组成的指纹数据库;
步骤B、对指纹数据库进行曲线拟合,利用神经网络对上述指纹数据库进行训练,最终建立平均联合参数J2P与最优归一化门限X的对应关系F,即由于平均联合参数J2P与SNR有关,而最优归一化门限是在某个特定SNR下计算得到的,因此可以建立J与最优归一化门限的对应关系;
步骤C、对信号传播时延进行实际计算时,根据采集的实际信号的偏度S、峭度K和最大旋度C得到实际平均联合参数J2P,利用C与事先设定的NLOS门限值进行比对,来判断信号来自于LOS环境还是NLOS环境,将识别结果进行保存;利用对应关系F,计算得到该实际平均联合参数J2P所对应的归一化门限,根据此归一化门限得到TOA估计值:
即将所得的实际平均联合参数J2P输入到步骤B)的己经训练好的神经网络,即根据对应关系F得到相应的归一化门限,利用归一化门限识别出最先超过该门限的能量块,以该能量块的中间位置对应的时刻作为TOA估计值。
在步骤A)的公式J=N*norm(KS)-M*norm(C)中,为了使J的数值在坐标图像中,在每一个单位信道比范围内具有稳定的变化,可通过选择合适的系数N、M得以实现,其中上述N取值小于20。
为了简单起见,在步骤A)的公式J=N*norm(KS)-M*norm(C)中,N取值12,M取值2。
在上述步骤C中,根据所得的最大旋度C对实际计算时待定位终端发射60GHz脉冲序列信号进行NLOS识别的步骤,具体如下:
1)根据公式(1)设定门限,
在IEEE802.15.3c60GHz信道模型中,分别在LOS与NLOS环境下各产生1000个信道冲击响应,对于每一个信道冲击响应均可得到相应的60GHz信号,然后对每个60GHz信号均计算得到相应的最大旋度C,即分别在LOS与NLOS环境下得到1000个最大旋度C的样本值,分别记作CLOS与CNLOS,为排除样本值中存在的少数的极端值对确定门限的影响,分别将CLOS与CNLOS按升序排列,选取CLOS与CNLOS前90%的样本值分别记作与分别计算与的平均值记作与选取与中较小的值作为最终NLOS识别所需求的门限αC;
2)利用计算得到的最大旋度C与事先设定的门限比较来判断待定位终端发射60GHz脉冲序列信号来自于LOS环境还是NLOS环境;NLOS识别算法表示为:
当发射天线为全向天线时(TX=360°),当最大旋度C≤αC则认为信号来自于LOS环境,反之,当最大旋度C>αC则认为信号来自于NLOS环境;当发射天线为非全向天线时(TX<360°),当最大旋度C≤αC则认为信号来自于NLOS环境,反之,当最大旋度C>αC则认为信号来自于LOS环境。
3)在上述步骤(7)中,利用上述步骤2)的LOS/NLOS识别结果,定位服务器将会优先利用LOS环境下的TOA估计值,并结合非视距环境下的TOA估计值,应用TOA\TDOA基于距离的定位算法对待定位终端进行定位,从而获得更精确的定位结果。
发明优点
在本发明中,运用能量接收机对信号的传播环境(视距与非视距)与传播时延进行估计,能量接收机的运用解决了相关接收机所必需的对发射信号的先验信息(如调制格式,脉冲波形,相位等)无法精确估计的缺点。所提出的基于能量检测的NLOS识别算法,使NLOS识别的准确率在大部分信道下提高到80%远高于目前的基于能量检测的NLOS识别算法60%的精确率。所提出的联合参数同时独立于积分周期与信道环境(视距与非视距)。克服了传统的基于能量检测的信号传播时延估计算法必须区分积分周期这一缺点,同时运用人工神经网络解决非线性问题,使得最优归一化门限与联合参数之间的非线性关系更加精确,克服了传统的曲线拟合无法准确估计输入变量与输出变量之间非线性关系这一缺点。
附图说明
图1能量接收机示意图。
图2传统的定位方法流程图。
图3归一化参数变化情况。
图4联合参数对信噪比的变化情况。
图5最优归一化门限的变化情况。
图6本发明的步骤流程图。
图7本发明的总体流程图
具体实施方式
本发明的方法方法主要是在步骤(3)中,采用能量接收的方式进行TOA的估计和NLOS状态识别主要包括以下步骤(如图6):
A.采集积分能量块,计算偏度S、峭度K和最大旋度C,分别计算1>、利用最大旋度C进行NLOS识别;2>、对偏度S、峭度K和最大旋度C进行归一化,综合偏度S、峭度K和最大旋度C得到联合参数J,最终得到平均联合参数J2P;建立平均联合参数J2P、TOA估计误差和最优归一化门限X三个参数的指纹数据库;
B.进行曲线拟合,建立对应于最小TOA估计误差的平均联合参数J2P与最优归一化门限X的对应关系F;
C.根据采集的实时信号的偏度S、峭度K和最大旋度C得到平均联合参数J2P,利用对应关系F,计算得到最优归一化门限,根据最优归一化门限,得到TOA估计值,将TOA估计值以及NLOS识别结果传送给定位服务器。
