CN108966165A - 一种lte分布式系统的天线故障检测方法 - Google Patents

Abstract

本发明公开了一种LTE分布式系统的天线故障检测方法。首先，利用行人航迹推算和K均值聚类算法完成快速建库和空间区域的自适应划分，保证区域数据具有显著特征，从而构建区域数据库；然后，根据区域信号分布情况构建不同分布距离模型，并利用改进的Earth Mover'sDistance(EMD)距离算法完成在线实测数据与数据库间的EMD计算，完成相似区域的初步筛选；最后，通过基于EMD度量的多层分类算法实现用户的区域位置估计，并利用相关测试设备对最终定位区域进行天线的故障排查，从而找到故障天线所在位置。

Description

一种LTE分布式系统的天线故障检测方法

技术领域

本发明属于室内定位技术，具体涉及一种LTE分布式系统的天线故障检测方法。

背景技术

随着移动通信技术的快速发展，基于位置的服务得到了相关研究领域的承认。目前，GPS(Global Positioning Sysytem)等导航定位系统已经成为室外定位的主流技术，能够提供米级以下的高精度定位与导航，但由于室内环境中建筑物遮挡、信号衰减及多径效应等诸多因素的影响，导致室内定位技术发展尤为艰难，也需要更多的科研人员不断的挑战和创新。而室内定位中最具代表性的便是位置指纹定位技术。传统的位置指纹定位对接收信号有一定的要求，其中包括信号的全覆盖，相同位置信号的稳定性，不同位置信号的差异性，以及接收数据频率的多少等因素都有很大的影响，并且由于指纹数据库的建库开销依赖于参考点的标定数量，特别是在大型场馆内，指纹数据库的建库开销会急剧增加，因此位置指纹定位技术的应用也同样受到多方面的限制。

随着4G的广泛推广，DAS被广泛的部署于各大室内场景，有效地解决了通信信号室内盲点覆盖问题，大量的文献研究表明分布式天线系统具有许多优良的特性，包括更好的覆盖率、更高的频谱效率以及更加绿色节能等。同时，基于DAS的定位系统，不需要在现有的DAS系统中增加任何硬件设备，只需利用软件接收到信号即可实现定位服务，其充分满足了绿色、节能的位置服务需求。但是，DAS系统在搭建完成之后，所有天线的位置是未知的，只负责信号的发送和接收，同时所有的天线拥有相同的Mac地址，终端无法判断任意时刻信号的来源，相当于同时具有单AP与位置模糊性大的特性，此外，本发明研究的主要目的是一些大型建筑(如办公楼，商场，体育馆等)的室内分布式天线系统定期的故障检查问题，由于其获取LTE网络中的RSRP信号数据频率极低，其数据频率最高只能达到0.2Hz，无法有效实现实时的精确位置点定位。故在DAS下利用传统的指纹定位技术实现定位，将面临着极大地挑战。

为了解决上述问题，本发明提出了一种LTE分布式系统的天线故障检测方法，该方法具有训练时间短、识别速度快、区域定位准确率高等优点，极大地提高了天线的故障检测效率。

发明内容

本发明的目的是提供一种LTE分布式系统的天线故障检测方法。它能在没有基础设施的附加布局，信号接收频率只有0.2Hz的情况下，实现用户终端的区域定位，以提高天线的故障检测效率。

本发明所述的一种LTE分布式系统的天线故障检测方法，具体包括以下步骤：

步骤一、根据实验场景，确定可行走区域和不可达区域，完成关键行走路径规划，并利用测试设备采集目标区域内关键路径的N条参考信号接收功率(Reference SignalReceiving Power，RSRP)序列，记为RSRP₁,RSRP₂,...,RSRP_N，其中，第i条RSRP序列RSRP_i(1≤i≤N)具体表示为K_i为第i条RSRP序列共有K_i时刻，同时记录对应MEMS数据；

步骤二、针对每条路径，标定起点B₀＝(x₀,y₀)，利用MEMS数据通过扩展卡尔曼滤波算法解算出任意时刻的速度v_i和航向θ_i，然后根据行人航迹推算方法获得任意时刻行走距离d_i＝v_it_i，以及t时刻的位置B_t＝(x_t,y_t)，即：

