CN111257825B - Toa的确定与终端的定位方法及装置、存储介质、终端 - Google Patents

Abstract

一种TOA的确定与终端的定位方法及装置、存储介质、终端，所述确定方法包括：从其他终端接收具有重复循环结构的输入信号；计算输入信号的延迟拷贝相关，以得到时域延迟相关向量，时域延迟相关向量的首个元素携带有发送输入信号的绝对时间X，X≥0；利用所述输入信号的信道估计得到信道估计向量；将时域延迟相关向量及信道估计向量的各个元素确定为神经网络的输入，以使神经网络输出所述输入信号的时间偏移量Y，Y为实数，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的；根据绝对时间X和时间偏移量Y确定TOA时间T，其中，T＝X+Y。通过本发明提供的技术方案，可以得到更加准确的TOA时间，有利于提高定位精度。

Description

TOA的确定与终端的定位方法及装置、存储介质、终端

技术领域

本发明涉及无线定位技术，具体地涉及一种TOA的确定与终端的定位方法及装置、存储介质、终端。

背景技术

现有技术中，准确定位是802.11组网系统(例如，无线保真(Wireless Fidelity，简称Wi-Fi))中的难点之一。当前解决方案主要包括：利用接收功率估计定位信息或利用信道估计估计定位信息。

利用功率进行定位时，功率在不同信道的浮动较大、且不同站点的发送功率可能不一致，发送功率未知又难以协调。因而，利用功率进行定位可能导致计算误差偏大，无法准确定位。

利用信道估计进行定位时，首先计算到达时间(Time Of Arrival，简称TOA)。当计算TOA时，信道估计中包含不可剔出的周期延迟多样性(Cyclic Shift Diversity，简称CSD)伪多径的影响，且CSD类型是不可知的，因而导致求解TOA误差较大，这将导致基于TOA得到的定位结果不准确。

发明内容

本发明解决的技术问题是如何提高TOA的估计精度，降低TOA误差。

为解决上述技术问题，本发明实施例提供一种TOA的确定方法，所述TOA的确定方法包括：从其他终端接收具有重复循环结构的输入信号；计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量，所述时域延迟相关向量的首个元素携带有发送所述输入信号的绝对时间X，X≥0；利用所述输入信号的信道估计得到信道估计向量；将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入，以使所述神经网络输出所述输入信号的时间偏移量Y，Y为实数，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的；根据所述绝对时间X和时间偏移量Y确定TOA时间T，其中，T＝X+Y。

可选的，所述具有重复循环结构的输入信号为短训练域符号或长训练域符号。

可选的，所述输入信号为序列x(n)，所述计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量包括：利用公式

得到长度为P的时域延迟相关向量，DCC(n)表示时域延迟相关向量中的元素，n为0至(P-1)的整数，L、P为正整数。

可选的，采用如下方式得到信道估计值：利用公式

或者

k＝0,1,…,(M-1)，得到长度为M的信道估计向量，ChEst(k)表示所述信道估计向量，S(k)表示所述输入信号的M点FFT信号，Z(k)表示信号S(k)在接收端得到的判决信号，|Z(k)|表示Z(k)的模值，Z^*(k)表示Z(k)的共轭，M为预设的正整数，NoiseVar(k)表示第k个OFDM子载波的噪声方差。

可选的，所述将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入包括：将所述长度为P的时域延迟相关向量和所述长度为M的信道估计向量组合为长度为(P+M)的第一向量：[DCC(0),...,DCC(L-1),ChEst(0),...,ChEst(M-1)]^T，T表示向量转置；将所述第一向量的各个元素确定为所述神经网络的输入。

可选的，所述匹配数据对表示为(A,B)，A为长度为(P+M)×1的向量，B为1×1或N×1的向量，N为正整数。

可选的，所述神经网络为深层神经网络。

可选的，所述神经网络包括输入层、隐含层和输出层，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的指的是：利用所述多个预定义的匹配数据对训练所述隐含层的权重系数矩阵和偏倚向量。

为解决上述技术问题，本发明实施例还提供一种终端的定位方法，包括：确定多个其他终端的位置信息；利用上述TOA的确定方法得到每个其他终端到当前终端的TOA时间；基于各个TOA时间以及所述多个其他终端的位置信息得到所述当前终端的位置信息。