具体来说,步骤A.采集积分能量块,计算偏度S、峭度K和最大旋度C,分别计算1>、利用最大旋度C进行NLOS识别;2>、对偏度S、峭度K和最大旋度C进行归一化,综合偏度S、峭度K和最大旋度C得到联合参数J,最终得到平均联合参数J2P;建立平均联合参数J2P、TOA估计误差和最优归一化门限X三个参数的指纹数据库;可以具体细化为如下的计算步骤:
①、根据能量检测采集得到的能量块,分别计算能量块的偏度S、峭度K和最大旋度C。利用最大旋度C进行NLOS状态识别,在IEEE802.15.3c信道中进行仿真时发现在很大的SNR范围内,当发射天线是全向天线时,LOS环境下的最大旋度最大值仍就比NLOS环境下的最大旋度最小值还小。同样,当发射天线非全向天线时,LOS环境下的最大旋度最小值仍就比NLOS环境下的最大旋度最大值还大。所以,只要设定合适的门限值完全可以对NLOS进行准确的识别。NLOS识别算法可以表示为:
当发射天线为全向天线时(TX=360°),当最大旋度C≤αC则认为信号来自于LOS环境,反之,当最大旋度C>αC则认为信号来自于NLOS环境;当发射天线为非全向天线时(TX<360°),当最大旋度C≤αC则认为信号来自于NLOS环境,反之,当最大旋度C>αC则认为信号来自于LOS环境。门限值的计算方式为:
在IEEE802.15.3c60GHz信道模型中,分别在LOS与NLOS环境下各产生1000个信道冲击响应,对于每一个信道冲击响应均可得到相应的60GHz信号,然后对每个60GHz信号均计算得到相应的最大旋度C,即分别在LOS与NLOS环境下得到1000个最大旋度C的样本值,分别记作CLOS与CNLOS,为排除样本值中存在的少数的极端值对确定门限的影响,分别将CLOS与CNLOS按升序排列,选取CLOS与CNLOS前90%的样本值分别记作与分别计算与的平均值记作与选取与中较小的值作为最终NLOS识别所需求的门限αC;
②、对样本的偏度S、峭度K和最大旋度C进行归一化处理,所得到的结果在图3中。结果显示无论是在LOS与NLOS环境下,结果显示KS=K/S、S和K随着信噪比(SNR)的增加而增大但是KS变化更快,同样C最大斜率MS和标准差SD随着SNR减小而减小但是C变化更快。因为KS、C变化更快,它们更能反映SNR信息,所以更适合用来选择门限值。同时发现当SNR>10dB时KS变化更快,但SNR<10dB时KS变化较慢,但此时C变化较快;相反当SNR<10dB时C变化更快,但SNR>10dB时C变化较慢,但此时KS变化较快。所以仅仅依靠单个变量无法准确的反应任何SNR变化情况。因此,根据KS、C得到一个新的联合参数:J=N*norm(KS)-M*norm(C)。并联合参数求平均值,记为平均联合参数J2P。仿真结果显示,当当NLOS≠NNLOS与MLOS≠MNLOS时,平均联合参数J2P独立于信道模型,仅仅受积分周期的影响,然而在实际应用中,在不同环境下,积分周期可以随机设定,此时该算法势必无法很好地广泛的应用于各种环境中;当NLOS=NNLOS和MLOS=MNLOS时,平均联合参数J2P同时独立于信道模型与积分周期,此时将不必考虑积分周期的变化如图4。图4显示在所有的SNR范围内平均联合参数J2P是SNR单调递增函数,因此其比任何单个参数对SNR更加敏感。分别计算在相同SNR环境下,不同的归一化门限(如[0:0.1:1])所对应的TOA的估计误差,选取最小TOA误差所对应的归一化门限为最佳归一化门限。由于信道模型及积分步长对平均联合参数J2P影响不大,所以在建立对应关系时取不同信道不同积分步长的平均值作为最优化门限X如图5。
具体来说步骤B“对指纹数据库进行曲线拟合,建立对应于最小TOA估计误差的平均联合参数J2P与最优归一化门限X的对应关系F”可以详细的表示为:
近年来,人工神经网络在信号处理领域得到广泛应用,由于在实际环境中不可避免的存在NLOS、多径、反射、码间串扰、衍射、衰落等,也就是说定位终端与定位基站的距离或角度与定位终端所在的位置经常是非线性的,很难用几何公式进行直接计算,而神经网络恰恰具有高度的非线性映射能力。所以神经网络用来确定平均联合参数J2P与最优归一化门限X的对应关系。以平均联合参数J2P作为神经网络的输入层,最优归一化门限X作为神经网络的输出层,在确定神经网络隐含层神经元的个数时根据均方差的分布概率进行估计。选择均方差小于10-10的比例大于90%时所对应的神经元的个数为隐含层神经元数目。最终确定平均联合参数J2P与最优归一化门限X的对应关系。
具体来说步骤C“根据采集的实时信号的偏度S、峭度K和最大旋度C平均联合参数J2P,利用C与事先设定的门限值相比较得到NLOS识别结果,并利用对应关系F,计算得到最优归一化门限X,根据此门限得到TOA估计值,并将NLOS识别结果传送给定位服务器”可以详细的表示为:
