CN111132007A - 一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法 - Google Patents
一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法 Download PDFInfo
- Publication number
- CN111132007A CN111132007A CN201911295997.7A CN201911295997A CN111132007A CN 111132007 A CN111132007 A CN 111132007A CN 201911295997 A CN201911295997 A CN 201911295997A CN 111132007 A CN111132007 A CN 111132007A
- Authority
- CN
- China
- Prior art keywords
- iot
- cluster node
- positioning
- rssi
- terminal
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于5G和NB‑IoT簇节点信息融合的NB终端高精度定位方法。所述方法采用中继簇节点的融合方案,形成融合网络,同时在NB‑IoT侧使用DOA和RSSI的融合定位算法,在考虑参考点误差的情况下,搜索终端位置的全局最优解;然后在NB‑IoT网络侧建立RSSI指纹信息库,计算所述NB‑IoT网络两个基站的DOA估计值,根据所述DOA估计值,确定指纹信息库中的搜索范围;在搜索范围内寻找匹配点,找到其中误差最小的点作为搜索结果,并对四个参考点的位置进行归一化加权,得到终端位置的估计值。本发明克服了5G网络和NB‑IoT网络之间无法直接测量的问题,同时提高终端的估计精度和解算速度。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及窄带物联网(NB-IoT)的高精度定位问题。
背景技术
随着物联网的发展,产生了用于传感和控制的大量连接需求。这种需求对连接速率的要求不高,但对功耗和成本非常敏感,并且分布广泛且数量众多。在无线定位中,窄带物联网(NB-IoT)的定位精度较差,而蜂窝网络借助到达时间差(TDOA)、到达角(DOA)信息等具有较高的定位精度。但是,当前的3G/4G网络无法承载大量的IoT连接。预计第五代通信系统(5G)可以满足IoT连接的需求,并且5G和NB-IoT网络的进一步集成有望有效提高NB-IoT网络的定位精度。因此,用于融合网络研究的高精度定位算法具有广阔的应用前景和学术意义。
作为LTE的子网,NB-IoT仅支持小区ID定位方法。此方法的定位精度取决于小区半径的大小,通常超过300米。5G具有更精确的时钟同步、超宽带宽和多天线设计。它支持到达时间(TOA)、TDOA、DOA和其他定位原理,并且定位精度可以达到亚米级的水平。5G和NB-IoT属于不同的网络,因此5G定位信息理论上无法直接应用于NB-IoT终端的定位。
为了在保持NB-IoT的低功耗和低成本特性的同时提高NB-IoT的定位精度,基于5G和NB-IoT异构定位框架,考虑引入一些簇节点,其具有与5G和NB-IoT网络同时通信的功能。NB-IoT网络的信号带宽很窄,时钟同步很难完成,因此只能考虑DOA和接收信号强度(RSSI)原理。簇节点中5G的多天线设计将有利于DOA估计。在本发明的定位方法中,在允许簇节点位置误差的情况下,可以获得NB-IoT终端的高精度位置解。
因此,本领域的技术人员致力于开发一种融合网络及融合定位方法,充分利用多网络的多参数特性来实现窄带物联网终端的高精度定位。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是从理论层面提高窄带物联网终端的定位精度,提出了一种5G和NB-IoT网络的融合方案,并基于融合方案采用两步定位和DOA/RSSI融合算法来提高窄带物联网终端的定位精度。所述方法在提高定位精度的同时,通过DOA信息辅助定位加速了RSSI指纹信息库的匹配速度。融合网络簇节点多天线特性的引入,对NB-IoT网络侧第二步定位提供了进行DOA定位的可能,进一步和RSSI信息融合以获得NB-IoT网络侧更高的定位精度。然而簇节点的位置需要通过5G侧通过TDOA的方法得到,在两步定位误差中,存在局部最优解的可能。因此,在本发明中,考虑簇节点的位置误差,在整个解空间内搜索最优解以保证全局最优。
为实现上述目的,本发明提供了一种基于5G/NB-Iot簇节点信息融合的NB终端高精度定位算法,包括如下步骤:
一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法,其特征在于,包括如下步骤:
步骤A,第一步定位:建立5G网络和NB-IoT网络簇节点方案融合模型,在5G侧对簇节点做TDOA定位,得到所述第一步定位的解(x,y)及误差(δx,δy);在所述簇节点的误差范围内,以簇节点位置为基准进行步骤B,将全局最优解作为最终的定位结果;