为解决上述技术问题，本发明实施例还提供一种TOA的确定装置，包括：接收模块，适于从其他终端接收具有重复循环结构的输入信号；计算模块，适于计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量，所述时域延迟相关向量的首个元素携带有发送所述输入信号的绝对时间X，X≥0；估计模块，适于利用所述输入信号的信道估计得到信道估计向量；输出模块，适于将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入，以使所述神经网络输出所述输入信号的时间偏移量Y，Y为实数，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的；确定模块，适于根据所述绝对时间X和时间偏移量Y确定TOA时间T，其中，T＝X+Y。

为解决上述技术问题，本发明实施例还提供一种终端的定位装置，包括：第一确定模块，适于确定多个其他终端的位置信息；利用模块，适于利用上述TOA的确定装置得到每个其他终端到当前终端的TOA时间；第二确定模块，适于基于各个TOA时间以及所述多个其他终端的位置信息得到所述当前终端的位置信息。

为解决上述技术问题，本发明实施例还提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述方法的步骤。

为解决上述技术问题，本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

本发明实施例提供一种TOA的确定方法，包括：从其他终端接收具有重复循环结构的输入信号；计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量，所述时域延迟相关向量的首个元素携带有发送所述输入信号的绝对时间X，X≥0；利用所述输入信号的信道估计得到信道估计向量；将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入，以使所述神经网络输出所述输入信号的时间偏移量Y，Y为实数，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的；根据所述绝对时间X和时间偏移量Y确定TOA时间T，其中，T＝X+Y。通过本发明实施例提供的技术方案，可以采用具有重复循环结构的输入信号计算时域延迟相关向量以及信道估计向量，并将其作为神经网络的输入，从而得到输入信号的时间偏移量，进而得到TOA的值。本发明实施例提供的技术方案可以克服现有技术中因多径信道、频率偏差、采样偏差，CSD伪多径等不利因素导致的TOA误差大的缺点，得到准确的TOA。进一步，可以利用准确的TOA的值进行更加精准的定位，有利于提高定位精度。

进一步，所述具有重复循环结构的输入信号为短训练域符号或长训练域符号。本发明实施例采用Wi-Fi系统中的训练域符号作为输入信号，该输入信号具有重复循环结构，可以充分利用Wi-Fi系统通信双方已知的信号信息计算TOA，在得到更加准确的TOA时，对Wi-Fi系统的影响很小。

附图说明

图1是本发明实施例的一种TOA的确定方法的流程示意图；

图2是本发明实施例采用的一种DNN神经网络的结构示意图；

图3是本发明实施例的一种具体应用场景的TOA确定装置框图；

图4是本发明实施例的一种终端的定位方法的流程示意图；

图5是本发明实施例的一种Wi-Fi系统的场景示意图；

图6是本发明实施例的一种终端的数据交互的典型流程示意图；

图7是本发明实施例的TOA的确定装置的结构示意图；

图8是本发明实施例的一种终端的定位装置的结构示意图。

具体实施方式

本领域技术人员理解，如背景技术所言，现有技术计算得到的TOA时间不够准确，降低了基于TOA进行定位得到的位置信息的精度。

本发明实施例提供一种TOA的确定方法，包括：从其他终端接收具有重复循环结构的输入信号；计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量，所述时域延迟相关向量的首个元素携带有发送所述输入信号的绝对时间X，X≥0；利用所述输入信号的信道估计得到信道估计向量；将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入，以使所述神经网络输出所述输入信号的时间偏移量Y，Y为实数，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的；根据所述绝对时间X和时间偏移量Y确定TOA时间T，其中，T＝X+Y。

通过本发明实施例提供的技术方案，可以采用具有重复循环结构的输入信号计算时域延迟相关向量以及信道估计向量，并将其作为神经网络的输入，从而得到输入信号的时间偏移量，进而得到TOA的值。本发明实施例提供的技术方案可以克服现有技术中因多径信道、频率偏差、采样偏差，CSD伪多径等不利因素导致的TOA误差大的缺点，得到准确的TOA。进一步，可以利用准确的TOA的值进行更加精准的定位，有利于提高定位精度。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

图1是本发明实施例的一种TOA的确定方法的流程示意图，可以用于确定从一个节点至另一个节点的TOA时间，例如，可以用于确定Wi-Fi系统中的一个站点(STAtion，简称STA)至另一个站点的TOA时间。

