CN110381436B - 一种基于大规模mimo单站系统的快速指纹定位方法 - Google Patents

Abstract

本发明公开了一种基于大规模MIMO单站系统的快速指纹定位方法，设计出用于后续指纹匹配的ADCPM指纹矩阵；将所述指纹矩阵初步存储以及通过三元表稀疏存储；将所述指纹矩阵基于中心到达角CAOA进行一阶粗分类，所述粗分类的指纹矩阵再次通过局部敏感度哈希函数映射，得到二阶细分类的结果；最后将所述细分类的指纹矩阵通过加权KNN方法进行在线阶段指纹定位。使用本发明提供的方法，相比于传统的指纹定位方法，既有利于提高大规模指纹数据库下的在线定位速度，又能保持较高的定位精度。

Description

一种基于大规模MIMO单站系统的快速指纹定位方法

技术领域

本发明涉及一种基于大规模MIMO单站系统的快速指纹定位方法，属于信号与信息处理技术。

背景技术

由于安全性和商业性的要求，如何获取目标的准确位置信息这个问题引起了工业界和学术界的广泛关注，将其称之为基于位置的服务(Location-Based Service,LBS)。较为成熟的LBS技术是以军事应用为目的而起源的全球定位系统(Clobal PositioningSystem,GPS)技术，但是GPS受到环境噪声、多径干扰、非视距路径等影响，不仅定位精度低且GPS消耗功率大。基于无线网络的传统定位方式通常假设无线信号沿着视距(Line-of-Sight,LOS)传播，然后通过接收信号能量(Receiving Signal Strength,RSS)，到达角度(Angle of Arrival,AOA)和到达时间(Time of Arrival,TOA)的测量值由多个基站(BaseStation,BS)进行协同定位。但随着城市的发展和5G时代的到来，人们日常所处的环境大多较为复杂，无线信号的传播路径是非视距(None Line-of-Sight,NLOS)的，导致定位性能大大降低，而且多个BS的协作将造成额外的负载和延时。

为了克服传统的无线定位技术面临的问题，指纹定位技术得到了广泛的研究，通常采用的指纹类型有两种，一种是将接收信号的强度RSS作为指纹，另一种是将移动终端到BS之间的多径特征作为指纹，如AOA、信道冲激响应CIR、信道状态信息CSI和功率延迟分布PDP。目前基于终端的指纹定位方法主要集中在定位准确性的改进方面，然而在目标定位区域变大的情况下，指纹数据库规模将显著扩大，在线定位的时间成本过大，对这一问题的研究还比较少见。

发明内容

为了克服现有指纹定位方法中存在的在线定位时间复杂度过高的问题，本发明提供了一种基于大规模MIMO单站系统的快速指纹定位方法，先通过基于中心到达角CAOA进行一阶粗分类，所述粗分类的结果再次通过局部敏感度哈希函数映射，得到二阶细分类的结果，从而实现更加高效快速的在线阶段指纹定位。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于大规模MIMO单站系统的快速指纹定位方法，包括以下具体步骤：

步骤1，构建ADCPM指纹矩阵：第k个用户到基站BS之间的ADCPM指纹矩阵

其中，

为第k个用户到BS之间的信道响应矩阵，V∈N_t×N_t为DFT相移PS-DFT矩阵，U∈N_L×N_g为DFT酉矩阵，V、U分别满足

为V的第α行第β列元素，

为U的第φ行第

列元素，N_t为BS的天线数，N_L为OFDM的符号数，N_g为循环前缀数；

为第k个用户到BS的整体信道频率响应CFR矩阵，

为第l个子载波上的CFR矩阵，l＝0,1,...,N_L-1，N_P为总的路径数，α_p,k为第k个用户在第p条路径上的复信道增益，θ_p,k为第k个用户在第p条路径上的到达角度AOA，

为传播时延，τ_p,k为第p条路径的TOA，T_s为大规模MIMO单站系统的最小采样间隔；

步骤2，将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点，将每个参考点的ADCPM指纹矩阵及其位置坐标存入数据库，得到指纹数据库；

步骤3，采用三元表TT算法将第i个参考点的ADCPM指纹矩阵F_i压缩为

并用F_TT替代指纹数据库中的F_i，其中，i＝1,2,...,N，N为参考点个数，v₁,...,v_M为F_i中的最大的M个元素，row₁,...,row_M为v₁,...,v_M在F_i中的行坐标，col₁,...,col_M为v₁,...,v_M在F_i中的列坐标；