步骤B,第二步定位:在NB-IoT网络侧建立RSSI指纹信息库,计算所述NB-IoT网络两个基站的DOA估计值,根据所述DOA估计值,确定指纹信息库中的搜索范围;在搜索范围内寻找匹配点,找到其中误差最小的点作为搜索结果,并对四个参考点的位置进行归一化加权,得到终端位置的估计值;
进一步地,所述步骤A中,所述第一步定位的解(x,y)及误差(δx,δy)采用CHAN解算法得到。
进一步地,所述步骤A中,所述簇节点具有与5G和NB-IoT网络同时通信的功能。
进一步地,所述步骤B中,所述匹配点的匹配度评价标准为相邻四个参考点与实际RSSI值的平均绝对值误差。
进一步地,所述步骤B中,所述DOA估计值根据MUSIC算法计算。
进一步地,所述步骤A中,所述簇节点方案融合模型及所述TDOA定位,具体包括如下步骤:
步骤A-1,提出所述5G网络和NB-IoT网络簇节点方案融合模型;
步骤A-2,预置簇节点位置坐标为(1,1),作为参数传入到TDOA算法模块中;
步骤A-3,所述TDOA算法模块生成测量基站BS的位置,计算每个基站与待定位终端的欧式距离;
步骤A-4,设定噪声方差,产生高斯噪声作为干扰。设定第一个基站BS1为参考基站,计算其余基站BSi与参考基站到待定位终端的距离差Ri,1,最后加上高斯噪声矩阵;
步骤A-5,利用A-4得到的TDOA测量参数,和基站数目、基站位置参数一起作为输入参数传入所述CHAN算法;
步骤A-6,根据公式(1):
步骤A-7,将公式(2)转化为方程组(3),计算其中的参数;
Gaza=h (3)
步骤A-8,根据公式(4)计算e=h-Gaza的协方差矩阵:
ψ=E(eeT)=c2BQB (4)
步骤A-9,计算z的最小二乘估计,如公式(5):
在终端和基站距离较远时,ψ可以用Q代替,在本发明的具体实施中,采用的是近似公式(6):
步骤A-10,根据第一次估计的结果,计算CHAN的第二次估计结果,用公式(7):
步骤A-11,计算最终的TDOA定位结果:
步骤A-12,重复步骤A-3、A-4、A-5、A-6、A-7、A-8、A-9、A-10、A-11,得到若干组对同一基站的定位结果,取均值和方差作为所述TDOA定位的解(x,y)及误差(δx,δy);
步骤A-13,在(x±δx,y±δy)范围内,以步长为1改变簇节点的位置,作为所述第二步定位中基站的位置,进行步骤B。
进一步地,所述步骤B具体包括如下步骤:
步骤B-1,生成NB-IoT网络侧的RSSI指纹信息库,具体以步骤A中所述簇节点的位置为观测点,在边长1km的矩形范围内,以步长为5m测量待测点的接收信号强度。
步骤B-2,用NB-IoT的下行发射功率减去上一步计算得到的路径损失,得到所述待测点测量到的信号强度,并加上高斯噪声作为干扰,至此得到所有所述待测点的信号强度并保存;
步骤B-3,生成随机终端位置,计算实际的接收信号强度。
步骤B-4,根据终端的实际位置,构建信号模型。采用的阵元为8单位的线性阵列,信噪比为20dB,快拍数K为1024,信号频率为1960MHz,阵元间距为λ/2。因此阵列流形为:
A=exp(-1i*2*pi*dT*sin(theta*pi/180)) (10)
其中,d为阵元间距的整数倍,theta为真实的入射角。信号模型生成为:
X1=awgn(X,snr,′measured′) (11)
其中X=A*S,S为噪声矩阵;
步骤B-5,计算X1的协方差矩阵:
Rxx=X1*X1T/K (12)
之后对协方差矩阵作特征值分解,按照特征值排序,取最大的特征值对应的特征向量作为信号子空间En;
步骤B-6,遍历0到360度所有的入射角,计算各个角度对应的空间谱。
计算按照下列两个公式进行:
a=(exp(-1i*2*pi*d*sin(angle)))T (13)
Pmusic(idx)=1/(aT*(En*EnT)*a) (14)
步骤B-7,对计算出的空间谱排序,最大值对应的角度作为DOA估计的结果。并测量统计误差e;
步骤B-8,根据上一步得到的DOA角度估计结果和统计误差,计算DOA参数确定的指纹信息库搜索范围;
步骤B-9,在上一步得到的搜索范围内,计算实际的RSSI值和指纹库中参考点RSSI值的欧式距离,保存距离最小的点。计算依据公式:
fmae=∑((mae(rssii,j,rssi)+mae(rssii+1,j,rssi)++mae(rssii,j+1,rssi)+mae(rssii+1,j+1,rssi)) (15)
步骤B-10,对搜索得到的点,加权得到最终的定位结果,权重为RSSI差值先取倒数、再做归一化后的值。
进一步地,所述步骤B-1和所述步骤B-3中,所述接收信号强度计算按照协议TR36.814中的路径损失定义来计算。计算公式为:
PL=22.0*log10(d)+28.0+20.0*log10(fc) (9)
其中,d为待测点到观测点的距离,fc为信号的载频。
进一步地,所述计算公式不考虑非视距传播的影响和干扰。
进一步地,所述接收信号强度以cell的数据结构形式进行存储。
