CN108318854B - 一种定位方法、装置、电子设备及可读存储介质 - Google Patents

一种定位方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN108318854B
CN108318854B CN201810045643.6A CN201810045643A CN108318854B CN 108318854 B CN108318854 B CN 108318854B CN 201810045643 A CN201810045643 A CN 201810045643A CN 108318854 B CN108318854 B CN 108318854B
Authority
CN
China
Prior art keywords
base station
signal
line
sight
signal feature
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.)
Active
Application number
CN201810045643.6A
Other languages
English (en)
Other versions
CN108318854A (zh
Inventor
邓中亮
闫小涵
付潇
林乐轩
刘雯
焦继超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201810045643.6A priority Critical patent/CN108318854B/zh
Publication of CN108318854A publication Critical patent/CN108318854A/zh
Application granted granted Critical
Publication of CN108318854B publication Critical patent/CN108318854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S5/0009—Transmission of position information to remote stations
    • G01S5/009—Transmission of differential positioning data to mobile
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供了一种定位方法、装置、电子设备及可读存储介质，应用于无线定位技术领域，所述方法包括：根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对对应的信号特征向量；针对每个基站对，若该基站对对应的信号特征向量不在标记数据库中，将信号特征向量输入预先建立的非视距误差计算模型，得到非视距误差值；若信号特征向量在标记数据库中，对信号特征向量进行扩维，并根据标记数据库得到扩维后的信号特征向量对应的非视距误差；将信号特征向量中的信号特征值和非视距误差值之和作为修正后的信号特征值；根据得到的多个修正后的信号特征值和位置计算公式，得到移动台的位置坐标。本发明可提高定位精度。

Description

一种定位方法、装置、电子设备及可读存储介质
技术领域
本发明涉及无线定位技术领域，特别是涉及一种定位方法、装置、电子设备及可读存储介质。
背景技术
随着互联网技术的高速发展，室内外一体化的高精度定位技术，不但在医疗行业、线上出行、消防救援、智慧城市、物联网等方面有着重要的应用，也成为“互联网+”经济的重要助推器。
现有的定位算法通常可分为基于测距的定位算法和无需测距的定位算法。无需测距的定位算法不需测量基站和定位终端之间的测距信息，因此硬件成本低、易实现，并且不受多径非视距等因素的干扰，但该定位算法的定位精度低、定位结果依赖于通信模型的拓扑结构。无需测距的定位算法包括：指纹定位中常用的加权质心法、DV-hop等定位方法。无需测距的定位算法中经常使用的信号特征是RSSI(Received Signal StrengthInformation，接收信号强度信息)，利用目标节点与参考节点的RSSI匹配度和相似性进行位置估计。
基于测距的定位方法虽然定位精度较高，但由于测距信息易受环境干扰，具有较高的不稳定性，且对于测距信息的解析也需要配置较复杂的硬件设备和软件算法。其中，测距方法包括：TOA(Time of Arrival，到达时间)、TDOA(Time Differential of arrival，到达时间差)、AOA(Angle of Arrival，到达角度)、TOF(Time of Flight，飞行时间)、RSSI等，上述信息都携带有关距离或方向的信息，是室内外定位算法的常用信息。以上测距定位算法中，信号都易受到复杂环境下NLOS(Non Line Of Sight，非视距)的影响，因此，在定位过程中削减非视距误差成为基于测距信息定位方法的一大难点。
目前对非视距误差的研究包括：鉴别、消除和补偿技术。常见的非视距路径鉴别包括：通过区间估计，假设在LOS(Line Of Sight，视距)环境下，基于基站的测量范围是已知的，而NLOS测量范围的差异非常大，并且具有时间依赖性，因此，通过测量值的变化范围(即方差)来判断基站与MU(Mobile User，移动用户)之间是否存在非视距路径，并且去除。但该方法具有较大的延迟性，且由于LOS和NLOS之间的区分度较小而产生误判；还可以通过信道统计，从接收到的信号信息中提取所需参数，如平均时延、均方根时延扩展、峰度参数、总功率等来判断是否为非视距信道，但精确的信道统计数据难以得到。消除和补偿技术则是根据上述鉴别结果，对处于NLOS环境的基站进行去除或给予较小加权值，或者直接对测量值进行修正，重构TDOA信息。可见，上述基于非视距误差补偿的定位方法中确定非视距误差的准确性较低，导致定位精度较低。
发明内容
本发明实施例的目的在于提供一种定位方法、装置、电子设备及可读存储介质，以提高定位的精度。具体技术方案如下：
本发明实施例提供了一种定位方法，所述方法包括：
根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，所述多个基站对是通过对多个基站进行组合得到的；
针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，所述非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，所述标记数据库是在所述信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的；
针对每个基站对，若该基站对对应的信号特征向量在所述标记数据库中，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据所述标记数据库得到扩维后的信号特征向量对应的非视距误差；
针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到所述移动台的位置坐标。
可选的，所述信号特征分布图的建立方法包括：
根据空间结构信息，建立可计算信号信息值的信号地图空间，所述空间结构信息包括：三维空间信息、空间电磁信息和空间网元参数，所述信号地图空间为所述信号特征分布图对应的空间，所述信号地图空间通过四叉树网格建立；
获取所述信号地图空间中各网格单元的模拟接收器接收的所述多个基站发射的信号信息值，针对每个网格单元，根据该网格单元的模拟接收器接收的所述多个基站发射的信号信息值，通过差分法得到所述多个基站对中每个基站对对应的信号特征向量；
针对该网格单元对应的每个基站对，根据该网格单元分别到该基站对中的每个基站的距离，计算该网格单元接收该基站对发射信号的视距到达时间差，将该基站对对应的信号特征向量中的非视距到达时间差与所述视距到达时间差的差值作为该网格单元对应该基站对的非视距误差值；
根据所述各网格单元的位置坐标、所述各网格单元对应每个基站对的信号特征向量和所述各网格单元对应每个基站对的非视距误差值，得到所述信号特征分布图。
可选的，所述非视距误差计算模型的建立方法包括：
获取所述信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值；
通过神经网络对所述信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值进行训练，得到非视距误差计算模型，所述非视距误差计算模型包括：信号特征向量和非视距误差值的对应关系。
可选的，本发明实施例的定位方法，还包括：
若所述信号特征分布图中的虚拟基站接收的信号信息值变化的时间大于预设时间段，且信号信息值的变化值大于第一预设阈值，判断所述信号特征分布图中基站的位置或建筑物的位置是否发生变化；
如果是，修改所述信号特征分布图中基站的位置或建筑物的位置，重新建立信号特征分布图；