步骤三、将获得的所有位置坐标和对应的RSRP信号一一映射，构建指纹数据库databas，e具体表示为：database_i＝(RSRP_i,Location_i),(1≤i≤l)，即：

步骤四、将每个房间作为一个子区域，对走廊环境利用k均值聚类算法完成指纹库所有RSRP信号聚类，找到合适的子区域边界，实现空间区域的自动划分；

步骤五、根据子区域边界，进行区域编号D＝(d₁,d₂,...,d_k)，并提取每个区域对应的所有位置的RSRP信号r_i＝(rsrp_i1,rsrp_i2,...,rsrp_im)(1≤i≤k,1≤m≤l)，构建区域数据库，可表示为：

其中，d_i为第i个区域号，r_i为第i个区域对应的所有信号强度值；

步骤六、获取在线测试的MR区域数据，根据用户身份标识确定同一用户数据s_j，构建分布距离模型，计算s_j与区域数据库中每一区域r_i的EMD，所述步骤六包括以下步骤：

步骤六(一)、将任意两个区域信号进行分布统计，记为分布P和Q，为了获得P到Q所需总运输工作量，设定c_ij为P_i到Q_j的单位距离，f_ij为P_i和Q_j之间的流量，W_P为分布P的总量，W_Q为分布Q的总量，当W_P＝W_Q时，P和Q间的总流量确定，建立分布距离模型，本方法中称为分布平衡模型，表示如下：

步骤六(二)、当W_P＞W_Q时，建立新的分布距离模型，转化过程为直接在分布平衡表中添加一列Q_n+1，对应运量为但是其对应的单位距离全部为0，此时已转化为分布平衡模型，表示如下：

步骤六(三)、当分布P的总量小于分布Q的总量时，同样建立新的分布距离模型，转化过程相当于直接在分布平衡表中添加一行p_m+1，对应运量为其对应的单位距离也全部为0，此时已转化为分布平衡模型，表示如下：

步骤六(四)、以上分布情况均转化为分布平衡模型，然后建立m×n维的分布平衡表和单位距离表，并根据表上作业法获取分布P到分布Q的初始可行方案；

步骤六(五)、在分布平衡表中添加一列u和一行v，u_i(1≤i≤m)和v_j(1≤j≤n)分别称为第i行和第j列的位势，且c_ij＝u_i+v_j，任意给定其中一个值，根据递推方式确定所有位势值；

步骤六(六)、设非基变量的检验数为λ_ij，则：λ_ij＝c_ij-(u_i+v_j)，如果所有检验数λ_ij都大于等于0，该方案为最优，否则利用闭回路调整法进行调整，并迭代重复获取最优解；

步骤七、对计算出的EMD进行升序排列，获得{EMD_min,EMD_min+1,…,EMD_max}，提取前p个对应的区域数据，获得新的子区域数据库，标记为：

其中，d_i′(1≤i≤p)为重新标记的区域编号，r_i′(1≤i≤p)为d_i′对应所有信号；

步骤八、针对子区域数据库T₁，构建基于EMD度量的SVM多层分类模型，完成子区域数据库的训练学习，获得多个判决函数，所述步骤九包括以下步骤：

步骤八(一)、根据步骤六，计算子区域库T₁中任意两区域信号间的EMD，进行升序排列，获得{EMD_min,EMD_min+1,…,EMD_max}，将最小EMD所对应的两区域进行合并为类class1；

步骤八(二)、再计算class1与其他区域类的EMD，进行降序排列，获得与class1的EMD最大的类，标记为类class2；

步骤八(三)、分别对类class1和类class2重复计算与其他区域的EMD，不断地找到与之EMD最小的类，并合并为同一类，直到类class1和类class2能完全聚合其他所有区域；