步骤4，一阶粗分类：计算第i个参考点的ADCPM指纹矩阵F_i的中心到达角

将N个参考点的ADCPM指纹矩阵分别划分到子集[CAOA_i-ω,CAOA_i+ω]中，其中，[F_i]_n,t表示F_TT恢复成二维指纹矩阵的形式后的代表第n行第t列的值，F_TT恢复成的二维指纹矩阵由F_i中保留最大的M个元素且其余元素置零得到，ω为最大的角度扩散值；

步骤5，将步骤4中的每个子集分别通过局部敏感哈希LSH算法进行映射，得到ADCPM指纹矩阵的二阶细分类的结果；

步骤6，计算待测点的实时ADCPM指纹矩阵的CAOA，根据步骤4的分类结果得到其对应的子集；

步骤7，对待测点的实时ADCPM指纹矩阵进行哈希映射得到哈希值R_real；

步骤8，根据步骤5的分类结果，获取与R_real具有相同值的参考点；

步骤9，基于步骤8中与R_real具有相同值的参考点，使用加权KNN匹配算法估计待测点的位置。

作为本发明的进一步技术方案，步骤2中指纹数据库

其中，Loc_i(x_i,y_i)为第i个参考点的位置坐标，F_i为第i个参考点的ADCPM指纹矩阵，i＝1,2,...,N，N为参考点个数。

作为本发明的进一步技术方案，步骤3中M的值由矩阵压缩比

决定。

作为本发明的进一步技术方案，步骤9中使用加权KNN匹配算法估计待测点的位置为：

其中，

为待测点的位置坐标，K为加权KNN匹配算法筛选得到的与待测点指纹相似度最高的参考点指纹数，

为筛选出的第k个参考点指纹的位置坐标，

为

对应的权值，d_k为筛选出的第k个参考点的ADCPM指纹矩阵与待测点的实时ADCPM指纹矩阵之间的欧式距离，Δd为一极小的正数。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：对于规模较大的数据库，LSH算法能够在保证精度的前提下有效提升定位速度。除此之外，在使用了基于CAOA的一阶聚类算法之后，对子集进行LSH二阶搜索，既有利于提高大规模指纹数据库下的在线定位速度，又能保持较高的定位精度。

附图说明

图1是指纹定位流程图；

图2是信道强度在角度域上的分布图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示的技术方案的整体流程，指纹定位方法分为离线阶段和在线阶段两个阶段，离线阶段需要先采集每个参考点的信号指纹，将其预处理以后存储到指纹数据库中，在线阶段对未知终端进行定位时，需要先采集待测终端的对应指纹，然后利用所提出的CAOA-LSHWKNN匹配算法进行位置估计，得到结果返回给有定位需求的终端。下面详细描述每一步的具体操作。

Step1:首先本发明设计出后续指纹匹配所需的ADCPM指纹矩阵，该指纹矩阵是基于单基站的大规模MIMO-OFDM系统。单基站具体是指一个具有N_t根天线的均匀线性阵列且基站和用户都处于同一水平面上，其能够通过上行信道估计获得终端到所述的基站的信道状态信息CSI，由于在目标区域覆盖范围内存在很多散射体，使得无线信号沿着多径传播，因此CSI包含着散射环境的多径信息。

具体ADCPM计算步骤如下：

Step11:利用公式(1)计算出用户k在第p条路径上的CIR为：

其中，α_p,k∈CN(0,θ_p,k)是第k个用户在第p条路径上的复信道增益，CN(0,θ_p,k)表示均值为0、实虚部统计独立且方差各为θ_p,k/2的复高斯分布，θ_p,k∈(0,π)为相应的AOA，e(θ_p,k)为第p条路径上的阵列响应向量，d_p,k为第p条路径上发射天线到第一根接收天线的物理距离，λ_c是载波波长。假设散射体在目标区域中的分布是独立且随机的，则上述参数彼此独立。若以第一根天线的信号相位作为参考相位，则天线阵列的响应向量为：

Step12:得到CIR后，CIR包含天线域的多径特征，通过DFT可以将其映射到对应的角度域。考虑到每条路径的TOA互不相同，第k个用户的CIR可以表示为所有路径上的CIR之和，即为：

其中，

为每条路径的TOA，v是光速，N_p表示的是总的路径数；δ(τ-τ_p,k)为冲激函数，表示采样。

将大规模MIMO单站系统最小的采样间隔设为T_s并对阵列输出进行采样，则T_c＝N_LT_s为OFDM的符号间隔，N_L表示OFDM的符号数；T_g＝N_gT_s为循环前缀的间隔，假设T_g远远大于τ_p,k。每个子载波的带宽为Δf＝1/N_cT_s，第l个子载波的频率为f_l＝lΔf。通过OFDM调制，可以将多径传播造成的频率选择性衰落信道转换成频率平坦信道，并通过时域采样获得每条路径的TOA。