把采集到的信号采用某个积分步长进行积分得到若干个能量块,求得平均联合参数J2P,利用C与事先设定的门限值相比较得到NLOS识别结果,同时将平均联合参数J2P输入到已经训练好的神经网络,即可得到相应的最优归一化门限X,利用最优归一化门限X得到第一个超过该门限的能量块,以该能量块的中间位置对应的时刻作为TOA估计值,并将NLOS识别结果传送给定位服务器。
采用该方法在IEEE802.15.3c提供的信道模型下进行研究,发现无论是在通信条件好的环境下(近距离、LOS、发射信号功率大等)还是通信条件不好(距离远(<20m)、NLOS、发射信号功率低)的环境下,使用上述步骤后可以大大的提高传播时延的计算结果的准确性,从而保证测距结果的准确性。例如,表1所示的是各种基于能量接收方法的TOA估计在1000次测量后误差的平均值情况。可以发现本发明的结果要远远好于其他的算法。表2中给出了基于能量检测的NLOS识别算法的准确率,结果显示,在室内环境下,对大多数的信道环境准确率超过85%。
表1各种能量接收算法误差比较(ns)
表2NLOS状态识别率
SNR(dB) | 16 | 18 | 20 | 22 | 24 | 26 | 28 | 30 | 32 | 34 |
CM1.1 | 99.3 | 99.3 | 99.3 | 99.3 | 99.3 | 99.3 | 99.4 | 99.4 | 99.4 | 99.4 |
CM2.1 | 78.9 | 79.6 | 81 | 81.4 | 80.7 | 81.4 | 81.3 | 81.5 | 81.5 | 81.7 |
CM1.2 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
CM2.2 | 84.8 | 86 | 86.3 | 86.3 | 86.4 | 87 | 87.3 | 87.1 | 87.2 | 87.6 |
CM1.3 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
CM2.3 | 87.3 | 88.8 | 87.8 | 88.3 | 88.5 | 88.8 | 90.6 | 91.4 | 90.0 | 90.0 |
CM1.4 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
CM2.4 | 85.9 | 87.1 | 87.2 | 88.2 | 87.5 | 87.6 | 88.2 | 87.3 | 88.2 | 87.5 |
实施例
在进行无线定位时,待定位终端根据其设置,定时发送多个60GHz脉冲序列,以便于多次进行测量。所有接收到该脉冲序列的定位基站,通过能量接收得到平均联合参数J2P,利用C的只进行NLOS状态的识别,并根据事先训练好的神经网络得到最优归一化门限X的估计值,以便最终得到TOA估计值;将NLOS识别结果及TOA估计结果传输给定位服务器;然后在定位服务器端,根据NLOS识别结果、测量所得的距离或距离差以及参考基站的坐标位置,利用TOA或者TDOA定位算法确定待测终端的空间位置。如图7所示,主要包括以下几个步骤:
(1)、系统初始化
系统初始化,包括软硬件的安装以及相关配置。
基站的安装:如果是二维定位,则至少需要3个定位基站;如果是三维定位则至少需要4个定位基站。
定位服务器的安装:在定位服务器端要求能够接收到各个基站发送过来的信号传播时延。定位服务器要求性能优良,因为定位算法主要在该服务器上运行。
在定位服务器上,主要包括:定位终端的定位周期、定位基站所需要的指纹数据库、每次定位的测距次数(发送脉冲序列的个数)、各个基站的时钟偏移、信号传播速度等,并通过无线传输方式发送给待定位终端,完成对定位终端的设置。
(2)、带定位终端发射多个60GHz脉冲序列
当待定位终端要进行定位时,就会根据预先的设置值发送多个脉冲序列。每个脉冲序列完成一次归一化门限的估计(也就是距离估计),完成一次定位需要多次测距。
(3)、定位基站接收信号并计算信号传播时延
①、采集积分能量块,偏度S、峭度K和最大旋度C,对各个变量进行归一化,得到联合参数J。根据能量检测采集得到的能量块,分别计算能量块的偏度S、峭度K和最大旋度C。计算偏度S与峭度K比值记作KS=K/S。根据KS、C两个量得到一个新的联合参数J=N*norm(KS)-M*norm(C)。为了得到更好的运用本发明中提出的算法,在对数据进行设计时,设定NLOS=NNLOS和MLOS=MNLOS。
②、根据在数据库中事先设定的NLOS识别所需要的门限值,利用得到的C与其进行比对,进行NLOS的识别。
③、在实际测量时,返回上述步骤(2),然后根据事先确定的指纹数据库进行曲线拟合得到的平均联合参数J2P与最优归一化门限X的对应关系F计算得到最优归一化门限X,最终得到合适的门限值,求出最先超过此门限值的能量块的中心值与积分周期乘积作为所要求得的TOA估计值。
(4)、定位基站将传播时延计算结果及NLOS识别结果发送给定位服务器;