如果否，根据所述信号特征分布图中四叉树网格的位置相关性，对所述信号特征分布图中每个网格单元的信号信息值进行四叉树式逐层修正。
可选的，所述对所述信号特征分布图中每个网格单元的信号信息值进行四叉树式逐层修正，包括：
针对所述信号特征分布图中每个网格单元的修正后的信号信息值，若修正后的信号信息值大于第二预设阈值，将所述修正后的信号信息值更新为第二预设阈值。
可选的，所述根据得到的多个修正后的信号特征值和位置计算公式，得到所述移动台的位置坐标，包括：
若基站对包括：基站一和基站二、基站一和基站三、基站二和基站三，移动台接收基站一和基站二发射信号的到达时间差为TDOA12'，移动台接收基站一和基站三发射信号的到达时间差为TDOA13'，移动台接收基站二和基站三发射信号的到达时间差为TDOA23'，通过所述非视距误差计算模型得到的基站一和基站二对应的非视距误差为NLOS12，通过所述非视距误差计算模型得到的基站一和基站三对应的非视距误差为NLOS13，通过所述非视距误差计算模型得到的基站二和基站三对应的非视距误差为NLOS23，根据以下公式：
Figure BDA0001550822140000041
得到视距条件下移动台接收基站一和基站二发射信号的到达时间差TDOA12，视距条件下移动台接收基站一和基站三发射信号的到达时间差TDOA13，视距条件下移动台接收基站二和基站三发射信号的到达时间差TDOA23；
若所述基站一、所述基站二和所述基站三的位置坐标分别为(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，在视距条件下，根据位置计算公式：
Figure BDA0001550822140000051
得到移动台的位置坐标(x,y,z)。
可选的，所述虚拟基站的建立方法包括：
通过四叉树对所述信号特征分布图对应的信号地图空间进行多层网格划分，得到多层网格单元；
在所述多层网格单元的第一层网格单元中的每个网格中建立虚拟基站。
本发明实施例提供了一种定位装置，所述装置包括：
信号特征向量确定模块，用于根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，所述多个基站对是通过对多个基站进行组合得到的；
非视距误差值第一计算模块，用于针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，所述非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，所述标记数据库是在所述信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的；
非视距误差值第二计算模块，用于针对每个基站对，若该基站对对应的信号特征向量在所述标记数据库中，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据所述标记数据库得到扩维后的信号特征向量对应的非视距误差；
移动台位置坐标计算模块，用于针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到所述移动台的位置坐标。
可选的，本发明实施例的定位装置，还包括：
信号地图空间建立模块，用于根据空间结构信息，建立可计算信号信息值的信号地图空间，所述空间结构信息包括：三维空间信息、空间电磁信息和空间网元参数，所述信号地图空间为所述信号特征分布图对应的空间，所述信号地图空间通过四叉树网格建立；
信号特征向量获取模块，用于获取所述信号地图空间中各网格单元的模拟接收器接收的所述多个基站发射的信号信息值，针对每个网格单元，根据该网格单元的模拟接收器接收的所述多个基站发射的信号信息值，通过差分法得到所述多个基站对中每个基站对对应的信号特征向量；
非视距误差值确定模块，用于针对该网格单元对应的每个基站对，根据该网格单元分别到该基站对中的每个基站的距离，计算该网格单元接收该基站对发射信号的视距到达时间差，将该基站对对应的信号特征向量中的非视距到达时间差与所述视距到达时间差的差值作为该网格单元对应该基站对的非视距误差值；
信号特征分布图确定模块，用于根据所述各网格单元的位置坐标、所述各网格单元对应每个基站对的信号特征向量和所述各网格单元对应每个基站对的非视距误差值，得到所述信号特征分布图。
可选的，本发明实施例的定位装置，还包括：
训练数据获取模块，用于获取所述信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值；
非视距误差计算模型建立模块，用于通过神经网络对所述信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值进行训练，得到非视距误差计算模型，所述非视距误差计算模型包括：信号特征向量和非视距误差值的对应关系。
可选的，本发明实施例的定位装置，还包括：
判断模块，用于若所述信号特征分布图中的虚拟基站接收的信号信息值变化的时间大于预设时间段，且信号信息值的变化值大于第一预设阈值，判断所述信号特征分布图中基站的位置或建筑物的位置是否发生变化；
信号特征分布图重建模块，用于在所述判断模块的判断结果为是时，修改所述信号特征分布图中基站的位置或建筑物的位置，重新建立信号特征分布图；
信号特征分布图修正模块，用于在所述判断模块的判断结果为否时，根据所述信号特征分布图中四叉树网格的位置相关性，对所述信号特征分布图中每个网格单元的信号信息值进行四叉树式逐层修正。
可选的，所述信号特征分布图修正模块具体用于，针对所述信号特征分布图中每个网格单元的修正后的信号信息值，若修正后的信号信息值大于第二预设阈值，将所述修正后的信号信息值更新为第二预设阈值。
可选的，所述移动台位置坐标计算模块具体用于，
若基站对包括：基站一和基站二、基站一和基站三、基站二和基站三，移动台接收基站一和基站二发射信号的到达时间差为TDOA12'，移动台接收基站一和基站三发射信号的到达时间差为TDOA13'，移动台接收基站二和基站三发射信号的到达时间差为TDOA23'，通过所述非视距误差计算模型得到的基站一和基站二对应的非视距误差为NLOS12，通过所述非视距误差计算模型得到的基站一和基站三对应的非视距误差为NLOS13，通过所述非视距误差计算模型得到的基站二和基站三对应的非视距误差为NLOS23，根据以下公式：
Figure BDA0001550822140000071
得到视距条件下移动台接收基站一和基站二发射信号的到达时间差TDOA12，视距条件下移动台接收基站一和基站三发射信号的到达时间差TDOA13，视距条件下移动台接收基站二和基站三发射信号的到达时间差TDOA23；
若所述基站一、所述基站二和所述基站三的位置坐标分别为(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，在视距条件下，根据位置计算公式：
Figure BDA0001550822140000081
得到移动台的位置坐标(x,y,z)。
可选的，本发明实施例的定位装置，还包括：
网格划分模块，用于通过四叉树对所述信号特征分布图对应的信号地图空间进行多层网格划分，得到多层网格单元；
虚拟基站建立模块，用于在所述多层网格单元的第一层网格单元中的每个网格中建立虚拟基站。
本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一定位方法的步骤。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一定位方法的步骤。
本发明实施例提供的定位方法、装置、电子设备及可读存储介质，根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，多个基站对是通过对多个基站进行组合得到的。针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，标记数据库是在信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的。若该基站对对应的信号特征向量在标记数据库中，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据标记数据库得到扩维后的信号特征向量对应的非视距误差。针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到移动台的位置坐标。本发明实施例的定位方法，由于信号特征分布图包括信号特征向量和信号特征向量对应的非视距误差值，因此通过神经网络对信号特征向量和信号特征向量对应的非视距误差值进行训练后，可以得到精确的非视距误差值。或者，通过对信号特征向量进行扩维得到标记数据库，进而根据标记数据库得到精确的非视距误差值。与现有的非视距误差补偿方法相比，本发明非视距误差补偿的准确性更高，因此定位精度更高。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的定位方法的流程图；
