CN105764088B - 一种基于遗传算法的tdoa蜂窝定位方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的TDOA蜂窝定位方法，该方法在解算移动台位置的种群进化过程中引入生物学小生境概念，把小生境半径设置为随进化代数变化的动态值，保证个体在约束空间散开，以维护种群的多样性，同时在每一代进化完成后实施精英个体保留避免优秀个体被破坏，保证得到的移动台位置的准确性。

Description

一种基于遗传算法的TDOA蜂窝定位方法

技术领域

本发明涉及一种基于遗传算法的TDOA蜂窝定位方法，属于无线电定位技术领域。

背景技术

目前，精确位置服务被广泛的应用在通信、物流、军事等众多领域中，各行业对定位准确率的要求越来越高。随着民用蜂窝网的(GSM/3G/LTE-A)蓬勃发展和智能手机的普及，位置服务已经成为了人们生活中不可缺少的一部分，同时催生了大量基于移动台高精度位置信息的上层服务。当前广阔的定位市场推动了人们对蜂窝网定位的研究热情。

多年研究发展产生了多种基础定位技术，其中TDOA(Time Difference OfArrival，简称：到达时间差)应用最为广泛，研究者在此基础上提出了不少移动台位置估计方法，这些方法都不可避免的涉及到定位方程的解算问题。其中Taylor级数展开法(Foy WH.Position location solutions by Taylor series estimation[J].IEEETransactions on Aerospace and Electronic Systems,1976,12(2):187-194)，和Chan算法(Y.T.Chan and K.C.Ho.A simple and efficient estimator for hyperboliclocation[J].IEEE Transactions on Signal Processing,1994,42(8):1905-1915)最为经典，后续研究多是基于上述两种传统算法的改进。Taylor级数展开法对迭代初始值要求高，当初始值偏差较大时，解算出的移动台位置有较大的误差，然而在实际应用中测量方差噪声已知难以满足。Chan算法采用两次LS(Least Squares，最小二乘)算法，在第一次LS算法中即引入了噪声二次项，当噪声误差逐步增大后，噪声二次项的影响不可忽略，因此Chan算法在测量误差较小时能得到较高的定位精度，随着误差的增大，性能会迅速下降。这两种算法适用场景比较有限。现代启发式算法对TDOA定位中存在的非线性优化问题比常规解算方法应用场景更加便捷精确，GA(Genetic Algorithm，遗传算法)作为启发式算法中比较成熟的技术，有研究者将CGA(Canonical Genetic Algorithm，标准遗传算法)应用在TDOA的位置解算中，并证明其与Taylor级数展开法，Chan算法相比定位性能更加优秀，但GA在进化过程中缺少种群多样性保护机制、交叉变异过程具有随机性，会导致早熟收敛和最优个体被破坏的问题，这些问题让最终的得到的移动台估计位置和实际偏差较大。

发明内容

本发明目的在于针对上述现有技术的不足，提供了一种基于遗传算法的TDOA蜂窝定位方法，可以有效的维持进化过程中的种群多样性并避免破坏优良个体。

本发明解决其技术问题所采取的技术方案是：一种基于遗传算法的TDOA蜂窝定位方法，该方法在解算移动台位置的种群进化过程中引入生物学小生境概念，把小生境半径设置为随进化代数变化的动态值，保证个体在约束空间散开，以维护种群的多样性，同时在每一代进化完成后实施精英个体保留避免优秀个体被破坏，保证得到的移动台位置的准确性。

方法流程：

步骤1：获取移动台所处小区的CELLID，得到移动台所处位置范围，从网络侧获取测量报告信息，获取TDOA测量值。

步骤2：设置进化代数g，在小区范围内随机均匀生成M个初始个体组成初始群体，其中M为预设种群大小；进行个体编码，染色体矢量为(x,y)^T，x和y是移动台的可能坐标；

步骤3：对种群个体进行适应度评测，个体的适应度越高表明越接近移动台的真实位置，所有个体按适应度排序，记忆前N个最优个体，其中N为预设个体保留的数量，适应度函数取为：

其中R_i是MS到BS_i的距离，R_i1＝R_i-R₁(i＝1,2,…,M)。

步骤4：对种群进行选择运算、交叉运算、变异运算。

步骤5：把当前记忆的N个个体和步骤4得到的种群合并，得到一个含有M+N个体的新种群，取新种群中适应度高的N个个体更新小生境半径L。按照如下标准更新修正小生境半径：

步骤6：为了维护进化过程中群体的多样性，按照生物学中小生境的概念，进行排挤淘汰。

求出新种群每两个个体之间的距离d_ij，即：

i＝1,2,...,M+N-1；j＝i+1,i+2,...,M+N；

当d_ij<L时，给个体x_i和y_i中Fit值较小的个体赋惩罚函数，降低其适应度。

步骤7：提取到当代为止适应度最高的个体，直接保留到下一代种群中，对步骤6更新后的个体按Fit值降序排列，记忆前N个个体。

步骤8：如果不满足预设的终止条件，选择步骤6得到种群前M个个体作为下一代种群，转到步骤4继续算法，若满足条件，则输出估计坐标，算法结束。

有益效果：

1、本发明在TDOA蜂窝定位的GA中引入小生境技术，在种群进化过程中保持个体距离，形成种群分割，达到维持种群多样性的目的，将小生境半径设置为动态变化以生成更优越的小生境。实行最优个体保留，在每一代进化后挑选出适应度最高、最有可能是移动台位置的个体，直接保留到下一代的种群中进行操作，防止其被破坏，增强全局收敛能力。

2、本发明能够在一定程度缓解GA在TDOA定位中的早熟收敛问题，在蜂窝网通信系统中能够实现稳定而高精度的定位功能。

附图说明

图1为TDOA双曲线定位的原理图。

图2为定位中基站与移动台的位置关系图。

图3为本发明的方法流程图。

图4为本发明具体实施例中基站个数为4～7个时的性能仿真对比图。

图5为本发明具体实施例中测量误差为1～4us时的性能仿真对比图。

具体实施方式：

下面结合说明书附图对本发明创造作进一步的详细说明。

TDOA双曲线定位原理参见图1所示，根据测量MS(Mobile Station，移动台)发射信号到达两个BS(Base Station，基站)的时间差，计算出MS到BS₁、BS₂之间距离差|R₂-R₁|，以距离差为焦距建立第一条双曲线，同理以MS到BS₁、BS₃之间距离差|R₃-R₁|为焦距建立第二条双曲线，两条双曲线的交点即为MS的位置。

实施实例在蜂窝网7小区下进行，如图2所示，其中BS₁作为服务基站，MS位置在中心小区内随机生成，选择包括服务基站在内的4～7个BS参与定位，在分析基站数量影响外选取包括服务基站在内的6个BS参与定位，小区半径取3km，TDOA测量误差为服从均值为0，标准差为3us高斯随机变量。

参见图3，本发明的仿真步骤包括如下：

1)在中心小区生成MS位置(x,y)，基站位置为(X_i,Y_i)，获取M-1个TDOA测量值。

R_i1为MS到BS_i和到BS₁的距离差，c为电磁波在空气中传播速度，τ_i1是移动台发射信号到达服务基站BS₁和第i个基站的时间差，n_i1为TDOA测量误差。

2)在中心小区均匀生成200个MS位置作为初始种群，对生成的MS坐标进行编码。

3)将1)中M-1个TDOA方程组得出的最大似然概率函数作为适应度评判函数Fit，计算种群个体适应度并排序，记忆前100个优秀个体。

4)进行选择运算、交叉运算、变异运算。

5)以4)得到的种群中适应度最高前100个体为基础，按照以下规则更新小生境半径L。

g为进化代数，d_ij是个体间欧氏距离。

6)将4)的200个个体和当前记忆的100个个体合并得到新种群，进行小生境淘汰。

7)进行最优个体保留操作，将至今为止适应度最高的个体直接保留到下一代中，记忆6)得到种群的适应度最高的前100优秀个体。

8)如果不满足预设的终止条件，选择6)中前200个个体作为下一代种群，转到4)继续算法，若满足条件，则输出估计坐标，算法结束。

在不同参数条件下对本发明方法做10000次计算机仿真，对定位结果进行了分析，并和Taylor级数法，Chan算法，CGA在相同条件下的结果进行了对比分析。

图4为基站数目4～7的定位性能对比，从图中可以看出，随着基站数量的增加，在定位中有更多的冗余信息可以利用，四种方法的定位性能在升高，标准遗传算法的性能高于两种经典方法，本发明的方法定位误差最小，相比CGA可以搜索到更加接近全局最优的估计位置坐标。

图5为TDOA测量误差为1～4us的定位性能对比分析，可以看出CGA在测量误差较小时和对比算法性能相当，本发明性能略优于其他算法，当测量误差逐步增大时，由于Chan算法中引入的噪声二次项带来的影响越来越大，使得Chan算法性能恶化，而本发明直接对似然函数求解，不受噪声二次项的影响，本发明定位性能优于Taylor、Chan算法及CGA。

综上所述，本发明能够一定程度上克服现有技术的不足，缓解GA在TDOA定位非线性优化中出现的早熟问题，解决处理过程中优良位置基因被破坏的问题。在相同条件下定位性能更加优秀。

Claims (2)

1.一种基于遗传算法的TDOA蜂窝定位方法，其特征在于，所述方法包括如下步骤：

步骤1：获取移动台所处小区的CELLID，得到移动台所处位置范围，从网络侧获取测量报告信息，获取TDOA测量值；

步骤2：设置进化代数g，在小区范围内随机均匀生成M个初始个体组成初始群体，其中M为预设种群大小；进行个体编码，染色体矢量为(x,y)^T，x和y是移动台的可能坐标；

步骤3：对种群个体进行适应度评测，个体的适应度越高表明越接近移动台的真实位置，所有个体按适应度排序，记忆前N个最优个体，其中N为预设个体保留的数量，适应度函数取为：

其中R_i是MS到BS_i的距离，R_i1＝R_i-R₁(i＝1,2,…,M)；

步骤4：对种群进行选择运算、交叉运算、变异运算；

步骤5：把当前记忆的N个个体和步骤4得到的种群合并，得到一个含有M+N个个体的新种群，取新种群中适应度高的N个个体更新小生境半径L；按照如下标准更新修正小生境半径，即：

步骤6：为了维护进化过程中群体的多样性，按照生物学中小生境的概念，进行排挤淘汰；

求出新种群每两个个体之间的距离d_ij，即：

i＝1,2,...,M+N-1；j＝i+1,i+2,...,M+N；

当d_ij<L时，给个体x_i和y_i中Fit值较小的个体赋惩罚函数，降低其适应度；

步骤7：提取到当代为止适应度最高的个体，直接保留到下一代种群中，对步骤6更新后的个体按Fit值降序排列，记忆前N个个体；

步骤8：如果不满足预设的终止条件，选择步骤6得到种群前M个个体作为下一代种群，转到步骤4继续算法，若满足条件，则输出估计坐标，算法结束。

2.根据权利要求1所述的一种基于遗传算法的TDOA蜂窝定位方法，其特征在于：所述方法在解算移动台位置的种群进化过程中引入生物学小生境概念，将小生境半径设置为随进化代数变化的动态值，并在进化过程中加入精英个体保留策略。