具体而言，所述TOA的确定方法可以包括以下步骤：

步骤S101，从其他终端接收具有重复循环结构的输入信号；

步骤S102，计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量，所述时域延迟相关向量的首个元素携带有发送所述输入信号的绝对时间X，X≥0；

步骤S103，利用所述输入信号的信道估计得到信道估计向量；

步骤S104，将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入，以使所述神经网络输出所述输入信号的时间偏移量Y，Y为实数，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的；

步骤S105，根据所述绝对时间X和时间偏移量Y确定TOA时间T，其中，T＝X+Y。

更具体而言，在步骤S101中，当前终端(例如，Wi-Fi节点)可以从其他终端接收到多个输入信号，所述输入信号可以是从天线接收，经过一系列接收机链路得到的各个前导序列符号。所述前导序列符号可以是具有重复循环结构的短训练字段(Short TrainingField，简称STF)符号或长训练字段(Long Training Field，简称LTF)符号。

例如，所述STF符号可以包括传统短训练字段(Legacy Short Training Field，简称L-STF)符号、高吞吐量短训练字段(High Throughput-Short Training Field，简称HT-STF)符号、超高吞吐量短训练字段(Very High Throughput-Short Training Field，简称VHT-STF)符号、高效短训练字段(High Efficient-Short Training Field，简称HE-STF)符号。

又例如，所述LTF符号可以包括传统长训练字段(Legacy Long Training Field，简称L-LTF)符号、高吞吐量长训练字段(High Throughput-Long Training Field，简称HT-LTF)符号、超高吞吐量长训练字段(Very High Throughput-Long Training Field，简称VHT-LTF)符号、高效长训练字段(High Efficient-Long Training Field，简称HE-LTF)符号。

在步骤S102中，可以对得到的输入信号进行延迟拷贝相关(Delay CopyCorrelation，简称DCC)运算，以得到时域延迟相关向量。具体实施中，所述输入信号可以表示为x(n)，计算x(n)的延迟拷贝相关可以采用如下公式：

其中，DCC(n)表示长度为P的时域延迟相关向量中的各个元素，n为0至(P-1)的整数。DCC(n)为时刻n的DCC值。P为正整数，例如，x(n)为L-STF符号时，P可以取32的整数倍。L表示延迟拷贝相关运算的长度。

利用延迟拷贝相关运算可以得到具有特征点(例如，DCC(n))的数值曲线。所述时域延迟相关向量的首个元素(即DCC(0))携带有发送所述输入信号的绝对时间X，X≥0。

在步骤S103中，可以基于所述输入信号x(n)进行信道估计得到信道估计向量。本领域技术人员理解，所述输入信号x(n)为正交频分多路复用(Orthogonal FrequencyDivision Multiplexing，简称OFDM)信号。在进行信道估计时，可以对x(n)进行M点快速傅里叶变换(Fast Fourier Transform，简称FFT)变换，得到信号S(k)，k＝0,…,M-1。本地接收机可以得到该信号的判决序列(Decision Making Sequence)Z(k)，k＝0,…,M-1。本领域技术人员理解，M是预设的正整数，在Wi-Fi系统中，OFDM子载波个数通常大于或等于64，M通常可以为64及以上整数。

在具体实施中，信道估计可以采用迫零变换(Zero Forcing)算法或最小均方差(Minimum Mean Square Error，简称MMSE)算法或基于此两种计算方式的变体算法。

作为一个非限制性的例子，可以采用如下公式应用迫零变换算法进行信道估计计算，

k＝0,1,…,M-1。其中，S(k)表示所述输入信号的M点FFT信号，Z(k)表示信号S(k)在接收端得到的判决信号。

作为又一个非限制性的例子，可以采用如下公式应用MMSE算法进行计算，

k＝0,1,…,M-1；

其中，|Z(k)|表示Z(k)的模值，Z^*(k)表示Z(k)的共轭，ChEst(k)表示信道估计向量中的单个元素，NoiseVar(k)表示第k个OFDM子载波的噪声方差。所述噪声方差可以根据仿真结果以及接收机底噪设置为常量。

在步骤S104中，可以将步骤S102得到的时域延迟相关向量及步骤S103得到的所述信道估计向量的各个元素确定为神经网络的输入，以使所述神经网络在运算后输出所述输入信号的时间偏移量Y，Y为任意实数。