图2为本发明实施例的信号特征分布图的建立方法的流程图；
图3为本发明实施例的四叉树网格划分结构图；
图4为本发明实施例的非视距误差计算模型的建立方法的流程图；
图5为本发明实施例的信号特征分布图的修正流程图；
图6为本发明实施例的定位装置的结构图；
图7为本发明实施例的电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决由于非视距误差难以精准补偿导致定位精度较低的问题，本发明实施例提供了一种定位方法、装置、电子设备及可读存储介质，以提高定位精度。
下面首先对本发明实施例所提供的的定位方法进行详细介绍。
参见图1，图1为本发明实施例的定位方法的流程图，包括以下步骤：
S101，根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，多个基站对是通过对多个基站进行组合得到的。
本发明实施例中，移动台可以接收预设空间中的多个基站发射的信号，每个基站发射的信号的信号信息值可以包括：TOA和RSSI。基站对指两个基站，多个基站进行两两组合可以得到多个基站对。差分法表示同一接收机接收到的对于不同基站发射同一信号的差值特征(即信号特征向量)，包括：TDOA和DRSSI(Differential Received Signal StrengthInformation，接收信号强度信息差)。
举例而言，如果基站的个数为K个，各基站的编号分别为01、02、03、…、K，那么得到的基站对分别为0102、0103、…、(K-1)K，符合排列规则，可以得到
Figure BDA0001550822140000101
个基站对。对于基站对0102，得到的信号特征向量为(TDOA12,DRSSI12)，对于基站对0103，得到的信号特征向量为TDOA13,DRSSI13)，其他基站对以此类推，在此不再赘述。这样，对于每个基站对，都可以得到对应的信号特征向量。
S102，针对每个基站对，判断该基站对对应的信号特征向量是否在预先建立的标记数据库中，标记数据库是在信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的。
本发明实施例中，标记数据库用于使信号特征向量和非视距误差一一对应。具体的，在实际环境下，多个不同位置的接收机接收同一个基站对发射的信号时，可能得到多个相同的信号特征向量，但是由于信号的传播路径不同，可能出现该多个相同的信号特征向量对应不同的非视距误差值的情况，也就是存在同一个信号特征向量对应多个非视距误差值的情况。而对于信号特征向量与非视距误差值的映射关系需要满足映射的基本要求，即一对一或多对一，而不能一对多。自变量集中不可出现剩余元素，对于相邻自变量对应的因变量要具有较好的连续性，较多的突变点不利于模型的描述和拟合。若同一基站对对应的信号特征向量对应多个非视距误差值，可以对信号特征向量进行扩维，参考其他基站对的信号特征向量，以增加区分度。这样可以得到信号特征向量唯一对应的非视距误差值，达到一一映射的要求。由此，将基于地理位置的非视距误差分布转化为基于信号特征向量的非视距误差分布。
S103，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的。
针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，则通过预先建立的非视距误差计算模型得到该基站对对应的非视距误差值。非视距误差计算模型是通过神经网络对信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，因此，非视距误差计算模型包括：信号特征向量和非视距误差值的对应关系。
S104，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据标记数据库得到扩维后的信号特征向量对应的非视距误差。
具体的，针对每个基站对，若该基站对对应的信号特征向量在预先建立的标记数据库中，则首先需要对信号特征向量进行扩维，扩维也就是对信号特征向量增加维度。例如，若基站对0102对应的信号特征向量为(TDOA12,DRSSI12)，该信号特征向量(TDOA12,DRSSI12)对应多个非视距误差值，分别为Δt12、Δt12′、Δt12″。这样，可以将信号特征向量增加一个维度得到(TDOA12,DRSSI12,TDOA13)，若不同位置的接收机对应的TDOA13不同，此时得到的信号特征向量(TDOA12,DRSSI12,TDOA13)将与Δt12、Δt12′、Δt12″一一对应。当然，也可以对信号特征向量增加两个维度、三个维度等，在此不做限定。在对信号特征向量扩维之后，可以通过标记数据库中信号特征向量和非视距误差值的映射关系得到信号特征向量对应的非视距误差值。
S105，针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到移动台的位置坐标。
需要说明的是，基站对对应的信号特征向量中的信号特征值是通过测量和计算得到的值，该信号特征值是存在非视距误差的，因此将该信号特征值与非视距误差值相加，即可得到视距条件下的信号特征值，即修正后的信号特征值。其中，信号特征向量包括：TDOA和DRSSI，信号特征值可以为TDOA。由于多个基站对可以得到多个修正后的信号特征值，因此，根据多个修正后的信号特征值和位置计算公式，即可得到移动台的位置坐标。
本发明实施例提供的定位方法，根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，多个基站对是通过对多个基站进行组合得到的。针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，标记数据库是在信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的。若该基站对对应的信号特征向量在标记数据库中，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据标记数据库得到扩维后的信号特征向量对应的非视距误差。针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到移动台的位置坐标。本发明实施例的定位方法，由于信号特征分布图包括信号特征向量和信号特征向量对应的非视距误差值，因此通过神经网络对信号特征向量和信号特征向量对应的非视距误差值进行训练后，可以得到精确的非视距误差值。或者，通过对信号特征向量进行扩维得到标记数据库，进而根据标记数据库得到精确的非视距误差值。与现有的非视距误差补偿方法相比，本发明非视距误差补偿的准确性更高，因此定位精度更高。
参见图2，图2为本发明实施例的信号特征分布图的建立方法的流程图，包括以下步骤：
S201，根据空间结构信息，建立可计算信号信息值的信号地图空间，空间结构信息包括：三维空间信息、空间电磁信息和空间网元参数，信号地图空间为信号特征分布图对应的空间，信号地图空间通过四叉树网格建立。
本发明实施例中，三维空间信息指建筑物CAD(Computer Aided Design，计算机辅助设计)数据，空间电磁信息指空间中的电磁参数等，空间网元参数包括：网元大小、网元ID等。根据空间结构信息，通过三维仿真地图，可以设置空间中建筑物的材质、轮廓、面积，网元坐标，信道参数以及模拟接收机的位置等，建立可计算信号信息值的信号地图空间。
信号地图空间通过四叉树网格建立，可以根据不同的定位精度要求，调用不同层级的网格单元，也可以根据不同的网格编号，直接得到该网格的地理位置。同时，编号大小也可以表示各网格单元之间的位置关联关系。四叉树网格划分方法具体为：
在平面中确定能够包含预设空间的正方形，将正方形的边长分别与x、y轴重合，正方形的边长设为2n，如图3(a)所示，将该正方形均等分为四份，并由左下角由000开始进行编号，依次为100、200和300。在已有编号的基础上，每个网格可进一步进行细分，例如，右下角的网格100，可进一步用同样方法细分为四个全等网格，编号分别为100、110、120和130，如图3(b)所示，对于网格000、网格200和网格300的划分与网格100类似，在图3(b)中并未示出，由此完成了第二层网格划分。对于网格100，可划分为100、101、102和103，如图3(c)所示，其他网格与此类似，可将平面区域按照需要分割为任意小的网格，并可层层深入，当然对于其他网络的划分在图3(c)中并未示出。
若该四叉树网格已分割的最大层数为N，N≤n。最终分割的网格编号可表示为：r1r2...rN,ri∈{0,1,2,3},i∈{1,2,3...N}。
其中，ri表示0～3任意一个四进制整数，r1r2...rN可以唯一表示任意一个最小网格单元，r1r2...rm可唯一表示较大层级的网格单元，m<N。信号地图空间通过此四叉树网格编码后，可以建立网格位置和网格编码的对应关系，这样在获取网格编码时，可以确定该网格单元的位置坐标。