本发明的有益效果是:本发明提出了一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法。所属方法利用5G网络和NB-IoT网络的融合框架,将5G基站多天线的特性和NB-IoT网络低功耗的特性相融合,针对NB-IoT终端的定位问题引入了DOA和RSSI信息融合的定位算法,相比较NB-IoT自身的cell-ID定位算法,充分利用了冗余的定位信息来帮助提高NB-IoT终端的定位精度。针对融合网络簇节点的定位误差会导致后续求解NB-IoT终端位置产生局部最优解的问题,本方法提出对于融合网络两步定位的方案,考虑第一步定位的误差,在误差域内搜索第二步定位的全局最优解,可以进一步提升整体网络的定位精度。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的算法框图。
图2是本发明的一个较佳实施例的框架图。
图3是本发明的一个较佳实施例的算法的原理示意图。
图4是本发明的一个较佳实施例的算法的框图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
实施例一
如图1所示,首先建立5G网络和NB-IoT网络簇节点方案融合模型以及进行第一步5G侧对簇节点的TDOA定位,然后在第一步解的误差范围内,遍历进行第二步NB-IoT侧对NB终端的DOA和RSSI融合算法定位过程,将全局最优解保存为最终融合网络的定位结果。主要包括参数初始化、代入模型、CHAN解算法、采用MUSIC解算法的DOA估计、指纹信息生成、确定DOA参数约束范围、寻找匹配点、加权求归一化结果、求全局最优解等部分。
实施例二
5G网络和NB-IoT网络两种网络融合定位的框架如图2所示。簇节点设计的预期功能为配置多天线的NB-IoT伪基站,可以同时处理多路天线信号,发射5G侧TDOA定位所需参考信号。基于该5G/NB-IoT簇节点融合框架,定位算法分为两步,第一步由5G基站对簇节点进行TDOA参数测量,第二步由簇节点作为伪基站对NB-IoT的终端进行DOA和RSSI参数的测量,并在簇节点处进行解算求解融合算法的定位结果。
在第一步由5G基站对簇节点进行TDOA参数测量时,以一个簇节点的定位为例,首先初始化簇节点位置为(1,1),作为初始参数传入到TDOA算法模块中。在TDOA算法模块中,生成一个2*1000列的数组X,每一列分别保存一组定位结果的x和y。1000列表示进行了1000轮仿真实验,最后的结果取1000次的平均,并计算结果的均方误差。在每一轮的计算中,生成四个定位基站的位置,分别为(0,0)、(3464.1,0)、(1732.1,3000)、(-1732.1,3000)。计算四个基站到待定位簇节点的欧式距离,保存为R0数组。以BS0为参考站,计算其余BS与BS0到簇节点的距离差R,在实际应用中该变量由TDOA*c得到,c为真空中光速。对距离差R加上高斯白噪声,代表了实际复杂环境下的噪声及干扰。将基站数目、基站位置、距离差数组R带入到TDOA的解算法CHAN算法中,按照本文提到的公式(1)-(3)构造多元方程组,并计算方程组的系数和常数项。由于多元方程组求解难度大,故CHAN算法采用的是两次估计逼近方程组解的方法。依据公式(4)-(6),采用最小二乘估计的原理第一次估计簇节点坐标;根据第一次估计的结果,依据公式(7)计算CHAN算法的第二次估计结果,最终两次估计的结果如公式(8)所示。步骤A-3、A-4、A-5、A-6、A-7、A-8、A-9、A-10、A-11描述了完成一次TDOA估计,结果保存在X的一列中。上述步骤总共进行1000轮,按照数组索引依次保存在X中,1000轮结束后,对X中的数据按照行求均值和均方误差,第一行得到的时TDOA估计的x方向的坐标,第二行得到的是TDOA估计的y方向的坐标。
实施例三
在基于5G/NB-Iot簇节点信息融合的NB终端高精度定位方法的第二步由簇节点对NB-IoT网络终端进行DOA和RSSI融合算法定位时,以两个基站对一个终端进行定位为例,图3所示。首先生成NB-IoT网络侧的RSSI指纹信息库,具体以步骤A中得到的簇节点的位置为观测点,在边长1km的矩形范围内,以步长5m测量待测点的接收信号强度。接收信号强度按照LTE(Long Term Evolution)协议TR36.814中的路径损失定义来计算,计算公式如公式(9)描述。这里采用的是视距传播远场模型对应的损耗计算公式,不考虑非视距传播的影响和干扰。根据NB-IoT的传输协议规定,采用43dB的下行发射功率减去之前计算得到的路径损失,得到待测点测量到的信号强度,并加上高斯噪声作为干扰。在本文提到的方法中,以cell的数据结构形式存储了每个点两个基站的接收信号强度。接着生成随机终端位置,根据公式(9)计算实际的接收信号强度,进入待匹配阶段。分别对两个簇节点按照步骤B-4、B-5、B-6、B-7计算DOA的估计角度:采用8个阵元的线性阵列,阵列平面平行于x轴方向,天线方向垂直于x轴方向,信噪比取20dB,快拍数K为1024,信号频率为1960MHz,阵元间距为λ/2,阵列流形如公式(10)所示。将阵列流形矩阵A和噪声矩阵S作矩阵乘法,并加上高斯白噪声作为天线入射信号。计算入射信号的协方差矩阵,计算方法如公式(12)所示,之后对协方差矩阵作特征值分解,按照特征值大小从大到小排序,取最大的特征值对应的特征向量作为信号子空间En。根据上述得到的结论,依据公式(13)和(14),遍历0-360度的空间角计算各个角度对应的空间谱,对计算得到的空间谱排序,此时最大值对应的角度就是DOA估计的结果,并测量结果对应的统计误差e。