Step13:对于第l个子载波，通过对CIR做傅里叶变换得到对应的信道频率响应CFR，即CFR等于具有不同时延的所有路径的时域CIR之和：

其中，

为传播时延，

表示最接近x的整数。用户k到BS的整体CFR矩阵为所有子载波上的CFR组成，即

Step14:得到CFR后，上述CFR矩阵描述了第k个用户到BS之间的信道在空间-频率域上的特征。对于大规模MIMO-OFDM系统而言，BS在角度-时延域能获得更高的多径分辨率，因此将其转化为角度-时延域上的矩阵，进而提取响应的特征矩阵作为定位指纹。通过DFT变换将矩阵从空间-频率域转换到角度-时延域，信道响应矩阵表示为

其中V∈N_t×N_t为DFT相移(PS-DFT)矩阵，U∈N_L×N_g为DFT酉矩阵，分别满足如下表达式

V矩阵和U矩阵分别将H_k映射角度域和时延域上，因此[Z_k]_i,j表示角度-时延域矩阵上第i个AOA和第j个TOA上的信道复增益值。

第k个用户到基站BS之间的ADCPM指纹矩阵为

Step2：将得到的ADCPM指纹矩阵通过三元表稀疏存储，具体三元表存储方式如下：

Step21:首先将上述得到的ADCPM矩阵初步存储于指纹数据库。离线阶段的关键任务是建立指纹数据库，为在线阶段的指纹匹配做好准备。为此需要在待定位的目标区域选取若干参考点，并提取每个参考点的指纹矩阵。

具体步骤如下：首先确定划分间隔s(单位m)，以间隔s将待定位的目标区域划分为均匀的网格，其中待定位的目标区域内的网格顶点作为参考点。这里越小的间隔s，就会产生更多的参考点。

计算出第i个参考点到BS的ADCPM指纹矩阵F_i(i＝1,2,...,N)；将每个参考点的指纹矩阵及其位置坐标存储到数据库中，得到最终的指纹数据库F-DB：

其中，Loc_i(x_i,y_i)为第i个参考点的位置坐标，N为参考点个数。

Step22:将上述指纹矩阵通过三元表稀疏存储。由于指纹矩阵具有稀疏性，可在指纹存储到数据库之前采用矩阵压缩算法。采用三元表(Three Tuple,TT)算法进行指纹预处理。为了有效地对指纹矩阵进行压缩，在创建三元表过程中，对ADCPM矩阵进行排序，采集矩阵中最大的前M个元素存储到表中。三元表由3行M列组成，第一行存储前M个最大元素，第二行和第三行分别存储第一行元素在原矩阵中对应的行列值，其中M的值由矩阵压缩比

决定。压缩后的指纹用三元表表示为如下形式：

其中，v₁,...,v_M为F_i中的最大的M个元素，row₁,...,row_M为v₁,...,v_M在F_i中的行坐标，col₁,...,col_M为v₁,...,v_M在F_i中的列坐标。

Step23:在构建指纹库时，用F_TT代替原矩阵与位置坐标及其他信息一起存储到数据库中。若要将三元表恢复成矩阵形式，只要根据第二行和第三行的坐标将元素值填入指纹矩阵对应的位置，其他位置使用补零法进行快速填充即可。

Step3:将上述稀疏存储的指纹矩阵基于中心到达角CAOA进行一阶粗分类。从用户终端到BS的每条路径的散射环境主要是由用户终端附近的散射体决定的，而信号经过无线信道传播后的大部分能量仅分布在少数多径分量上，如图2所示。因此为每个参考点的ADCPM定义一个中心到达角(Center AOA，CAOA)

CAOA指出了信道功率主要集中的角度中心，考虑从BS角度看到的用户终端信号传播路径的入射角存在角度扩散，实际的ADCPM分布应该位于[CAOA-ω,CAOA+ω]范围内，ω为最大的角度扩散值。所以每个参考点指纹可以被划分到中心角在[CAOA_i-ω,CAOA_i+ω]范围内的一个或多个子集中。(也就是说，因为存在ω，一个ADCPM指纹矩阵可以被划分到多个子集，若ω＝2，CAOA₁＝4，CAOA₂＝5，CAOA₃＝7，则F₁和F₂被划分到子集[CAOA₁-ω,CAOA₁+ω]中，同时，F₁和F₂、F₃被划分到子集[CAOA₂-ω,CAOA₂+ω]中，F₂、F₃被划分到子集[CAOA₃-ω,CAOA₃+ω][CAOA₂-ω,CAOA₂+ω]中)。

