CN108646212A - 发射功率未知条件下基于数据净化的相对指纹定位方法 - Google Patents

Abstract

本发明公开了一种发射功率未知条件下基于数据净化的相对指纹定位方法，将测量区域网格化为N个格子，用一个任意发射功率的训练节点依次停留在每个网格内，收集各感知节点接收到的测量数据并生成与该网格对应的指纹，全部指纹生成后形成指纹库；各感知节点扫描包括辐射源占用信道在内的H个信道，并生成相应数据矩阵；对该矩阵进行数据净化处理，得到新的数据矩阵，并检测出净化后的辐射源指纹；将新的辐射源指纹与指纹库进行相关计算，得到修正因子，并得到新的指纹库；通过稀疏贝叶斯学习，从新指纹库里找到与新辐射源指纹匹配的最优网格点，从而估计出辐射源的位置。本发明相比其他定位方法能够进一步提升辐射源定位的精度。

Description

发射功率未知条件下基于数据净化的相对指纹定位方法

技术领域

本发明涉及无线通信技术中的定位领域，具体地说，是一种在发射功率未知情况下基于数据净化和相对指纹架构实现稳健定位的方法。

背景技术

随着无线电通信技术的快速发展和智能终端的不断普及，人们对位置信息的需求不断增强，位置信息在社会生活中的应用越来越广泛,广泛应用于地震预报工作、环境监测、深林防火、海洋航行、航天航空安全、地质勘探位置查询、车辆导航和紧急呼叫等众多公共或商业服务领域。精确掌握这些位置信息，不仅方便各项工作的高效开展，还确保人员在作业过程中遇到困难时能给予及时的救援，避免造成更大的损失。针对辐射源定位问题展开的研究越来越成为热门话题。然而，在许多现实场景中，所要定位的辐射源并不会参与定位过程，一方面基于设计的简单性，有的辐射源无法实现双向通信；另一方面，其更希望能够隐藏起来不被发现，如窃听器、干扰源等。这种场景称之为被动定位，也是目前研究的热门方向之一，其基本思想是感知节点无法知道辐射源的先验信息，如发射功率等，感知节点只能通过接收辐射源的信号并进行处理计算，最终估计出辐射源的位置。

由于地理环境的复杂性，无线信道受噪声、衰落、干扰等影响较大。同时，在城市生活中，各种建筑林立，通信信号极易受到墙壁等的阴影影响。所有这些复杂情况使得人们无法建模出合适的信道模型。而使用传统的信号衰减模型解决该类场景问题必然会降低定位性能。

另外，由于科技的进步，感知设备样式和功能日益繁多。智能化和便携性等特点使得各种设备可以成为感知节点，合作进行辐射源定位。然而这也带来一个不可避免的问题，就是会存在设备异常以及恶意用户行为情况的发生。这些情况都会使得感知到的数据错误，如果直接利用感知到的数据进行定位也必然会降低定位的精度。因此，考虑这些消极因素对定位的影响并设计一种稳健的辐射源定位方法具有十分重要的意义。

现有的绝大多数被动辐射源定位方法都是基于传播模型展开的研究，如RSS、TOA等。在理想场景中这些方法可能有效，但是在复杂环境如多径、衰落等地方，信号传播模型不可能被准确建模，如果仍使用现有的传播模型必然会降低定位精度。指纹定位作为另一种主流方法也获得了广泛关注。指纹定位对地理环境的要求较低，其核心思想是在测量环境中先训练数据，然后利用学习方法对辐射源数据和训练数据进行匹配，最优匹配点即为位置估计点。然而指纹定位有一个使用前提，辐射源的发射功率是已知的，这样才能据此训练数据。显然，指纹定位不能直接应用于被动定位过程中。

另外，由于测量环境较为复杂，且各种突发情况可能发生，传统的只针对理想场景进行分析的方法不再适用。现有的定位工作主要包括对非视距传输、动态传播模型、异构信息处理等非常规情况进行分析处理，目前所知道的基本没有针对异常数据进行建模并分析的工作。因此，针对异常数据建立一个通用的数据模型，并设计方法消除异常数据对定位影响具有十分重要的意义。

综上，如何设计一种稳健的被动辐射源定位方法，使其能够有效克服复杂环境带来的影响，并且消除偶发的异常数据产生的性能损伤，最终促使定位精度进一步提升具有重要的理论和实际意义，是目前研究的重点。