实施例四
在一种基于5G/NB-Iot簇节点信息融合的NB终端高精度定位方法中,在第二步定位过程中,重复步骤B-4、B-5、B-6、B-7,得到两组DOA角度估计结果和统计误差,计算DOA参数确定的指纹信息库搜索范围,计算模型如图4所示。单个DOA的估计结果在误差情况下是一个以簇节点为端点的扇形区域,两组DOA估计的结果和误差形成了一个四边形,通过对四边形顶点的求解确定接下来在指纹信息库中搜索匹配点的范围。这一步可以避免在整个指纹信息库中进行搜索,仅在DOA确定的区域内进行搜索,加速了后续匹配的速度。同时,DOA估计算法给整体系统提供了更强的抗干扰能力,对比单一的RSSI定位算法,在性能上有明显提升。在上一步确定的搜索区域内,计算实际测量到的不同基站的RSSI值和指纹库中参考点对应的RSSI值的欧式距离,本发明采用平均绝对误差的评价指标来衡量参考点RSSI值和实际值的接近程度,计算方法如公式(15)所描述。由于指纹信息库中的参考点以5m为步长,如果以上一步得到的结果直接作为最终的定位结果,那么存在很大误差。本发明在得到上步结果后,继续采用加权求和的方法,对匹配点周围的点按照与真实RSSI值的差进行加权,具体实施方式为:
(x,y)=∑wi,j*(xi,yi) (16)
上述的两步定位方案中,第一步定位的误差会导致后续求解NB-IoT终端位置产生局部最优解的问题,本发明提出对于融合网络定位的方案,考虑第一步定位的误差,将第一步的定位结果规定在(x±δx,y±δy)的可行域内,以步长为1m遍历可行域中的点,作为簇节点经第一步定位得到的结果传入到第二步定位过程中去。记录每次得到的新的定位结果的误差,并和之前记录的最小误差的情况作比较。若小于等于最小误差,则更新最小误差的值为本次定位得到的误差,并更新定位结果为对应的结果。若大于最小误差,则继续进入下一轮的搜索。直至整个可行域遍历结束,得到的最终的定位结果就是全局最优解。
以上公开的本发明优选实施例只是用于更直观地阐述本发明。优选实施例并没有详尽叙述本发明的全部内容,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改变化。本说明书选取并具体描述这些实施例,是为了更好解释本发明的原理和实际应用,从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法,其特征在于,包括如下步骤:
步骤A,第一步定位:建立5G网络和NB-IoT网络簇节点方案融合模型,在5G侧对簇节点做TDOA定位,得到所述第一步定位的解(x,y)及误差(δx,δy);在所述簇节点的误差范围内,以簇节点位置为基准进行步骤B,将全局最优解作为最终的定位结果;
步骤B,第二步定位:在NB-IoT网络侧建立RSSI指纹信息库,计算所述NB-IoT网络两个基站的DOA估计值,根据所述DOA估计值,确定指纹信息库中的搜索范围;在搜索范围内寻找匹配点,找到其中误差最小的点作为搜索结果,并对四个参考点的位置进行归一化加权,得到终端位置的估计值。
2.如权利要求1所述的基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法,其特征在于,所述步骤A中,所述第一步定位的解(x,y)及误差(δx,δy)采用CHAN解算法得到。
3.如权利要求1所述的基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法,其特征在于,所述步骤A中,所述簇节点具有与5G和NB-IoT网络同时通信的功能。
4.如权利要求1所述的基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法,其特征在于,所述步骤B中,所述匹配点的匹配度评价标准为相邻四个参考点与实际RSSI值的平均绝对值误差。
5.如权利要求1所述的基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法,其特征在于,所述步骤B中,所述DOA估计值根据MUSIC算法计算。
6.如权利要求1所述的一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法,其特征在于,所述步骤A中,所述簇节点方案融合模型及所述TDOA定位,具体包括如下步骤:
步骤A-1,提出所述5G网络和NB-IoT网络簇节点方案融合模型;
步骤A-2,预置簇节点位置坐标为(1,1),作为参数传入到TDOA算法模块中;
步骤A-3,所述TDOA算法模块生成测量基站BS的位置,计算每个基站与待定位终端的欧式距离;