根据网格特性，处于越低层级的不同网格单元的平均距离相对较远，因此信号信息值的位置相关性表现也就越差。相应地，处于越高层级的位于同一层级的网格单元的平均距离相对更近，与信号信息值的位置相关性表现也就越好。如图3(c)所示，可以将每一层级网格中存在的具有最小标号的最小网格单元作为下层网格的基准网格，如第一层网格的网格的基准单元，网格标号分别为000、100、200、300，是对应每层级大网格中存在的具有最小标号的最小网格单元。以此类推，在最大划分深度为N的网格区域中，第n层网格所对应的基准网格的网格标号末尾0的位数为N-n个，网格标号最后一个非零整数表示该网格在上一层级网格中的相对位置。
S202，获取信号地图空间中各网格单元的模拟接收器接收的多个基站发射的信号信息值，针对每个网格单元，根据该网格单元的模拟接收器接收的多个基站发射的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量。
本发明实施例中，通过对城市及室内经验传播模型进行考量，结合实际环境和几何光学原理和一致绕射性理论原理建立射线跟踪法计算模型，对定位区域进行信号特征分布的计算。射线跟踪法根据实际的建筑物形状、隔断、地磁参数等信息，将基站看做全向发射电磁信号的信源，遍历信号的传播路径和到达情况，还原信号在传播过程中发生的直射、反射、散射、折射、绕射等情况。参照几何光学原理和一致绕射性理论，通过上述原理得到信号的各种传播路径，并且根据信号衰减原理得到RSSI、TDOA和AOA等信号特征。
室内信号传播主要考虑室内环境的复杂性和多样性，由于室内空间格局更为微小和复杂，因此信号在室内收到的多径和非视距的影响也较室外复杂。室内传播通常需考虑的传播方式包括：直射、反射、透射和绕射等，对于不同材质墙面的影响，不同场景都需考虑其不同的衰减因素。因此，需要充分参考实际环境，在各房间的长宽高符合在CAD图样完全一致的尺度单位情况下，实地考察各房间的实际分割情况以及房间隔板的材质等。
具体的，在建立信号地图空间之后，在每网格单元内设定模拟接收机，设定基站的位置，根据反向传播的射线跟踪法结合传播模型进行信号特征的计算。室内常用的传播模型基于对数衰减模型和衰减因子模型进行改进，常见的有马特内-马恩纳模型(Keenan-Motley)：
Figure BDA0001550822140000151
其中，Lpico为在距离基站d处的接收机接收信号强度的损耗值，L0表示在距离基站1m位置处的接收机接收信号强度的损耗值，n为路径衰减因子，d为接收机与基站之间的距离，Nwj为信号穿过不同种类的墙壁的数量，Lwj为不同种类墙壁对信号的损耗因子，Nfi为信号穿过不同种类的地板的数量，Lfi为不同种类地板对信号的损耗因子，Lwj和Lfi为经过大量测试后得到的经验值，通常Lf取值范围为12～32dB，Lw取值范围为1～5dB。
若同时结合多径衰落公式：
Figure BDA0001550822140000152
可以更好的描述并还原传播信号，最终得到准确的信号信息值。ωc为信号发射圆频率，Pp(t)为第p条路径的接收电场强度，τi(t)为第i条路径的传播时间，PR(t)为总的接收电场强度。
为了更好的消除基站和接收机的时钟不同步和由于接收机天线增益的不同造成的误差，本发明实施例通过差分法得到多个基站对中每个基站对对应的信号特征向量，将信号特征向量用于非视距误差计算模型的分析和计算。
S203，针对该网格单元对应的每个基站对，根据该网格单元分别到该基站对中的每个基站的距离，计算该网格单元接收该基站对发射信号的视距到达时间差，将该基站对对应的信号特征向量中的非视距到达时间差与视距到达时间差的差值作为该网格单元对应该基站对的非视距误差值。
由于信号通过折射、反射、透射等路径到达接收点，信号的平均到达时间
Figure BDA0001550822140000161
Lp为信号第n条路径的实际传播距离，c为光速。结合所有到达路径，通过公式：
Figure BDA0001550822140000162
得到平均到达时间
Figure BDA0001550822140000163
其中，p为信号的第p条传播路径，Np为到达该接收机的信号路径总数，Pp为第p条路径的平均接收功率，PR为接收机处的叠加接收功率。PR与Pp存在以下关系：
Figure BDA0001550822140000164
即平均到达时间根据信号路径对总场强的贡献通过加权计算得出。
若在视距条件下，第i个基站到接收机的视距到达时间为toai，第j个基站到接收机的视距到达时间为toaj，则
TDOAij＝toai-toaj+(Δti-Δtj)＝tdoaij+Δtij
其中，Δti为第i个基站到达接收机由非视距引起的误差，Δtj为第j个基站到达接收机由非视距引起的误差，tdoaij为视距条件下第i个基站和第j个基站的达到时间差，TDOAij为非视距条件下第i个基站和第j个基站的达到时间差，Δtij即为TDOAij的非视距误差值。因此，基站对对应的信号特征向量中的非视距到达时间差与视距到达时间差的差值即为该基站对的非视距误差值。
S204，根据各网格单元的位置坐标、各网格单元对应每个基站对的信号特征向量和各网格单元对应每个基站对的非视距误差值，得到信号特征分布图。
本发明实施例中，在得到各网格单元对应每个基站对的信号特征向量和各网格单元对应每个基站对的非视距误差值之后，根据通过四叉树网格得到的各网格单元的位置坐标，得到位置坐标、信号特征向量和非视距误差值的对应关系，从而得到信号特征分布图。
图2实施例的有益效果在于，通过建立信号特征分布图，可以用于之后非视距误差计算模型的计算。
参见图4，图4为本发明实施例的非视距误差计算模型的建立方法的流程图，包括以下步骤：
S401，获取信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值。
本步骤中，信号特征分布图即为图2实施例中所建立的信号特征分布图，该信号分布图中包括信号特征向量和信号特征向量对应的非视距误差值。
S402，通过神经网络对信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值进行训练，得到非视距误差计算模型，非视距误差计算模型包括：信号特征向量和非视距误差值的对应关系。
需要说明的是，若信号特征分布图中的信号特征向量对应的非视距误差值为多个，那么将该信号特征向量加入标记数据库中。否则，将信号特征向量用于非视距误差计算模型的训练。也就是说，用于非视距误差计算模型训练的输入参数中的信号特征向量和非视距误差值是一一对应的。
本发明的一种实现方式中，可以通过BP神经网络对信号特征向量和信号特征向量对应的非视距误差值进行训练。BP神经网络包括三个神经元层：输入层、隐含层和输出层。BP神经元学习也分为信号信息值正向传播和非视距误差值的逆向传播两个过程。信号通过多个神经元层得到预测值，预测值的误差再由反方向逐层返回，并“分摊”给各层的神经元，作为每层神经元参数修正的依据。通过不断的迭代训练，最后达到满足给定误差阈值的训练模型。得到的非视距误差计算模型包括：信号特征向量和非视距误差值的对应关系。也就是说，将信号特征向量输入该非视距误差计算模型，即可得到该信号特征向量对应的非视距误差值。
参见图5，图5为本发明实施例的信号特征分布图的修正流程图，包括以下步骤：
S501，判断信号特征分布图中的虚拟基站接收的信号信息值变化的时间是否大于预设时间段，且信号信息值的变化值是否大于第一预设阈值。
具体的，由于信号的波动性，信号信息值会随着时间和信道环境的变化发生变化。那么，为了得到更加准确的信号特征分布图，本发明实施例还可以周期性对信号特征分布图进行修正，通过监测虚拟基站接收信号的信号信息值的变化情况对对信号特征分布图进行修正。因此，信号修正模块以虚拟基站接收到的信号修正值为基准，当虚拟基站接收信号的信号信息值变化维持一稳定时间并超过一定阈值时，才对信号特征分布图进行修正。那么，需要判断信号特征分布图中的虚拟基站接收的信号信息值变化的时间是否大于预设时间段，且信号信息值的变化值是否大于第一预设阈值。第一预设阈值用于区分是由建筑物或基站位置变化引起的较大误差还是由于微小环境变化引起的较小误差。第一预设阈值是根据相关基站功率范围和环境变化产生的信号特征变化的极值确定的。如果是，则进入S502。
其中，虚拟基站是在网格单元中建立的基站，虚拟基站的建立方法具体为：通过四叉树对信号特征分布图对应的信号地图空间进行多层网格划分，得到多层网格单元；在多层网格单元的第一层网格单元中的每个网格中建立虚拟基站。其中，虚拟基站的个数为4个，分别对应网格000、100、200和300。当然，网格000、100、200和300是进行多层网格划分之后的网格编号，而不是图3(a)所述的网格编号。例如，图3(c)中虚拟基站的位置为网格100的位置，即最小网格单元所在的位置。
S502，判断信号特征分布图中基站的位置或建筑物的位置是否发生变化。
本发明实施例中，若虚拟基站接收的信号的信号信息值发生较大变化，首先需要判断信号特征分布图中基站的位置或建筑物的位置是否发生变化，如果是，进入S503；如果否，进入S504。
S503，修改信号特征分布图中基站的位置或建筑物的位置，重新建立信号特征分布图。