在具体实施中，可以将所述长度为P的时域延迟相关向量和所述长度为M的信道估计向量组合为长度为(P+M)的第一向量，所述第一向量可以表示如下：[DCC(0),...,DCC(P-1),ChEst(0),...,ChEst(M-1)]^T，T表示向量转置。之后，可以将所述第一向量的各个元素确定为所述神经网络的输入。

作为一个非限制性的例子，所述神经网络为深度神经网络(Deep NeuralNetworks，简称DNN，又称为深层神经网络)。

图2是本发明实施例采用的一种DNN神经网络的结构示意图。如图2所示，所述DNN神经网络可以由一个输入层(Inpout layer)、N(N≥1)个隐含层(hidden layer)以及1个或多个输出层(output layer)构成。

本领域技术人员理解，DNN神经网络的各层可以是全连接层(Full connectedlayer)，卷积层(convolutional neural network layer)，或长短记忆网络层(Long-shortterm memory network layer)。进一步，为得到所述输入信号的时间偏移量Y，所述神经网络的各个参数可以利用多个预定义的匹配数据对训练得到。所述匹配数据对可以表示为(A,B)，A为(P+M)×1的向量，B为1×1或N×1的向量，N为正整数。其中，A的首个元素携带有绝对时间，B携带有时间偏移量。

在具体实施中，对DNN神经网络进行训练主要是得到该DNN网络的隐含层的权重系数矩阵和偏倚向量。得到权重系数矩阵和偏倚向量可以采用后向传播算法。

在具体实施中，假设W^L表示所有隐含层的权重系数矩阵，b^l表示偏倚向量。假设第(l-1)层共有m个神经元，而第l层共有n个神经元，则第(l-1)层的线性系数w组成了n×m的矩阵W^l,第l层的偏倚b组成了n×1的向量b^l,第(l-1)层的的输出向量为m×1的向量a^L-1，第l层的的未激活前线性输出z为n×1的向量z^L,第l层的的输出为n×1的向量a^L。当采用矩阵法表示时，第l层的输出为：a^L＝σ(z^l)＝σ(W^la^l-1+b^l)

通过数学推导可知，DNN神经网络的前向传播算法可以利用若干个隐含层的权重系数矩阵W^l、偏倚向量b^l以及输入向量(例如，所述第一向量)进行一系列线性运算和激活运算。从输入层开始，一层层向后计算，一直到计算到输出层，得到输出结果。

DNN神经网络的前向传播算法的伪代码可以如下：DNN神经网络总层数num_layer＝n_layer+2，其中，n_layer表示隐含层的数量，W^l表示各个隐含层以及输出层对应的矩阵，b^l表示偏倚向量。

其中，输入向量可以为长度为(P+M)的第一向量，其中，所述第一向量DCC(0)携带有发送所述输入信号的绝对时间X：

DNNInput＝[DCC(0),...,DCC(P-1),ChEst(0),...,ChEst(M-1)]^T；

输出向量为a^num_layer。

(1)初始化a^l＝DNNInput

(2)for l＝2到num_layer，计算a^L＝σ(z^l)＝σ(W^la^l-1+b^l)

最后的结果即为输出DNNOutput＝a^num_layer，从输出结果中可以取出所述输入信号的时间偏移量Y。其中，所述DNN神经网络中，σ为激活函数，是神经网络中的重要组成部分和常用概念，这里不再赘述。本领域技术人员理解，DNN神经网络的参数(例如，各层的权重系数矩阵W^l和偏倚向量b^l)还可以利用DNN神经网络中的其他常用训练算法，例如，采用反向传播算法(Back Propagation Algorithm)来训练。具体而言，在采用后向传播算法时，还需要基于预设训练准则进行训练。

在具体实施中，训练时采用的预设匹配数据对(A,B)可以为(DNNInput，DNNOutput)，DNNInput表示所述输入向量，DNNOutput表示输出结果，且DNNInput的元素个数为(P+M)，DNNOutput的元素个数为1个或多个。当DNNOutput为1×1的向量时，可以采用均方误差(Mean Square Error，简称MSE)最小化准则来训练。当B为N×1的向量时，可以添加柔性最大值(Softmax)层以及交叉熵(cross-entropy)准则来训练。

需要说明的是，如果DNNOutput为N×1的向量，那么输出向量可以为所述时间偏移量的分段表述。也即，假设总的输出范围是[U,V]，其中U、V都是实数，且V>U，此时可以按照(V-U)/N进行分段，分成N个区域或类别。期中，每一分段或类别即为B的一个元素。