步骤八(四)、选择合理的参数和核函数，利用非线性SVM分类器获取最优超平面w^*·x+b^*＝0，将class1和class2有效分开；

步骤八(五)、分别对类class1和类class2不断执行以上四个步骤，将它们继续二分，直到最后获得的类中只包含单一区域，至此，子区域数据库训练完成；

步骤九、将实测数据s_j中的每个RSRP信号依次通过第一个判决函数进行分类，并统计所有信号点判决结果，通过投票方式获得第一次分类结果；

步骤十、依次重复进行所有判决函数的分类和投票，直到分类结果只包含一个确定区域为止，最后将此区域作为最终区域定位结果输出；

步骤十一、测试人员在最终的定位区域利用相关测试设备依次进行故障排查，从而确定故障天线所在位置。

有益效果

本发明首先在离线阶段采集所有路径的RSRP序列，并通过行人航迹推算方法完成快速建库，其次，根据实验场景的信号特征，利用K均值聚类算法有效实现区域自适应划分，以保证区域数据具有明显的特征；然后，根据区域信号分布情况构建不同分布距离模型，以完成区域数据的EMD计算；最后，在线阶段采集区域RSRP信号，并通过基于EMD度量的多层分类的区域定位算法实现用户的区域位置估计，并通过定位区域的故障排查实现天线的故障检测。本发明利用室内现有的分布式天线，在没有基础设施的附加布局和接收信号频率只有0.2Hz下，能够实现较高准确率的室内区域定位。本发明能够运用于各个大型的室内场景下天线的故障检测，并有效降低建库时间和硬件设备的成本开销。

附图说明

图1为本发明中步骤一至步骤十一的流程图，其中，RSRP为采集的参考信号接收功率值，MEMS为微机电系统，Location为对应坐标，SVM为支持向量机；

图2为实验环境图；

图3a至3d为不同k取值下，利用指纹数据库的RSRP信号进行空间自适应区域划分的的聚类结果示意图，k的取值根据实际应用而定；

图4a和4b分别为选取的一个房间区域的测试数据下，所对应的分类超平面和联合分类结果示意图；

图5a和5b分别为选取的一个走廊区域的测试数据下，所对应的分类超平面和联合分类结果示意图；

图6为实验环境中，分两个相邻楼层进行10次测试，每次测试随机选取若干个区域，统计的区域定位准确率结果示意图。其中，每层楼选择相同的测试区域。

具体实施方案

下面结合附图进一步详细描述本发明的技术方案：

如图1所示的一种LTE分布式系统的天线故障检测方法，具体包含以下步骤：

步骤一、根据实验场景，确定可行走区域和不可达区域，完成关键行走路径规划，并利用测试设备采集目标区域内关键路径的N条参考信号接收功率(Reference SignalReceiving Power，RSRP)序列，记为RSRP₁,RSRP₂,...,RSRP_N，其中，第i条RSRP序列RSRP_i(1≤i≤N)具体表示为K_i为第i条RSRP序列共有K_i时刻，同时记录对应MEMS数据；

步骤二、针对每条路径，标定起点B₀＝(x₀,y₀)，利用MEMS数据通过扩展卡尔曼滤波算法解算出任意时刻的速度v_i和航向θ_i，然后根据行人航迹推算方法获得任意时刻行走距离d_i＝v_it_i，以及t时刻的位置B_t＝(x_t,y_t)，即：

步骤三、将获得的所有位置坐标和对应的RSRP信号一一映射，构建指纹数据库databas，e具体表示为：database_i＝(RSRP_i,Location_i),(1≤i≤l)，即：

步骤四、将每个房间作为一个子区域，对走廊环境利用k均值聚类算法完成指纹库所有RSRP信号聚类，找到合适的子区域边界，实现空间区域的自动划分；

步骤五、根据子区域边界，进行区域编号D＝(d₁,d₂,...,d_k)，并提取每个区域对应的所有位置的RSRP信号r_i＝(rsrp_i1,rsrp_i2,...,rsrp_im)(1≤i≤k,1≤m≤l)，构建区域数据库，可表示为：

其中，d_i为第i个区域号，r_i为第i个区域对应的所有信号强度值；

步骤六、获取在线测试的MR区域数据，根据用户身份标识确定同一用户数据s_j，构建分布距离模型，计算s_j与区域数据库中每一区域r_i的EMD，所述步骤六包括以下步骤：

步骤六(一)、将任意两个区域信号进行分布统计，记为分布P和Q，为了获得P到Q所需总运输工作量，设定c_ij为P_i到Q_j的单位距离，f_ij为P_i和Q_j之间的流量，W_P为分布P的总量，W_Q为分布Q的总量，当W_P＝W_Q时，P和Q间的总流量确定，建立分布距离模型，本方法中称为分布平衡模型，表示如下：

步骤六(二)、当W_P＞W_Q时，建立新的分布距离模型，转化过程为直接在分布平衡表中添加一列Q_n+1，对应运量为但是其对应的单位距离全部为0，此时已转化为分布平衡模型，表示如下：

步骤六(三)、当分布P的总量小于分布Q的总量时，同样建立新的分布距离模型，转化过程相当于直接在分布平衡表中添加一行p_m+1，对应运量为其对应的单位距离也全部为0，此时已转化为分布平衡模型，表示如下：

步骤六(四)、以上分布情况均转化为分布平衡模型，然后建立m×n维的分布平衡表和单位距离表，并根据表上作业法获取分布P到分布Q的初始可行方案；

步骤六(五)、在分布平衡表中添加一列u和一行v，u_i(1≤i≤m)和v_j(1≤j≤n)分别称为第i行和第j列的位势，且c_ij＝u_i+v_j，任意给定其中一个值，根据递推方式确定所有位势值；

步骤六(六)、设非基变量的检验数为λ_ij，则：λ_ij＝c_ij-(u_i+v_j)，如果所有检验数λ_ij都大于等于0，该方案为最优，否则利用闭回路调整法进行调整，并迭代重复获取最优解；

步骤七、对计算出的EMD进行升序排列，获得{EMD_min,EMD_min+1,…,EMD_max}，提取前p个对应的区域数据，获得新的子区域数据库，标记为：

其中，d_i′(1≤i≤p)为重新标记的区域编号，r_i′(1≤i≤p)为d_i′对应所有信号；

步骤八、针对子区域数据库T₁，构建基于EMD度量的SVM多层分类模型，完成子区域数据库的训练学习，获得多个判决函数，所述步骤九包括以下步骤：

步骤八(一)、根据步骤六，计算子区域库T₁中任意两区域信号间的EMD，进行升序排列，获得{EMD_min,EMD_min+1,…,EMD_max}，将最小EMD所对应的两区域进行合并为类class1；

步骤八(二)、再计算class1与其他区域类的EMD，进行降序排列，获得与class1的EMD最大的类，标记为类class2；

步骤八(三)、分别对类class1和类class2重复计算与其他区域的EMD，不断地找到与之EMD最小的类，并合并为同一类，直到类class1和类class2能完全聚合其他所有区域；

步骤八(四)、选择合理的参数和核函数，利用非线性SVM分类器获取最优超平面w^*·x+b^*＝0，将class1和class2有效分开；

步骤八(五)、分别对类class1和类class2不断执行以上四个步骤，将它们继续二分，直到最后获得的类中只包含单一区域，至此，子区域数据库训练完成；

步骤九、将实测数据s_j中的每个RSRP信号依次通过第一个判决函数进行分类，并统计所有信号点判决结果，通过投票方式获得第一次分类结果；

步骤十、依次重复进行所有判决函数的分类和投票，直到分类结果只包含一个确定区域为止，最后将此区域作为最终区域定位结果输出；

步骤十一、测试人员在最终的定位区域利用相关测试设备依次进行故障排查，从而确定故障天线所在位置。

Claims (3)

1.一种LTE分布式系统的天线故障检测方法，其特征在于，包含以下步骤：

步骤一、根据实验场景，确定可行走区域和不可达区域，完成关键行走路径规划，并利用测试设备采集目标区域内关键路径的N条参考信号接收功率(Reference SignalReceiving Power，RSRP)序列，记为RSRP₁,RSRP₂,...,RSRP_N，其中，第i条RSRP序列RSRP_i(1≤i≤N)具体表示为K_i为第i条RSRP序列共有K_i时刻，同时记录对应MEMS数据；

步骤二、针对每条路径，标定起点B₀＝(x₀,y₀)，利用MEMS数据通过扩展卡尔曼滤波算法解算出任意时刻的速度v_i和航向θ_i，然后根据行人航迹推算方法获得任意时刻行走距离d_i＝v_it_i，以及t时刻的位置B_t＝(x_t,y_t)，即：

步骤三、将获得的所有位置坐标和对应的RSRP信号一一映射，构建指纹数据库database，具体表示为：database_i＝(RSRP_i,Location_i),(1≤i≤l)，即：

步骤四、将每个房间作为一个子区域，对走廊环境利用k均值聚类算法完成指纹库所有RSRP信号聚类，找到合适的子区域边界，实现空间区域的自动划分；

步骤五、根据子区域边界，进行区域编号D＝(d₁,d₂,...,d_k)，并提取每个区域对应的所有位置的RSRP信号r_i＝(rsrp_i1,rsrp_i2,...,rsrp_im)(1≤i≤k,1≤m≤l)，构建区域数据库，可表示为：

其中，d_i为第i个区域号，r_i为第i个区域对应的所有信号强度值；

步骤六、获取在线测试的MR区域数据，根据用户身份标识确定同一用户数据s_j，构建分布距离模型，计算s_j与区域数据库中每一区域r_i的Earth Mover's Distance(EMD)；

步骤七、对计算出的EMD进行升序排列，获得{EMD_min,EMD_min+1,…,EMD_max}，提取前p个对应的区域数据，获得新的子区域数据库，标记为：

其中，d_i′(1≤i≤p)为重新标记的区域编号，r_i′(1≤i≤p)为d_i′对应所有信号；

步骤八、针对子区域数据库T₁，构建基于EMD度量的SVM多层分类模型，完成子区域数据库的训练学习，获得多个判决函数；

步骤九、将实测数据s_j中的每个RSRP信号依次通过第一个判决函数进行分类，并统计所有信号点判决结果，通过投票方式获得第一次分类结果；

步骤十、依次重复进行所有判决函数的分类和投票，直到分类结果只包含一个确定区域为止，最后将此区域作为最终区域定位结果输出；

步骤十一、测试人员在最终的定位区域利用相关测试设备依次进行故障排查，从而确定故障天线所在位置。

2.根据权利要求1所述的一种LTE分布式系统的天线故障检测方法，其特征在于，所述步骤六包括以下步骤：

步骤六(一)、将任意两个区域信号进行分布统计，记为分布P和Q，为了获得P到Q所需总运输工作量，设定c_ij为P_i到Q_j的单位距离，f_ij为P_i和Q_j之间的流量，W_P为分布P的总量，W_Q为分布Q的总量，当W_P＝W_Q时，P和Q间的总流量确定，建立分布距离模型，本方法中称为分布平衡模型，表示如下：

步骤六(二)、当W_P＞W_Q时，建立新的分布距离模型，转化过程为直接在分布平衡表中添加一列Q_n+1，对应运量为但是其对应的单位距离全部为0，此时已转化为分布平衡模型，表示如下：

步骤六(三)、当分布P的总量小于分布Q的总量时，同样建立新的分布距离模型，转化过程相当于直接在分布平衡表中添加一行p_m+1，对应运量为其对应的单位距离也全部为0，此时已转化为分布平衡模型，表示如下：

步骤六(四)、以上分布情况均转化为分布平衡模型，然后建立m×n维的分布平衡表和单位距离表，并根据表上作业法获取分布P到分布Q的初始可行方案；

步骤六(五)、在分布平衡表中添加一列u和一行v，u_i(1≤i≤m)和v_j(1≤j≤n)分别称为第i行和第j列的位势，且c_ij＝u_i+v_j，任意给定其中一个值，根据递推方式确定所有位势值；

步骤六(六)、设非基变量的检验数为λ_ij，则：λ_ij＝c_ij-(u_i+v_j)，如果所有检验数λ_ij都大于等于0，该方案为最优，否则利用闭回路调整法进行方案调整，并迭代重复获取最优解。

3.根据权利要求1或2所述的一种LTE分布式系统的天线故障检测方法，其特征在于，所述步骤八包括以下步骤：

步骤八(一)、根据步骤六，计算子区域库T₁中任意两区域信号间的EMD，进行升序排列，获得{EMD_min,EMD_min+1,…,EMD_max}，将最小EMD所对应的两区域进行合并为类class1；

步骤八(二)、再计算class1与其他区域类的EMD，进行降序排列，获得与class1的EMD最大的类，标记为类class2；

步骤八(三)、分别对类class1和类class2重复计算与其他区域的EMD，不断地找到与之EMD最小的类，并合并为同一类，直到类class1和类class2能完全聚合其他所有区域；

步骤八(四)、选择合理的参数和核函数，利用非线性SVM分类器获取最优超平面w^*·x+b^*＝0，将class1和class2有效分开；

步骤八(五)、分别对类class1和类class2不断执行以上四个步骤，将它们继续二分，直到最后获得的类中只包含单一区域，至此，子区域数据库训练完成。