具体的，如果信号特征分布图中基站的位置或建筑物的位置是否发生变化，表明空间结构信息发生变化，那么需要重新建立信号特征分布图，即执行图2实施例中的步骤，得到更新的信号特征分布图。相应地，也需要重新建立非视距误差计算模型，即执行图3实施例中的步骤，得到更新的非视距误差计算模型。
S504，根据信号特征分布图中四叉树网格的位置相关性，对信号特征分布图中每个网格单元的信号信息值进行四叉树式逐层修正。
本发明实施例建立的虚拟基站，将信号特征分布图中的信号信息值的位置相关性通过本层网格与下层网格的差分信号信息值进行映射关系表示，对信号信息值的变化进行逐层校正。如图3(c)所示，100网格为110、120、130网格的主基准网格，并且建立由100到110、120、130的信号特征的变化关联。同时，以网格130为例，此网格除了主基准网格100，同时也受次基准网格200、300、000基准网格的辅助调整。因此，每层网格的信号信息值变化均受到上层基准网格的传播和影响。
由于信号的传播的不确定性，信号在局部的变化也具有空间的局域性和相关性，因此，可以在一定区域内分析信号信息值的关系。
若第r100..00个一级虚拟基站的信号特征向量为：
Figure BDA0001550822140000195
r1＝{0,1,2,3}
由于每个基准站(各层基准网格中的基站)所对应的下层网格的信号特征向量的改变量受到本层基准站和其他3个基准站的影响，则可以通过加权函数：
Figure BDA0001550822140000191
得到信号特征向量的改变量
Figure BDA0001550822140000194
其中，
Figure BDA0001550822140000192
Figure BDA0001550822140000193
ω1′(n,d)表示归一化的本层对应上一层基准站信号特征向量修正值的贡献权重，ω2′(n,d)表示归一化的本层对应上一层其他三个基准站信号特征向量修正值的贡献权重，ω1(n,d)、ω2(n,d)为权重函数，可以根据反距离加权插值法得到，δ为非对应基准站(对指定网格信号特征变化产生贡献但与该指定网格分别对应的上一层网格不同的基准站，指定网格可以是各层网格中的任意网格)的削减因子，n为网格所在层级，d为网格单元与对应基准站的距离，可直接由网格编号算得，σ为相关性系数，网格层级越高，相关性系数的值越大，且根据网格层级上升按照指数形式递增。
由于信号特征向量的改变量
Figure BDA0001550822140000201
可以表示为：
Figure BDA0001550822140000202
Figure BDA0001550822140000203
那么，在得到信号特征向量的改变量
Figure BDA0001550822140000204
之后，根据公式：
Figure BDA0001550822140000205
得到修正后的信号特征向量
Figure BDA0001550822140000206
为避免误差累计的影响，针对信号特征分布图中每个网格单元的修正后的信号信息值，若修正后的信号信息值大于第二预设阈值，将修正后的信号信息值更新为第二预设阈值。第二预设阈值作为一个门限值，用于避免由于多次自适应修正产生的误差积累以及较大的偶然误差，从而防止产生较大的定位偏差。
可见，基于四叉树网格虚拟基站的更新方法在动态环境下较其他方法具有更好的自适应性和鲁棒性。通过对信号特征分布图进行动态更新，可以得到准确的信号特征向量和信号特征向量对应的非视距误差值，通过对信号特征向量和信号特征向量对应的非视距误差值进行训练，得到准确的非视距误差计算模型，从而根据非视距误差计算模型得到准确的非视距误差值，提高了定位精度。
本发明的一种实现方式中，图1实施例S104中，根据得到的多个修正后的信号特征值和位置计算公式，得到移动台的位置坐标，包括：
若基站对包括：基站一和基站二、基站一和基站三、基站二和基站三，移动台接收基站一和基站二发射信号的到达时间差为TDOA12'，移动台接收基站一和基站三发射信号的到达时间差为TDOA13'，移动台接收基站二和基站三发射信号的到达时间差为TDOA23'，通过非视距误差计算模型得到的基站一和基站二对应的非视距误差为NLOS12，通过非视距误差计算模型得到的基站一和基站三对应的非视距误差为NLOS13，通过非视距误差计算模型得到的基站二和基站三对应的非视距误差为NLOS23，根据以下公式：
Figure BDA0001550822140000211
得到视距条件下移动台接收基站一和基站二发射信号的到达时间差TDOA12，视距条件下移动台接收基站一和基站三发射信号的到达时间差TDOA13，视距条件下移动台接收基站二和基站三发射信号的到达时间差TDOA23；
若基站一、基站二和基站三的位置坐标分别为(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，在视距条件下，根据位置计算公式：
Figure BDA0001550822140000212
得到移动台的位置坐标(x,y,z)。
相应于上述方法实施例，本发明实施例提供了一种定位装置，参见图6，图6为本发明实施例的定位装置的结构图，包括：
信号特征向量确定模块601，用于根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，多个基站对是通过对多个基站进行组合得到的；
非视距误差值第一计算模块602，用于针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，标记数据库是在信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的；
非视距误差值第二计算模块603，用于针对每个基站对，若该基站对对应的信号特征向量在标记数据库中，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据标记数据库得到扩维后的信号特征向量对应的非视距误差；
移动台位置坐标计算模块604，用于针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到移动台的位置坐标。
本发明实施例的定位装置，根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，多个基站对是通过对多个基站进行组合得到的。针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，标记数据库是在信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的。若该基站对对应的信号特征向量在标记数据库中，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据标记数据库得到扩维后的信号特征向量对应的非视距误差。针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到移动台的位置坐标。本发明实施例中，由于信号特征分布图包括信号特征向量和信号特征向量对应的非视距误差值，因此通过神经网络对信号特征向量和信号特征向量对应的非视距误差值进行训练后，可以得到精确的非视距误差值。或者，通过对信号特征向量进行扩维得到标记数据库，进而根据标记数据库得到精确的非视距误差值。本发明非视距误差补偿的准确性更高，因此定位精度更高。
需要说明的是，本发明实施例的定位装置是应用上述定位方法的装置，则上述定位方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
可选的，本发明实施例的定位装置，还包括：
信号地图空间建立模块，用于根据空间结构信息，建立可计算信号信息值的信号地图空间，空间结构信息包括：三维空间信息、空间电磁信息和空间网元参数，信号地图空间为信号特征分布图对应的空间，信号地图空间通过四叉树网格建立；
信号特征向量获取模块，用于获取信号地图空间中各网格单元的模拟接收器接收的多个基站发射的信号信息值，针对每个网格单元，根据该网格单元的模拟接收器接收的多个基站发射的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量；
非视距误差值确定模块，用于针对该网格单元对应的每个基站对，根据该网格单元分别到该基站对中的每个基站的距离，计算该网格单元接收该基站对发射信号的视距到达时间差，将该基站对对应的信号特征向量中的非视距到达时间差与视距到达时间差的差值作为该网格单元对应该基站对的非视距误差值；
信号特征分布图确定模块，用于根据各网格单元的位置坐标、各网格单元对应每个基站对的信号特征向量和各网格单元对应每个基站对的非视距误差值，得到信号特征分布图。
可选的，本发明实施例的定位装置，还包括：
训练数据获取模块，用于获取信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值；