(5)、定位服务器接收各个基站的传播时延及NLOS识别结果;
根据在(3)中利用之前设定的指纹数据库,联合参数J得到的最优归一化门限所求得门限值,求出最先超过此门限值的能量块的中心值与积分周期乘积作为所要求得的TOA估计值。
(6)、定位服务器计算各个基站的测距结果及NLOS识别结果;
利用(5)中求得的TOA估计值减去由于发送和接收所造成的时钟偏移再乘以信号传播速度,即为该定位基站的测距结果。
(7)、定位服务器应用TOA\TDOA基于距离的定位算法对待定位终端进行定位。
根据所有基站传输的测距结果,计算待定位终端所在的坐标。其方法主要有TOA、TDOA等,由于定位算法不属于该发明所保护的内容,所以在此不进行详述。
Claims (4)
1.基于能量检测的60GHz非视距识别与无线指纹定位方法,包括以下步骤:
(1)、建立定位系统,所涉及的定位系统包括多个能够接收待定位终端发出的信号的多个定位基站,以及接收定位基站发出的定位信息的定位服务器,并对整个定位系统进行初始化:包括设定各个定位基站的采样频率与积分周期T;
(2)、待定位终端发射60GHz脉冲序列信号;
(3)、定位基站接收上述信号并计算信号的传播时延与NLOS识别;
(4)、定位基站将传播时延计算结果与NLOS识别结果发送给定位服务器;
(5)、定位服务器接收各个基站的传播时延与NLOS识别结果;
(6)、定位服务器计算各个基站的测距结果;
(7)、定位服务器应用TOA\TDOA基于距离的定位算法对待定位终端进行定位;
其特征在于所述的步骤(3)包括如下A-C三个步骤:
A.定位基站对步骤(2)的信号进行积分运算得到积分能量块,计算该能量块的偏度S、峭度K和最大旋度C,并对上述各个变量进行归一化,由归一化之后的各个变量进而得到联合参数J,求得建立联合参数平均值J2P、TOA估计误差、最优归一化门限X三个参数的指纹数据库;
B.对指纹数据库进行曲线拟合,建立对应于最小TOA估计误差的联合参数与归一化门限的对应关系F;
C.根据步骤A得到的平均联合参数J2P与最大旋度C,利用C与事先设定的NLOS门限值进行比对,来判断信号来自于LOS环境还是NLOS环境,将识别结果进行保存,利用对应关系F,计算得到最优归一化门限X,根据此门限得到传播时延(即TOA估计值);
具体来说,步骤A细化为如下的计算步骤:
1)首先设定参数值,在4-32dB范围内选择一个信噪比SNR,然后在所选择的一个SNR下确定不同的信道环境和多个不同积分周期,所述的不同信道环境是视距和非视距两种不同环境,所述的多个不同积分周期是在0.1ns-4ns范围内选择两个或以上值作为积分周期,所选择的不同积分周期的数量记为P,P是大于等于2的自然数;则在同一个SNR可得到2P个不同的环境和积分周期组合;
2)根据积分运算得到的能量块,分别计算2P个不同的环境和积分周期组合的能量块的偏度S、峭度K和最大旋度C;计算偏度S与峭度K的比值,记作KS=K/S;
根据KS与C两个量得到一个新的联合参数J=N*norm(KS)-M*norm(C),其中norm表示对参数的归一化处理,N、M为正实数、且N大于等于6M,得到2P个联合参数J,取平均值记为平均联合参数J2P;
3)然后在同一个SNR下计算不同的信道环境和多个不同积分周期下的最优归一化门限:
首先计算TOA估计误差和最佳归一化门限:
以(0:0.1:1)或更小的间隔作为归一化门限,分别计算积分能量块在每一个门限下的1000次TOA误差,并取平均值作为TOA估计误差,从而得到与归一化门限数量相对应的多个TOA估计误差,选取最小的TOA误差所对应的归一化门限作为最佳归一化门限;
则在不同信道环境(视距与非视距)、不同积分周期下可以得到2P个最佳归一化门限,将2P个最佳归一化门限的平均值作为最优化门限X;
4)返回步骤1)选择下一个信噪比,并重新计算对应于该信噪比下的平均联合参数J2P、TOA估计误差及最优化门限X,直至历遍4-32dB范围内的所有信噪比;
5)将步骤4)得到的29组平均联合参数J2P、TOA估计误差及最优化门限X的值,作为由三个参数组成的指纹数据库;
步骤B、对指纹数据库进行曲线拟合,利用神经网络对上述指纹数据库进行训练,最终建立平均联合参数J2P与最优归一化门限X的对应关系F,即由于平均联合参数J2P与SNR有关,而最优归一化门限是在某个特定SNR下计算得到的,因此可以建立J与最优归一化门限的对应关系;
步骤C、对信号传播时延进行实际计算时,根据采集的实际信号的偏度S、峭度K和最大旋度C得到实际平均联合参数J2P,利用C与事先设定的NLOS门限值进行比对,来判断信号来自于LOS环境还是NLOS环境,将识别结果进行保存;利用对应关系F,计算得到该实际平均联合参数J2P所对应的归一化门限,根据此归一化门限得到TOA估计值:
即将所得的实际平均联合参数J2P输入到步骤B)的己经训练好的神经网络,即根据对应关系F得到相应的归一化门限,利用归一化门限识别出最先超过该门限的能量块,以该能量块的中间位置对应的时刻作为TOA估计值。
2.如权利要求1所述的基于能量检测的60GHz非视距识别与无线指纹定位方法,其特征在于在步骤A)的公式J=N*norm(KS)-M*norm(C)中,上述N取值小于20。
3.如权利要求1所述的基于能量检测的60GHz非视距识别与无线指纹定位方法,其特征在于在步骤A)的公式J=N*norm(KS)-M*norm(C)中,N取值12,M取值2。
4.如权利要求1所述的基于能量检测的60GHz非视距识别与无线指纹定位方法,其特征在于在上述步骤C中,根据所得的最大旋度C对实际计算时待定位终端发射60GHz脉冲序列信号进行NLOS识别的步骤,具体如下:
1)根据公式(1)设定门限,
在IEEE802.15.3c60GHz信道模型中,分别在LOS与NLOS环境下各产生1000个信道冲击响应,对于每一个信道冲击响应均可得到相应的60GHz信号,然后对每个60GHz信号均计算得到相应的最大旋度C,即分别在LOS与NLOS环境下得到1000个最大旋度C的样本值,分别记作CLOS与CNLOS,为排除样本值中存在的少数的极端值对确定门限的影响,分别将CLOS与CNLOS按升序排列,选取CLOS与CNLOS前90%的样本值分别记作与分别计算与的平均值记作与选取与中较小的值作为最终NLOS识别所需求的门限αC;
2)利用步骤A-2)计算得到的C与事先设定的门限比较来判断待定位终端发射60GHz脉冲序列信号来自于LOS环境还是NLOS环境;NLOS识别算法表示为:
当发射天线为全向天线时(TX=360°),当最大旋度C≤αC则认为信号来自于LOS环境,反之,当最大旋度C>αC则认为信号来自于NLOS环境;当发射天线为非全向天线时(TX<360°),当最大旋度C≤αC则认为信号来自于NLOS环境,反之,当最大旋度C>αC则认为信号来自于LOS环境。
3)在上述步骤(7)中,利用上述步骤2)的LOS/NLOS识别结果,定位服务器将会优先利用LOS环境下的TOA估计值,并结合非视距环境下的TOA估计值,应用TOA\TDOA基于距离的定位算法对待定位终端进行定位,从而获得更精确的定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069369.7A CN105554882B (zh) | 2016-01-29 | 2016-01-29 | 基于能量检测的60GHz非视距识别与无线指纹定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069369.7A CN105554882B (zh) | 2016-01-29 | 2016-01-29 | 基于能量检测的60GHz非视距识别与无线指纹定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105554882A true CN105554882A (zh) | 2016-05-04 |
CN105554882B CN105554882B (zh) | 2019-01-18 |
Family
ID=55833755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610069369.7A Expired - Fee Related CN105554882B (zh) | 2016-01-29 | 2016-01-29 | 基于能量检测的60GHz非视距识别与无线指纹定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105554882B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108279397A (zh) * | 2017-12-05 | 2018-07-13 | 中集冷云(北京)冷链科技有限公司 | 仓储箱位置辨识方法、系统、计算机设备和存储介质 |
CN108663717A (zh) * | 2018-04-08 | 2018-10-16 | 青岛科技大学 | 无人机信号识别方法和系统 |
CN109151707A (zh) * | 2018-01-22 | 2019-01-04 | 中南大学 | 一种移动状态下的视距/非视距路径识别方法 |
WO2019029555A1 (zh) * | 2017-08-11 | 2019-02-14 | 华为技术有限公司 | 用于定位的方法和装置 |
CN110225449A (zh) * | 2019-05-22 | 2019-09-10 | 东南大学 | 一种基于毫米波cran的3d定位、测速和环境映射方法 |