Step4:将上述粗分类的指纹矩阵再次通过局部敏感度哈希函数映射，得到二阶细分类的结果。在目标定位区域变大的情况下，指纹数据库规模将扩大，所述的粗分类得到的子集也具有较大规模，从而降低了在线定位的效率。因此在指纹定位中引入局部敏感哈希(Locality-Sensitive Hashing,LSH)算法，进一步提高在线定位的精确度和速度。上述的LSH是一种哈希算法，能够有效搜索出海量高维数据中的最近邻点。对大规模MIMO系统而言，大规模天线和复杂的散射环境使得本文的指纹具有海量高维的特点，因此可将所述的LSH算法用于指纹定位当中。

上述的LSH算法的主要思想是将原始数据空间中的两个相邻数据点通过相同的哈希函数映射或投影变换后，这两个数据点在新的数据空间中仍然相邻的概率很大，而不相邻的数据点被映射到同一个桶的概率很小。因此，如果能够找到一些这样的哈希函数，使得经过它们的哈希映射后，原始空间中相邻的数据落入相同的桶内，那么在该数据集合中进行近邻查找就更加容易，只需要将查询数据进行哈希映射得到其桶号，然后取出该桶内的所有数据，再进行线性匹配即可查找到与查询数据相邻的数据。为了将相邻点映射到同一桶中，哈希函数族需要满足以下条件。

定义3.1：给定一个哈希函数族H＝{h:S→U}，若H中的任意一个函数h满足下列两个条件，则称H为(r₁,r₂,p₁,p₂)敏感：

·如果d(O₁,O₂)＜r₁，则Pr[h(O₁)＝h(O₂)]≥p₁，

·如果d(O₁,O₂)＞r₂，则Pr[h(O₁)＝h(O₂)]≤p₂。

其中，O₁,O₂∈S表示S空间中的高维数据对象，d(O₁,O₂)表示两个对象之间的距离，且满足r₁＜r₂,p₁＞p₂。通过一个或多个(r₁,r₂,p₁,p₂)敏感的哈希函数将原始数据集合进行哈希映射生成一个或多个哈希表的过程称为LSH。

具体操作步骤如下：

使用不同的距离准则计算d(O₁,O₂)对应着不同的LSH方法，上述采用的LSH算法基于欧式距离准则，选用p-stable算法进行数据搜索，具体方式是给定d维向量u，从p-stable分布中抽取d个随机变量组成d维向量a，计算a与u的点积；选取若干个向量a，计算多个a·u值，哈希函数族H的构建过程按如下步骤进行：

Step41:在数据空间中将一条直线分成若干段长度为r的等长线段。

Step42:通过哈希函数将空间中的数据点映射到这条线段上，给映射到同一段的数据点赋予相同的哈希值，映射到不同段的点赋予不同的哈希值。

Step43:根据映射后的距离(a·u₁-a·u₂)估计原始距离||u₁-u₂||_p，若原始距离较小，则映射后的距离也小。此处，u₁、u₂分别指代指纹向量；

Step44:一般的，每个哈希函数

将一个d维的向量u映射到一个整数集上。H中的每个函数根据a和b的不同建立函数索引。上述的哈希函数的形式为

其中b是从[0,r]范围内均匀选择的实数，r为自定义的bucket长度。

Step5:将上述细分类的指纹矩阵通过加权KNN方法进行在线阶段指纹定位。指纹定位方法主要包含离线阶段和在线阶段两个部分：

离线阶段：

Step51一阶聚类：

计算每个参考点指纹矩阵的CAOA，将N个参考点的ADCPM指纹矩阵分别划分到子集[CAOA_i-ω,CAOA_i+ω]中；

Step52二阶搜索：

对一阶聚类的每个子集进行LSH，每个子集产生N_c个桶，每个桶内存放着被映射成统一哈希值的指纹点，该结果用于精确的在线定位。

在线阶段(CAOA-LSH WKNN匹配算法)：

Step53计算待测点实时指纹矩阵的CAOA，基于Step51得到其对应的子集；

Step54根据Step52，得到该子集进行LSH后的N_c个桶；

Step55对实时指纹进行哈希映射得到哈希值R_real；

Step56取得与R_real具有相同值的桶中对应的指纹参考点，重新形成候选的指纹集合，在该集合中使用加权KNN匹配算法，估计待测点的位置。

K近邻算法是NN算法的一种改进，NN算法通过计算实时指纹与参考指纹之间的欧式距离找到相似度最高的一组指纹，将其位置作为最终的坐标估计结果。KNN算法则筛选了K(K≥2)组相似度最高的指纹，并计算K个候选参考点坐标的平均值作为待测点的坐标估计结果，对应公式为：