步骤A-4,设定噪声方差,产生高斯噪声作为干扰。设定第一个基站BS1为参考基站,计算其余基站BSi与参考基站到待定位终端的距离差Ri,1,最后加上高斯噪声矩阵;
步骤A-5,利用A-4得到的TDOA测量参数,和基站数目、基站位置参数一起作为输入参数传入所述CHAN算法;
步骤A-6,根据公式(1):
步骤A-7,将公式(2)转化为方程组(3),计算其中的参数;
Gaza=h (3)
步骤A-8,根据公式(4)计算e=h-Gaza的协方差矩阵:
ψ=E(eeT)=c2BQB (4)
步骤A-9,计算z的最小二乘估计,如公式(5):
在终端和基站距离较远时,ψ可以用Q代替,在本发明的具体实施中,采用的是近似公式(6):
步骤A-10,根据第一次估计的结果,计算CHAN的第二次估计结果,用公式(7):
步骤A-11,计算最终的TDOA定位结果:
步骤A-12,重复步骤A-3、A-4、A-5、A-6、A-7、A-8、A-9、A-10、A-11,得到若干组对同一基站的定位结果,取均值和方差作为所述TDOA定位的解(x,y)及误差(δx,δy);
步骤A-13,在(x±δx,y±δy)范围内,以步长为1改变簇节点的位置,作为所述第二步定位中基站的位置,进行步骤B。
7.如权利要求1所述的一种基于5G/NB-Iot簇节点信息融合的NB终端高精度定位算法,其特征在于,所述步骤B具体包括如下步骤:
步骤B-1,生成NB-IoT网络侧的RSSI指纹信息库,具体以步骤A中所述簇节点的位置为观测点,在边长1km的矩形范围内,以步长为5m测量待测点的接收信号强度。
步骤B-2,用NB-IoT的下行发射功率减去上一步计算得到的路径损失,得到所述待测点测量到的信号强度,并加上高斯噪声作为干扰,至此得到所有所述待测点的信号强度并保存;
步骤B-3,生成随机终端位置,计算实际的接收信号强度。
步骤B-4,根据终端的实际位置,构建信号模型。采用的阵元为8单位的线性阵列,信噪比为20dB,快拍数K为1024,信号频率为1960MHz,阵元间距为λ/2。因此阵列流形为:
A=exp(-1i*2*pi*dT*sin(theta*pi/180)) (10)
其中,d为阵元间距的整数倍,theta为真实的入射角。信号模型生成为:
X1=awgn(X,snr,′measured′) (11)
其中X=A*S,S为噪声矩阵;
步骤B-5,计算X1的协方差矩阵:
Rxx=X1*X1T/K (12)
之后对协方差矩阵作特征值分解,按照特征值排序,取最大的特征值对应的特征向量作为信号子空间En;
步骤B-6,遍历0到360度所有的入射角,计算各个角度对应的空间谱。
计算按照下列两个公式进行:
a=(exp(-1i*2*pi*d*sin(angle)))T (13)
Pmusic(idx)=1/(aT*(En*EnT)*a) (14)
步骤B-7,对计算出的空间谱排序,最大值对应的角度作为DOA估计的结果。并测量统计误差e;
步骤B-8,根据上一步得到的DOA角度估计结果和统计误差,计算DOA参数确定的指纹信息库搜索范围;
步骤B-9,在上一步得到的搜索范围内,计算实际的RSSI值和指纹库中参考点RSSI值的欧式距离,保存距离最小的点。计算依据公式:
fmae=∑((mae(rssii,j,rssi)+mae(rssii+1,j,rssi)++mae(rssii,j+1,rssi)+mae(rssii+1,j+1,rssi)) (15)
步骤B-10,对搜索得到的点,加权得到最终的定位结果,权重为RSSI差值先取倒数、再做归一化后的值。
8.如权利要求7所述的一种基于5G/NB-Iot簇节点信息融合的NB终端高精度定位算法,其特征在于,所述步骤B-1和所述步骤B-3中,所述接收信号强度计算按照协议TR36.814中的路径损失定义来计算。计算公式为:
PL=22.0*log10(d)+28.0+20.0*log10(fc) (9)
其中,d为待测点到观测点的距离,fc为信号的载频。
9.如权利要求8所述的一种基于5G/NB-Iot簇节点信息融合的NB终端高精度定位算法,其特征在于,所述计算公式不考虑非视距传播的影响和干扰。
10.如权利要求7所述的一种基于5G/NB-Iot簇节点信息融合的NB终端高精度定位算法,其特征在于,所述接收信号强度以cell的数据结构形式进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911295997.7A CN111132007B (zh) | 2019-12-16 | 2019-12-16 | 一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911295997.7A CN111132007B (zh) | 2019-12-16 | 2019-12-16 | 一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111132007A true CN111132007A (zh) | 2020-05-08 |