CN112534293A (zh) * | 2018-08-31 | 2021-03-19 | 罗伯特·博世有限公司 | 用于检测信号传播类型的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101883426A (zh) * | 2010-06-19 | 2010-11-10 | 中国海洋大学 | 高精度的超宽带无线定位方法 |
CN102832966A (zh) * | 2011-06-13 | 2012-12-19 | 中国矿业大学(北京) | 基于非视距抑制的矿井超宽带定位方法及系统 |
CN103399297A (zh) * | 2013-08-16 | 2013-11-20 | 哈尔滨工业大学深圳研究生院 | 一种基于机器学习的超宽带非视距鉴别方法 |
CN103648082A (zh) * | 2013-12-06 | 2014-03-19 | 镇江市星禾物联科技有限公司 | 一种基于wifi智能定位及无线链路中的同步方法 |
US20150147069A1 (en) * | 2013-11-26 | 2015-05-28 | Maite Brandt-Pearce | Expurgated pulse position modulation for communication |
-
2016
- 2016-01-29 CN CN201610069369.7A patent/CN105554882B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101883426A (zh) * | 2010-06-19 | 2010-11-10 | 中国海洋大学 | 高精度的超宽带无线定位方法 |
CN102832966A (zh) * | 2011-06-13 | 2012-12-19 | 中国矿业大学(北京) | 基于非视距抑制的矿井超宽带定位方法及系统 |
CN103399297A (zh) * | 2013-08-16 | 2013-11-20 | 哈尔滨工业大学深圳研究生院 | 一种基于机器学习的超宽带非视距鉴别方法 |
US20150147069A1 (en) * | 2013-11-26 | 2015-05-28 | Maite Brandt-Pearce | Expurgated pulse position modulation for communication |
CN103648082A (zh) * | 2013-12-06 | 2014-03-19 | 镇江市星禾物联科技有限公司 | 一种基于wifi智能定位及无线链路中的同步方法 |
Non-Patent Citations (1)
Title |
---|
张浩等: "一种新颖的基于偏度的非视距区分算法", 《电讯技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019029555A1 (zh) * | 2017-08-11 | 2019-02-14 | 华为技术有限公司 | 用于定位的方法和装置 |
CN109392089A (zh) * | 2017-08-11 | 2019-02-26 | 华为技术有限公司 | 用于定位的方法和装置 |
CN109392089B (zh) * | 2017-08-11 | 2021-10-22 | 华为技术有限公司 | 用于定位的方法和装置 |
US11388550B2 (en) | 2017-08-11 | 2022-07-12 | Huawei Technologies Co., Ltd. | Positioning method and apparatus |
US11917494B2 (en) | 2017-08-11 | 2024-02-27 | Huawei Technologies Co., Ltd. | Positioning method and apparatus |
CN108279397A (zh) * | 2017-12-05 | 2018-07-13 | 中集冷云(北京)冷链科技有限公司 | 仓储箱位置辨识方法、系统、计算机设备和存储介质 |
CN109151707A (zh) * | 2018-01-22 | 2019-01-04 | 中南大学 | 一种移动状态下的视距/非视距路径识别方法 |
CN109151707B (zh) * | 2018-01-22 | 2021-04-16 | 中南大学 | 一种移动状态下的视距/非视距路径识别方法 |
CN108663717A (zh) * | 2018-04-08 | 2018-10-16 | 青岛科技大学 | 无人机信号识别方法和系统 |
CN108663717B (zh) * | 2018-04-08 | 2019-09-10 | 青岛科技大学 | 无人机信号识别方法和系统 |
CN112534293A (zh) * | 2018-08-31 | 2021-03-19 | 罗伯特·博世有限公司 | 用于检测信号传播类型的方法和装置 |
CN110225449A (zh) * | 2019-05-22 | 2019-09-10 | 东南大学 | 一种基于毫米波cran的3d定位、测速和环境映射方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105554882B (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105554882A (zh) | 基于能量检测的60GHz非视距识别与无线指纹定位方法 | |
Choi et al. | Deep learning based NLOS identification with commodity WLAN devices | |
Gezici | A survey on wireless position estimation | |
US20200015047A1 (en) | Wifi multi-band fingerprint-based indoor positioning | |
CN101883426B (zh) | 高精度的超宽带无线定位方法 | |
CN105611629A (zh) | 基于能量检测的60GHz毫米波非视距识别与无线指纹定位方法 | |
CN103945332B (zh) | 一种接收信号强度和多径信息联合神经网络室内定位方法 | |
CN107566065A (zh) | 基于uwb的tof定位方法 | |
Zhang et al. | Environmental-adaptive indoor radio path loss model for wireless sensor networks localization | |
CN109565767A (zh) | 在存在多个通信路径下用于精确射频定位的系统和方法 | |
CN106851821B (zh) | 一种基于无线通信基站的室内三维定位方法 | |
Wang et al. | Joint time-of-arrival estimation for coherent UWB ranging in multipath environment with multi-user interference | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
CN103297924A (zh) | 基于信道估计的新型定位指纹设计方法及室内定位系统 | |
CN102196559A (zh) | 基于tdoa定位的通道时延误差消除方法 | |
CN110636436A (zh) | 基于改进chan算法的三维uwb室内定位方法 | |
CN105611628A (zh) | 基于能量检测的高精度脉冲60GHz无线指纹定位方法 | |
CN105974362B (zh) | 一种联合估计信号参数和位置的高精度被动定位方法 | |
CN108226912B (zh) | 基于稀疏网络的非接触物体感知定位的方法及系统 | |
CN105738866A (zh) | 一种基于能量检测的60GHz非视距识别与无线指纹定位方法 | |
CN107911863B (zh) | 一种基于简单手势确定恶意ap位置的方法 | |
CN105589063B (zh) | 基于偏度的脉冲无线电60GHz测距方法 | |
Xie et al. | An enhanced TDoA approach handling multipath interference in Wi-Fi based indoor localization systems | |
Tarrio et al. | An RSS localization method based on parametric channel models | |
Bryan et al. | Geolocation of multiple noncooperative emitters using received signal strength: Sparsity, resolution, and detectability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190118 Termination date: 20220129 |
|
CF01 | Termination of patent right due to non-payment of annual fee |