DNNInput可以是预先由仿真或实测产生的(P+M)个元素得到的输入向量[DCC(0),...,DCC(P-1),ChEst(0),...,ChEst(M-1)]^T，且DNNInput包含所述输入向量的绝对时间X；DNNOutput也是预先由仿真产生的包含时间偏移量的输出结果，且DNNOutput可以携带所述输入向量的时间偏移量Y。通过预设的匹配数据对(DNNInput，DNNOutput)对DNN神经网络进行匹配(fit)训练，可以在训练结束后可以得到各层的权重系数矩阵W^l和偏倚向量b^l。

本领域技术人员理解，输出层的个数可以是多个。例如，所述输出结果可以除时间偏移量外，还包括其他特征量，例如信道估计误差，CSD估计量等，这里不再赘述。

在步骤S105中，可以利用公式T＝X+Y得到TOA的值。其中，T表示TOA时间，X表示所述输入信号携带的绝对时间，Y表示利用神经网络得到的时间偏移量，其值可以为任意实数。

作为一个非限制性的例子，图3是本发明实施例的一种具体应用场景的TOA确定装置框图。参考图3，以Wi-Fi系统为例，所述TOA确定装置300可以包括接收天线301、射频模块302、模数转换模块303、低通滤波模块304、频偏补偿/采样偏差补偿模块305、信道估计模块306、DCC运算模块307、神经网络模块308。

具体而言，所述TOA确定装置300可以从接收天线301接收到重复循环结构的信号，之后该输入信号进行射频模块302，经模数转换模块303转换为数字信号，并进入低通滤波模块304得到所述输入信号。所述输入信号可以利用DCC运算模块307计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量，其中，所述时域延迟相关向量的首个元素携带有发送所述输入信号的绝对时间X，X≥0。同样地，所述输入信号还可以进入频偏补偿/采样偏差补偿模块305、信道估计模块306完成信道估计，得到信道估计向量。之后，将所述时域延迟相关向量和所述信道估计向量中的各个元素输入至神经网络模块308，以使所述神经网络输出所述输入信号的时间偏移量Y，Y为实数。其中，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的。

图4是本发明实施例的一种终端的定位方法的流程示意图。参考图4，所述定位方法可以包括以下步骤：

步骤S401，确定多个其他终端的位置信息；

步骤S402，利用上述TOA的确定方法得到每个其他终端到当前终端的TOA时间；

步骤S403，基于各个TOA时间以及所述多个其他终端的位置信息得到所述当前终端的位置信息。

具体而言，在步骤S401中，当前终端可以确定多个其他终端的位置信息。例如，参考图5所示的Wi-Fi系统的场景示意图。所述当前终端也即需要定位的终端为站点STA_0，站点STA_0已知站点STA_1、站点STA_2、站点STA_3的位置信息。

在步骤S402中，利用图1所示的TOA定位方法可以得到每个其他终端到当前终端的TOA时间。仍以图5为例，站点STA_0可以分别估计从站点STA_1、站点STA_2、站点STA_3到站点STA_0的TOA时间，具体可以参照图1所示实施例确定TOA时间。

在步骤S403中，当前终端可以基于估计两个发出时间(Time Of Departure，简称TOD)和两个TOA时间来计算当前终端与其他STA间的距离，从而进行定位。继续以图5为例，站点STA_0可以分别计算出站点STA_1、站点STA_2、站点STA_3至站点STA_0的距离D_10、D_20、D_30，之后按照现有技术中的最小二乘多点定位(Least-squared Multilateration)算法即可求得站点STA0的位置。

其中，两个站点间的距离D_mn可以采用公式D_mn＝c·RTT_mn计算。其中c是光速，为3·10⁸m/s。RTT_mn表示站点STA_m与站点STA_n的往返时间。RTT_mn＝[T4-T1-T3+T2]/2。各个参数的物理含义可以参考图6。

图6是本发明实施例的一种终端的数据交互的典型流程示意图，其中，T1是站点STA_n发出的第一帧(例如，精细时间测量(Fine Timing Measurement，简称FTM)帧，图示为FTM1)的TOD时间，T3是站点STA_0发出的确认帧(ACKnowledgement，简称ACK)的TOD时间；T2是站点STA_n收到所述FTM1的TOA时间；T4是站点STA_0收到站点STA_n发送的ACK的TOA时间。当站点STA_0收到第二帧(例如，FTM_2)时，便可以获得T1、T2、T3、T4的值，进而可以得到往返时间以及各个距离(如D_10、D_20、D_30)的值。之后，根据往返时间以及各个距离的值可以得到站点STA_0的位置。其中，TOD时间可以采用现有技术得到，这里不再赘述，TOA时间可以采用图1所示的实施例得到。

由上，通过本发明实施例提供的技术方案，可以得到更加准确的TOA时间，有利于提高定位精度。

图7是本发明实施例的TOA的确定装置的结构示意图。所述TOA的确定装置7(以下简称确定装置7)可以应用于Wi-Fi系统设备以计算TOA，本领域技术人员理解，本发明实施例可以用于实施上述图1所示的方法技术方案。

在具体实施中，所述确定装置7可以包括：接收模块71，适于从其他终端接收具有重复循环结构的输入信号；计算模块72，适于计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量，所述时域延迟相关向量的首个元素携带有发送所述输入信号的绝对时间X，X≥0；估计模块73，适于利用所述输入信号的信道估计得到信道估计向量；输出模块74，适于将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入，以使所述神经网络输出所述输入信号的时间偏移量Y，Y为实数，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的；确定模块75，根据所述绝对时间X和时间偏移量Y确定TOA时间T，其中，T＝X+Y。

在具体实施中，所述具有重复循环结构的输入信号可以为短训练域符号或长训练域符号。

在具体实施中，所述输入信号为序列x(n)，所述计算模块可以包括：计算子模块721，适于利用公式

得到长度为P的时域延迟相关向量，DCC(n)表示时域延迟相关向量中的元素，n为0至(P-1)的整数，L为正整数。

在具体实施中，所述估计模块73可以包括估计子模块731。所述估计子模块731适于采用如下方式得到信道估计值：

利用公式

或者

|Z(k)|表示Z(k)的模值，Z^*(k)表示Z(k)的共轭，k＝0,1,…,(M-1)，得到长度为M的信道估计向量，ChEst(k)表示所述信道估计向量，S(k)表示所述输入信号的M点FFT信号，Z(k)表示信号S(k)在接收端得到的判决信号，M为预设的正整数，NoiseVar(k)表示第k个OFDM子载波的噪声方差。

在具体实施中，所述输出模块74可以包括：组合子模块741，适于将所述长度为L的时域延迟相关向量和所述长度为M的信道估计向量组合为长度为(P+M)的第一向量：

[DCC(0),...,DCC(P-1),ChEst(0),...,ChEst(M-1)]^T，T表示向量转置；确定子模块742，适于将所述第一向量的各个元素确定为所述神经网络的输入。

其中，所述匹配数据对表示为(A,B)，A为长度为(P+M)×1的向量，B为1×1或N×1的向量，N为正整数。

在具体实施中，所述神经网络可以为深层神经网络。所述神经网络包括输入层、隐含层和输出层，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的指的是：利用所述多个预定义的匹配数据对训练所述隐含层的权重系数矩阵和偏倚向量。

关于所述确定装置7的工作原理、工作方式的更多内容，可以参照上述图1中的相关描述，这里不再赘述。

图8是本发明实施例的一种终端的定位装置的结构示意图。所述终端的定位装置8(以下简称定位装置8)可以应用于Wi-Fi系统设备，本领域技术人员理解，本发明实施例可以用于实施上述图4所示的方法技术方案。

具体而言，所述定位装置8可以包括第一确定模块81、利用模块82和第二确定模块83。

在具体实施中，所述第一确定模块81适于确定多个其他终端的位置信息；所述利用模块82适于利用权利要求10所述的TOA的确定装置得到每个其他终端到当前终端的TOA时间；所述第二确定模块83适于基于各个TOA时间以及所述多个其他终端的位置信息得到所述当前终端的位置信息。

关于所述确定装置8的工作原理、工作方式的更多内容，可以参照上述图4中的相关描述，这里不再赘述。

进一步地，本发明实施例还公开一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述图1、图4所示实施例中所述的方法技术方案。优选地，所述存储介质可以包括计算机可读存储介质。所述存储介质可以包括ROM、RAM、磁盘或光盘等。

进一步地，本发明实施例还公开一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述图1、图4所示实施例中所述的方法技术方案。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (11)