CN111132007B CN111132007B (zh) | 2022-01-11 |
Family
ID=70499276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911295997.7A Active CN111132007B (zh) | 2019-12-16 | 2019-12-16 | 一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111132007B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112637760A (zh) * | 2020-12-07 | 2021-04-09 | 西安电子科技大学 | 一种基于uwb的室内非视距快速定位方法 |
CN113238577A (zh) * | 2021-05-13 | 2021-08-10 | 广东工业大学 | 一种基于5g网关的无人机与无人车协作方法 |
CN113395763A (zh) * | 2021-06-11 | 2021-09-14 | 深圳市华芯云创科技有限公司 | 基于5G/NB-IoT簇节点信息融合的NB终端高精度定位方法及系统 |
CN115551081A (zh) * | 2022-12-01 | 2022-12-30 | 广东工业大学 | 一种兼容单基站和多基站的5g定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130023278A1 (en) * | 2011-07-18 | 2013-01-24 | Ting-Yueh Chin | Rss-based doa indoor location estimation system and method |
CN105717485A (zh) * | 2016-02-26 | 2016-06-29 | 北京邮电大学 | 一种室内定位方法及装置 |
CN106714298A (zh) * | 2016-12-12 | 2017-05-24 | 杭州爱赛德科技有限公司 | 一种基于天线阵列的无线定位方法 |
CN107613559A (zh) * | 2017-10-12 | 2018-01-19 | 东南大学 | 一种基于5g信号的doa指纹库定位方法 |
-
2019
- 2019-12-16 CN CN201911295997.7A patent/CN111132007B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130023278A1 (en) * | 2011-07-18 | 2013-01-24 | Ting-Yueh Chin | Rss-based doa indoor location estimation system and method |
CN105717485A (zh) * | 2016-02-26 | 2016-06-29 | 北京邮电大学 | 一种室内定位方法及装置 |
CN106714298A (zh) * | 2016-12-12 | 2017-05-24 | 杭州爱赛德科技有限公司 | 一种基于天线阵列的无线定位方法 |
CN107613559A (zh) * | 2017-10-12 | 2018-01-19 | 东南大学 | 一种基于5g信号的doa指纹库定位方法 |
Non-Patent Citations (1)
Title |
---|
吕小微: "一种基于RSSI 指纹和DOA 信息的单基站定位方法", 《现代导航》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112637760A (zh) * | 2020-12-07 | 2021-04-09 | 西安电子科技大学 | 一种基于uwb的室内非视距快速定位方法 |
CN112637760B (zh) * | 2020-12-07 | 2022-03-11 | 西安电子科技大学 | 一种基于uwb的室内非视距快速定位方法 |
CN113238577A (zh) * | 2021-05-13 | 2021-08-10 | 广东工业大学 | 一种基于5g网关的无人机与无人车协作方法 |
CN113395763A (zh) * | 2021-06-11 | 2021-09-14 | 深圳市华芯云创科技有限公司 | 基于5G/NB-IoT簇节点信息融合的NB终端高精度定位方法及系统 |
CN113395763B (zh) * | 2021-06-11 | 2021-12-28 | 深圳市华芯云创科技有限公司 | 基于5G/NB-IoT簇节点信息融合的NB终端高精度定位方法及系统 |
CN115551081A (zh) * | 2022-12-01 | 2022-12-30 | 广东工业大学 | 一种兼容单基站和多基站的5g定位方法 |
CN115551081B (zh) * | 2022-12-01 | 2023-07-25 | 广东工业大学 | 一种兼容单基站和多基站的5g定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111132007B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111132007B (zh) | 一种基于5G/NB-IoT簇节点信息融合的NB终端高精度定位算法 | |
CN109738854B (zh) | 一种天线阵列来波方向的到达角估计方法 | |
Arnold et al. | On deep learning-based massive MIMO indoor user localization | |
IL266212B1 (en) | Direction for arrival assessment | |
Li et al. | Multipath-assisted indoor localization using a single receiver | |
CN112130111B (zh) | 一种大规模均匀十字阵列中单快拍二维doa估计方法 | |
CN108089147B (zh) | 改进的短波单站定位方法 | |
CN110045322B (zh) | 一种基于高分辨测向语图智能识别的短波自动测向方法 | |
CN111405657B (zh) | 一种基于csi的到达角与到达时间差单接入点定位方法 | |
CN115150744A (zh) | 一种大型会议场馆室内信号干扰源定位方法 | |
CN114624742A (zh) | 用于极化敏感阵列的幅相误差校准定位方法及装置 | |
Abdelbari et al. | A novel DOA estimation method of several sources for 5G networks | |
Rahman et al. | Lochunt: Angle of arrival based location estimation in harsh multipath environments | |
Muhammad et al. | Performance evaluation for direction of arrival estimation using 4-element linear array | |
US10151823B2 (en) | Method for passive approximate localization using frequency modulation and software defined radio | |
Grishin et al. | Analysis of Tracking Filter Impact on Location-Aware Beamforming in 5G mm Wave UDN | |
CN108828513B (zh) | 基于多监测点电波传播衰减等差线交叉的信号源定位方法 | |
RU2657237C1 (ru) | Однопозиционный способ определения координат местоположения источников радиоизлучения | |
Mohaghegh et al. | Bluetooth low energy direction finding principle | |
Bryan et al. | Geolocation of multiple noncooperative emitters using received signal strength: Sparsity, resolution, and detectability | |
CN114079520B (zh) | 一种信号估计方法、设备、装置及存储介质 | |
Deng et al. | Indoor Localization with a Single Access Point Based on TDoA and AoA | |
Yilong et al. | Emitter localization using a single moving observer based on UKF | |
Jiang et al. | For better CSI fingerprinting based localization: a novel phase sanitization method and a distance metric | |
Memarian et al. | Multiple signals direction finding of IoT devices through improved correlative interferometer using directional elements |
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 |