非视距误差计算模型建立模块，用于通过神经网络对信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值进行训练，得到非视距误差计算模型，非视距误差计算模型包括：信号特征向量和非视距误差值的对应关系。
可选的，本发明实施例的定位装置，还包括：
判断模块，用于若信号特征分布图中的虚拟基站接收的信号信息值变化的时间大于预设时间段，且信号信息值的变化值大于第一预设阈值，判断信号特征分布图中基站的位置或建筑物的位置是否发生变化；
信号特征分布图重建模块，用于在判断模块的判断结果为是时，修改信号特征分布图中基站的位置或建筑物的位置，重新建立信号特征分布图；
信号特征分布图修正模块，用于在判断模块的判断结果为否时，根据信号特征分布图中四叉树网格的位置相关性，对信号特征分布图中每个网格单元的信号信息值进行四叉树式逐层修正。
可选的，信号特征分布图修正模块具体用于，针对信号特征分布图中每个网格单元的修正后的信号信息值，若修正后的信号信息值大于第二预设阈值，将修正后的信号信息值更新为第二预设阈值。
可选的，移动台位置坐标计算模块具体用于，
若基站对包括：基站一和基站二、基站一和基站三、基站二和基站三，移动台接收基站一和基站二发射信号的到达时间差为TDOA12'，移动台接收基站一和基站三发射信号的到达时间差为TDOA13'，移动台接收基站二和基站三发射信号的到达时间差为TDOA23'，通过非视距误差计算模型得到的基站一和基站二对应的非视距误差为NLOS12，通过非视距误差计算模型得到的基站一和基站三对应的非视距误差为NLOS13，通过非视距误差计算模型得到的基站二和基站三对应的非视距误差为NLOS23，根据以下公式：
Figure BDA0001550822140000251
得到视距条件下移动台接收基站一和基站二发射信号的到达时间差TDOA12，视距条件下移动台接收基站一和基站三发射信号的到达时间差TDOA13，视距条件下移动台接收基站二和基站三发射信号的到达时间差TDOA23；
若基站一、基站二和基站三的位置坐标分别为(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，在视距条件下，根据位置计算公式：
Figure BDA0001550822140000252
得到移动台的位置坐标(x,y,z)。
可选的，本发明实施例的定位装置，还包括：
网格划分模块，用于通过四叉树对信号特征分布图对应的信号地图空间进行多层网格划分，得到多层网格单元；
虚拟基站建立模块，用于在多层网格单元的第一层网格单元中的每个网格中建立虚拟基站。
本发明实施例还提供了一种电子设备，参见图7，图7为本发明实施例的电子设备的结构图，包括：处理器701、通信接口702、存储器703和通信总线704，其中，处理器701、通信接口702、存储器703通过通信总线704完成相互间的通信；
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现以下步骤：
根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，多个基站对是通过对多个基站进行组合得到的；
针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，标记数据库是在信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的；
针对每个基站对，若该基站对对应的信号特征向量在标记数据库中，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据标记数据库得到扩维后的信号特征向量对应的非视距误差；
针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到移动台的位置坐标。
上述电子设备提到的通信总线704可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线704可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口702用于上述电子设备与其他设备之间的通信。
存储器703可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器701可以是通用处理器，包括：CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital SignalProcessing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时，实现上述任一定位方法的步骤。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备及可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种定位方法，其特征在于，所述方法包括：
根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，所述多个基站对是通过对多个基站进行组合得到的；
针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，所述非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，所述标记数据库是在所述信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的；所述信号特征分布图的建立方法包括：
根据空间结构信息，建立可计算信号信息值的信号地图空间，所述空间结构信息包括：三维空间信息、空间电磁信息和空间网元参数，所述信号地图空间为所述信号特征分布图对应的空间，所述信号地图空间通过四叉树网格建立；
获取所述信号地图空间中各网格单元的模拟接收器接收的所述多个基站发射的信号信息值，针对每个网格单元，根据该网格单元的模拟接收器接收的所述多个基站发射的信号信息值，通过差分法得到所述多个基站对中每个基站对对应的信号特征向量；
针对该网格单元对应的每个基站对，根据该网格单元分别到该基站对中的每个基站的距离，计算该网格单元接收该基站对发射信号的视距到达时间差，将该基站对对应的信号特征向量中的非视距到达时间差与所述视距到达时间差的差值作为该网格单元对应该基站对的非视距误差值；
根据所述各网格单元的位置坐标、所述各网格单元对应每个基站对的信号特征向量和所述各网格单元对应每个基站对的非视距误差值，得到所述信号特征分布图；
针对每个基站对，若该基站对对应的信号特征向量在所述标记数据库中，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据所述标记数据库得到扩维后的信号特征向量对应的非视距误差；
针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到所述移动台的位置坐标。
2.根据权利要求1所述的定位方法，其特征在于，所述非视距误差计算模型的建立方法包括：
获取所述信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值；
通过神经网络对所述信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值进行训练，得到非视距误差计算模型，所述非视距误差计算模型包括：信号特征向量和非视距误差值的对应关系。
3.根据权利要求1所述的定位方法，其特征在于，所述方法还包括：
若所述信号特征分布图中的虚拟基站接收的信号信息值变化的时间大于预设时间段，且信号信息值的变化值大于第一预设阈值，判断所述信号特征分布图中基站的位置或建筑物的位置是否发生变化；
如果是，修改所述信号特征分布图中基站的位置或建筑物的位置，重新建立信号特征分布图；
如果否，根据所述信号特征分布图中四叉树网格的位置相关性，对所述信号特征分布图中每个网格单元的信号信息值进行四叉树式逐层修正。
4.根据权利要求3所述的定位方法，其特征在于，所述对所述信号特征分布图中每个网格单元的信号信息值进行四叉树式逐层修正，包括：
针对所述信号特征分布图中每个网格单元的修正后的信号信息值，若修正后的信号信息值大于第二预设阈值，将所述修正后的信号信息值更新为第二预设阈值。
5.根据权利要求1所述的定位方法，其特征在于，所述根据得到的多个修正后的信号特征值和位置计算公式，得到所述移动台的位置坐标，包括：
若基站对包括：基站一和基站二、基站一和基站三、基站二和基站三，移动台接收基站一和基站二发射信号的到达时间差为TDOA12'，移动台接收基站一和基站三发射信号的到达时间差为TDOA13'，移动台接收基站二和基站三发射信号的到达时间差为TDOA23'，通过所述非视距误差计算模型得到的基站一和基站二对应的非视距误差为NLOS12，通过所述非视距误差计算模型得到的基站一和基站三对应的非视距误差为NLOS13，通过所述非视距误差计算模型得到的基站二和基站三对应的非视距误差为NLOS23，根据以下公式：