发明内容

本发明的目的是解决复杂环境中存在异常数据情况下，通过克服阴影衰落等导致的精度降低及消除异常值带来的消极影响，并最终实现被动定位性能提升的问题。为解决该问题，首先提出一种相对指纹的架构，通过引入修正因子使得指纹定位能够应用于被动定位场景中；同时，利用一种数据净化的方法，将异常数据清除掉，降低其对定位精度的损害；最后，考虑到辐射源的稀疏特性，利用稀疏贝叶斯学习方法进行位置的估计，实现被动定位性能的进一步提升。

实现本发明目的的技术解决方案为：一种发射功率未知条件下基于数据净化的相对指纹定位方法，在测量区域内，设有M个感知节点和一个辐射源，其中，感知节点的位置已知，具体实施步骤为：

第一步，将测量区域网格化为N个格子，用一个任意发射功率的训练节点依次停留在每个网格内，各感知节点接收该训练节点的信号并记录其接收功率值，进而生成与该网格对应的指纹，全部指纹生成后形成指纹库；

第二步，各感知节点扫描包括辐射源占用信道在内的H个信道，并生成相应数据矩阵；

第三步，对该矩阵进行数据净化处理，得到新的数据矩阵，并检测出净化后的辐射源指纹；

第四步，将新的辐射源指纹与指纹库进行相关计算，得到修正因子，并得到新的指纹库；

第五步，通过稀疏贝叶斯学习，从新指纹库里找到与新辐射源指纹匹配的最优网格点，从而估计出辐射源的位置。

本发明与现有技术相比，其显著优点为：

1、本发明提出了相对指纹的架构，通过分析辐射源指纹和指纹库指纹之间的关系，引入修正因子参数，消除辐射源指纹与指纹库之间的均值差异性，进而将指纹的概念应用到发射功率未知的被动定位中，能够有效提升辐射源定位的精度。

2、本发明对异常数据的产生建立了一个通用的数据模型，并在此基础上，设计了一种数据净化方法，能够有效滤除异常值，消除异常数据带来的影响，最终实现异常数据情况下定位性能的大幅提升。

3、本发明考虑了辐射源的稀疏性，引入稀疏贝叶斯学习方法进行指纹的匹配过程，相比基于欧氏距离算法的定位方案能够进一步提升辐射源定位的精度。

附图说明

图1为辐射源定位中异常数据通用模型。

图2为本发明的算法流程图。

图3为有异常数据情况下本发明所提相对指纹架构的有效性比较。

图4为有异常数据情况下本发明所提相对指纹架构的有效性比较。

图5为不同异常数据强度下本发明与其他方案定位性能曲线的比较。

图6为不同异常数据数目下本发明与其他方案定位性能曲线的比较。

图7为不同异常数据数目下本发明与其他方案定位性能曲线的比较。

具体实施方式

本发明发射功率未知条件下基于数据净化的相对指纹定位方法，如图1和图 2所示。

在测量区域内，共有M个感知节点和一个辐射源，其中感知节点的位置已知而辐射源的位置未知，且辐射源的发射功率未知。将测量区域网格化为N个格子，用一个任意发射功率的训练节点依次停留在每个网格内，各感知节点接收该训练节点的信号并记录其接收功率值，进而生成与该网格对应的指纹，全部指纹生成后形成指纹库。另外，辐射源发射信号需要占用信道，但是信道信息未知，因此共扫描包括辐射源占用信道在内的H个信道以期发现辐射源。由于存在衰落损耗、设备异常或恶意行为等突发情况，每个感知节点在监测各信道时测量的数据可能存在异常，需要进一步进行数据净化。数据净化后，可得到新的数据矩阵，并检测出净化后的辐射源指纹。通过将新的辐射源指纹与指纹库进行相关计算，得到修正因子，并基于此计算得到新的指纹库。最终，通过稀疏贝叶斯学习，可以从新指纹库里找到与新辐射源指纹匹配的最优网格点，从而估计出辐射源的位置。

本发明的具体实施步骤如下：

步骤1.在每一个网格点，利用训练节点生成该网格点对应的指纹向量，

其中为在p网格点处第i个感知节点接收到的信号功率，即为p网格点处的训练指纹向量。

对所有N个网格点测量完数据后，可得到训练指纹库D。

步骤2.通过监测H个信道后，可得到数据矩阵Y。

其中为第j个感知节点监测第i个信道所得的功率值。

由于测量数据可能存在异常值，下面将接收功率写作如下形式

其中为原始的接收功率值，n_i,j为噪声功率，a_i,j为异常值。

据此，数据矩阵Y可进一步写为

Y＝X+W+A

其中X为原始数据分量，W为噪声分量，A为异常值分量。

步骤3.基于步骤2的数据矩阵Y，针对辐射源的低秩性和异常值的稀疏性构造优化函数，通过多乘子交替方向法和扩展拉格朗日函数的应用，最终优化目标可写为

L(X,A,μ)＝||X||_*+λ||A||₁+μ||Y-X-A||²

其中||X||_*为核范数，||A||₁为l₁-norm准则，λ为控制参数，μ为调谐参数。

通过如下三步反复迭代，最终得到净化的数据矩阵和异常值矩阵

其中，svd为奇异值分解，Ψ_t(·)＝sgn(·)max(|·|-t,0)，i为迭代次数。

由于辐射源占用H信道中的任意一个，在得到净化的数据矩阵后，辐射源也能被准确检测出来。辐射源的指纹向量可写作如下

其中为净化后的第i个感知节点接收到辐射源信号的功率。

步骤4.对接收到的辐射源指纹向量求均值

同时，对指纹数据库中每个网格点的指纹向量求均值

那么，p点的修正因子C_p可求出

由于对p点每个感知节点接收数据的修正均一样，则p点的修正向量即为

通过对所有网格点的处理，最终的修正指纹库写为

步骤5.定义超参向量b_i为第i个网格点的预设控制参数。

将稀疏贝叶斯学习转化为关于超参向量的边界函数的局部最优化问题，得到如下公式

其中C＝σ²I+D_newV^-1D_new ^T，σ²为噪声方差，V＝diag(b₁,b₂,b₃,…,b_N)。

通过迭代运算，求出最优超参向量其中某个控制参数b_i的值相对其他值会变小；每个b_i对应一个网格点，变小的控制参数b_i所对应的网格点即为所求的最优网格点位置，最优网格点位置即为所估计的辐射源位置(x_op,y_op)。

本发明的一个具体实施例如下描述，系统仿真采用Matlab软件，参数设定不影响一般性。本实施例中假设测试场景为20m×20m的方形区域，在区域内共有8个感知节点，坐标分别为(0,0)，(0,10)，(0,20)，(10,0)，(10,20)，(20,0)， (20,10)，(20,20)。辐射源随机分布在区域内。将测试区域均匀划分为20×20个网格，则每个网格为1m×1m的正方形。监测信道总数为H＝10。假设辐射源发射功率为P_t,S＝0dBm，训练节点的发射功率为P_t,R＝30dBm，噪声功率为 P₀＝-70dBm，路径损耗系数为γ＝2。噪声服从0均值方差为1的高斯分布。对于异常值，假设异常数据强度为10，在辐射源指纹中存在1个异常数据，且随机分布于8个数据之中。

首先分析相对指纹架构对最终定位性能的影响。图3、4给出了有异常数据存在情况下各种定位方案的对比分析。从图中可以看出，使用相对指纹架构的两种方案所获得的性能都比不使用所提架构的两种方案的性能要好很多。这是由于相对指纹架构能够消除辐射源指纹和指纹库里各训练指纹之间的均值差异性，从而将被动定位中的指纹定位转化为传统的指纹定位问题。因此，利用相对指纹架构能够有效提升被动定位的性能。

由于上图比较了相对指纹架构的优越性，在后面的实验中不在对其进行仿真说明。因此，接下来的仿真中各定位方案均使用了相对指纹架构，不再一一赘述。其中，红线表示有异常数据情况下能够完美的净化掉异常数据的情况，其是一种理想的情况，在此作为其他定位方案性能的参考。

图4给出了不同异常数据强度条件下各定位方案的均方根误差比较。由图可以看出，随着异常数据强度的增大，其对接收数据的影响也随之增大，因此未使用净化方法的方案定位性能越来越差。然而，由于使用了数据净化方法，所提方案的定位性能相对未使用净化方法的方案性能得到很大提升。特别是随着异常数据强度的增大，数据净化的效果越好，因此定位的精度越高。另外，所提方案使用了稀疏贝叶斯学习做指纹匹配，充分利用了辐射源的稀疏性，因此相比现有的欧氏距离匹配方案定位性能也有进一步提升。

图5、6、7给出了不同异常数据数目条件下各定位方案的均方根误差比较。该仿真中，共有12个感知节点参与定位，异常值的数目从1到4依次增多。由图中可以看出，当异常数目增多时，所提方案的定位性能变差，这是因为太多的异常数据会降低数据净化的效果，数据净化不彻底会进一步降低定位的精度。另外，即使数据净化非常完美，但是异常数据过多会导致正常的可用于定位的数据量减少，也同样会降低定位的性能。然而，对于无净化方法的方案而言，过多的异常数据会削弱异常数据的稀疏性，从而缓解了其对定位的消极影响。因此，随着异常数目的增多，所提算法的优越性越来越小。值得注意的是，当异常数据的数目增大到一定程度时，数据净化的效果非常差，其带来的消极影响甚至超过了异常数据本身，这也就导致了无净化方法的方案反而性能比所提方案好的情况发生。同样的，在该仿真中，通过使用不同的匹配方法，也证明了所提方案的性能更加优越于欧氏距离匹配方案。

Claims (6)

1.一种发射功率未知条件下基于数据净化的相对指纹定位方法，其特征在于：在测量区域内，设有M个感知节点和一个辐射源，其中，感知节点的位置已知，具体实施步骤为：

第一步，将测量区域网格化为N个格子，用一个任意发射功率的训练节点依次停留在每个网格内，各感知节点接收该训练节点的信号并记录其接收功率值，进而生成与该网格对应的指纹，全部指纹生成后形成指纹库；

第二步，各感知节点扫描包括辐射源占用信道在内的H个信道，并生成相应数据矩阵；

第三步，对该矩阵进行数据净化处理，得到新的数据矩阵，并检测出净化后的辐射源指纹；

第四步，将新的辐射源指纹与指纹库进行相关计算，得到修正因子，并得到新的指纹库；

第五步，通过稀疏贝叶斯学习，从新指纹库里找到与新辐射源指纹匹配的最优网格点，从而估计出辐射源的位置。

2.根据权利要求1所述的相对指纹定位方法，其特征在于：所述第一步中，在每一个网格点，利用训练节点生成该网格点对应的指纹向量，

其中，为在p网格点处第i个感知节点接收到的训练节点信号功率，即为p网格点处的训练指纹向量；

对所有N个网格点测量完数据后，得到训练指纹库D；

3.根据权利要求1所述的相对指纹定位方法，其特征在于：所述第二步中，各感知节点通过监测H个信道后，得到数据矩阵Y；

其中，为第j个感知节点监测第i个信道所得的功率值；

将接收功率写作如下形式

其中，为原始的接收功率值，n_i,j为噪声功率，a_i,j为异常值；

据此，数据矩阵Y进一步写为

Y＝X+W+A

其中，X为原始数据分量，W为噪声分量，A为异常值分量。

4.根据权利要求1所述的相对指纹定位方法，其特征在于：所述第三步中，基于第二步的数据矩阵Y，针对辐射源的低秩性和异常值的稀疏性构造优化函数，通过多乘子交替方向法和扩展拉格朗日函数的应用，最终优化目标写为

L(X,A,μ)＝||X||_*+λ||A||₁+μ||Y-X-A||²

其中，||X||_*为核范数，||A||₁为l₁-norm准则，λ为控制参数，μ为调谐参数；

通过如下三步反复迭代，最终得到净化的数据矩阵和异常值矩阵

其中，svd为奇异值分解，Ψ_t(·)＝sgn(·)max(|·|-t,0)，i为迭代次数；

在得到净化的数据矩阵后，辐射源的指纹向量写作

其中，P_i ^r,S为净化后的第i个感知节点接收到的辐射源信号的功率，为净化后的新的辐射源指纹向量。

5.根据权利要求1所述的相对指纹定位方法，其特征在于：所述第四步中，对接收到的辐射源指纹向量求均值

同时，对指纹数据库中每个网格点的指纹向量求均值

那么p点的修正因子C_p即可求出

对p点每个感知节点接收数据的修正均一样，p点的修正向量即为

通过对所有网格点的指纹向量进行对应修正处理最终的修正指纹库为

6.根据权利要求1所述的相对指纹定位方法，其特征在于：所述第五步中，定义超参向量b_i为第i个网格点的预设控制参数；

将稀疏贝叶斯学习转化为关于超参向量的边界函数的局部最优化问题，得到如下公式

其中，C＝σ²I+D_newV^-1D_new ^T，σ²为噪声方差，I为单位矩阵，V＝diag(b₁,b₂,b₃,…,b_N)；

通过迭代运算，求出最优超参向量其中某个控制参数b_i的值相对其他值会变小；每个b_i对应一个网格点，变小的控制参数b_i所对应的网格点即为所求的最优网格点位置，最优网格点位置即为所估计的辐射源位置(x_op,y_op)。