1.一种TOA的确定方法，其特征在于，包括：

从其他终端接收具有重复循环结构的输入信号；

计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量，所述时域延迟相关向量的首个元素携带有发送所述输入信号的绝对时间X，X≥0；所述输入信号为x(n)，所述计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量包括：利用公式

得到长度为P的时域延迟相关向量，DCC(n)表示时域延迟相关向量的各个元素，n为0至(P-1)的整数，L、P为正整数；

利用所述输入信号的信道估计得到信道估计向量，包括：利用公式

或者

得到长度为M的信道估计向量，ChEst(k)表示所述信道估计向量，S(k)表示所述输入信号的M点FFT信号，Z(k)表示信号S(k)在接收端得到的判决信号，|Z(k)|表示Z(k)的模值，Z^*(k)表示Z(k)的共轭，M为预设的正整数，NoiseVar(k)表示第k个OFDM子载波的噪声方差；

将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入，以使所述神经网络输出所述输入信号的时间偏移量Y，Y为实数，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的；

根据所述绝对时间X和时间偏移量Y确定TOA时间T，其中，T＝X+Y。

2.根据权利要求1所述的确定方法，其特征在于，所述具有重复循环结构的输入信号为短训练域符号或长训练域符号。

3.根据权利要求1所述的确定方法，其特征在于，所述将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入包括：

将所述长度为P的时域延迟相关向量和所述长度为M的信道估计向量组合为长度为(P+M)的第一向量：

[DCC(0),...,DCC(L-1),ChEst(0),...,ChEst(M-1)]^T，T表示向量转置；

将所述第一向量的各个元素确定为所述神经网络的输入。

4.根据权利要求1所述的确定方法，其特征在于，所述匹配数据对表示为(A,B)，其中，A为(P+M)×1的向量，B为1×1或N×1的向量，N为正整数。

5.根据权利要求1所述的确定方法，其特征在于，所述神经网络为深层神经网络。

6.根据权利要求5所述的确定方法，其特征在于，所述神经网络包括输入层、隐含层和输出层，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的指的是：利用所述多个预定义的匹配数据对训练所述隐含层的权重系数矩阵和偏倚向量。

7.一种终端的定位方法，其特征在于，包括：

确定多个其他终端的位置信息；

利用权利要求1至6任一项所述的TOA的确定方法得到每个其他终端到当前终端的TOA时间；

基于各个TOA时间以及所述多个其他终端的位置信息得到所述当前终端的位置信息。

8.一种TOA的确定装置，其特征在于，包括：

接收模块，适于从其他终端接收具有重复循环结构的输入信号；

计算模块，适于计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量，所述时域延迟相关向量的首个元素携带有发送所述输入信号的绝对时间X，X≥0；所述输入信号为x(n)，所述计算所述输入信号的延迟拷贝相关，以得到时域延迟相关向量包括：利用公式

得到长度为P的时域延迟相关向量，DCC(n)表示时域延迟相关向量的各个元素，n为0至(P-1)的整数，L、P为正整数；

估计模块，适于利用所述输入信号的信道估计得到信道估计向量，包括：

利用公式

或者

k＝0,1,...,(M-1)，得到长度为M的信道估计向量，ChEst(k)表示所述信道估计向量，S(k)表示所述输入信号的M点FFT信号，Z(k)表示信号S(k)在接收端得到的判决信号，|Z(k)|表示Z(k)的模值，Z^*(k)表示Z(k)的共轭，M为预设的正整数，NoiseVar(k)表示第k个OFDM子载波的噪声方差；

输出模块，适于将所述时域延迟相关向量及所述信道估计向量的各个元素确定为神经网络的输入，以使所述神经网络输出所述输入信号的时间偏移量Y，Y为实数，所述神经网络的各个参数是利用多个预定义的匹配数据对训练得到的；

确定模块，适于根据所述绝对时间X和时间偏移量Y确定TOA时间T，其中，T＝X+Y。

9.一种终端的定位装置，其特征在于，包括：

第一确定模块，适于确定多个其他终端的位置信息；

利用模块，适于利用权利要求8所述的TOA的确定装置得到每个其他终端到当前终端的TOA时间；

第二确定模块，适于基于各个TOA时间以及所述多个其他终端的位置信息得到所述当前终端的位置信息。

10.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器运行时执行权利要求1至6任一项或权利要求7所述的方法的步骤。

11.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至6任一项或权利要求7所述的方法的步骤。

Images