Figure FDA0003089720880000031
得到视距条件下移动台接收基站一和基站二发射信号的到达时间差TDOA12，视距条件下移动台接收基站一和基站三发射信号的到达时间差TDOA13，视距条件下移动台接收基站二和基站三发射信号的到达时间差TDOA23；
若所述基站一、所述基站二和所述基站三的位置坐标分别为(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)，在视距条件下，根据位置计算公式：
Figure FDA0003089720880000032
得到移动台的位置坐标(x,y,z)。
6.根据权利要求3所述的定位方法，其特征在于，所述虚拟基站的建立方法包括：
通过四叉树对所述信号特征分布图对应的信号地图空间进行多层网格划分，得到多层网格单元；
在所述多层网格单元的第一层网格单元中的每个网格中建立虚拟基站。
7.一种定位装置，其特征在于，所述装置包括：
信号特征向量确定模块，用于根据移动台接收的多个基站发射的信号的信号信息值，通过差分法得到多个基站对中每个基站对对应的信号特征向量，所述多个基站对是通过对多个基站进行组合得到的；
非视距误差值第一计算模块，用于针对每个基站对，若该基站对对应的信号特征向量不在预先建立的标记数据库中，将该基站对对应的信号特征向量输入预先建立的非视距误差计算模型，得到该基站对对应的非视距误差值，所述非视距误差计算模型是通过神经网络对预先建立的信号特征分布图中的信号特征向量和所述信号特征分布图中的信号特征向量对应的非视距误差值进行训练得到的，所述标记数据库是在所述信号特征分布图中的信号特征向量对应多个非视距误差值时，对对应多个非视距误差值的信号特征向量进行扩维得到的；所述信号特征分布图的建立方法包括：
根据空间结构信息，建立可计算信号信息值的信号地图空间，所述空间结构信息包括：三维空间信息、空间电磁信息和空间网元参数，所述信号地图空间为所述信号特征分布图对应的空间，所述信号地图空间通过四叉树网格建立；
获取所述信号地图空间中各网格单元的模拟接收器接收的所述多个基站发射的信号信息值，针对每个网格单元，根据该网格单元的模拟接收器接收的所述多个基站发射的信号信息值，通过差分法得到所述多个基站对中每个基站对对应的信号特征向量；
针对该网格单元对应的每个基站对，根据该网格单元分别到该基站对中的每个基站的距离，计算该网格单元接收该基站对发射信号的视距到达时间差，将该基站对对应的信号特征向量中的非视距到达时间差与所述视距到达时间差的差值作为该网格单元对应该基站对的非视距误差值；
根据所述各网格单元的位置坐标、所述各网格单元对应每个基站对的信号特征向量和所述各网格单元对应每个基站对的非视距误差值，得到所述信号特征分布图；
非视距误差值第二计算模块，用于针对每个基站对，若该基站对对应的信号特征向量在所述标记数据库中，对该基站对对应的信号特征向量进行扩维，得到扩维后的信号特征向量，并根据所述标记数据库得到扩维后的信号特征向量对应的非视距误差；
移动台位置坐标计算模块，用于针对每个基站对，将该基站对对应的信号特征向量中的信号特征值和该基站对对应的非视距误差值之和作为该基站对对应的修正后的信号特征值，根据得到的多个修正后的信号特征值和位置计算公式，得到所述移动台的位置坐标。
8.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的定位方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-6任一所述的定位方法的步骤。
CN201810045643.6A 2018-01-17 2018-01-17 一种定位方法、装置、电子设备及可读存储介质 Active CN108318854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810045643.6A CN108318854B (zh) 2018-01-17 2018-01-17 一种定位方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810045643.6A CN108318854B (zh) 2018-01-17 2018-01-17 一种定位方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN108318854A CN108318854A (zh) 2018-07-24
CN108318854B true CN108318854B (zh) 2021-09-24

Family

ID=62893857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810045643.6A Active CN108318854B (zh) 2018-01-17 2018-01-17 一种定位方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN108318854B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109471061B (zh) * 2018-09-18 2020-07-14 宁波大学 一种鲁棒处理模型参数误差的接收信号强度差定位方法
CN109982306B (zh) * 2019-02-22 2022-03-08 普联技术有限公司 一种基于天线方向特性的定位方法、装置和系统
CN110784823B (zh) * 2019-11-05 2021-01-05 西安电子科技大学 基于bp神经网络和tdoa的室外目标定位方法
CN112714491B (zh) * 2020-12-17 2022-04-05 北京邮电大学 一种定位方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101466145A (zh) * 2009-01-04 2009-06-24 上海大学 基于神经网络的双基站精确定位方法
JP2011107108A (ja) * 2009-11-20 2011-06-02 Toyota Motor Corp 移動体用測位装置
CN102300311A (zh) * 2010-06-23 2011-12-28 中国科学院国家天文台 用地图高程修正地面移动通信网的定位方法
JP2012202896A (ja) * 2011-03-28 2012-10-22 Kddi Corp 位置測定システム、位置測定装置および位置測定プログラム
JP2016014582A (ja) * 2014-07-02 2016-01-28 三菱電機株式会社 自立航法による測位方法および自立航法による測位システム
US9304184B1 (en) * 2008-03-18 2016-04-05 The Boeing Company System and method for mitigating severe multipath interference for geolocation and navigation
CN105491659A (zh) * 2015-11-17 2016-04-13 北京邮电大学 一种室内定位的非视距补偿方法
CN105738918A (zh) * 2014-12-10 2016-07-06 云南电网有限责任公司临沧供电局 基于卫星导航信息融合的输电线路位移监测系统及方法
CN106352869A (zh) * 2016-08-12 2017-01-25 上海理工大学 移动机器人室内定位系统及其计算方法
CN106535124A (zh) * 2016-11-08 2017-03-22 安徽师范大学 一种在nlos环境下的基于toa的无线网络定位方法
WO2017118501A1 (en) * 2016-01-08 2017-07-13 Swozi Ag A line marking device, a set with a line marking device and a method for depositing material according to a predetermined pattern
CN107290766A (zh) * 2017-06-28 2017-10-24 青岛科技大学 一种gps运动速度的修正方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7800541B2 (en) * 2008-03-31 2010-09-21 Golba Llc Methods and systems for determining the location of an electronic device
US9538493B2 (en) * 2010-08-23 2017-01-03 Finetrak, Llc Locating a mobile station and applications therefor