其中，

为第k个候选参考点的坐标，

是输出的位置估计结果。加权KNN算法考虑了待测终端与参考点之间的距离，与待测点指纹相似度越高的点，理论上物理距离应该越近，对位置估计结果的贡献越大，应该赋予更高的权值，对应公式为：

其中

其中，d_k为筛选出的第k个参考点的ADCPM指纹矩阵与待测点的实时ADCPM指纹矩阵之间的欧式距离；Δd是一个很小的正数，为了防止分母为0；w_k是每个位置的加权系数。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种基于大规模MIMO单站系统的快速指纹定位方法，其特征在于，包括以下具体步骤：

步骤1，构建ADCPM指纹矩阵：第k个用户到基站BS之间的ADCPM指纹矩阵

其中，

为第k个用户到BS之间的信道响应矩阵，V∈N_t×N_t为DFT相移PS-DFT矩阵，U∈N_L×N_g为DFT酉矩阵，V、U分别满足

为V的第α行第β列元素，

为U的第φ行第

列元素，N_t为BS的天线数，N_L为OFDM的符号数，N_g为循环前缀数；

为第k个用户到BS的整体信道频率响应CFR矩阵，

为第l个子载波上的CFR矩阵，l＝0,1,...,N_L-1，N_P为总的路径数，α_p,k为第k个用户在第p条路径上的复信道增益，θ_p,k为第k个用户在第p条路径上的到达角度AOA，

为传播时延，τ_p,k为第p条路径的TOA，T_s为大规模MIMO单站系统的最小采样间隔；

步骤2，将待定位的目标区域划分成均匀网格，以待定位的目标区域内的网格顶点作为参考点，将每个参考点的ADCPM指纹矩阵及其位置坐标存入数据库，得到指纹数据库；

步骤3，采用三元表TT算法将第i个参考点的ADCPM指纹矩阵F_i压缩为

并用F_TT替代指纹数据库中的F_i，其中，i＝1,2,...,N，N为参考点个数，v₁,...,v_M为F_i中的最大的M个元素，row₁,...,row_M为v₁,...,v_M在F_i中的行坐标，col₁,...,col_M为v₁,...,v_M在F_i中的列坐标；

步骤4，一阶粗分类：计算第i个参考点的ADCPM指纹矩阵F_i的中心到达角

将N个参考点的ADCPM指纹矩阵分别划分到子集[CAOA_i-ω,CAOA_i+ω]中，其中，[F_i]_n,t表示F_TT恢复成二维指纹矩阵的形式后的代表第n行第t列的值，F_TT恢复成的二维指纹矩阵由F_i中保留最大的M个元素且其余元素置零得到，ω为最大的角度扩散值；

步骤5，将步骤4中的每个子集分别通过局部敏感哈希LSH算法进行映射，得到ADCPM指纹矩阵的二阶细分类的结果；

步骤6，计算待测点的实时ADCPM指纹矩阵的CAOA，根据步骤4的分类结果得到其对应的子集；

步骤7，对待测点的实时ADCPM指纹矩阵进行哈希映射得到哈希值R_real；

步骤8，根据步骤5的分类结果，获取与R_real具有相同值的参考点；

步骤9，基于步骤8中与R_real具有相同值的参考点，使用加权KNN匹配算法估计待测点的位置。

2.如权利要求1所述的一种基于大规模MIMO单站系统的快速指纹定位方法，其特征在于，步骤2中指纹数据库

其中，Loc_i(x_i,y_i)为第i个参考点的位置坐标，F_i为第i个参考点的ADCPM指纹矩阵，i＝1,2,...,N，N为参考点个数。

3.如权利要求1所述的一种基于大规模MIMO单站系统的快速指纹定位方法，其特征在于，步骤3中M的值由矩阵压缩比

决定。

4.如权利要求1所述的一种基于大规模MIMO单站系统的快速指纹定位方法，其特征在于，步骤9中使用加权KNN匹配算法估计待测点的位置为：

其中，

为待测点的位置坐标，K为加权KNN匹配算法筛选得到的与待测点指纹相似度最高的参考点指纹数，

为筛选出的第k个参考点指纹的位置坐标，

为

对应的权值，d_k为筛选出的第k个参考点的ADCPM指纹矩阵与待测点的实时ADCPM指纹矩阵之间的欧式距离，Δd为一极小的正数。

Images