US9537586B2 (en) * 2013-03-15 2017-01-03 DGS Global Systems, Inc. Systems, methods, and devices for electronic spectrum management with remote access to data in a virtual computing network
US9954995B2 (en) * 2014-09-25 2018-04-24 Koninklijke Philips N.V. End to end design of personal emergency service utilizing M2M cellular, XMPP/XML technologies on mobile help button

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9304184B1 (en) * 2008-03-18 2016-04-05 The Boeing Company System and method for mitigating severe multipath interference for geolocation and navigation
CN101466145A (zh) * 2009-01-04 2009-06-24 上海大学 基于神经网络的双基站精确定位方法
JP2011107108A (ja) * 2009-11-20 2011-06-02 Toyota Motor Corp 移動体用測位装置
CN102300311A (zh) * 2010-06-23 2011-12-28 中国科学院国家天文台 用地图高程修正地面移动通信网的定位方法
JP2012202896A (ja) * 2011-03-28 2012-10-22 Kddi Corp 位置測定システム、位置測定装置および位置測定プログラム
JP2016014582A (ja) * 2014-07-02 2016-01-28 三菱電機株式会社 自立航法による測位方法および自立航法による測位システム
CN105738918A (zh) * 2014-12-10 2016-07-06 云南电网有限责任公司临沧供电局 基于卫星导航信息融合的输电线路位移监测系统及方法
CN105491659A (zh) * 2015-11-17 2016-04-13 北京邮电大学 一种室内定位的非视距补偿方法
WO2017118501A1 (en) * 2016-01-08 2017-07-13 Swozi Ag A line marking device, a set with a line marking device and a method for depositing material according to a predetermined pattern
CN106352869A (zh) * 2016-08-12 2017-01-25 上海理工大学 移动机器人室内定位系统及其计算方法
CN106535124A (zh) * 2016-11-08 2017-03-22 安徽师范大学 一种在nlos环境下的基于toa的无线网络定位方法
CN107290766A (zh) * 2017-06-28 2017-10-24 青岛科技大学 一种gps运动速度的修正方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《NLOS Identification and Mitigation for Mobile Tracking》;Yu K et.al;《IEEE Transactions on Aerospace & Electronic Systems》;20131231;第49卷(第3期);第1438-1452页 *
《基于RSSI的测距差分修正定位算法》;任维政 等;《传感技术学报》;20080731;第21卷(第7期);第1247-1250页 *

Also Published As

Publication number Publication date
CN108318854A (zh) 2018-07-24

Similar Documents

Publication Publication Date Title
CN108318854B (zh) 一种定位方法、装置、电子设备及可读存储介质
CN106912105B (zh) 基于pso_bp神经网络的三维定位方法
Lin et al. A new constrained weighted least squares algorithm for TDOA-based localization
CN107371129B (zh) 基于高度辅助修正的室内定位的tdoa定位方法
Domingo-Perez et al. Sensor placement determination for range-difference positioning using evolutionary multi-objective optimization
CN107202976B (zh) 低复杂度的分布式麦克风阵列声源定位系统
Yan et al. An improved multihop-based localization algorithm for wireless sensor network using learning approach
Ayabakan et al. RSSI-based indoor positioning via adaptive federated Kalman filter
Mantoro et al. Extreme learning machine for user location prediction in mobile environment
CN111263295B (zh) 一种wlan室内定位方法和装置
Fahama et al. An Experimental Comparison of RSSI-Based Indoor Localization Techniques Using ZigBee Technology
He et al. Alternating direction method of multipliers for TOA-based positioning under mixed sparse LOS/NLOS environments
Li et al. Robust kernel-based machine learning localization using NLOS TOAs or TDOAs
CN107197519B (zh) 基于改进的最小二乘支持向量机的水下目标定位方法
Raitoharju et al. Using unlocated fingerprints in generation of WLAN maps for indoor positioning
WO2015040733A1 (ja) 測位システム、測位方法、および測位プログラム
Wu et al. Research on RSS based indoor location method
Chen et al. Harris hawks optimization algorithm and BP neural network for ultra-wideband indoor positioning
ul Haq et al. Improved localization by time of arrival for Internet of Things in 3D
Sakr et al. Efficient Wi-Fi signal strength maps using sparse Gaussian process models
CN114173281A (zh) 室内nlos环境下基于toa的定位系统信标节点的优化布局方法
Mass-Sanchez et al. Localization based on probabilistic multilateration approach for mobile wireless sensor networks
CN108924748B (zh) 一种基于元胞自动机的无线室内定位方法
Hu et al. The nlos localization algorithm based on the linear regression model of extended kalman filter
Hosseinianfar et al. Probabilistic shadowing model for indoor optical wireless communication systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant